[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

说明书

本发明公开了基于卷积‑递归神经网络的全球野火次季节时空预测方法，通过构建全球多年时空序列的野火火点数据集和野火影响因素指标数据集，并通过数据预处理和时空采样方法构建全球时空样本库，将具有良好空间特征提取能力的卷积神经网络与能够充分反映输入时间序列数据长期历史过程的长短期记忆网络相结合，优化模型结构和超参数，构建了适用于全球野火时空动态序列预测的卷积‑递归神经网络模型，使用该模型能够在提前一个月的时间实现全球野火准确的预测，得到野火发生的次季节时空序列预测结果，可为全球火灾的管理、应急及减灾等提供技术支持，可靠的全球野火次季节预测模型对减轻全球灾害损失和全球可持续发展具有重要意义。

【技术领域】

本发明涉及野火预测的技术领域，特别是基于卷积-递归神经网络的全球野火次季节时空预测方法的技术领域。

【背景技术】

近年来，机器学习算法等“数据驱动模型”受到了广泛的关注，并且已被证明优于确定性方法。随着深度学习的发展，深度神经网络中的卷积神经网络模型(CNN)能够在处理数据时挖掘具有空间上下文关系的多层层级表征，递归神经网络(Recurrent NeuralNetwork：RNN)将时间序列的概念引入到网络结构设计中，在序列学习中表现出较强的优势。长短时记忆神经网络(Long Short-Term Memory neural network：LSTM)是RNNs的一种变体，在长时间信息的时间序列中得到广泛的应用。全球野火的次季节预测受传统模型的限制，无法实现时空的序列预测。深度学习为获取非线性时空相关性提供了一种新的方法，目前将卷积-递归神经网络应用于野火次季节预测的尚未有深入的研究，考虑到火灾发生预测的特定问题及每个模型的适用对象和输入数据存在显着差异，有必要针对具有多个时间序列数据和随时间变化的多维指标数据结构的时空火灾预测问题开发模型。因此，深度学习方法在火灾发生的时空预测值得深入研究。野火次季节时空预测将为实现全球可持续发展提供重要参考。

卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络，网络参数是基于反向传播算法使用经典随机梯度下降法训练得到。一般来说，CNN的基本结构由输入层、卷积层(convolutional layer)、池化层(pooling layer，也称为取样层)、全连接层(Fully-Connected layer)及输出层构成。不同类型的层扮演不同的角色。卷积神经网络的网络结构多样，但一个卷积神经网络模型一般由若干个卷积层、池化层和全连接层组成。卷积层和池化层一般交替出现在网络中，称一个卷积层加一个池化层为一个特征提取过程，但是并不是每个卷积层后都会跟池化层，大部分网络只有三层池化层。卷积神经网路中每个卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积层(Convolutional layer)在输入张量和一组滤波器之间执行线性卷积运算，输出特征图(feature maps)。卷积运算的目的是提取不同输入层的特征，实现权值共享。池化层(Pooling layer)执行下采样(downsamples)操作以减少卷积层后特征图的维数。池化层可以分为最大池化层和平均池化层。网络的末端一般为1～2层全连接层，全连接层负责把提取的特征图连接起来，把所有局部特征结合变成全局特征，并创建最终的非线性特征组合，以便通过网络进行预测。