一种基于深度学习网络的山火预测方法技术

本发明专利技术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。本发明专利技术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。通用性更好。通用性更好。

【技术实现步骤摘要】
一种基于深度学习网络的山火预测方法


[0001]本专利技术涉及深度学习
，更具体地，涉及一种基于深度学习网络的山火预测方法。

技术介绍

[0002]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。
[0003]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习网络的山火预测方法，其特征在于，所述方法包括以下步骤：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；S6：实际应用时将研究区域采集到的待测数据输入到训练完成的山火预测网络模型，得到山火火点预测结果。2.根据权利要求1所述的一种基于深度学习网络的山火预测方法，其特征在于，步骤S1所述影响因子包括以下类型，分别为：遥感、地形、气象、人类活动；所述遥感影响因子包括：地表温度、植被含水率、归一化植被指数、土地类型；所述地形影响因子包括：高程、坡度、坡向；所述气象影响因子包括：降水量、最高气温、空气湿度、最大阵风风速、最大阵风风向；所述人类活动影响因子包括：栅格与道路间距离、栅格与河流间距离、栅格与村庄间距离。3.根据权利要求1所述的一种基于深度学习网络的山火预测方法，其特征在于，步骤S1所述剔除影响因子中相关性较高的冗余因子是通过多重共线性检验实现的。4.根据权利要求3所述的一种基于深度学习网络的山火预测方法，其特征在于，所述多重共线性检验的评价指标包括方差膨胀系数VIF和容忍度tolerance。5.根据权利要求2所述的一种基于深度学习网络的山火预测方法，其特征在于，步骤S2所述山火影响因子栅格数据集中每一天的数据包括15个波段，每个波段代表一个当天的山火影响因子，15个山火影响因子的空间分辨率统一为500m，时间分辨率为1天；所述火点栅格数据集通过遥感卫星传感器MODIS和VIIRS获得。6.根据权利要求1所述的一种基于深度学习网络的山火预测方法，其特征在于，步骤S3构建样本数据库并分割训练集和验证集步骤包括：S31：在得到的火点和山火影响因子栅格数据集后，以火点为中心，定义一个t*25*25像元大小的窗口，用于提取火点对应日期及前t天的对应位置的山火影响因子，其中t...

【专利技术属性】
技术研发人员：邓杰航，刘星星，徐国涛，顾国生，冯子垚，陈树东，杨析睿，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：