CN109871613B - 一种森林火灾判别模型获取方法及预测应用 - Google Patents
一种森林火灾判别模型获取方法及预测应用 Download PDFInfo
- Publication number
- CN109871613B CN109871613B CN201910122561.1A CN201910122561A CN109871613B CN 109871613 B CN109871613 B CN 109871613B CN 201910122561 A CN201910122561 A CN 201910122561A CN 109871613 B CN109871613 B CN 109871613B
- Authority
- CN
- China
- Prior art keywords
- data
- fire
- attribute
- grade
- data set
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000003066 decision tree Methods 0.000 claims abstract description 24
- 238000005192 partition Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 14
- 230000002354 daily effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
Abstract
本发明涉及一种森林火灾判别模型获取方法及预测应用,针对目标森林区域,引入预设各个离散属性,通过各离散属性数据的等级划分,结合历史火灾等级的划分,构建样本数据集,应用各离散属性分别对应其各数据等级下历史数据集合,实现对样本数据集的逐级划分,获得各级判断属性,由此构建获得目标森林区域所对应的火灾决策树判别模型;再基于此火灾决策树判别模型,通过目标森林区域对应各离散属性的实时数据检测,实现目标森林区域对应火灾等级的预测,有效提高了森林火灾等级预测的工作效率。
Description
技术领域
本发明涉及一种森林火灾判别模型获取方法及预测应用,属于森林火灾预测技术领域。
背景技术
森林火灾是一种突发性强,破坏性大,处置救助较为困难的自然灾害。林火不只烧毁成片的森林植被,伤害林内动物,引起空气污染,影响森林演替,破坏森林在小气候涵养水源上的作用,甚至导致生态环境失去平衡,同时也给人类的生存和生命财产造成了极大的威胁。据统计,2003~2016间我国森林火灾发生次数累计10万余次,过火面积254.37万hm2,损失折人民币超过21亿。
虽然林火产生的偶然性强,原因复杂多变,但是从林火火源类型来看,天然火源如雷击火等占比重极小,更多的是人为火源,其中以烧荒烧碳、野外吸烟和上坟烧纸为主。目前我国林火监测措施主要是地面巡护,近地面监测,航空监测和卫星监测。由于地面巡护和近地面监测耗费大量人力物力,且不能避免疏漏,也不能保证人员的安全;航空监测不能长时间工作,不能预测林火发生,只能用于扑救时监测燃烧趋势;卫星监测的监测时间同样受限,而且受云层的影响较大数据精确度不高,所以目前林火预测预警仍然面临着很大的挑战。
随着机器学习和大数据技术不断发展,应用的领域越来越广。大数据技术将数据提升到战略高度重视的同时,也为森林防火行业低成本优化策略提供更好地解决方案,国家林业局在2015年发布《中国智慧林业发展指导意见》。鉴于传统林火监测措施存在很多不足,新技术也在快速发展。
林火预测预警的研究已经有近百年的历史,美国的森林火灾扑救指挥系统,兼备指挥、行动、计划、后勤及行政管控五项功能;加拿大林火危险等级系统是世界上被广泛应用的火险系统之一。在国内,除了最原始的地面巡护和瞭望塔监测,红外线技术借助于红外热成像原理和无线传输技术最先开始用于森林火灾的报警中,遥感技术和地理信息系统、无人机等也陆续开始用在林火监测中,随着物联网技术的不断发展,物联网技术也逐渐被用于林火的预测预警。
大数据技术,是指从各种各样类型的数据中,快速获得有价值信息的能力。机器学习是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。随着技术不断发展,应用领域不断扩大,大数据和机器学习技术逐渐出现在林火预测预警方面。现有的基于大数据的森林防火管理系统具有空间分析、预警监测、护林员管理、扑火指挥、火情损失估算、图形工具等功能,该系统能够多维度分析处理采集到的大量信息数据,并对火情的损失进行估算。
发明内容
本发明所要解决的技术问题是提供一种森林火灾判别模型获取方法,以各个离散属性对目标森林区域的划分,设计全新逻辑构建架构,准确获得高效率火灾等级判断模型,提高火灾预测的工作效率。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种森林火灾判别模型获取方法,基于预设各个离散属性,实现目标森林区域所对应火灾决策树判别模型的获取,包括如下步骤:
步骤A.基于目标森林区域的历史环境数据,由目标森林区域所对应预设各指定火灾等级、以及指定火灾等级下各离散属性的数据,分别构成各条历史火灾等级数据,再由各条历史火灾等级数构成样本数据集,然后进入步骤B;
步骤B.针对样本数据集中各离散属性的数据,按预设规则进行等级划分,将各离散属性的数据转化为相应数据等级,更新样本数据集,然后进入步骤C;
步骤C.以各离散属性分别所对应的各数据等级,针对样本数据集进行逐级划分,结合各级判断属性,构建获得目标森林区域所对应火灾决策树判别模型。
作为本发明的一种优选技术方案,所述步骤C包含如下步骤:
步骤C1.针对各离散属性进行任意排序,并初始化n=1,m=1,以及初始化样本数据集为当前数据集,然后进入步骤C2;
步骤C2.分别针对第n个离散属性Dn所对应的各个数据等级基于当前数据集,将数据等级/>下的各条历史火灾等级数据,构成当前数据集中第n个离散属性Dn对应该数据等级/>的数据集合/>然后进入步骤C3;其中,/> 表示第n个离散属性Dn所对应数据等级的数量;
获得当前数据集中第n个离散属性Dn分别对应各数据等级的数据集合/>的纯度/>然后进入步骤C4,其中,/>表示当前数据集中、第n个离散属性Dn对应数据等级/>的数据集合/>中所对应不同指定火灾等级的种类数目;/>表示当前数据集中第n个离散属性Dn对应数据等级/>的数据集合/>中、第/>种指定火灾等级所对应历史火灾等级数据条数与该数据集合/>中历史火灾等级数据总条数的比例;
步骤C4.按如下公式:
获得当前数据集中第n个离散属性Dn的基尼指数Gini_index(Dn),然后进入步骤C5;其中,表示当前数据集中、第n个离散属性Dn对应数据等级/>的数据集合/>中历史火灾等级数据的条数,|D|表示当前数据集中历史火灾等级数据的条数;
步骤C5.判断n是否等于预设离散属性的个数,是则进入步骤C6,否则针对n的值进行加1更新,并返回步骤C2;
步骤C6.针对当前数据集中各个离散属性的基尼指数,获取最小基尼指数所对应的离散属性,作为当前数据集所对应最优划分属性,然后进入步骤C7;
步骤C7.将当前数据集所对应的最优划分属性作为第m级判断属性,并根据第m级判断属性的各个数据等级,针对当前数据集进行划分,获得第m级判断属性的各个数据等级、分别所对应历史火灾等级数据的集合,作为各个第m级划分集合,并删除其中的空集,然后进入步骤C8;
步骤C8.判断各个第m级划分集合中,是否存在仅包含1种火灾等级的集合,是则以该火灾等级,定义该集合所对应的火灾等级,然后进入步骤C9;否则直接进入步骤C10;
步骤C9.判断各个第m级划分集合中,是否存在包含大于1种火灾等级的集合,是则进入步骤C10;否则进入步骤C11;
步骤C10.针对m的值进行加1更新,以及将n的值置为1,同时针对各个第m级划分集合中、各个包含大于1种火灾等级的集合,分别将该各个集合作为当前数据集,并基于该各个当前数据集,分别返回步骤C2;
步骤C11.以各集合所分别所对应的火灾等级作为叶子节点,结合各级判断属性,自上至下,构建获得目标森林区域所对应火灾决策树判别模型。
作为本发明的一种优选技术方案:所述步骤C6中,针对当前数据集中各个离散属性的基尼指数,判断最小基尼指数的个数是否等于1,是则直接获取最小基尼指数所对应的离散属性,作为当前数据集所对应最优划分属性,然后进入步骤C7;否则针对各个最小基尼指数,随机选取一个最小基尼指数所对应的离散属性,作为当前数据集所对应最优划分属性,然后进入步骤C7。
与上述相对应,本发明所要解决的技术问题是提供一种基于森林火灾判别模型的预测应用,基于目标森林区域对应各离散属性数据的获取,能够高效准确实现目标森林区域的火灾等级判断。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于森林火灾判别模型的预测应用,包括如下步骤:
步骤Ⅰ.实时获取目标森林区域所对应各个离散属性的数据,然后进入步骤Ⅱ;
步骤Ⅱ.针对目标森林区域所对应各个离散属性的数据,按预设规则进行等级划分,将各离散属性的数据转化为相应数据等级,然后进入步骤Ⅲ;
步骤Ⅲ.根据目标森林区域所对应各个离散属性的数据等级,应用目标森林区域所对应火灾决策树判别模型进行判断,实现目标森林区域对应火灾等级的预测。
本发明所述一种森林火灾判别模型获取方法及预测应用采用以上技术方案与现有技术相比,具有以下技术效果:
本发明所设计森林火灾判别模型获取方法及预测应用,针对目标森林区域,引入预设各个离散属性,通过各离散属性数据的等级划分,结合历史火灾等级的划分,构建样本数据集,应用各离散属性分别对应其各数据等级下历史数据集合,实现对样本数据集的逐级划分,获得各级判断属性,由此构建获得目标森林区域所对应的火灾决策树判别模型;再基于此火灾决策树判别模型,通过目标森林区域对应各离散属性的实时数据检测,实现目标森林区域对应火灾等级的预测,有效提高了森林火灾等级预测的工作效率。
附图说明
图1是本发明实际应用中实施例中目标森铃区域所对应的第一级划分示意图;
图2是本发明实际应用中实施例中目标森铃区域所对应的的火灾决策树判别模型;
图3-1至图3-6是实施例中各离散属性之间的决策树分类散点图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种森林火灾判别模型获取方法,基于预设各个离散属性,实现目标森林区域所对应火灾决策树判别模型的获取,实际应用当中,具体包括如下步骤。
步骤A.基于目标森林区域的历史环境数据,由目标森林区域所对应预设各指定火灾等级、以及指定火灾等级下各离散属性的数据,分别构成各条历史火灾等级数据,再由各条历史火灾等级数构成样本数据集,然后进入步骤B。
实际应用当中,构成样本数据集如下表1所示。
编号 | 温度 | 相对湿度 | 风速 | 日降水量 | 火险等级 |
1 | 0.5 | 55 | 3.96 | 0 | 1 |
2 | 8.5 | 82 | 22.32 | 5.20 | 1 |
3 | 20 | 69 | 11.16 | 0 | 1 |
4 | 26.5 | 78 | 3.96 | 4.79 | 1 |
5 | 0 | 58 | 22.32 | 0 | 2 |
6 | 13 | 79 | 20.16 | 0 | 2 |
7 | 23.5 | 83 | 23.04 | 1.40 | 2 |
8 | 32 | 75 | 18.72 | 0 | 2 |
9 | 28 | 57 | 20.52 | 0 | 3 |
10 | 29 | 55 | 22.32 | 0 | 3 |
11 | 35 | 20 | 32 | 0 | 3 |
12 | 28.1 | 45 | 17 | 0 | 3 |
表1
其中,火线等级中1表示低等级火险,2表示中等级火险,3表示高等级火险。
步骤B.针对样本数据集中各离散属性的数据,按预设规则进行等级划分,将各离散属性的数据转化为相应数据等级,更新样本数据集,然后进入步骤C。
上述步骤B在实际应用中,基于上表1,针对温度离散属性,假定气温低于8°为低温,高于25°为高温,其余为中温;针对相对湿度离散属性,相对湿度低于20为干燥,高于70为潮湿,其余为适中;针对风速离散属性,风速低于10为微风,高于20为大风,其余为强风;针对日降雨量离散属性,日降水量小于10mm为小雨,大于25mm为大雨,其余为中雨,据此上述表1转换为如下表2所示。
表2
步骤C.以各离散属性分别所对应的各数据等级,针对样本数据集进行逐级划分,结合各级判断属性,构建获得目标森林区域所对应火灾决策树判别模型。
实际应用中,上述步骤C具体执行如下步骤。
步骤C1.针对各离散属性进行任意排序,并初始化n=1,m=1,以及初始化样本数据集为当前数据集,然后进入步骤C2。
步骤C2.分别针对第n个离散属性Dn所对应的各个数据等级基于当前数据集,将数据等级/>下的各条历史火灾等级数据,构成当前数据集中第n个离散属性Dn对应该数据等级/>的数据集合/>然后进入步骤C3;其中,/> 表示第n个离散属性Dn所对应数据等级的数量。
获得当前数据集中第n个离散属性Dn分别对应各数据等级的数据集合/>的纯度/>然后进入步骤C4,其中,/>表示当前数据集中、第n个离散属性Dn对应数据等级/>的数据集合/>中所对应不同指定火灾等级的种类数目;/>表示当前数据集中第n个离散属性Dn对应数据等级/>的数据集合/>中、第/>种指定火灾等级所对应历史火灾等级数据条数与该数据集合/>中历史火灾等级数据总条数的比例。
步骤C4.按如下公式:
获得当前数据集中第n个离散属性Dn的基尼指数Gini_index(Dn),然后进入步骤C5;其中,表示当前数据集中、第n个离散属性Dn对应数据等级/>的数据集合/>中历史火灾等级数据的条数,|D|表示当前数据集中历史火灾等级数据的条数。
步骤C5.判断n是否等于预设离散属性的个数,是则进入步骤C6,否则针对n的值进行加1更新,并返回步骤C2。
上述步骤C2到步骤C5的实际执行过程中,以样本数据集为基础,基于上述表2所示,对温度离散属性进行执行,即温度离散属性存在“低温”、“中温”、“高温”三个数据等级,据此,样本数据集中温度离散属性对应的三个数据集合,即{温度=低温}、{温度=中温}、{温度=高温},其中,根据集合纯度公式,获得该各个集合的纯度均为0.5,并进一步计算获得样本数据集中温度离散属性的基尼指数等于0.5。
步骤C6.针对当前数据集中各个离散属性的基尼指数,判断最小基尼指数的个数是否等于1,是则直接获取最小基尼指数所对应的离散属性,作为当前数据集所对应最优划分属性,然后进入步骤C7;否则针对各个最小基尼指数,随机选取一个最小基尼指数所对应的离散属性,作为当前数据集所对应最优划分属性,然后进入步骤C7。
基于表2所示,进而实际应用中,可以可以计算获得样本数据集中相对湿度离散属性的基尼指数等于0.306;样本数据集中风速离散属性的基尼指数等于0.440;样本数据集中日降水量离散属性的基尼指数等于0.593。则步骤C6在基于样本数据集作为当前数据集的执行过程中,选择相对湿度作为样本数据集所对应最优划分属性。
步骤C7.将当前数据集所对应的最优划分属性作为第m级判断属性,并根据第m级判断属性的各个数据等级,针对当前数据集进行划分,获得第m级判断属性的各个数据等级、分别所对应历史火灾等级数据的集合,作为各个第m级划分集合,并删除其中的空集,然后进入步骤C8。
上述步骤C7基于表2所示,实际应用中,即如图1所示,针对样本数据集完成第1级的判断划分。
步骤C8.判断各个第m级划分集合中,是否存在仅包含1种火灾等级的集合,是则以该火灾等级,定义该集合所对应的火灾等级,然后进入步骤C9;否则直接进入步骤C10。
步骤C9.判断各个第m级划分集合中,是否存在包含大于1种火灾等级的集合,是则进入步骤C10;否则进入步骤C11。
步骤C10.针对m的值进行加1更新,以及将n的值置为1,同时针对各个第m级划分集合中、各个包含大于1种火灾等级的集合,分别将该各个集合作为当前数据集,并基于该各个当前数据集,分别返回步骤C2。
步骤C11.以各集合所分别所对应的火灾等级作为叶子节点,结合各级判断属性,自上至下,构建获得目标森林区域所对应火灾决策树判别模型。
实际应用中,基于表2所示,则获得如图2所示的目标森林区域所对应火灾决策树判别模型。
基于上述所设计获得的目标森林区域所对应火灾决策树判别模型,即可实现对目标森林区域的火灾等级预测,实际应用中包括如下步骤:
步骤Ⅰ.实时获取目标森林区域所对应各个离散属性的数据,然后进入步骤Ⅱ。
实际应用当中,对于目标森林区域所对应各个离散属性数据的传输,设计以传感器采集数据为基础,采用LoRa技术进行数据传输,LoRa是一种基于扩频技术的远距离无线传输技术,具有远距离、低功耗、多节点、低成本的特性。在空旷环境下LoRa通信距离可达15km,采用自适应数据速率策略,使其接收电流低达10mA,休眠电流小于200nA,从而使电池寿命有效延长。
步骤Ⅱ.针对目标森林区域所对应各个离散属性的数据,按预设规则进行等级划分,将各离散属性的数据转化为相应数据等级,然后进入步骤Ⅲ。
步骤Ⅲ.根据目标森林区域所对应各个离散属性的数据等级,应用目标森林区域所对应火灾决策树判别模型进行判断,实现目标森林区域对应火灾等级的预测
将上述所设计森林火灾判别模型获取方法及预测应用,应用于实际当中,以2015年南京的气象数据和FWI系统生成的火险等级为学习样本,用python实现决策树算法,最终生成的决策树分类散点图如图3-1至图3-6所示。
FWI系统的火险等级分为5级,但是2015年未出现“极度危险”等级。由图3-1至图3-6所示,我们可以看到,火险的影响因素较多,仅凭两个因素并不能准确的判断火险等级,总体来说,温度越高、风速越大、日降水量和相对湿度越低,火险等级越高,这与我们的认识是一致的。我们利用学习的结果来预测测试数据,结果如表3所示。
表3
表3系统预测结果表
与FWI系统的预测结果相比较准确率为93.75%,这说明我们的系统是有效且实用的;
系统在实际的使用过程中,1表示低等级火险,2表示中等级火险,3表示高等级火险,4表示较高等级火险,5表示极其危险和发生火灾,这样我们可以每天对学习数据进行添加和修正,提高系统预测结果的准确度。
如此基于本发明设计方法,即可获得目标森林区域所对应火灾决策树判别模型,用于对目标森林区域的实际火灾等级预测。
上述技术方案所设计森林火灾判别模型获取方法及预测应用,针对目标森林区域,引入预设各个离散属性,通过各离散属性数据的等级划分,结合历史火灾等级的划分,构建样本数据集,应用各离散属性分别对应其各数据等级下历史数据集合,实现对样本数据集的逐级划分,获得各级判断属性,由此构建获得目标森林区域所对应的火灾决策树判别模型;再基于此火灾决策树判别模型,通过目标森林区域对应各离散属性的实时数据检测,实现目标森林区域对应火灾等级的预测,有效提高了森林火灾等级预测的工作效率。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (3)
1.一种森林火灾判别模型获取方法,基于预设各个离散属性,实现目标森林区域所对应火灾决策树判别模型的获取,其特征在于,包括如下步骤:
步骤A.基于目标森林区域的历史环境数据,由目标森林区域所对应预设各指定火灾等级、以及指定火灾等级下各离散属性的数据,分别构成各条历史火灾等级数据,再由各条历史火灾等级数构成样本数据集,然后进入步骤B;
步骤B.针对样本数据集中各离散属性的数据,按预设规则进行等级划分,将各离散属性的数据转化为相应数据等级,更新样本数据集,然后进入步骤C;
步骤C.以各离散属性分别所对应的各数据等级,针对样本数据集进行逐级划分,结合各级判断属性,构建获得目标森林区域所对应火灾决策树判别模型;
上述步骤C包含如下步骤:
步骤C1.针对各离散属性进行任意排序,并初始化n=1,m=1,以及初始化样本数据集为当前数据集,然后进入步骤C2;
步骤C2.分别针对第n个离散属性Dn所对应的各个数据等级基于当前数据集,将数据等级/>下的各条历史火灾等级数据,构成当前数据集中第n个离散属性Dn对应该数据等级/>的数据集合/>然后进入步骤C3;其中,/> 表示第n个离散属性Dn所对应数据等级的数量;
获得当前数据集中第n个离散属性Dn分别对应各数据等级的数据集合/>的纯度然后进入步骤C4,其中,/>表示当前数据集中、第n个离散属性Dn对应数据等级/>的数据集合/>中所对应不同指定火灾等级的种类数目;/>表示当前数据集中第n个离散属性Dn对应数据等级/>的数据集合/>中、第/>种指定火灾等级所对应历史火灾等级数据条数与该数据集合/>中历史火灾等级数据总条数的比例;
步骤C4.按如下公式:
获得当前数据集中第n个离散属性Dn的基尼指数Gini_index(Dn),然后进入步骤C5;其中,表示当前数据集中、第n个离散属性Dn对应数据等级/>的数据集合/>中历史火灾等级数据的条数,D表示当前数据集中历史火灾等级数据的条数;/>
步骤C5.判断n是否等于预设离散属性的个数,是则进入步骤C6,否则针对n的值进行加1更新,并返回步骤C2;
步骤C6.针对当前数据集中各个离散属性的基尼指数,获取最小基尼指数所对应的离散属性,作为当前数据集所对应最优划分属性,然后进入步骤C7;
步骤C7.将当前数据集所对应的最优划分属性作为第m级判断属性,并根据第m级判断属性的各个数据等级,针对当前数据集进行划分,获得第m级判断属性的各个数据等级、分别所对应历史火灾等级数据的集合,作为各个第m级划分集合,并删除其中的空集,然后进入步骤C8;
步骤C8.判断各个第m级划分集合中,是否存在仅包含1种火灾等级的集合,是则以该火灾等级,定义该集合所对应的火灾等级,然后进入步骤C9;否则直接进入步骤C10;
步骤C9.判断各个第m级划分集合中,是否存在包含大于1种火灾等级的集合,是则进入步骤C10;否则进入步骤C11;
步骤C10.针对m的值进行加1更新,以及将n的值置为1,同时针对各个第m级划分集合中、各个包含大于1种火灾等级的集合,分别将该各个集合作为当前数据集,并基于该各个当前数据集,分别返回步骤C2;
步骤C11.以各集合所分别所对应的火灾等级作为叶子节点,结合各级判断属性,自上至下,构建获得目标森林区域所对应火灾决策树判别模型。
2.根据权利要求1所述一种森林火灾判别模型获取方法,其特征在于:所述步骤C6中,针对当前数据集中各个离散属性的基尼指数,判断最小基尼指数的个数是否等于1,是则直接获取最小基尼指数所对应的离散属性,作为当前数据集所对应最优划分属性,然后进入步骤C7;否则针对各个最小基尼指数,随机选取一个最小基尼指数所对应的离散属性,作为当前数据集所对应最优划分属性,然后进入步骤C7。
3.一种基于权利要求1或2中任意一项所述一种森林火灾判别模型获取方法的预测应用,其特征在于,包括如下步骤:
步骤Ⅰ.实时获取目标森林区域所对应各个离散属性的数据,然后进入步骤Ⅱ;
步骤Ⅱ.针对目标森林区域所对应各个离散属性的数据,按预设规则进行等级划分,将各离散属性的数据转化为相应数据等级,然后进入步骤Ⅲ;
步骤Ⅲ.根据目标森林区域所对应各个离散属性的数据等级,应用目标森林区域所对应火灾决策树判别模型进行判断,实现目标森林区域对应火灾等级的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910122561.1A CN109871613B (zh) | 2019-02-18 | 2019-02-18 | 一种森林火灾判别模型获取方法及预测应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910122561.1A CN109871613B (zh) | 2019-02-18 | 2019-02-18 | 一种森林火灾判别模型获取方法及预测应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871613A CN109871613A (zh) | 2019-06-11 |
CN109871613B true CN109871613B (zh) | 2023-05-19 |
Family
ID=66918808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910122561.1A Active CN109871613B (zh) | 2019-02-18 | 2019-02-18 | 一种森林火灾判别模型获取方法及预测应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871613B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI739674B (zh) * | 2020-11-24 | 2021-09-11 | 國立清華大學 | 野火擴散範圍機率之預測方法及其系統 |
CN112464819B (zh) * | 2020-11-27 | 2024-01-12 | 清华大学 | 基于无人机视频的林火蔓延数据同化方法以及装置 |
CN112712662A (zh) * | 2020-12-21 | 2021-04-27 | 武汉天宫北斗科技有限公司 | 一种遥感环境灾难监测警示系统 |
CN113033391B (zh) * | 2021-03-24 | 2022-03-08 | 浙江中辰城市应急服务管理有限公司 | 一种火灾风险预警研判方法及系统 |
CN113095282B (zh) * | 2021-04-29 | 2022-05-17 | 中山大学 | 一种海岛分区火势等级划分方法、装置、设备及介质 |
CN113408945B (zh) * | 2021-07-15 | 2023-03-24 | 广西中烟工业有限责任公司 | 一种烤烟纯度的检测方法、装置、电子设备及存储介质 |
CN114140966B (zh) * | 2022-01-12 | 2023-08-25 | 南京林业大学 | 一种基于图像数据的森林防火监控系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065045A (zh) * | 2012-12-21 | 2013-04-24 | 浙江农林大学 | 耦合气象与植被的森林火险预报方法 |
CN108376310A (zh) * | 2018-02-06 | 2018-08-07 | 深圳前海大观信息技术有限公司 | 建筑物火灾风险等级评估方法 |
-
2019
- 2019-02-18 CN CN201910122561.1A patent/CN109871613B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065045A (zh) * | 2012-12-21 | 2013-04-24 | 浙江农林大学 | 耦合气象与植被的森林火险预报方法 |
CN108376310A (zh) * | 2018-02-06 | 2018-08-07 | 深圳前海大观信息技术有限公司 | 建筑物火灾风险等级评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109871613A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871613B (zh) | 一种森林火灾判别模型获取方法及预测应用 | |
Pinheiro et al. | Forest degradation associated with logging frontier expansion in the Amazon: the BR-163 region in Southwestern Pará, Brazil | |
Akay et al. | A GIS-based decision support system for determining the shortest and safest route to forest fires: a case study in Mediterranean Region of Turkey | |
WO2017032210A1 (zh) | 一种基于聚类分析的输电线路山火风险区域划分方法 | |
Xiaofeng et al. | Habitat evaluation of wild Amur tiger (Panthera tigris altaica) and conservation priority setting in north-eastern China | |
Coffield et al. | Machine learning to predict final fire size at the time of ignition | |
Gai et al. | GIS-based forest fire risk assessment and mapping | |
CN105404944A (zh) | 一种面向电力系统重过载预警的大数据分析方法 | |
Vogeler et al. | Mapping post-fire habitat characteristics through the fusion of remote sensing tools | |
Wang et al. | An evaluation of spatial and temporal patterns of lightning-and human-caused forest fires in Alberta, Canada, 1980–2007 | |
CN104123682A (zh) | 一种基于气象影响因素的配网故障风险评估方法 | |
CN111076096B (zh) | 燃气管网泄漏识别方法和装置 | |
Stevens et al. | Multi‐scale assessment of greater sage‐grouse fence collision as a function of site and broad scale factors | |
Castillo-Núñez et al. | Delineation of secondary succession mechanisms for tropical dry forests using LiDAR | |
CN115374714B (zh) | 一种基于生境适宜性的生态安全格局构建方法 | |
Jesse et al. | Landscape characteristics related to use of artificial roosts by northern long-eared bats in north-central West Virginia | |
CN112668885A (zh) | 背负式激光雷达设备的单木树障隐患评估处理方法 | |
HEO et al. | Predicting crime risky area using machine learning | |
CN102622345B (zh) | 多源时空数据协同的高精度土地利用遥感更新技术 | |
CN114548812A (zh) | 一种森林草原火灾风险预报决策方法、装置及计算机设备 | |
Zazzaro et al. | Data Mining for Forecasting Fog Events and Comparing Geographical Sites | |
Agarwal et al. | Analysis of urban area extracted from NDBI and classification approach by using satellite data | |
Purwaningsih et al. | The identification of hornbill habitat suitability in Batang Gadis National Park: geospatial predictive modeling | |
Wu | A Method of Big Data Extraction from the Disaster Reports by Interactive Network TV in Harsh Environment. | |
Ding et al. | Forest Fire Prediction and Early Warning Assisted by Intelligent Systems |
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 |