[发明专利]基于卷积-递归神经网络的全球野火次季节时空预测方法

权利要求书

1.基于卷积-递归神经网络的全球野火次季节时空预测方法，其特征在于，包括以下步骤：

步骤S1：采集一定时间段内全球月度火灾数据，根据所述全球月度火灾数据构建火灾和非火灾的时空数据集，并创建野火影响因素指标集；

其中，时间采样方法为在时间维度采用系统随机抽样方法，先确定时间样本序列的起点第t^th月后，根据采样的时间跨度k，从起始月t^th往后抽取k个序列形成一个时间序列样本t^th到(t+k-1)^th，相应的第(t+k)^th月的目标层作为被预测的目标层，为了同时满足时间维样本的系统性和随机性，由公式t＝g*i+r；t∈[t₁,…t₁₅₆](t≤L_month-k)确定时间维样本的t^th；所述的g为采样间隔；i为自然数；r为[0,g-1]之间的整数随机数；L_month为数据集的总月数；t为采样区间内任一月份；

空间采样方法为在空间维度上，采用按比例分层抽样的方法处理火灾与非火灾的不平衡比例，每个月在研究区内随机选取空间采样点作为候选空间采样点；

步骤S2：预处理所有数据集并分别生成训练样本和验证样本；

步骤S3：将卷积神经网络模型和长短期记忆网络模型相结合，基于野火时空数据库和驱动机制分析的基础上，构建适用于野火次季节时空动态预测的卷积-递归神经网络模型结构并将所述步骤S2生成的训练样本输入所述卷积-递归神经网络模型内，优化卷积-递归神经网络模型超参数，训练卷积-递归神经网络模型分类器；

步骤S4：根据所述步骤S3设计的卷积-递归神经网络模型进行全球野火次季节时空预测；将野火次季节预测问题转化为一个以多个时空张量数据为输入的分类问题，在t时刻的若干个预测因子变量形成M×N×预测因子变量数的长方体栅格图Qt，即每个预测因子数据集为M×N×预测因子变量数的三维张量按照周期定期记录预测因子数据集，得到一组序列长方体对于一个m行和n列的空间区域，多个时空序列表示为一个张量χ∈R_m×n×l×k,时间步长k用于预测下一个时间步长的输入序列；根据之前的k个月输入序列提前一个月预测火灾发生问题，其公式为所述p(.)定义条件概率；所述表示在(t_k+1)^th时属于0-1的概率，该目标函数在t_k+1月，给定已知时空张量数据序列输出火灾和非火灾两个概率；所述M为栅格图的行号；所述N为栅格图的列号；

步骤S5：对所述卷积-递归神经网络模型进行性能评估；

所述步骤S1中根据全球月度火灾数据构建火灾和非火灾的时空数据集包括时空序列响应变量建立和时空序列预测因子变量建立；

所述的时空序列响应变量建立包括采集一定时间段内全球月度火灾频数数据，采用二分类方法，将每月火灾数据按20-30分位数重新划分为0和1，其中1代表着火灾类别，0代表非火灾类别，获得所有月度时间序列的火点栅格数据集，将其作为模型的响应变量；

所述的时空序列预测因子变量建立包括获取所采集时间段内的若干个气象相关预测因子数据和若干生物物理预测因子数据，获得所有采集时间段内时空序列的预测因子变量数据集；

通过ArcGIS model builder工具和波段合成工具将每个月的若干个气象相关预测因子数据和若干生物物理预测因子数据合成为预测因子数据集，构建全球月度野火预测因子数据。

2.权利要求1所述的基于卷积-递归神经网络的全球野火次季节时空预测方法，其特征在于：所述时间采样方法取得的时间采样点和所述空间采样方法取得的空间采样点在时空维进行集成，在读取到目标月(t+k)^th的候选空间样本点后，相应的时间序列从指标数据中获取作为训练输入数据集，然后提取目标月份的火点数据作为网络训练的目标输出数据，形成训练样本。

3.如权利要求1所述的基于卷积-递归神经网络的全球野火次季节时空预测方法，其特征在于：所述的步骤S2包括将采集的样本数据按比列分为训练数据和验证数据，所述训练数据集用于输入卷积-递归神经网络模型训练网络，所述验证数据集用于评估训练过程中的训练模型，以确定何时停止训练。

4.如权利要求3所述的基于卷积-递归神经网络的全球野火次季节时空预测方法，其特征在于：所述的训练数据占所述采集的样本总数据的75-85％，所述验证数据占所述采集的样本总数据的15-25％。