基于概率编程技术的山火风险预测方法技术

本发明专利技术公开了一种基于概率编程技术的山火风险预测方法。该基于概率编程技术的山火风险预测方法以地理遥感、气象数据作为输入，实现对山火发生风险的预测，而地理遥感、气象数据存在多源、异构、时空分辨率多样等的特征，利用深度学习、概率编程技术对山火发生风险进行预测，解决了山火标记数据少、山火发生机理复杂、信息不完备情况下的预测建模，该预测方法能够对预测的不确定性进行分析，更好的满足山火发生风险预测这种机理复杂、数据不完备的应用需要且能够快速完成山火发生风险的预测预警，并且该预测方法预测的整体效果较好；通过实验验证AUC(Area Under Curve，ROC曲线下的面积)指标达到了0.8。适合在山火短期发生风险预测技术领域推广应用。

Risk Prediction Method of Mountain Fire Based on Probabilistic Programming Technology

The invention discloses a mountain fire risk prediction method based on probability programming technology. The risk prediction method of mountain fire based on probabilistic programming technology takes geographic remote sensing and meteorological data as input to realize the risk prediction of mountain fire occurrence. Geographic remote sensing and meteorological data have the characteristics of multi-source, heterogeneous, spatio-temporal resolution and so on. The risk of mountain fire occurrence is forecasted by depth learning and probabilistic programming technology, which solves the problem that there are few fire marker data and the occurrence of mountain fire. In the case of complex mechanism and incomplete information, the forecasting model can analyze the uncertainty of the forecasting, better meet the needs of the application of complex mechanism and incomplete data, and can quickly complete the forecasting and early warning of the risk of mountain fire occurrence, and the overall effect of the forecasting method is better; The AUC (Area Under) is verified by experiments. Curve, area under ROC curve) index reached 0.8. It is suitable for popularization and application in the field of short-term risk prediction technology of mountain fires.

【技术实现步骤摘要】
基于概率编程技术的山火风险预测方法
本专利技术涉及山火短期发生风险预测
，尤其是一种基于概率编程技术的山火风险预测方法。
技术介绍
自上世纪20年代以来，人们对山火发生风险的预测预警的研究从未停止。得益于遥感、气象等海量时空数据的采集，以及现代信息处理和分析能力的巨大进步，山火风险预测从早期依赖于试验、数值计算等技术，到如今数据挖掘、机器学习等多种技术快速发展的局面。近来年，决策树、SVM、贝叶斯、集成学习建模等技术被用于山火风险预测。这些方法通常通过在人工专家设计特征的基础上，构建统计学习模型进行预测。集成学习等技术在异构、海量时空气象和遥感数据处理方面，以及预测精度上具有较大优势；而贝叶斯相关理论及技术在不确定性刻画、人类专家知识使用方面具有较大的优势。但整体而言，传统统计学习方式主要依赖于人工专家设计特征，并且对山火发生这种机理复杂、数据不完备事件的处理并不理想。
技术实现思路
本专利技术所要解决的技术问题是提供一种能够满足山火发生风险预测这种机理复杂、数据不完备的应用需要且能够快速完成山火发生风险的预测预警的基于概率编程技术的山火风险预测方法。本专利技术解决其技术问题所采用本文档来自技高网...

【技术保护点】
1.基于概率编程技术的山火风险预测方法，其特征在于包括以下步骤：1)、建立山火风险预测模型，所述山火风险预测模型的建立过程如下所述：11)、采集一段历史时间内的地理遥感数据、气象数据、历史山火点数据；所述地理遥感数据包括植被指数NVDI、地表覆盖LC、地形地貌DEM、水汽数据；所述气象数据包括降雨、温度、湿度、风速、风向数据；12)、采用时空数据融合技术分别对11)步骤采集的地理遥感数据、气象数据进行融合处理得到在时间、空间上分辨率均一样的融合数据；13)、将经过12)步骤处理得到的地理遥感数据、气象数据按照数据类型分为数值型数据和字符型数据，所述数值型数据包括植被指数NVDI、降雨、温度、湿...

【技术特征摘要】
1.基于概率编程技术的山火风险预测方法，其特征在于包括以下步骤：1)、建立山火风险预测模型，所述山火风险预测模型的建立过程如下所述：11)、采集一段历史时间内的地理遥感数据、气象数据、历史山火点数据；所述地理遥感数据包括植被指数NVDI、地表覆盖LC、地形地貌DEM、水汽数据；所述气象数据包括降雨、温度、湿度、风速、风向数据；12)、采用时空数据融合技术分别对11)步骤采集的地理遥感数据、气象数据进行融合处理得到在时间、空间上分辨率均一样的融合数据；13)、将经过12)步骤处理得到的地理遥感数据、气象数据按照数据类型分为数值型数据和字符型数据，所述数值型数据包括植被指数NVDI、降雨、温度、湿度、风速、水汽数据；所述字符型数据地表覆盖LC、地形地貌DEM、风向数据；14)、对数值型数据采用z-score标准化方式进行数据处理；对字符型数据采用one-hot编码方式进行数据处理；15)、将历史山火点数据进行山火点风险标记，所述标记规则为：未来n天中发生山火则该点的目标变量标记为1，否则为0；目标变量标记为1的历史山火点数据集为山火样本集，目标变量标记为0的历史山火点数据集为非山火样本集；16)、将15)步骤得到的山火样本集和非山火样本集采用如下算法进行处理：A、输入：空间半径radius、训练集d、目标变量y、多数类抽样数量n、采样结果Sample_result；B、对目标y中每个取值进行统计计数，记为为yi的样本数；C、确定多数类少数类对应的多数类和少数类的数据集分别记为和dmin，将dmin追加到Sample_result中；D、依次对多数类中每一个类型进行欠抽样，算法流程为：D-1)、获取和ymin所对应样本的全部空间点集合分别记为pma、pmin，并将样本点的WGS84坐标转换为UTM平面投影坐标系；D-2)、计算pma与pmin点集合中两两之间的欧式距离，距离计算公式为：D-3)、若dp1_p2＞radius则p1保留到pma中，否则将p1从pma剔除，最终得到spma；D-4)、从中选择空间点spma对应的样本数据D-5)、在中采用有放回随机抽样方式，抽取n个样本追加到Sample_result中；17)、构建神经网络模型，所述神经网络模型为贝叶斯神经网络结构，所述贝叶斯神经网络结构包括输入层、隐藏层、输出层，所述输入层的节点数与转换处理后的特征数一致；所述隐藏层对数据进行深度的处理和学习，隐藏层的参数包括隐藏层数n_lev...

【专利技术属性】
技术研发人员：贾兴林，
申请(专利权)人：成都思晗科技股份有限公司，
类型：发明
国别省市：四川,51