[發明專利]一種基于XGBoost模型的森林火災風險預測算法

在審

• 申請號: 202310566771.6
• 申請日: 2023-05-18
• 公開（公告）號: CN116611012A
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 李杰;馮建元;宋振林;龐立新
• 申請（專利權）人: 亞太衛星寬帶通信（深圳）有限公司
• 主分類號: G06F18/243
• 分類號: G06F18/243;G06F18/213;G06Q50/26;G06Q10/04;G06F18/214
• 代理公司: 深圳市深可信專利代理有限公司 44599
• 代理人: 劉昌剛

本發明提供了一種基于XGBoost模型的森林火災風險預測算法，涉及森林火災預警技術領域；該算法包括算法模型建立的步驟和基于XGBoost的核心算法步驟；所述算法模型建立的步驟包括：S101、XGBoost在目標函數中顯示的加上了正則化項；S102、使用Loss?Function對f(x)的一階導數計算出偽殘差用于學習生成f_m(x)；所述基于XGBoost的核心算法步驟包括：S201、通過不斷地向XGBoost中添加決策樹，以擬合上一次預測的殘差；S202、當訓練完成得到k棵決策樹，預測一個樣本的分數；S203、將每棵決策樹對應的分數相加得到該樣本的預測值；本發明的有益效果是：實現對林區的森林防火智能預警及監測。

技術領域

本發明涉及森林火災預警技術領域，更具體的說，本發明涉及一種基于XGBoost模型的森林火災風險預測算法。

背景技術

森林火險是可燃物因素、火環境因素和人為因素綜合作用的結果，是對森林火險的發生、蔓延，控制的難易程度以及森林火險可能造成的損失的綜合評價。森林火險等級是用確定的標準衡量森林火險發生的危險程度。森林火險等級預測是基于森林火險的發生發展規律，對森林火險影響因素采用一定的數理方法，對森林可燃物的燃燒危險性進行分析預測。按預警的性質，分為火險天氣預測、森林火險發生預測和森林火險行為預測3種類型。

火險預測的關鍵是預測模型，傳統的森林防火預警和監測模型常采用回歸模型。現有的研究中，大多只對影響森林火災的氣象參數進行定性研究，定量研究少之又少。現有研究僅得出了某一氣象因素與森林火災的之間的關系，不能適用所有地區的林火預測。

發明內容

為了克服現有技術的不足，本發明提供一種基于XGBoost模型的森林火災風險預測算法，實現對林區的森林防火智能預警及監測。

本發明解決其技術問題所采用的技術方案是：一種基于XGBoost模型的森林火災風險預測算法，其改進之處在于，該算法包括算法模型建立的步驟和基于XGBoost的核心算法步驟；

所述算法模型建立的步驟包括：

S101、XGBoost在目標函數中顯示的加上了正則化項；

S102、使用Loss?Function對f(x)的一階導數計算出偽殘差用于學習生成f_m(x)；

所述基于XGBoost的核心算法步驟包括：

S201、不斷地向XGBoost中添加決策樹；

S202、當訓練完成得到k棵決策樹，預測一個樣本的分數；

S203、將每棵決策樹對應的分數相加得到該樣本的預測值，其公式表示為：

其中，f(x)采用泰勒展開計算。

進一步的，步驟S101中，基學習為CART時，正則化項與樹的葉子節點的數量T和葉子節點的值有關，損失函數定義為：

其中，n為訓練函數樣本數，l是對單個樣本的損失；當該損失函數為凸函數，,為模型對訓練樣本的預測值，y_i為訓練樣本的真實標簽值；

正則化項Ω(f_k)定義了算法模型的復雜程度，這里正則化項的表達式為：

其中，γ和λ為人工設置的參數，w為決策樹所有葉子節點值形成的向量，T為葉子節點數。

進一步的，步驟S102中，XGBoost不僅使用到了一階導數，還使用二階導數；

第t次的loss：