[發(fā)明專利]一種基于深度學習技術(shù)的森林火災預警模型及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010478816.0
• 申請日: 2020-05-29
• 公開（公告）號: CN111625999A
• 公開（公告）日: 2020-09-04
• 發(fā)明（設計）人: 張貴;闕華斐;吳鑫;楊志高
• 申請（專利權(quán)）人: 中南林業(yè)科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06Q10/04;G06Q50/26
• 代理公司: 長沙思創(chuàng)聯(lián)合知識產(chǎn)權(quán)代理事務所(普通合伙) 43215
• 代理人: 夏興友

本發(fā)明提供一種森林火災預警模型，體系結(jié)構(gòu)包括臨近組件、周期組件和外部組件三個組件，構(gòu)建流程包括：S1、將預處理后的氣象數(shù)據(jù)每個時間間隔內(nèi)的氣溫、濕度、風速和降水量分別轉(zhuǎn)換為一個四通道的近似圖像的矩陣，再將時間軸劃分為兩個片段，分別表示在時間流中的各位置的鄰近和周期相似的關(guān)系；S2、將每個時間片段中的圖像矩陣分別輸入到鄰近組件及周期組件進行建模；S3、通過參數(shù)矩陣對不同的分量的結(jié)果賦予不同的權(quán)重，將鄰近組件與周期組件的輸出結(jié)果融合為殘差分量X_Res；S4、通過Tanh函數(shù)將X_Res、X_Ext集成結(jié)果映射到[?1，1]。本發(fā)明利用深度殘差網(wǎng)絡為核心的神經(jīng)網(wǎng)絡結(jié)構(gòu)，構(gòu)建了森林火災預警的模型。

技術(shù)領(lǐng)域

本發(fā)明屬于林業(yè)信息工程技術(shù)領(lǐng)域，具體涉及基于深度學習技術(shù)的森林火災預警模型及系統(tǒng)。

背景技術(shù)

森林作為陸地生態(tài)系統(tǒng)中的重要組成部分，在調(diào)節(jié)地球生態(tài)平衡中起到了非常重要的作用。森林資源不僅在維護生態(tài)系統(tǒng)平衡方面發(fā)揮著重要作用，而且為人們帶來了經(jīng)濟利益。森林火災的發(fā)生對人們的生產(chǎn)生活產(chǎn)生了重大影響，也給林業(yè)發(fā)展和保護帶來了巨大的沖擊。森林防火工作實質(zhì)上是一種風險管理的過程，以最大努力減少森林火災事故和森林火災損失為目標的管理活動。因此，預先判斷森林火災風險程度，提高森林火災風險意識，是森林防火管理的出發(fā)點。森林火災預警系統(tǒng)是森林防火措施和消防工作的指導性指標。

近年來，互聯(lián)網(wǎng)與物聯(lián)網(wǎng)的加速發(fā)展以及空天地一體化建設，有關(guān)部門在獲取森林內(nèi)的氣象數(shù)據(jù)越來越簡便快捷，與此同時氣象衛(wèi)星每時每刻的對地持續(xù)觀測，積累了龐大的數(shù)據(jù)。因此，使用這些數(shù)據(jù)為森林火災預警提供了強有力的數(shù)據(jù)支持。隨著計算機軟硬件技術(shù)、大數(shù)據(jù)技術(shù)和人工智能的蓬勃發(fā)展，目前還沒有出現(xiàn)將地面氣象觀測數(shù)據(jù)與遙感衛(wèi)星數(shù)據(jù)相互結(jié)合，并利用深度學習的相關(guān)理論算法來預判森林火災發(fā)生概率的森林火災預警系統(tǒng)。因此現(xiàn)在亟需研發(fā)出一種利用地面氣象觀測數(shù)據(jù)與遙感衛(wèi)星數(shù)據(jù)結(jié)合，基于深度學習技術(shù)的森林火災預測警示模型與系統(tǒng)，以研究森林火災發(fā)生可能性與人為因素以及氣象因素之間的關(guān)系，為更好地預防森林火災提供有效的參考。

發(fā)明內(nèi)容：

本發(fā)明目的是提供了一種基于深度學習技術(shù)的森林火災預警模型及系統(tǒng)，要解決現(xiàn)有技術(shù)中缺乏基于深度學習技術(shù)的森林火災預警模型與系統(tǒng)的技術(shù)問題。

為實現(xiàn)以上目的，本發(fā)明采用如下技術(shù)方案：

一種基于深度學習技術(shù)的森林火災預警模型，所述森林火災預警模型以深度殘差網(wǎng)絡為核心，其體系結(jié)構(gòu)包括臨近組件、周期組件和外部組件三個組件，其構(gòu)建流程包括以下步驟：

S1、構(gòu)建組件，鄰近組件與周期組件使用同樣的由多層卷積神經(jīng)網(wǎng)絡與殘差單元連接構(gòu)成的組件單元，外部組件通過提取特征屬性信息并輸入一個兩層完全連接的神經(jīng)網(wǎng)絡組成；

S2、模型構(gòu)建，將鄰近組件與周期組件結(jié)果進行融合得到殘差分量X_Res，并將其結(jié)果再與外部組件X_Ext的輸出進一步集成，通過Tanh函數(shù)將繼承結(jié)果映射到預測范圍，得到預測結(jié)果。

S3、數(shù)據(jù)準備，使用預處理后的氣象數(shù)據(jù)，將每個時間間隔內(nèi)的氣溫、濕度、風速和降水量分別轉(zhuǎn)換為一個四通道的近似圖像的矩陣。將連續(xù)的圖像矩陣按照時間順序構(gòu)建一組時間序列數(shù)據(jù)集。將時間序列數(shù)據(jù)分為兩部分，一部分作為訓練集用于模型訓練，一部分作為驗證集用于模型驗證。

S4、模型訓練，利用訓練集，按照特定的時間間隔，將時間片段中的圖像矩陣輸入到對應的鄰近組件與周期組件；將對應時間的外部數(shù)據(jù)輸入外部組件。通過模型求出預測結(jié)果與所預測時間的真實結(jié)果比對計算誤差，通過迭代反復運行獲得模型內(nèi)部參數(shù)，實現(xiàn)模型自動調(diào)優(yōu)。

S5、模型驗證，利用驗證集進行S4同樣的步驟對模型進一步優(yōu)化，得到效果較好的模型。

優(yōu)選的，所述鄰近組件和周期組件具有相同的網(wǎng)絡結(jié)構(gòu)，均由卷積和殘差單元兩部分組成。