[发明专利]基于深度网络学习的山火预测方法

摘要

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。

主权项

1.基于深度网络学习的山火预测方法，其特征在于包括以下步骤：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：x′i，j＝xi‑1，j|xi，j‑1；b、将矩阵形式的遥感数据分割成多个遥感数据矩阵，并记录下各个点中的经纬度位置；c、根据经纬度位置将气象数据进行对应，生成与b步骤中遥感数据矩阵大小相同的气象数据矩阵；d、将气象数据矩阵和遥感数据矩阵进行合并最终生成大型矩阵，矩阵的格式为：[时间步数，矩阵行数，矩阵列数，特征数]；e、通过历史火点数据生成目标样本矩阵，目标样本矩阵的大小和步骤d中生成的大型矩阵保持一致；f、将目标样本矩阵的数据和步骤d中生成的大型矩阵的数据进行映射，并将整个数据分成不同大小的数据集，即可形成batch数据；7)、将batch数据输入山火风险预测模型的卷积层，并从batch数据中提取当日的气象数据输入山火风险预测模型的全连接层，即可得到最终的山火发生预测概率。