[发明专利]基于深度网络学习的山火预测方法

说明书

本发明公开了一种能够提高预测效率和预测准确性的基于深度网络学习的山火预测方法。该基于深度网络学习的山火预测方法通过构建时间和空间维度上的自动特征提取网络，并对海量历史数据进行学习，达到山火预测预警分析。克服了传统学习方式在海量数据上的瓶颈，能有效利用GPU和分布式来进行快速训练；摒弃了传统人工特征的方式，实现特征自动化；使用了深度网络来灵活的对不同维度特征进行有效融合，从而提升了山火风险预测的预测效率和预测准确性。适合在数据处理技术领域推广应用。

技术领域

本发明涉及数据处理技术领域，尤其是一种基于深度网络学习的山火预测方法。

背景技术

在自然灾害中，山火是一种非常特殊和非常有破坏性的灾害；不仅会对生态造成重大影响，也会对发生地的人，动物以及一些”资产”造成重大损失；如电力设备中的塔，线缆，变电站；通信中的信号塔等等。而山火的发生机理非常复杂，多种因素相互作用下才会发生山火。

随着物联网、数字化、物联网等技术的发展，使得能通过合理的方式获取到大量的数据，再结合现在计算能力的提升，能通过非实验的方式来对自然灾害进行分析、预测、预警等。其次，现在的数据不仅仅是大数据，而且数据多样化，数据繁杂。类似自然灾害的问题，不仅包含了地理空间温度，还包含了时间维度，这两个维度的有效结合建模也是现在很多传统数学模型的难点。因此，本发明主要利用目前热点技术“深度学习”来解决时间和空间建模的问题，并结合山火的特点，在山火预测预警中进行应用。

传统特征提取方式是在空间和时间维度上分别进行提取，再进行后续的分析和建模，这种特征提取的方式存在一定的主观性，而且不容易找到有效的特征来支撑后续的模型，会导致模型效果较差。

传统的机器学习模型是基于人工特征的模式，不能将空间上的特征进行有效利用，在时间维度上建模，传统的时间序列不能建立长期的时间依赖性，且时间序列主要还是基于统计。这类传统的机器学习算法设计上没有空间或时间的概念，都是基于特征的学习过程。

在特征融合上，一般都是会将每个特征加到每个样本上，即使有全局性的特征，这种方式不够灵活，当不同类型的特征或者不一致特征在融合时还可能出现问题。

传统学习方式是在一定数据量的基础上，数据量过小或过大都会出现问题。当数据量过小，对结果的可信度很低。但是传统学习方式对海量数据的处理又非常困难，有一定的瓶颈。

发明内容

本发明所要解决的技术问题是提供一种能够提高预测效率和预测准确性的基于深度网络学习的山火预测方法。

本发明解决其技术问题所采用的技术方案为：该基于深度网络学习的山火预测方法，包括以下步骤：

1)、利用深度网络学习方法建立山火风险预测模型；

所述山火风险预测模型包括卷积层、融合层、LSTM层、全连接层；

2)、针对山火风险预测任务的需要，采集从当前时间开始往前一段历史时间内的遥感数据和气象数据；

3)、对2)步骤采集的气象数据通过时间分辨率融合方法处理得到以天为单位的气象数据；

4)、将遥感数据以及3)步骤得到的以天为单位的气象数据通过空间数据融合方法实现空间数据的融合匹配；

5)、将经过4)步骤处理得到的遥感数据、气象数据全部转换为空间分别率为500m*500m；时间分辨率为1天，格式为tiff格式的数据；

6)、将步骤5)得到的数据经过如下处理得到batch数据，具体处理过程如下所述：

a、tiff数据的解析，将tiff数据解析为矩阵形式；再对数据进行缺失值填充，填充的方式是通过相邻的点来填充：具体如下所示：