CN109214716A - 基于stacking算法的山火风险预测建模方法 - Google Patents

基于stacking算法的山火风险预测建模方法 Download PDF

Info

Publication number
CN109214716A
CN109214716A CN201811209153.1A CN201811209153A CN109214716A CN 109214716 A CN109214716 A CN 109214716A CN 201811209153 A CN201811209153 A CN 201811209153A CN 109214716 A CN109214716 A CN 109214716A
Authority
CN
China
Prior art keywords
data
mountain fire
dynamic
risk profile
static
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811209153.1A
Other languages
English (en)
Other versions
CN109214716B (zh
Inventor
贾兴林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Cap Data Service Co.,Ltd.
Original Assignee
Sichuan Jialian Zhonghe Enterprise Management Consulting Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Jialian Zhonghe Enterprise Management Consulting Co Ltd filed Critical Sichuan Jialian Zhonghe Enterprise Management Consulting Co Ltd
Priority to CN201811209153.1A priority Critical patent/CN109214716B/zh
Publication of CN109214716A publication Critical patent/CN109214716A/zh
Application granted granted Critical
Publication of CN109214716B publication Critical patent/CN109214716B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种能够提高预测效率和预测准确性的基于stacking算法的山火风险预测建模方法。该山火风险预测建模方法是基于可燃物因素数据、地理数据、气象数据、历史山火数据等多种时空数据对山火发生风险进行预测，对多源、异构、海量时空数据的处理技术进行了设计，形成了丰富的山火发生预测特征集合；具有处理海量时空数据能力；实现了以数据驱动的建模，避免繁琐、复杂的贝叶斯建模过程，提升了时空数据建模的效率；同时该山火风险预测建模方法兼顾处理时间、空间特征，动态、静态特征的特性，并且通过stacking的方法实现了特征的二次加工生成，提升了山火风险预测的整体效果；通过实验验证AUC指标达到了0.85。适合在数据处理技术领域推广应用。

Description

基于stacking算法的山火风险预测建模方法
技术领域
本发明涉及数据处理技术领域，尤其是一种基于stacking算法的山火风险预测建模方法。
背景技术
自上世纪20年代以来，人们对山火发生风险的预测预警的研究从未停止。得益于遥感、气象等海量时空数据的采集，以及现代信息处理和分析能力的巨大进步，山火风险预测从早期依赖于试验、数值计算等技术，到如今数据挖掘、机器学习等多种技术快速发展的局面。
在采用监督式数据挖掘方法进行山火风险预测的方法中，以贝叶斯网络、决策树、SVM等监督学习技术为代表。主要方法是：以区域(或像元)未来是否发生山火(或过火面积)作为山火风险等级标识，以气象要素(温度、湿度、降雨、风速、风向)、人类活动等因素作为特征，构建统计学习模型从而实现对山火风险的预测。
贝叶斯网络利用贝叶斯概率建模技术预测某区域(像元)未来是否发生山火。这类方法利用贝叶斯网络技术通过对影响山火发生的(气象等)因子构建概率模型，从而实现对山火发生的预测。这种技术的优点是能够刻画不确定性、可采用人类专家知识等，但在海量数据处理方面具有较大的时间、空间复杂度，在利用遥感、气象等海量时空数据进行预测方面存在较大的制约。
现有的研究中，决策树、SVM、神经网络经典的机器学习模型通常以过火面积等级作为目标变量进行监督式学习。从应用场景上，以过火面积作为风险预测目标，既可应用于山火发生初期预测山火蔓延风险，也可用于在已知环境条件下对未来短期内是否发生山火风险进行预测。这类方法以数据驱动建模和预测，能够避免复杂、繁琐的建模过程。但现有的研究和应用在主要采用的数据是遥感或者气象数据，数据源较单一；并且对时空数据具有的时空自相关、空间异质性等处理不多。
时空数据挖掘是一种以时空数据作为研究对象的数据挖掘方法，近年来随着时空数据的积累，时空数据挖掘成为了研究和应用热点。目前，在犯罪、疾病预测分析方面，时空数据挖掘技术已被使用，而在山火预测方面尚无公开的相关文献资料。
发明内容
本发明所要解决的技术问题是提供一种能够提高预测效率和预测准确性的基于stacking算法的山火风险预测建模方法。
本发明解决其技术问题所采用的技术方案为：该基于stacking算法的山火风险预测建模方法，包括以下步骤：
A、针对山火风险预测任务的需要，采集从当前时间开始往前一段历史时间内的可燃物因素数据、地理数据、气象数据、历史山火数据；
B、将A步骤采集的气象数据通过时间分辨率融合方法处理得到以天为单位的气象数据；
C、将可燃物因素数据、地理数据、历史山火数据以及B步骤得到的以天为单位的气象数据通过空间数据融合方法实现空间数据的融合匹配；
D、将经过C步骤处理得到的可燃物因素数据、地理数据、气象数据、历史山火数据按照特性变化特性分为动态数据、静态数据、时间数据；所述动态数据记为Dynamic_Indexs，所述静态数据记为Static_Indexs；
E、对动态数据Dynamic_Indexs采用“时间+空间”窗口的统计概括方法提取动态特征Dynamic_Feats；
F、对所有动态特征Dynamic_Feats以及静态数据Static_Indexs中的数值型数据采用min-max方法进行归一化处理，对静态数据Static_Indexs中的离散特征采用one-hot编码方式进行编码处理；
G、将F步骤得到的数据以t0时间点作为数据划分的分割点，得到两个数据子集；
dataset0(t≤t0)
dataset1(t0＜t)；
H、以GBDT构建base模型，具体包括如下：首先，进行数据拆分及特征选择，具体方法如下：提取dataset0数据集的动态特征Dynamic_Feats，将从dataset0中提取的动态特征Dynamic_Feats随机拆分成N份{dataset0_i},i∈[1,…,N]，每份数据子集的每行代表一个像元在某天的观察记录；每列为一个动态特征指标；接着，进行base模型的训练，具体的在{dataset0_i},i∈[1,…,N]上训练GBDT模型，得到N个不同的base模型{basemodel_i},i∈[1,…,N]；
I、构建meta模型，具体方法如下：首先，特征数据集dataset1new的生成，所述特征数据集dataset1new的生成方法如下所述：提取dataset1数据集的动态特征Dynamic_Feats，并将提取的动态特征Dynamic_Feats输入base模型{basemodel_i},i∈[1,…,N]得到N个模型的预测概率{pred_i},i∈[1,…,N]，同时提取dataset1数据集的静态数据Static_Indexs，将预测概率{pred_i},i∈[1,…,N]和从dataset1提取的静态数据Static_Indexs组成新的数据集即为dataset1new；接着在dataset1数据集上构建meta学习模型，并采用logistic回归作为meta学习器，在dataset1new上进行模型的训练，得到最终的预测模型meta模型。
进一步的是，在A步骤中，所述可燃物因素数据包括：可燃物含水率FMC、可燃物载荷FL、可燃物类型FT；可燃物因素数据的空间分辨率为500m,时间分辨率为1天；所述地理数据包括高程、坡度、坡向；地理数据空间分辨率为30m；所述气象数据包括温度、湿度、降雨、风速、风向，气象数据的空间分辨率为500m，时间分辨率为1小时；所述历史山火数据包括历史山火发生的经纬度、时间信息。
进一步的是，在B步骤中，所述时间分辨率融合方法具体如下所述：
将第d天气象指标m在每小时的观察数据md,i(i∈0,…,23)按天进行聚合生成相应统计指标，包括：当日最大值max_md、最小值min_md、极差值range_md、当日总量total_md；
其中，max_md＝max(md,i)(i∈0,…,23)
min_md＝min(md,i)(i∈0,…,23)
range_md＝max(md,i)-min(md,i)(i∈0,…,23)
total_md＝sum(md,i)(i∈0,…,23)
最大值max_md、最小值min_md用于温度、湿度、降雨、风速，极差值range_md统用于温度、湿度，当日总量total_md用于降雨水平。
进一步的是，在C步骤中，所述空间数据融合方法采用紧邻匹配法或krige插值方法。
进一步的是，在D步骤中，所述动态数据包括可燃物含水率FMC、可燃物载荷FL、温度、湿度、降雨、风速、风向；所述静态数据包括可燃物类型FT、高程、坡度、坡向；所述时间数据包括年、月、季度、星期、天。
进一步的是，在E步骤中，采用“时间+空间”窗口的统计概括方法具体如下所述：
对位于第i列j行的像元数据DIi,j在第t时刻的时空特征值DIi,j,t，若ws＝[Ws/2]代表空间窗口大小(一般取值{4,8,…})，Wt代表时间窗口大小；则：
均值特征
最大值特征
最小值特征
当Ws＝0表示不提取空间邻域像元的特征，当Wt＝1表示用时间窗口为1，当Ws＝8,Wt∈{7,30},构成全部的时空动态特征。
进一步的是，在H步骤中，对GBDT模型的参数采用交叉验证加贝叶斯搜索算法进行确定。
进一步的是，在I步骤中，对logistic回归模型的参数采用交叉验证、贝叶斯搜索算法进行确定。
本发明的有益效果：该基于stacking算法的山火风险预测建模方法是基于可燃物因素数据、地理数据、气象数据、历史山火数据等多种时空数据对山火发生风险进行建模，对多源、异构、海量时空数据的处理技术进行了设计，形成了丰富的山火发生预测特征集合；在海量数据处理能力方面，具有处理海量时空数据能力；以时空数据集成学习技术构建山火风险预测模型，实现了以数据驱动的建模，避免繁琐、复杂的贝叶斯建模过程，提升了时空数据建模的效率；本发明的基于stacking算法的山火风险预测建模方法兼顾处理时间、空间特征，动态、静态特征的特性，并且通过stacking的方法实现了特征的二次加工生成，提升了山火预测模型的整体效果；通过实验验证AUC(Area Under Curve，ROC曲线下的面积)指标达到了0.85。
具体实施方式
该基于stacking算法的山火风险预测建模方法，包括以下步骤：
A、针对山火风险预测任务的需要，采集从当前时间开始往前一段历史时间内的可燃物因素数据、地理数据、气象数据、历史山火数据；可燃物因素数据、地理数据、历史山火数据通过卫星遥感获得，气象数据通过气象部门获得，上述数据均通过http/FTP数据采集接口自动从相关数据渠道自动获取；所述可燃物因素数据包括：可燃物含水率FMC、可燃物载荷FL、可燃物类型FT；可燃物因素数据的空间分辨率为500m,时间分辨率为1天；所述地理数据包括高程、坡度、坡向；地理数据空间分辨率为30m；所述气象数据包括温度、湿度、降雨、风速、风向，气象数据的空间分辨率为500m，时间分辨率为1小时；所述历史山火数据包括历史山火发生的经纬度、时间信息；
B、将A步骤采集的气象数据通过时间分辨率融合方法处理得到以天为单位的气象数据；此步骤是因为不同类型的数据在时间上的分辨率是不一样的，通过时间分辨率融合方法将小时级气象数据转换成天为单位的气象数据，从而实现与其它数据的时间分辨率的一致；所述时间分辨率融合方法具体如下所述：
将第d天气象指标m在每小时的观察数据md,i(i∈0,…,23)按天进行聚合生成相应统计指标，包括：当日最大值max_md、最小值min_md、极差值range_md、当日总量total_md；
其中，max_md＝max(md,i)(i∈0,…,23)
min_md＝min(md,i)(i∈0,…,23)
range_md＝max(md,i)-min(md,i)(i∈0,…,23)
total_md＝sum(md,i)(i∈0,…,23)
最大值max_md、最小值min_md用于温度、湿度、降雨、风速，极差值range_md统用于温度、湿度，当日总量total_md用于降雨水平；
C、将可燃物因素数据、地理数据、历史山火数据以及B步骤得到的以天为单位的气象数据通过空间数据融合方法实现空间数据的融合匹配；此步骤是因为不同类型的数据在空间上的分辨率是不一样的，通过空间数据融合方法可以解决不同数据源之间空间分辨率的差异、或栅格数据坐标点的差异问题；所述空间数据融合方法采用紧邻匹配法或krige插值方法；
D、将经过C步骤处理得到的可燃物因素数据、地理数据、气象数据、历史山火数据按照特性变化特性分为动态数据、静态数据、时间数据；所述动态数据记为Dynamic_Indexs，所述静态数据记为Static_Indexs；动态数据是指随时间变化而变化的指标数据，动态数据可以反映可燃物、气象条件的动态变化，对预测山火发生风险具有十分重要的价值，静态数据是指不随时间变化而变化(或变化周期很长)的指标数据；所述动态数据包括可燃物含水率FMC、可燃物载荷FL、温度、湿度、降雨、风速、风向；所述静态数据包括可燃物类型FT、高程、坡度、坡向；所述时间数据包括年、月、季度、星期、天；
E、对动态数据Dynamic_Indexs采用“时间+空间”窗口的统计概括方法提取动态特征Dynamic_Feats；采用“时间+空间”窗口的统计概括方法具体如下所述：
对位于第i列j行的像元数据DIi,j在第t时刻的时空特征值DIi,j,t，若ws＝[Ws/2]代表空间窗口大小(一般取值{4,8,…})，Wt代表时间窗口大小；则：
均值特征
最大值特征
最小值特征
当Ws＝0表示不提取空间邻域像元的特征，当Wt＝1表示用时间窗口为1，当Ws＝8,Wt∈{7,30},构成全部的时空动态特征；
F、对所有动态特征Dynamic_Feats以及静态数据Static_Indexs中的数值型数据采用min-max方法进行归一化处理，对静态数据Static_Indexs中的离散特征采用one-hot编码方式进行编码处理；
G、将F步骤得到的数据以t0时间点作为数据划分的分割点，得到两个数据子集；
dataset0(t≤t0)
dataset1(t0＜t)；
H、以GBDT构建base模型，具体包括如下：首先，进行数据拆分及特征选择，具体方法如下：提取dataset0数据集的动态特征Dynamic_Feats，将从dataset0中提取的动态特征Dynamic_Feats随机拆分成N份{dataset0_i},i∈[1,…,N]，每份数据子集的每行代表一个像元在某天的观察记录；每列为一个动态特征指标；接着，进行base模型的训练，具体的在{dataset0_i},i∈[1,…,N]上训练GBDT模型，对GBDT模型的参数采用交叉验证加贝叶斯搜索算法进行确定，得到N个不同的base模型{basemodel_i},i∈[1,…,N]；
I、构建meta模型，具体方法如下：首先，特征数据集dataset1new的生成，所述特征数据集dataset1new的生成方法如下所述：提取dataset1数据集的动态特征Dynamic_Feats，并将提取的动态特征Dynamic_Feats输入base模型{basemodel_i},i∈[1,…,N]得到N个模型的预测概率{pred_i},i∈[1,…,N]，同时提取dataset1数据集的静态数据Static_Indexs，将预测概率{pred_i},i∈[1,…,N]和从dataset1提取的静态数据Static_Indexs组成新的数据集即为dataset1new；接着在dataset1数据集上构建meta学习模型，并采用logistic回归作为meta学习器，在dataset1new上进行模型的训练，对logistic回归模型的参数采用交叉验证、贝叶斯搜索算法进行确定，得到最终的预测模型meta模型。
该基于stacking算法的山火风险预测建模方法是基于可燃物因素数据、地理数据、气象数据、历史山火数据等多种时空数据对山火发生风险进行建模，对多源、异构、海量时空数据的处理技术进行了设计，形成了丰富的山火发生预测特征集合；在海量数据处理能力方面，具有处理海量时空数据能力；以时空数据集成学习技术构建山火风险预测模型，实现了以数据驱动的建模，避免繁琐、复杂的贝叶斯建模过程，提升了时空数据建模的效率；本发明的基于stacking算法的山火风险预测建模方法兼顾处理时间、空间特征，动态、静态特征的特性，并且通过stacking的方法实现了特征的二次加工生成，提升了山火预测模型的整体效果；通过实验验证AUC(Area Under Curve，ROC曲线下的面积)指标达到了0.85。
利用该基于stacking算法的山火风险预测建模方法建立的预测模型的实际应用过程如下，在进行未来一段时间内是否发生山火风险进行预测时，首先针对山火风险预测任务的需要，采集从当前时间开始往前一段历史时间内的可燃物因素数据、地理数据、气象数据、历史山火数据；将采集的数据依次经过步骤B-F处理后得到一个特征集合，并将该特征集合的动态特征Dynamic_Feats输入base模型预测得到山火发生的概率pred_i，然后，将pred_i与特征集合的静态特征Static_Indexs合并作为新的特征集合并输入到meta模型中，得到最终的山火发生概率NFire；所述山火发生概率NFire通过目标变量的生成可直接得到预测结果，所述目标变量设计采用“是”、“否”发生山火作为山火风险标记；对某个像元在t天的label标记采用公式
其中，labeli,j,t表示第i,j像元在t天的目标变量标签，NFirei,j,h表示第i,j像元在h天有没有发生山火的概率，labeli,j,t＝0表示没有发生，labeli,j,t＝1表示发生。通过实验验证，该基于stacking算法的山火风险预测建模方法建立的预测模型的AUC(Area Under Curve，ROC曲线下的面积)指标达到了0.85。

Claims (8)

1.基于stacking算法的山火风险预测建模方法，其特征在于包括以下步骤：
A、针对山火风险预测任务的需要，采集从当前时间开始往前一段历史时间内的可燃物因素数据、地理数据、气象数据、历史山火数据；
B、将A步骤采集的气象数据通过时间分辨率融合方法处理得到以天为单位的气象数据；
C、将可燃物因素数据、地理数据、历史山火数据以及B步骤得到的以天为单位的气象数据通过空间数据融合方法实现空间数据的融合匹配；
D、将经过C步骤处理得到的可燃物因素数据、地理数据、气象数据、历史山火数据按照特性变化特性分为动态数据、静态数据、时间数据；所述动态数据记为Dynamic_Indexs，所述静态数据记为Static_Indexs；
E、对动态数据Dynamic_Indexs采用“时间+空间”窗口的统计概括方法提取动态特征Dynamic_Feats；
F、对所有动态特征Dynamic_Feats以及静态数据Static_Indexs中的数值型数据采用min-max方法进行归一化处理，对静态数据Static_Indexs中的离散特征采用one-hot编码方式进行编码处理；
G、将F步骤得到的数据以t0时间点作为数据划分的分割点，得到两个数据子集；
dataset0(t≤t0)
dataset1(t0＜t)；
H、以GBDT构建base模型，具体包括如下：首先，进行数据拆分及特征选择，具体方法如下：提取dataset0数据集的动态特征Dynamic_Feats，将从dataset0中提取的动态特征Dynamic_Feats随机拆分成N份{dataset0_i},i∈[1,…,N]，每份数据子集的每行代表一个像元在某天的观察记录；每列为一个动态特征指标；接着，进行base模型的训练，具体的在{dataset0_i},i∈[1,…,N]上训练GBDT模型，得到N个不同的base模型{basemodel_i},i∈[1,…,N]；
I、构建meta模型，具体方法如下：首先，特征数据集dataset1new的生成，所述特征数据集dataset1new的生成方法如下所述：提取dataset1数据集的动态特征Dynamic_Feats，并将提取的动态特征Dynamic_Feats输入base模型{basemodel_i},i∈[1,…,N]得到N个模型的预测概率{pred_i},i∈[1,…,N]，同时提取dataset1数据集的静态数据Static_Indexs，将预测概率{pred_i},i∈[1,…,N]和从dataset1提取的静态数据Static_Indexs组成新的数据集即为dataset1new；接着在dataset1数据集上构建meta学习模型，并采用logistic回归作为meta学习器，在dataset1new上进行模型的训练，得到最终的预测模型meta模型。
2.如权利要求1所述的基于stacking算法的山火风险预测建模方法，其特征在于：在A步骤中，所述可燃物因素数据包括：可燃物含水率FMC、可燃物载荷FL、可燃物类型FT；可燃物因素数据的空间分辨率为500m,时间分辨率为1天；所述地理数据包括高程、坡度、坡向；地理数据空间分辨率为30m；所述气象数据包括温度、湿度、降雨、风速、风向，气象数据的空间分辨率为500m，时间分辨率为1小时；所述历史山火数据包括历史山火发生的经纬度、时间信息。
3.如权利要求2所述的基于stacking算法的山火风险预测建模方法，其特征在于：在B步骤中，所述时间分辨率融合方法具体如下所述：
将第d天气象指标m在每小时的观察数据md,i(i∈0,…,23)按天进行聚合生成相应统计指标，包括：当日最大值max_md、最小值min_md、极差值range_md、当日总量total_md；
其中，max_md＝max(md,i)(i∈0,…,23)
min_md＝min(md,i)(i∈0,…,23)
range_md＝max(md,i)-min(md,i)(i∈0,…,23)
total_md＝sum(md,i)(i∈0,…,23)
最大值max_md、最小值min_md用于温度、湿度、降雨、风速，极差值range_md统用于温度、湿度，当日总量total_md用于降雨水平。
4.如权利要求4所述的基于stacking算法的山火风险预测建模方法，其特征在于：在C步骤中，所述空间数据融合方法采用紧邻匹配法或krige插值方法。
5.如权利要求4所述的基于stacking算法的山火风险预测建模方法，其特征在于：在D步骤中，所述动态数据包括可燃物含水率FMC、可燃物载荷FL、温度、湿度、降雨、风速、风向；所述静态数据包括可燃物类型FT、高程、坡度、坡向；所述时间数据包括年、月、季度、星期、天。
6.如权利要求5所述的基于stacking算法的山火风险预测建模方法，其特征在于：在E步骤中，采用“时间+空间”窗口的统计概括方法具体如下所述：
对位于第i列j行的像元数据DIi,j在第t时刻的时空特征值DIi,j,t，若ws＝[W/s2]代表空间窗口大小(一般取值{4,8,…})，Wt代表时间窗口大小；则：
均值特征
最大值特征
最小值特征
当Ws＝0表示不提取空间邻域像元的特征，当Wt＝1表示用时间窗口为1，当Ws＝8,Wt∈{7,30},构成全部的时空动态特征。
7.如权利要求6所述的基于stacking算法的山火风险预测建模方法，其特征在于：在H步骤中，对GBDT模型的参数采用交叉验证加贝叶斯搜索算法进行确定。
8.如权利要求7所述的基于stacking算法的山火风险预测建模方法，其特征在于：在I步骤中，对logistic回归模型的参数采用交叉验证、贝叶斯搜索算法进行确定。
CN201811209153.1A 2018-10-17 2018-10-17 基于stacking算法的山火风险预测建模方法 Active CN109214716B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811209153.1A CN109214716B (zh) 2018-10-17 2018-10-17 基于stacking算法的山火风险预测建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811209153.1A CN109214716B (zh) 2018-10-17 2018-10-17 基于stacking算法的山火风险预测建模方法

Publications (2)

Publication Number Publication Date
CN109214716A true CN109214716A (zh) 2019-01-15
CN109214716B CN109214716B (zh) 2020-10-27

Family

ID=64980816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811209153.1A Active CN109214716B (zh) 2018-10-17 2018-10-17 基于stacking算法的山火风险预测建模方法

Country Status (1)

Country Link
CN (1) CN109214716B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829583A (zh) * 2019-01-31 2019-05-31 成都思晗科技股份有限公司 基于概率编程技术的山火风险预测方法
CN110598251A (zh) * 2019-08-05 2019-12-20 中国科学院南京地理与湖泊研究所 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法
CN110889536A (zh) * 2019-10-29 2020-03-17 新智认知数字科技股份有限公司 警情态势预测和预警方法及其系统
CN110969304A (zh) * 2019-12-04 2020-04-07 汇鼎数据科技(上海)有限公司 数字工厂生产产能预测方法、系统、装置
CN111445011A (zh) * 2020-04-01 2020-07-24 成都思晗科技股份有限公司 一种基于气象和遥感数据的山火预警方法
CN111931648A (zh) * 2020-08-10 2020-11-13 成都思晗科技股份有限公司 一种基于Himawari8波段数据的山火实时监测方法
CN112819356A (zh) * 2021-02-08 2021-05-18 国网山西省电力公司电力科学研究院 一种基于梯度提升树的输电线路山火风险等级预报方法
CN114548739A (zh) * 2022-02-15 2022-05-27 国网河南省电力公司电力科学研究院 一种变电站防汛风险组合评估方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678419A (zh) * 2016-01-05 2016-06-15 天津大学 细粒度的森林火灾概率预报系统
US20180096253A1 (en) * 2016-10-04 2018-04-05 Civicscape, LLC Rare event forecasting system and method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678419A (zh) * 2016-01-05 2016-06-15 天津大学 细粒度的森林火灾概率预报系统
US20180096253A1 (en) * 2016-10-04 2018-04-05 Civicscape, LLC Rare event forecasting system and method

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
_WILLIAM_: "《CSDN》", 21 July 2017 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829583A (zh) * 2019-01-31 2019-05-31 成都思晗科技股份有限公司 基于概率编程技术的山火风险预测方法
CN109829583B (zh) * 2019-01-31 2022-10-11 成都思晗科技股份有限公司 基于概率编程技术的山火风险预测方法
CN110598251B (zh) * 2019-08-05 2021-11-09 中国科学院南京地理与湖泊研究所 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法
CN110598251A (zh) * 2019-08-05 2019-12-20 中国科学院南京地理与湖泊研究所 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法
CN110889536A (zh) * 2019-10-29 2020-03-17 新智认知数字科技股份有限公司 警情态势预测和预警方法及其系统
CN110969304A (zh) * 2019-12-04 2020-04-07 汇鼎数据科技(上海)有限公司 数字工厂生产产能预测方法、系统、装置
CN111445011A (zh) * 2020-04-01 2020-07-24 成都思晗科技股份有限公司 一种基于气象和遥感数据的山火预警方法
CN111445011B (zh) * 2020-04-01 2023-07-28 成都思晗科技股份有限公司 一种基于气象和遥感数据的山火预警方法
CN111931648A (zh) * 2020-08-10 2020-11-13 成都思晗科技股份有限公司 一种基于Himawari8波段数据的山火实时监测方法
CN111931648B (zh) * 2020-08-10 2023-08-01 成都思晗科技股份有限公司 一种基于Himawari8波段数据的山火实时监测方法
CN112819356A (zh) * 2021-02-08 2021-05-18 国网山西省电力公司电力科学研究院 一种基于梯度提升树的输电线路山火风险等级预报方法
CN112819356B (zh) * 2021-02-08 2022-10-14 国网山西省电力公司电力科学研究院 一种基于梯度提升树的输电线路山火风险等级预报方法
CN114548739A (zh) * 2022-02-15 2022-05-27 国网河南省电力公司电力科学研究院 一种变电站防汛风险组合评估方法

Also Published As

Publication number Publication date
CN109214716B (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN109214716A (zh) 基于stacking算法的山火风险预测建模方法
Mondal et al. Urban expansion and wetland shrinkage estimation using a GIS-based model in the East Kolkata Wetland, India
US11270579B2 (en) Transportation network speed foreeasting method using deep capsule networks with nested LSTM models
Ghaderi et al. Deep forecast: Deep learning-based spatio-temporal forecasting
CN109447331B (zh) 基于stacking算法的山火风险预测方法
Tsangaratos et al. Estimating landslide susceptibility through a artificial neural network classifier
Jiao et al. A graph neural network based deep learning predictor for spatio-temporal group solar irradiance forecasting
Li et al. Application of the artificial neural network and support vector machines in forest fire prediction in the guangxi autonomous region, China
WO2021081445A1 (en) System and method with federated learning model for geotemporal data associated medical prediction applications
Zhu et al. Investigation of nearby monitoring station for hourly PM2. 5 forecasting using parallel multi-input 1D-CNN-biLSTM
CN108805345A (zh) 一种基于深度卷积神经网络模型的犯罪时空风险预测方法
CN116976702B (zh) 基于大场景gis轻量化引擎的城市数字孪生平台及方法
Tian et al. Multi-scale solar radiation and photovoltaic power forecasting with machine learning algorithms in urban environment: A state-of-the-art review
Sehrawat et al. Solar irradiance forecasting models using machine learning techniques and digital twin: A case study with comparison
CN117556197A (zh) 一种基于人工智能的台风涡旋初始化方法
CN109829583B (zh) 基于概率编程技术的山火风险预测方法
CN114385611A (zh) 一种基于人工智能算法和知识图谱的降水预测方法和系统
Gawusu et al. Spatial analysis and predictive modeling of energy poverty: insights for policy implementation
CN114169659A (zh) 一种犯罪时空风险预测及决策调度方法和装置
CN112528557A (zh) 基于深度学习的洪水流量预测系统和方法
CN114139984B (zh) 基于流量与事故协同感知的城市交通事故风险预测方法
CN114418243B (zh) 分布式新能源云端网格预测方法与系统
Zhang Remote sensing data processing of urban land using based on artificial neural network
CN115808690A (zh) 一种气象预报的智能修订方法及系统
Frimpong et al. Analysis of urban expansion and its impact on temperature utilising remote sensing and GIS techniques in the Accra Metropolis in Ghana (1986–2022)

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210202

Address after: No.1, 3rd floor, building 1, No.366, north section of Hupan Road, Tianfu New District, Chengdu, Sichuan 610041, China (Sichuan) pilot Free Trade Zone, Chengdu, China

Patentee after: Chengdu Cap Data Service Co.,Ltd.

Address before: Room 503, 5th floor, unit 1, building 12, 333 Taihe 2nd Street, high tech Zone, Chengdu, Sichuan 610041

Patentee before: SICHUAN JIALIAN ZHONGHE ENTERPRISE MANAGEMENT CONSULTATION Co.,Ltd.

TR01 Transfer of patent right