CN109829583A - 基于概率编程技术的山火风险预测方法 - Google Patents
基于概率编程技术的山火风险预测方法 Download PDFInfo
- Publication number
- CN109829583A CN109829583A CN201910095753.8A CN201910095753A CN109829583A CN 109829583 A CN109829583 A CN 109829583A CN 201910095753 A CN201910095753 A CN 201910095753A CN 109829583 A CN109829583 A CN 109829583A
- Authority
- CN
- China
- Prior art keywords
- data
- mountain fire
- time
- sample
- space
- 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
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于概率编程技术的山火风险预测方法。该基于概率编程技术的山火风险预测方法以地理遥感、气象数据作为输入,实现对山火发生风险的预测,而地理遥感、气象数据存在多源、异构、时空分辨率多样等的特征,利用深度学习、概率编程技术对山火发生风险进行预测,解决了山火标记数据少、山火发生机理复杂、信息不完备情况下的预测建模,该预测方法能够对预测的不确定性进行分析,更好的满足山火发生风险预测这种机理复杂、数据不完备的应用需要且能够快速完成山火发生风险的预测预警,并且该预测方法预测的整体效果较好;通过实验验证AUC(Area Under Curve,ROC曲线下的面积)指标达到了0.8。适合在山火短期发生风险预测技术领域推广应用。
Description
技术领域
本发明涉及山火短期发生风险预测技术领域,尤其是一种基于概率编程技术的山火风险预测方法。
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。
近来年,决策树、SVM、贝叶斯、集成学习建模等技术被用于山火风险预测。这些方法通常通过在人工专家设计特征的基础上,构建统计学习模型进行预测。集成学习等技术在异构、海量时空气象和遥感数据处理方面,以及预测精度上具有较大优势;而贝叶斯相关理论及技术在不确定性刻画、人类专家知识使用方面具有较大的优势。但整体而言,传统统计学习方式主要依赖于人工专家设计特征,并且对山火发生这种机理复杂、数据不完备事件的处理并不理想。
发明内容
本发明所要解决的技术问题是提供一种能够满足山火发生风险预测这种机理复杂、数据不完备的应用需要且能够快速完成山火发生风险的预测预警的基于概率编程技术的山火风险预测方法。
本发明解决其技术问题所采用的技术方案为:该基于概率编程技术的山火风险预测方法,包括以下步骤:
1)、建立山火风险预测模型,所述山火风险预测模型的建立过程如下所述:
11)、采集一段历史时间内的地理遥感数据、气象数据、历史山火点数据;所述地理遥感数据包括植被指数NVDI、地表覆盖LC、地形地貌DEM、水汽数据;所述气象数据包括降雨、温度、湿度、风速、风向数据;
12)、采用时空数据融合技术分别对11)步骤采集的地理遥感数据、气象数据进行融合处理得到在时间、空间上分辨率均一样的融合数据;
13)、将经过12)步骤处理得到的地理遥感数据、气象数据按照数据类型分为数值型数据和字符型数据,所述数值型数据包括植被指数NVDI、降雨、温度、湿度、风速、水汽数据;所述字符型数据地表覆盖LC、地形地貌DEM、风向数据;
14)、对数值型数据采用z-score标准化方式进行数据处理;对字符型数据采用one-hot 编码方式进行数据处理;
15)、将历史山火点数据进行山火点风险标记,所述标记规则为:未来n天中发生山火则该点的目标变量标记为1,否则为0;目标变量标记为1的历史山火点数据集为山火样本集,目标变量标记为0的历史山火点数据集为非山火样本集;
16)、将15)步骤得到的山火样本集和非山火样本集采用如下算法进行处理:
A、输入:空间半径radius、训练集d、目标变量y、多数类抽样数量n、采样结果Sample_result;
B、对目标y中每个取值进行统计计数,记为 为yi的样本数;
C、确定多数类少数类对应的多数类和少数类的数据集分别记为和dmin,将dmin追加到Sample_result中;
D、依次对多数类中每一个类型进行欠抽样,算法流程为:
D-1)、获取和ymin所对应样本的全部空间点集合分别记为pma、pmin,并将样本点的WGS84坐标转换为UTM平面投影坐标系;
D-2)、计算pma与pmin点集合中两两之间的欧式距离,距离计算公式为:
D-3)、若dp1_p2>radius则p1保留到pma中,否则将p1从pma剔除,最终得到spma;
D-4)、从中选择空间点spma对应的样本数据
D-5)、在中采用有放回随机抽样方式,抽取n个样本追加到Sample_result中;
17)、构建神经网络模型,所述神经网络模型为贝叶斯神经网络结构,所述贝叶斯神经网络结构包括输入层、隐藏层、输出层,所述输入层的节点数与转换处理后的特征数一致;所述隐藏层对数据进行深度的处理和学习,隐藏层的参数包括隐藏层数n_levels∈[3,…,10],第i层的神经元数量为n_cellsi∈random(nmin,nmax),激活函数为act_fun∈[tanh,ReLU,…];所述输出层的输出节点数为2,输出层的激活函数采用sigmoid 函数;
18)、采用概率建模对贝叶斯神经网络的神经元权重参数进行设置,所有神经元的初始权重参数采用高斯分布,即:wij~N(μ,σ2),其中μ=0,σ2=1;将14)步骤和16)步骤得到数据通过贝叶斯神经网络结构的输入层输入并以KL散度最小化为目标,采用变分推理(ADVI)算法实现神经元权重参数的推理及学习,得到神经元的最终权重参数分布;
2)、利用山火风险预测模型进行未来山火风险预测,具体预测过程如下所述:
21)、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地理遥感数据、气象数据、历史山火点数据;所述地理遥感数据包括植被指数NVDI、地表覆盖LC、地形地貌DEM、水汽数据;所述气象数据包括降雨、温度、湿度、风速、风向数据;
22)、采用时空数据融合技术分别对21)步骤采集的地理遥感数据、气象数据进行融合处理得到在时间、空间上分辨率均一样的融合数据;
23)、将经过22)步骤处理得到的地理遥感数据、气象数据按照数据类型分为数值型数据和字符型数据,所述数值型数据包括植被指数NVDI、降雨、温度、湿度、风速、水汽数据;所述字符型数据地表覆盖LC、地形地貌DEM、风向数据;
24)、对数值型数据采用z-score标准化方式进行数据处理;对字符型数据采用one-hot 编码方式进行数据处理;
25)、对18)步骤得到的神经元的最终权重参数分布进行抽样,抽样得到一个神经元的权重参数,将该神经元权重参数代入山火风险预测模型中,并将24)步骤得到的数据输入确定了神经元权重参数的山火风险预测模型中得到山火发生风险值;
26)、重复步骤25)N次,得到N个山火发生风险值,进而获得山火发生概率分布的风险期望和方差。
进一步的是,在12)步骤中,所述时空数据融合技术包括空间融合技术和时间融合技术,所述空间融合技术采用最近邻匹配的方式,所述时间融合技术采用时间紧邻匹配的方式。
进一步的是,在22)步骤中,所述时空数据融合技术包括空间融合技术和时间融合技术,所述空间融合技术采用最近邻匹配的方式,所述时间融合技术采用时间紧邻匹配的方式。
本发明的有益效果:该基于概率编程技术的山火风险预测方法以地理遥感、气象数据作为输入,实现对山火发生风险的预测,而地理遥感、气象数据存在多源、异构、时空分辨率多样等的特征,本发明实现了对地理遥感、气象数据获取、处理和使用的统一架构平台,本发明针对时空数据的特点设计了一种解决时空数据类失衡的方法,相对于传统的神经网络模型参数是确定的,本发明采用贝叶斯方法对神经网络参数的分布进行估计,并采用概率编程技术对参数进行学习和推理,所得结果能够反映不确定性,因此,本发明利用深度学习、概率编程技术对山火发生风险进行预测,解决了山火标记数据少、山火发生机理复杂、信息不完备情况下的预测建模,该预测方法能够对预测的不确定性进行分析,更好的满足山火发生风险预测这种机理复杂、数据不完备的应用需要且能够快速完成山火发生风险的预测预警,并且该预测方法预测的整体效果较好;通过实验验证AUC(Area Under Curve,ROC曲线下的面积)指标达到了0.8。
具体实施方式
该基于概率编程技术的山火风险预测方法,包括以下步骤:
1)、建立山火风险预测模型,所述山火风险预测模型的建立过程如下所述:
11)、采集一段历史时间内的地理遥感数据、气象数据、历史山火点数据;所述地理遥感数据包括植被指数NVDI、地表覆盖LC、地形地貌DEM、水汽数据;所述气象数据包括降雨、温度、湿度、风速、风向数据;本发明涉及数据主要包括地理遥感数据、气象数据两类,通过http、FTP等方式完成数据的获取,本发明实现了一种多数据源获取的统一管理架构。其中,具体数据来源包括:Modis、landsat8等数据获取目标区域的植被指数NVDI、地表覆盖LC、地形地貌DEM、水汽等地理环境数据;NOAA、国家气象部门等途径获取降雨、温度、湿度、风速、风向等数据;
12)、不同类型的数据在时间、空间上的分辨率是不一样的,采用时空数据融合技术分别对11)步骤采集的地理遥感数据、气象数据进行融合处理得到在时间、空间上分辨率均一样的融合数据;空间融合主要是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;
13)、将经过12)步骤处理得到的地理遥感数据、气象数据按照数据类型分为数值型数据和字符型数据,所述数值型数据包括植被指数NVDI、降雨、温度、湿度、风速、水汽数据;所述字符型数据地表覆盖LC、地形地貌DEM、风向数据;
14)、对数值型数据采用z-score标准化方式进行数据处理;对字符型数据采用one-hot 编码方式进行数据处理;使得所有数据能够适合神经网络的输入要求;
15)、将历史山火点数据进行山火点风险标记,所述标记规则为:未来n天中发生山火则该点的目标变量标记为1,否则为0;目标变量标记为1的历史山火点数据集为山火样本集,目标变量标记为0的历史山火点数据集为非山火样本集;
16)、在训练集中山火样本数远远小于非山火样本数,这种类失衡会造成学习的失败。针对时空数据特有的时间、空间上强相关的特点,设计了 (Under-Sampling-Without-Spatial-NN)的方案进行处理。具体的,将15)步骤得到的山火样本集和非山火样本集采用如下算法进行处理:
A、输入:空间半径radius、训练集d、目标变量y、多数类抽样数量n、采样结果Sample_result;
B、对目标y中每个取值进行统计计数,记为 为yi的样本数;
C、确定多数类少数类对应的多数类和少数类的数据集分别记为和dmin,将dmin追加到Sample_result中;
D、依次对多数类中每一个类型进行欠抽样,算法流程为:
D-1)、获取和ymin所对应样本的全部空间点集合分别记为pma、pmin,并将样本点的WGS84坐标转换为UTM平面投影坐标系;
D-2)、计算pma与pmin点集合中两两之间的欧式距离,距离计算公式为:
D-3)、若dp1_p2>radius则p1保留到pma中,否则将p1从pma剔除,最终得到spma;
D-4)、从中选择空间点spma对应的样本数据
D-5)、在中采用有放回随机抽样方式,抽取n个样本追加到Sample_result中;多数类抽样数量n根据计算资源、少数类样本数量等进行调整;
17)、构建神经网络模型,所述神经网络模型为贝叶斯神经网络结构,所述贝叶斯神经网络结构包括输入层、隐藏层、输出层,所述输入层的节点数与转换处理后的特征数一致;所述隐藏层对数据进行深度的处理和学习,隐藏层的参数包括隐藏层数n_levels∈[3,…,10],第i层的神经元数量为n_cellsi∈random(nmin,nmax),激活函数为 act_fun∈[tanh,ReLU,…];所述输出层的输出节点数为2,输出层的激活函数采用sigmoid 函数;
18)、采用概率建模对贝叶斯神经网络的神经元权重参数进行设置,所有神经元的初始权重参数采用高斯分布,即:wij~N(μ,σ2),其中μ=0,σ2=1;将14)步骤和16)步骤得到数据通过贝叶斯神经网络结构的输入层输入并以KL散度最小化为目标,采用变分推理(ADVI)算法实现神经元权重参数的推理及学习,得到神经元的最终权重参数分布;本发明基于google开源概率编程语言TensorFlow-probability实现模型设计和开发,完成对山火发生风险的推理学习;
2)、利用山火风险预测模型进行未来山火风险预测,具体预测过程如下所述:
21)、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地理遥感数据、气象数据、历史山火点数据;所述地理遥感数据包括植被指数NVDI、地表覆盖LC、地形地貌DEM、水汽数据;所述气象数据包括降雨、温度、湿度、风速、风向数据;本发明涉及数据主要包括地理遥感数据、气象数据两类,通过http、FTP等方式完成数据的获取,本发明实现了一种多数据源获取的统一管理架构。其中,具体数据来源包括:Modis、landsat8等数据获取目标区域的植被指数NVDI、地表覆盖LC、地形地貌DEM、水汽等地理环境数据;NOAA、国家气象部门等途径获取降雨、温度、湿度、风速、风向等数据;
22)、不同类型的数据在时间、空间上的分辨率是不一样的,采用时空数据融合技术分别对21)步骤采集的地理遥感数据、气象数据进行融合处理得到在时间、空间上分辨率均一样的融合数据;空间融合主要是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;
23)、将经过22)步骤处理得到的地理遥感数据、气象数据按照数据类型分为数值型数据和字符型数据,所述数值型数据包括植被指数NVDI、降雨、温度、湿度、风速、水汽数据;所述字符型数据地表覆盖LC、地形地貌DEM、风向数据;
24)、对数值型数据采用z-score标准化方式进行数据处理;对字符型数据采用one-hot 编码方式进行数据处理;使得所有数据能够适合神经网络的输入要求;
25)、对18)步骤得到的神经元的最终权重参数分布进行抽样,抽样得到一个神经元的权重参数,将该神经元权重参数代入山火风险预测模型中,并将24)步骤得到的数据输入确定了神经元权重参数的山火风险预测模型中得到山火发生风险值;
26)、重复步骤25)N次,得到N个山火发生风险值,进而获得山火发生概率分布的风险期望(均值)和方差(不确定性)。
该基于概率编程技术的山火风险预测方法以地理遥感、气象数据作为输入,实现对山火发生风险的预测,而地理遥感、气象数据存在多源、异构、时空分辨率多样等的特征,本发明实现了对地理遥感、气象数据获取、处理和使用的统一架构平台,本发明针对时空数据的特点设计了一种解决时空数据类失衡的方法,相对于传统的神经网络模型参数是确定的,本发明采用贝叶斯方法对神经网络参数的分布进行估计,并采用概率编程技术对参数进行学习和推理,所得结果能够反映不确定性,因此,本发明利用深度学习、概率编程技术对山火发生风险进行预测,解决了山火标记数据少、山火发生机理复杂、信息不完备情况下的预测建模,该预测方法能够对预测的不确定性进行分析,更好的满足山火发生风险预测这种机理复杂、数据不完备的应用需要且能够快速完成山火发生风险的预测预警,并且该预测方法预测的整体效果较好;通过实验验证AUC(Area Under Curve,ROC曲线下的面积)指标达到了 0.8。
在上述实施方式中,在12)步骤中,所述时空数据融合技术包括空间融合技术和时间融合技术,所述空间融合技术采用最近邻匹配的方式,所述时间融合技术采用时间紧邻匹配的方式。进一步的是,在22)步骤中,所述时空数据融合技术包括空间融合技术和时间融合技术,所述空间融合技术采用最近邻匹配的方式,所述时间融合技术采用时间紧邻匹配的方式。
Claims (3)
1.基于概率编程技术的山火风险预测方法,其特征在于包括以下步骤:
1)、建立山火风险预测模型,所述山火风险预测模型的建立过程如下所述:
11)、采集一段历史时间内的地理遥感数据、气象数据、历史山火点数据;所述地理遥感数据包括植被指数NVDI、地表覆盖LC、地形地貌DEM、水汽数据;所述气象数据包括降雨、温度、湿度、风速、风向数据;
12)、采用时空数据融合技术分别对11)步骤采集的地理遥感数据、气象数据进行融合处理得到在时间、空间上分辨率均一样的融合数据;
13)、将经过12)步骤处理得到的地理遥感数据、气象数据按照数据类型分为数值型数据和字符型数据,所述数值型数据包括植被指数NVDI、降雨、温度、湿度、风速、水汽数据;所述字符型数据地表覆盖LC、地形地貌DEM、风向数据;
14)、对数值型数据采用z-score标准化方式进行数据处理;对字符型数据采用one-hot编码方式进行数据处理;
15)、将历史山火点数据进行山火点风险标记,所述标记规则为:未来n天中发生山火则该点的目标变量标记为1,否则为0;目标变量标记为1的历史山火点数据集为山火样本集,目标变量标记为0的历史山火点数据集为非山火样本集;
16)、将15)步骤得到的山火样本集和非山火样本集采用如下算法进行处理:
A、输入:空间半径radius、训练集d、目标变量y、多数类抽样数量n、采样结果Sample_result;
B、对目标y中每个取值进行统计计数,记为 为yi的样本数;
C、确定多数类少数类对应的多数类和少数类的数据集分别记为和dmin,将dmin追加到Sample_result中;
D、依次对多数类中每一个类型进行欠抽样,算法流程为:
D-1)、获取和ymin所对应样本的全部空间点集合分别记为pma、pmin,并将样本点的WGS84坐标转换为UTM平面投影坐标系;
D-2)、计算pma与pmin点集合中两两之间的欧式距离,距离计算公式为:
D-3)、若dp1_p2>radius则p1保留到pma中,否则将p1从pma剔除,最终得到spma;
D-4)、从中选择空间点spma对应的样本数据
D-5)、在中采用有放回随机抽样方式,抽取n个样本追加到Sample_result中;
17)、构建神经网络模型,所述神经网络模型为贝叶斯神经网络结构,所述贝叶斯神经网络结构包括输入层、隐藏层、输出层,所述输入层的节点数与转换处理后的特征数一致;所述隐藏层对数据进行深度的处理和学习,隐藏层的参数包括隐藏层数n_levels∈[3,…,10],第i层的神经元数量为n_cellsi∈random(nmin,nmax),激活函数为act_fun∈[tanh,ReLU,…];所述输出层的输出节点数为2,输出层的激活函数采用sigmoid函数;
18)、采用概率建模对贝叶斯神经网络的神经元权重参数进行设置,所有神经元的初始权重参数采用高斯分布,即:wij~N(μ,σ2),其中μ=0,σ2=1;将14)步骤和16)步骤得到数据通过贝叶斯神经网络结构的输入层输入并以KL散度最小化为目标,采用变分推理(ADVI)算法实现神经元权重参数的推理及学习,得到神经元的最终权重参数分布;
2)、利用山火风险预测模型进行未来山火风险预测,具体预测过程如下所述:
21)、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地理遥感数据、气象数据、历史山火点数据;所述地理遥感数据包括植被指数NVDI、地表覆盖LC、地形地貌DEM、水汽数据;所述气象数据包括降雨、温度、湿度、风速、风向数据;
22)、采用时空数据融合技术分别对21)步骤采集的地理遥感数据、气象数据进行融合处理得到在时间、空间上分辨率均一样的融合数据;
23)、将经过22)步骤处理得到的地理遥感数据、气象数据按照数据类型分为数值型数据和字符型数据,所述数值型数据包括植被指数NVDI、降雨、温度、湿度、风速、水汽数据;所述字符型数据地表覆盖LC、地形地貌DEM、风向数据;
24)、对数值型数据采用z-score标准化方式进行数据处理;对字符型数据采用one-hot编码方式进行数据处理;
25)、对18)步骤得到的神经元的最终权重参数分布进行抽样,抽样得到一个神经元的权重参数,将该神经元权重参数代入山火风险预测模型中,并将24)步骤得到的数据输入确定了神经元权重参数的山火风险预测模型中得到山火发生风险值;
26)、重复步骤25)N次,得到N个山火发生风险值,进而获得山火发生概率分布的风险期望和方差。
2.如权利要求1所述的基于概率编程技术的山火风险预测方法,其特征在于:在12)步骤中,所述时空数据融合技术包括空间融合技术和时间融合技术,所述空间融合技术采用最近邻匹配的方式,所述时间融合技术采用时间紧邻匹配的方式。
3.如权利要求1所述的基于概率编程技术的山火风险预测方法,其特征在于:在22)步骤中,所述时空数据融合技术包括空间融合技术和时间融合技术,所述空间融合技术采用最近邻匹配的方式,所述时间融合技术采用时间紧邻匹配的方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910095753.8A CN109829583B (zh) | 2019-01-31 | 2019-01-31 | 基于概率编程技术的山火风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910095753.8A CN109829583B (zh) | 2019-01-31 | 2019-01-31 | 基于概率编程技术的山火风险预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829583A true CN109829583A (zh) | 2019-05-31 |
CN109829583B CN109829583B (zh) | 2022-10-11 |
Family
ID=66862900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910095753.8A Active CN109829583B (zh) | 2019-01-31 | 2019-01-31 | 基于概率编程技术的山火风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829583B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111898440A (zh) * | 2020-06-30 | 2020-11-06 | 成都思晗科技股份有限公司 | 一种基于三维卷积神经网络的山火检测方法 |
CN111931645A (zh) * | 2020-08-10 | 2020-11-13 | 成都思晗科技股份有限公司 | 一种基于遥感数据的实时山火风险监测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100318490A1 (en) * | 2009-06-10 | 2010-12-16 | Xerox Corporation | Split variational inference |
CN103761567A (zh) * | 2014-01-20 | 2014-04-30 | 哈尔滨工程大学 | 一种基于贝叶斯估计的小波神经网络权值初始化方法 |
CN106021666A (zh) * | 2016-05-10 | 2016-10-12 | 四川大学 | 一种架空输电线路的山火灾害预警方法 |
US20180150728A1 (en) * | 2016-11-28 | 2018-05-31 | D-Wave Systems Inc. | Machine learning systems and methods for training with noisy labels |
CN108229718A (zh) * | 2016-12-22 | 2018-06-29 | 上海谦问万答吧云计算科技有限公司 | 一种信息预测方法及装置 |
CN108267123A (zh) * | 2018-01-23 | 2018-07-10 | 深圳市唯特视科技有限公司 | 一种基于边界框和距离预测的双流车载行人车辆预测方法 |
US20180240031A1 (en) * | 2017-02-17 | 2018-08-23 | Twitter, Inc. | Active learning system |
CN109145175A (zh) * | 2018-09-03 | 2019-01-04 | 四川佳联众合企业管理咨询有限公司 | 基于stacking集成学习算法的时空数据预测方法 |
CN109214716A (zh) * | 2018-10-17 | 2019-01-15 | 四川佳联众合企业管理咨询有限公司 | 基于stacking算法的山火风险预测建模方法 |
WO2019018533A1 (en) * | 2017-07-18 | 2019-01-24 | Neubay Inc | NEURO-BAYESIAN ARCHITECTURE FOR THE IMPLEMENTATION OF GENERAL ARTIFICIAL INTELLIGENCE |
-
2019
- 2019-01-31 CN CN201910095753.8A patent/CN109829583B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100318490A1 (en) * | 2009-06-10 | 2010-12-16 | Xerox Corporation | Split variational inference |
CN103761567A (zh) * | 2014-01-20 | 2014-04-30 | 哈尔滨工程大学 | 一种基于贝叶斯估计的小波神经网络权值初始化方法 |
CN106021666A (zh) * | 2016-05-10 | 2016-10-12 | 四川大学 | 一种架空输电线路的山火灾害预警方法 |
US20180150728A1 (en) * | 2016-11-28 | 2018-05-31 | D-Wave Systems Inc. | Machine learning systems and methods for training with noisy labels |
CN108229718A (zh) * | 2016-12-22 | 2018-06-29 | 上海谦问万答吧云计算科技有限公司 | 一种信息预测方法及装置 |
US20180240031A1 (en) * | 2017-02-17 | 2018-08-23 | Twitter, Inc. | Active learning system |
WO2019018533A1 (en) * | 2017-07-18 | 2019-01-24 | Neubay Inc | NEURO-BAYESIAN ARCHITECTURE FOR THE IMPLEMENTATION OF GENERAL ARTIFICIAL INTELLIGENCE |
CN108267123A (zh) * | 2018-01-23 | 2018-07-10 | 深圳市唯特视科技有限公司 | 一种基于边界框和距离预测的双流车载行人车辆预测方法 |
CN109145175A (zh) * | 2018-09-03 | 2019-01-04 | 四川佳联众合企业管理咨询有限公司 | 基于stacking集成学习算法的时空数据预测方法 |
CN109214716A (zh) * | 2018-10-17 | 2019-01-15 | 四川佳联众合企业管理咨询有限公司 | 基于stacking算法的山火风险预测建模方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111898440A (zh) * | 2020-06-30 | 2020-11-06 | 成都思晗科技股份有限公司 | 一种基于三维卷积神经网络的山火检测方法 |
CN111898440B (zh) * | 2020-06-30 | 2023-12-01 | 成都思晗科技股份有限公司 | 一种基于三维卷积神经网络的山火检测方法 |
CN111931645A (zh) * | 2020-08-10 | 2020-11-13 | 成都思晗科技股份有限公司 | 一种基于遥感数据的实时山火风险监测方法 |
CN111931645B (zh) * | 2020-08-10 | 2023-05-23 | 成都思晗科技股份有限公司 | 一种基于遥感数据的实时山火风险监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109829583B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639787B (zh) | 一种基于图卷积网络的时空数据预测方法 | |
CN110458048A (zh) | 顾及城镇格局特征的人口分布时空演变与认知 | |
KR20190057013A (ko) | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 | |
Sun et al. | Analyzing urban ecosystem variation in the City of Dongguan: A stepwise cluster modeling approach | |
CN109829583A (zh) | 基于概率编程技术的山火风险预测方法 | |
CN109214716A (zh) | 基于stacking算法的山火风险预测建模方法 | |
Guirado et al. | Deep-learning convolutional neural networks for scattered shrub detection with google earth imagery | |
CN106709588A (zh) | 预测模型构建方法和设备以及实时预测方法和设备 | |
Valverde et al. | Neural network and fuzzy logic statistical downscaling of atmospheric circulation-type specific weather pattern for rainfall forecasting | |
CN113392931A (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
CN109447331A (zh) | 基于stacking算法的山火风险预测方法 | |
CN110490102A (zh) | 土地利用类型提取方法及装置 | |
CN104463207A (zh) | 知识自编码网络及其极化sar影像地物分类方法 | |
CN112967286B (zh) | 一种新增建设用地检测方法及装置 | |
Ramdani et al. | An artificial neural network approach to predict the future land use land cover of great Malang Region, Indonesia | |
Gürsoy et al. | Creation of wildfire susceptibility maps in the Mediterranean Region (Turkey) using convolutional neural networks and multilayer perceptron techniques | |
CN114386654A (zh) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 | |
Wang et al. | Deep learning in extracting tropical cyclone intensity and wind radius information from satellite infrared images—A review | |
Kumawat et al. | Time-Variant Satellite Vegetation Classification Enabled by Hybrid Metaheuristic-Based Adaptive Time-Weighted Dynamic Time Warping | |
Razavi-Termeh et al. | A new approach based on biology-inspired metaheuristic algorithms in combination with random forest to enhance the flood susceptibility mapping | |
Debouk et al. | Assessing post-fire regeneration in a Mediterranean mixed forest using LiDAR data and artificial neural networks | |
Kuchkorov et al. | Perspectives of deep learning based satellite imagery analysis and efficient training of the U-Net architecture for land-use classification | |
Kala et al. | Forecasting monthly rainfall using bio-inspired artificial algae deep learning network | |
Arif et al. | Image pattern recognition in spatial data using artificial neural network | |
CN107231668A (zh) | 基于灰度关联分析的森林火灾下传输机制模型 |
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 |