一种基于CNN的林火向任意方向蔓延速率预测方法技术

一种基于CNN的林火向任意方向蔓延速率预测方法，涉及林火智能防控技术领域，为解决现有的林火蔓延速率的预测方法无法对林火向任意方向蔓延的速率进行准确预测的问题。包括如下步骤：S1、获取火场连续监测图像数据，火场所在地的气象数据，地形数据，可燃物属性数据；S2、计算火点的蔓延方向和蔓延速率；S3、将得到的数据进行标准化处理并随机分割得到训练集、验证集和测试集；S4、根据各变量相关性的强弱确定模型的输入矩阵；S5、构建基于CNN的神经网络模型；S6、使用训练集对模型进行训练，使用验证集评估其训练过程中的精度变化情况，用测试集对火点的蔓延速率进行预测，评估其最终训练效果。效果。效果。

【技术实现步骤摘要】
一种基于CNN的林火向任意方向蔓延速率预测方法


[0001]本专利技术涉及林火智能防控
，具体涉及一种基于CNN的林火向任意方向蔓延速率预测方法。

技术介绍

[0002]近年来，世界各地森林火灾频发，森林火灾是破坏森林生态平衡的关键因素，其一旦发生便会对社会经济及全球生态造成巨大损失。在森林火灾发生后，快速准确地预测森林火灾的发展和蔓延对消防工作的实施和开展具有重要的指导意义。在林火的蔓延过程中受气象、地形、可燃物性质的影响，向不同方向蔓延的火往往具有不同的蔓延速率，精准的预测林火向任意方向蔓延的速率对森林火灾管理至关重要。
[0003]目前，对林火蔓延速率的预测往往基于统计模型，这种方法往往忽略了蔓延方向这一重要特征，不能对任意方向的蔓延速率进行准确预测，该方法还多依赖火焰区反应强度等较多不易获得的参数而构建的物理机理模型，且往往要求可燃物的状态必须是均一的，在动态变化的火场情形中有很大的局限性，不能精确的预测林火蔓延速率。而采用人工智能多对林火图像对蔓延速度进行预测，通常根据林火蔓延图像判断林火的蔓延的位置结果，无法定量描述火的蔓延过程，无法针对林火蔓延过程达到较好的预测效果。

技术实现思路

[0004]本专利技术要解决的问题是：
[0005]现有的林火蔓延速率的预测方法无法对林火向任意方向蔓延的速率进行准确预测的问题。
[0006]为解决上述问题，本专利技术采取的技术方案为：
[0007]一种基于CNN的林火向任意方向蔓延速率预测方法，所述蔓延速率预测方法包括如下步骤：
[0008]S1、获取火场开始燃烧后，火蔓延过程的连续监测图像数据，火场所在地的气象数据，地形数据，可燃物属性数据；用于监测火场的相机和用于记录气象数据的各种传感器采样时间点相同；
[0009]S2、根据火场连续监测图像数据，得到相邻时刻火线的相对位置，计算与火点相邻的两火点构成向量的法线方向确定该火点的蔓延方向，计算法线与下一时刻火线的交点与该火点的距离与时间间隔的比值确定为该火点在该方向的蔓延速率；
[0010]S3、将得到的气象数据，地形数据，可燃物属性数据，火点的蔓延速率数据和蔓延方向数据进行标准化处理，消除指标之间的量纲影响，使各指标处于同一数量级，将标准化的数据随机分割得到训练集、验证集和测试集；将各数据集样本的气象因素、可燃物性质、地形因素、蔓延方向作为输入变量，蔓延速率为样本的标签；
[0011]S4、采用皮尔逊相关性分析方法对输入变量进行相关性分析，根据各变量相关性的强弱确定模型的输入矩阵，将相关性较强的几个输入变量布置在较近的位置上；
[0012]S5、构建基于CNN的神经网络模型，确定网络模型初始参数；
[0013]S6、使用训练集对模型进行训练，训练过程中采用批量学习的方法进行训练，损失函数选用均方误差MSE，采用Adam作为优化器，计算出更新步长，更新模型参数；使用验证集评估其训练过程中的精度变化情况，根据评估结果优化模型参数，得到预测林火向任意方向蔓延速率的网络模型；
[0014]最后将测试集输入到训练好的神经网络模型，对测试集各火点的蔓延速率进行预测，并对预测结果进行反向标准化得到蔓延速率预测输出值，将其与真实值对比，评估其最终训练效果。
[0015]进一步的，所述步骤S5中构建的基于CNN的神经网络模型结构包括：
[0016]卷积层，其卷积核大小为2
×
2、步长为1，填充为：SAME；
[0017]卷积层激活函数使用ReLU；
[0018]全连接层的激活函数为ReLU；
[0019]全连接层作为输出层；
[0020]全连接层1添加Dropout随机屏蔽部分神经元，随机失活率为0.2。
[0021]进一步的，步骤S1中采集的气象数据包括风速、风向、温度、湿度，采集的火场所在地地形数据具包括坡度、坡向，采集火场中可燃物属性数据包括植被类型、植被含水率。
[0022]进一步的，步骤S3中对采集的数据进行标准化采用的是sklearn StandardScale，计算数据中各特征的均值、标准差，对每个特征进行独立居中和缩放。
[0023]进一步的，步骤S3中将数据中的70％作为训练集，20％作为验证集，10％作为测试集。
[0024]进一步的，步骤S5中构建基于CNN的神经网络模型的结构包括：卷积层1输入厚度为1，输出厚度为32；卷积层2输入厚度为32，输出厚度为64；全连接层1的权重为一个形状[1024,512]的矩阵；全连接层2的权重为一个形状[512,1]的向量。
[0025]进一步的，步骤S6中批量学习的大小为450个样本，学习率为0.01，训练轮数为50轮。
[0026]相较于现有技术，本专利技术的有益效果是：
[0027]本专利技术相较于传统的林火蔓延速率预测方法，将火蔓延方向作为蔓延速率的影响因素之一输入模型，可实现对林火向任意方向蔓延的速率进行精准预测。
[0028]本专利技术构建的CNN神经网络模型，考虑了各输入变量之间的相互关系，利用了卷积神经网络能提取局部特征的优势，不止根据输入特征值的大小预测林火蔓延速率，同时也根据各变量之间的相关性来预测林火蔓延速率，使其具有更高的预测精度。
[0029]相较于依赖火焰区反应强度等较多不易获得的参数而构建的物理机理模型，本专利技术方法克服了该局限性，在实际应用中有更好的普适性；相比林火蔓延统计模型，能更好的应对火场环境的动态变化，预测精度有显著提高。
附图说明
[0030]以下将结合附图和实施例来对本专利技术的技术方案作进一步的详细描述，但是应当知道，这些附图仅是为解释目的而设计的，因此不作为本专利技术范围的限定。此外，除非特别指出，这些附图仅意在概念性地说明此处描述的结构构造，而不必要依比例进行绘制。
[0031]图1为本专利技术实例中基于CNN的林火向任意方向蔓延速率预测方法流程图；
[0032]图2为本专利技术实例中火点蔓延方向和蔓延速度计算原理图；
[0033]图3为本专利技术实例中根据输入变量皮尔逊相关性强弱排布的输入矩阵图；
[0034]图4为本专利技术实例中CNN神经网络模型结构图；
[0035]图5为本专利技术实例中训练损失和验证损失与模型训练轮数关系变化图；
[0036]图6为本专利技术实例中CNN神经网络模型和DNN神经网络模型对测试集数据的蔓延速率预测值与实际蔓延速率值的对比图。
具体实施方式
[0037]在本专利技术的描述中，应当说明的是，在本专利技术的实施例中所提到的术语“第一”、“第二”、“第三”仅用于描述目的，并不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者多个该特征。
[0038]为使本专利技术的上述目的、特征和优点能够更为明显易懂，下面结合附图对本专利技术的具体实施例做详细的说明。
[0039]在黑龙江省本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN的林火向任意方向蔓延速率预测方法，其特征在于：所述蔓延速率预测方法包括如下步骤：S1、获取火场开始燃烧后，火蔓延过程的连续监测图像数据，火场所在地的气象数据，地形数据，可燃物属性数据；用于监测火场的相机和用于记录气象数据的各种传感器采样时间点相同；S2、根据火场连续监测图像数据，得到相邻时刻火线的相对位置，计算与火点相邻的两火点构成向量的法线方向确定该火点的蔓延方向；计算法线与下一时刻火线的交点与该火点的距离与时间间隔的比值确定为该火点在该方向的蔓延速率；S3、将得到的气象数据，地形数据，可燃物属性数据，火点的蔓延速率数据和蔓延方向数据进行标准化处理，消除各特征之间的量纲影响，使各特征处于同一数量级，将标准化的数据随机分割得到训练集、验证集和测试集；将各数据集样本的气象因素、可燃物性质、地形因素、蔓延方向作为输入变量，蔓延速率为样本的标签；S4、采用皮尔逊相关性分析方法对样本所有变量进行两两分析，根据各变量相关性的强弱确定模型的输入矩阵，将相关性较强的几个输入变量布置在较近的位置上；S5、构建基于CNN的神经网络模型，确定网络模型初始参数；S6、使用训练集对模型进行训练，训练过程中采用批量学习的方法进行训练，损失函数选用均方误差MSE，采用Adam作为优化器，计算出更新步长，更新模型参数；使用验证集评估其训练过程中的精度变化情况，根据评估结果优化模型参数，得到预测林火向任意方向蔓延速率的网络模型；最后将测试集输入到训练好的神经网络模型，对测试集各火点的蔓延速率进行预测，并对预测结果进行反向标准化得到蔓延速率预测输出值，将其与真实值对比，评估其最终训练效果。2.根据权利要求1所述的一种基于CNN的林火...

【专利技术属性】
技术研发人员：李兴东，林传营，张铭显，王扬威，李三平，刘九庆，
申请(专利权)人：东北林业大学，
类型：发明
国别省市：