[发明专利]一种基于深度学习网络的山火预测方法

说明书

本发明提供了一种基于深度学习网络的山火预测方法，属于深度学习技术领域。本发明的山火预测网络模型同时引入了卷积神经网络CNN和卷积长短期记忆网络CONVLSTM对山火进行预测，不仅考虑了山火在时间上的时序规律，也能够提取山火像元以及山火附近像元的空间特征；利用山火时空维度的信息，使预测精度更高，并且本技术方案通过深度学习自动构建山火预测模型，调节影响因子权重，无需过高的专家知识设置影响因子权重，通用性更好。

技术领域

本发明涉及深度学习技术领域，更具体地，涉及一种基于深度学习网络的山火预测方法。

背景技术

森林资源不仅可以为人类的生产、生活提供宝贵的原材料，还可以调节气候、保持水土和净化空气，是人类最为重要的资源之一，有着“地球之肺”的美誉，同时也对整个国民经济的可持续发展起着极为重要的作用。但是近年来，随着全球气候变暖，世界范围内森林火灾呈现上升趋势。全球每年平均发生森林火灾超过十万次，烧毁森林面积达数百万公顷。

另一方面，输电线路是电网运行的命脉，是关系国计民生的“生命线”。随着我国经济的快速发展，电力需求显著增加，电力基础设施建设取得快速发展。而架空输电线路大都穿越地表植被覆盖率较高、地形条件恶劣的森林或者山地，每到春耕和秋收，或者是清明重阳等野外用火高发期，电网周边就容易发生大范围山火。在山火产生的高温、浓烟条件下，使得线路绝缘水平下降，引发输电线路跳闸事故。因此，随着电网附近植被密度的明显增加，火灾引起的输电线路跳闸事故持续增加，山火被认为是高压输电网络安全稳定运行的主要威胁之一。

因此，对山火进行准确的风险评估，提前预警火灾的发生，对火灾高风险区提前调度人力物力开展隐患防止工作，做好消防准备具有重要的意义。

目前山火评估大部分都是基于传统的统计模型或者机器学习模型。传统的统计模型对山火的预测精度相对较低，或是要求具备专家知识对山火影响因子重要程度进行打分，对专业知识要求高。机器学习模型对山火的预测比传统统计模型精度更高，但是基于像元对山火进行识别的，忽略了当前像元以外的上下文信息，片面的考虑了问题。学者们对深度学习在山火预领域的发掘探索还相对较少，而深度学习模型能够提取山火影响因子的更多信息，不但可以考虑当前像元周围的信息来预测当前像元是否为山火，还能考虑当前像元前后时间是否发生了山火的信息，能够发掘更深层次的线性和非线性关系，可以更加有效地预测山火。

公开号为CN106295871A，公开日：2017-01-04，提出的气象因子与输电线路山火发生概率的关联性计算方法，通过针对计算区域内各自的山火发生特点和气象因子特点，将气象因子之间的关系解耦，计算输电线路山火发生概率与气象因子之间的定量关联关系，但对气象因子的权重缺乏合理的设置，预测精度较低。

发明内容

本发明为克服上述技术问题，提供一种更全面设置影响因子，且预测精度较高的一种基于深度学习网络的山火预测方法。

本发明技术方案如下：

一种基于深度学习网络的山火预测方法，包括步骤：

S1：选取研究区域山火的直接或者间接的影响因子，并剔除影响因子中相关性较高的冗余因子，得到影响因子栅格数据；

S2：建立山火影响因子栅格数据集和火点栅格数据集；

S3：利用山火影响因子栅格数据集和火点栅格数据集构建样本数据库，得到样本数据，并把样本数据分割成训练集和验证集；

S4：构建山火预测网络模型，所述山火预测网络模型包括输入模块、CNN卷积神经网络、CONVLSTM卷积长短期记忆网络，所述输入模块、CNN卷积神经网络、CONVLSTM卷积长短期记忆网络依次连接；

S5：利用训练集和验证集的数据训练和验证山火预测网络模型，并对模型的超参数进行优化，计算模型的预测准确率和loss值，训练完成，得到准确率最高、loss值最小的山火预测网络模型；