【技术实现步骤摘要】
一种基于深度强化学习融合多数据源的森林火灾轨迹预测方法
[0001]本专利技术涉及机器学习和数据信息融合领域，特别涉及一种基于深度强化学习融合多数据源的森林火灾轨迹预测方法。
技术介绍
[0002]近年来，森林火灾多发，高发的态势仍然没有被完全压制，仅2022年就发生森林火灾709起，受害森林面积4689.5公顷，而森林火灾通常由自然因素或人为因素引起，如闪电、干旱、高温、不慎使用火源或破坏性活动等。同时，森林火灾对环境和生态系统产生广泛而持久的影响。大面积的火灾破坏了森林植被，导致植物物种的丧失和生态系统的破坏。火灾释放出大量的二氧化碳，加剧了全球气候变化。此外，火灾还会影响空气质量，产生大量烟雾和有害气体，对周围地区的人们的健康造成威胁。
[0003]故而面对森林火灾发生时，如何合理预测火灾的发展轨迹，有效分配灭火资源，更快捷的阻止森林火灾继续蔓延是一个亟需解决的问题。但是，一方面森林火灾往往发生在复杂多变的自然环境中，包括地形、气候、植被等因素，当前的预测模型难以准确考虑和模拟这些复杂因素之间的相互作用；另一方...
【技术保护点】
【技术特征摘要】
1.一种基于深度强化学习融合多数据源的森林火灾轨迹预测方法，其特征在于：包括以下步骤：步骤S1：根据历史火灾数据，建立火灾数据库并对多数据源的数据进行预处理；步骤S2：根据预处理后数据构建区域可燃性概率模型；步骤S3：对多数据源的数据进行特征融合并归一化处理，构建立体式的网格化森林张量；步骤S4：根据历史火灾数据库构建森林信息更新模型；步骤S5：建立基于深度强化学习的火灾轨迹预测模型。2.根据权利要求1所述的一种基于深度强化学习融合多数据源的森林火灾轨迹预测方法，其特征在于：所述步骤S1具体包括：步骤S101：建立国内外近三年的根森林火灾数据库D＝{D0,D1,D2,
…
,D
n
}，其中D0表示按时间顺序的第一个火灾事件；步骤S102：收集根森林火灾数据库中每个火灾事件D
i
中火灾前后的红外图、地理图、气象图、环境数据图；设置时间步长为θ，以时间步为基准，对同一时间步确定唯一的红外图、地理图、气象图、环境数据图；步骤S103：对森林的红外图进行网格化处理，构建成M*N的红外数据图，其中M表示图的长度，N表示图的宽度，森林面积为M*N平方米，令每平方米为一个网格，即构成M行N列的网格图，如对M行N列的红外数据图，将其中每个网格赋予对应温度值，进而转化成一个M*N的温度矩阵，如下：上式中，Te
k
表示k时刻的温度矩阵，同理可根据气象数据建立风向矩阵Wd
k
、风速矩阵Wv
k
、湿度矩阵Hu
k
、降水矩阵Pr
k
，根据地理数据建立坡度矩阵Sl
k
，根据环境数据建立林下可燃物平均载量矩阵Au
k
、森林覆盖率Fc
k
、树种易燃性St
k
、草原覆盖率Gc
k
；步骤104：如果温度矩阵Te
k
中存在缺失值或无效区域，使用数值估计法进行填充，具体操作为找到缺失值周围的四个数据值，形成一个矩形区域，计算缺失值相对于这四个已知点位置坐标，通过计算这四个已知点和位置坐标的加权平均值得到缺失值的估计值，若缺失值周围四个数据值中也有缺失值则找到缺失值前后的两个已知数据点，然后计算缺失值的位置相对于这两个已知点的比例，进而使用比例权重对这两个已知点的值进行计算，得到缺失值的估计值；同理可根据气象数据建立风向矩阵Wd
k
、风速矩阵Wv
k
、湿度矩阵Hu
k
、降水矩阵Pr
k
，根据地理数据建立坡度矩阵Sl
k
，根据环境数据建立林下可燃物平均载量矩阵Au
k
、森林覆盖率Fc
k
、树种易燃性St
k
、草原覆盖率Gc
k
。3.根据权利要求1所述的一种基于深度强化学习融合多数据源的森林火灾轨迹预测方法，其特征在于：所述步骤S2具体包括：步骤S201：建立火灾可燃性指标体系，设置一级指标为森林火灾环境、森林火灾燃烧体，森林火灾环境指标下二级指标包括但不限于：降水量、地区温度、风速、湿度、林下可燃物平均载量，森林火灾燃烧体指标下二级指标包括但不限于：森林覆盖率、树种易燃性、草
原覆盖率；步骤S202：利用指标之间的因果关系构建森林火灾因子因果网络，其中a，b节点对c节点有影响作用，则称a，b节点为父节点，c为子节点；步骤S203：使用森林火灾权重增益方法判断父节点对子节点的权重关系；步骤S204：利用S104中的温度矩阵Te
k
、风速矩阵Wv
k
、湿度矩阵Hu
k
、降水矩阵Pr
k
、林下可燃物平均载量矩阵Au
k
、森林覆盖率Fc
k
、树种易燃性St
k
、草原覆盖率Gc
k
，对矩阵中同一网格内数据建立网格向量Q
kij
＝[Te
kij
,Wv
kij
,Hu
kij
,Pr
kij
,Au
kij
,Fc
kij
,St
kij
,Gc
kij
]，其中i表示网格的第i行，j表示网格的第j列，如Q
kij
中的Te
kij
表示取自Te
k
矩阵中第i行、第j列的数据；步骤S205：使用森林火灾概率模型求解出每个网格区域内的可燃性概率值FP
k
，并建立可燃性概率矩阵，如下所示：上式中，q
kmn
表示根据S204中网格向量Q
kmn
求解出的可燃性概率值，m和n分别表示可燃性概率矩阵的行号和列号。4.根据权利要求3所述的一种基于深度强化学习融合多数据源的森林火灾轨迹预测方法，其特征在于：所述步骤S2中计算公式如下：法，其特征在于：所述步骤S2中计算公式如下：IG(v,u
j
)＝H(v)
‑
H(v|u
j
))其中，H()表示随机变量(即父节点u
j
)的不确定性，u
j
表示父节点，i表示变量中的一个可能性事件，p
i
表示事件i的概率；H(v|u
j
)表示已知变量(即父节点u
j
)条件下变量(即子节点v)的不确定性，v表示子节点，x
i
、y
i
分别表示变量u
j
、v中的一个事件，n表示事件i的数量；IG()表示权重增益差；w
ij
表示父节点u
j
相对子节点v的权重，m表示父节点的数量；P(v|π(v))表示节点v在给定其父节点π(v)下的条件概率，π(v)表示父节点u
j
的集合。5.根据权利要求1所述的一种基于深度强化学习融合多数据源的森林火灾轨迹预测方法，其特征在于：所述步骤S3具体包括：步骤S301：以同经纬度的网格为向量点，根据S104中温度矩阵Te
k
、湿度矩阵Hu
k
、风速矩阵Wv
k
、风向矩阵Wd
k
、坡度矩阵Sl
k
、可燃性概率矩阵FP
k
进行向量拼接，进而构建三维森林信息矩阵S
k
，其中森林信息矩阵S
k
表示如下：
上式中，每个网格点I
kmn
＝[Te
kmn
,Hu
kmn
,Wv
kmn
,Wd
kmn
,Sl
kmn
,q
kmn
]，其中，m和n分别表示森林信息矩阵的行号和列号，Te
kmn
表示m行n列的温度数据，Hu
kmn
表示m行n列的湿度数据，Wv
kmn
表示m行n列的风速数据，Wd
kmn
，表示m行n列的风向数据，Sl
kmn
表示m行n列的坡度数据，q
kmn
表示m行n列的可燃性概率值；步骤S302：对步骤S301中森林信息矩阵S
k
中温度信息进行分析，温度高于则表示发生火灾则赋值为0.5，可燃性概率低于χ则表示已发生过火灾则赋值为1，尚未发生火灾赋值为0，设置森林火灾状态矩阵Y
k
；步骤S303：对网格点内温度数据、湿度数据、风速数据、风向数据、坡度数据进行归一化处理，其计算方法如下：处理，其计算方法如下：处理，其计算方法如下：上式中，i∈(1,2,3)，ori_val1表示原始温度值，min_val1和max_val1分别表示温度最小值和最大值，nor_val1表示归一化的温度值；ori_val2表示原始湿度值，min_val2和max_val2分别表示湿度最小值和最大值，nor_val2表示归一化的湿度值；ori_val3表示原始风速值，min_val3和max_val3分别表示风速最小值和最大值，nor_val3表示归一化的风速值；ori_val4表示原始风向值，nor_val4表示归一化的风向值；ori_val5表示原始风向值，原始风向值若为正数则为上坡，若为负数则为下坡，nor_val5表示归一化的风向值，归一化后nor_val5∈{0,0.5)为下坡，nor_val5∈{0.5,1}为上坡。6.根据权利要求1所述的一种基于深度强化学习融合多数据源的森林火灾轨迹预测方法，其特征在于：所述步骤S4具体包括：步骤S401：对步骤S302中归一化的森林信息三维张量S
k
进行降维，以广度优先从左上角第一位数开始，抽取横纵坐标作为网格信息构成二维向量序列S
k1
，其中每个向量包含横坐标、纵坐标、温度值、湿度值、风速值、风向值、坡度值、可燃性概率值；步骤S402：设定卷积核即权重矩阵W
c1
，然后用滑动窗口以一定步幅step对S401步骤的向量序列S
k1
进行滑动，每次滑动都将窗口覆盖的...
【专利技术属性】
技术研发人员：张桃，杨强，李洲，乔少杰，胡隆河，张楠，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。