CN111460733A - 一种基于深度学习的山火预警方法 - Google Patents

一种基于深度学习的山火预警方法 Download PDF

Info

Publication number
CN111460733A
CN111460733A CN202010250930.8A CN202010250930A CN111460733A CN 111460733 A CN111460733 A CN 111460733A CN 202010250930 A CN202010250930 A CN 202010250930A CN 111460733 A CN111460733 A CN 111460733A
Authority
CN
China
Prior art keywords
data
neural network
mountain fire
time
network model
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
CN202010250930.8A
Other languages
English (en)
Other versions
CN111460733B (zh
Inventor
陶宇
刘宇霄
张莉
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
Chengdu Cap Data Service 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 Chengdu Cap Data Service Co ltd filed Critical Chengdu Cap Data Service Co ltd
Priority to CN202010250930.8A priority Critical patent/CN111460733B/zh
Publication of CN111460733A publication Critical patent/CN111460733A/zh
Application granted granted Critical
Publication of CN111460733B publication Critical patent/CN111460733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明属于深度学习技术领域，具体涉及一种基于深度学习的山火预警方法。本发明的方法主要包括：收集观测区域的气象数据、卫星数据和人类活动数据作为样本数据；将观测区域根据经纬度划分为多个大小相同的方格，每个格子里面的数值表示在设定时间间隔内获取的时空特征的均值；对样本数据进行数据增强处理；构建神经网络模型，采用卷积神经网络和循环神经网络构建神经网络模型；采用步骤S3数据增强后的样本数据对神经网络模型进行训练，获得训练好的神经网络模型；将获取的数据输入训练好的神经网络模型，即可获得山火预警结果。本发明的有益效果为，得到了端到端的山火预测模型，有效的避免了大量的人工特征提取及特征筛选工作。

Description

一种基于深度学习的山火预警方法
技术领域
本发明属于深度学习技术领域，具体涉及一种基于深度学习的山火预警方法。
背景技术
目前，基于山火的研究主要在物理模型上，基于山火形成的机理通过热力学和流体力学的物理方程来实现山火现象的判断。但是山火发生的机理非常复杂，造成山火的因素众多，很难通过一个方程进行描述，因此这种方式存在很多问题，如准确率的情况，物理方程的复杂性和假设性在应用时存在很多问题，物理模型的各种系数难以确定，物理模型无法对未来时间发生山火进行判断等等。因此，在应用上需要更好方式或模型来实现山火现象的预判。通过传感数据，微气象数据，遥感数据等对未来一段时间是否发生山火进行预测，对未来山火的趋势进行分析，通过深度学习方法建立山火预测模型，实现对山火的预测。这种方式能有效利用历史的累积数据，加入较多的影响因素，对山火的复杂机理进行拟合，较精确的实现山火的预测。
发明内容
本发明所要解决的，就是针对上述问题，采用深度学习技术来有效的简化预处理，实现端到端的预警。
为实现上述目的，本发明采用如下技术方案：
一种基于深度学习的山火预警方法，其特征在于，包括以下步骤：
S1、收集观测区域的气象数据、卫星数据和人类活动数据作为样本数据；
S2、将观测区域根据经纬度划分为多个大小相同的方格，每个格子里面的数值表示在设定时间间隔内获取的时空特征的均值；
S3、对样本数据进行数据增强处理；
S4、构建神经网络模型，采用卷积神经网络和循环神经网络构建神经网络模型；
S5、采用步骤S3数据增强后的样本数据对神经网络模型进行训练，获得训练好的神经网络模型；
S6、将获取的数据输入训练好的神经网络模型，即可获得山火预警结果。
具体的，所述步骤S1的具体方法为：
S11、收集待观测区域的天气和卫星数据，对待观测区域的人类活动进行热编码；
S12、对收集的数据根据其自身的物理意义进行异常值处理、缺失值处理和归一化处理；
S13、对不同数据源的数据通过时间和经纬度进行关联，在关联过程中时间更新粒度不同的采用时间域近邻匹配。
具体的，所述步骤S2的具体方法为：
S21、根据待观测区域的经纬度选择空间粒度，对观测区域进行划分；
S22、根据划分的区间对各时刻的特征进行均值计算求出每时刻的栅格化数据矩阵。
具体的，所述步骤S3的具体方法为：S1收集的样本数据，包括山火与非山火两种类别，通过山火历史记录进行标识后，山火的样本数据量远远小于非山火的样本数据量，对非山火的样本数据进行下采样，对山火的样本数据进行上采样。
具体的，所述步骤S4的具体方法为，根据步骤S2获得的栅格化数据矩阵，：
S41、对观测区域，选择任意一点为观测点，根据该点在任意时刻的取值，，选取相邻空间同一时刻的栅格数据矩阵，作为卷积神经网络的输入，提取其空间低维嵌入向量；
S42、对观测区域，选择任意一点为观测点，根据该点在任意时刻的取值，，选取该时刻前几个时间点同一位置的值，作为卷积神经网络的输入，提取其时间低维嵌入向量。
具体的，所述步骤S5的具体方法为：
S51、将步骤S3数据增强后的样本数据输入构建的神经网络，根据步骤S4的方法获得每种特征在每个观测点的任意时刻的空间低维嵌入向量和时间低维嵌，分别对每种特征的空间低维嵌入向量和时间低维嵌入向量拼接得到该特征的拼接特征向量；
S52、选择任一观测点在任一时刻获得的所有特征拼接特征向量，将该时刻所有的特征的拼接特征向量进行低阶特征提取得到低阶特征向量；同时将该时刻所有的特征的拼接特征向量进行高阶特征提取得到高阶特征向量；
S54、对低阶特征向量和高阶特征向量进行拼接得到该观测点在该时刻的特征向量；
S55、将特征向量输入到sigmod函数，采用交叉熵损失函数进行学习，遍历所有观测点后，获得训练好的神经网络模型。
本发明的有益效果为：采用深度学习技术从空间和时间两个纬度对特征进行提取，并且对提取的特征进一步的考虑其低阶和高阶的组合特征，得到了端到端的山火预测模型，有效的避免了大量的人工特征提取及特征筛选工作。
附图说明
图1为特征的栅格化数据示意图。
具体实施方式
下面结合附图对本发明进行进一步说明。
一种基于深度学习的山火预警方法，包括以下步骤：
S1、收集观测区域的气象数据、卫星数据和人类活动数据作为样本数据；
气象数据有温度、湿度、大气压、风速、风向等指标；卫星数据有EVI(增强型植被指数)、LAI(叶面积指数)、LST(陆地表面温度)、NVDI(归一化植被指数)、REFL(地表反射率)、LC(地表覆盖)等指标；人类活动数据有春耕秋收、祭祀活动等指标。由于气象数据和卫星数据均为蕴含实际物理含义的指标数据，都存在相应的合理范围，所以对超出其指标合理区间的数据需进行剔除、或者使用合理的值替换，来保证数据的有效性。为避免指标间量纲的影响需要对数据进行归一化处理，其中归一化的方式为最大最小值归一化，公式如下：
Figure BDA0002435461760000031
气象、卫星为购买的数据，人类活动数据通过对观测区域周边的习俗了解，根据日期进行热编码标识。
气象、卫星和人类活动多个数据源的数据通过时间和经纬度关联起来，在关联中存在一个问题卫星数据更新的粒度和气象数据以及人类活动数据不统一，气象数据和人类活动数据都采用了天粒度的数据，而卫星数据中有的指标8点或者16天更新一次，而有的指标一天更新一次，对于更新时间粒度超天粒度的数据，采用空间近邻匹配填充的方式来填充特征。本方法实施中采用了Approximate Nearest Neighbor方法进行填充。
S2、将观测区域根据经纬度划分为多个大小相同的方格，每个格子里面的数值表示在某个时间间隔内某个时空特征的均值；
整个观测区域为的经度范围为(x1,x2)，纬度范围为(y1,y2),因为本实施例中观测区域经纬度跨度不是很大，所以无妨将其经纬度所圈出的区域认为是一个矩形，选取合适的值，对经纬度进行等分。
如图1所示，某特征的栅格数据表示为
Figure BDA0002435461760000041
其中x11为对应的栅格区域内所有点的该特征的平均值。
S3、对样本数据进行数据增强处理；
由于收集的山火历史数据中，山火类别和非山火类别数据比例极其悬殊，为了避免样本类别不均衡对模型的准确率造成重大的影响，所以采用对类别较多的非山火类样本数据下采样(如随机抽样等常规下采样手段)，对类别极少的山火类样本数据上采样(如复制等常规上采样手段)。
S4、构建神经网络模型，采用卷积神经网络和循环神经网络构建神经网络模型；
空间低维嵌入：
将每一个时刻的栅格数据矩阵可以看做类图片数据，采用常规卷积神经网络(conv+pooling)的方式来提取空间信息特征,最后将结果展平作为空间的低维嵌入向量特征；以t1为例，观测点22的某各单个为例，考察周围的数据，以取一个邻近空间栅格点为例，其输入栅格数据矩阵如下：
Figure BDA0002435461760000042
将其该点空间低维嵌入特征提取的输入。经过conv+pooling后再展平，则22点t1时刻下某特征的空间低维嵌入的向量结果为
Figure BDA0002435461760000043
时间低维嵌入：
对于某个特征的栅格数据矩阵中同一个位置点的数据，取多个时刻该位置点的数据组成序列，采用常规的循环神经网络的处理方式提取该点的时间信息特征，作为该点的时间低维嵌入向量特征。观察t4以11点位置的序列为例，其输入为：
Figure BDA0002435461760000051
经过循环神经网络提取时间特征后的得到的某特征在11点位置观察时刻t4的时间低维嵌入向量为：
Figure BDA0002435461760000052
低阶特征提取和高阶特征提取，以t4时刻22点某个单个特征为例，其数据输入为22栅格点t4时刻的某特征的空间低维嵌入向量和该特征的时间低维嵌入向量的拼接向量。具体如下：
Figure BDA0002435461760000053
获得其所有时空特征的拼接向量，对其进去低阶和高阶特征提取。其中低阶特征提取可根据数据情况采用常规的LR或者FM，高阶特征提取可采用DNN。低阶特征提取部分和高阶特征提取部分并行，最后将提取的特征拼接输入sigmod函数，从而完成模型的构建。
S5、采用步骤S3数据增强后的样本数据对神经网络模型进行训练，获得训练好的神经网络模型；
训练过程采用反向传播训练，由于预测的目标为发生山火/非山火，故而采用交叉熵损失函数；
S6、将获取的数据输入输入训练好的神经网络模型，即可获得山火预警结果。

Claims (6)

1.一种基于深度学习的山火预警方法，其特征在于，包括以下步骤：
S1、收集观测区域的气象数据、卫星数据和人类活动数据作为样本数据；
S2、将观测区域根据经纬度划分为多个大小相同的方格，每个格子里面的数值表示在设定时间间隔内获取的时空特征的均值；
S3、对样本数据进行数据增强处理；
S4、构建神经网络模型，采用卷积神经网络和循环神经网络构建神经网络模型；
S5、采用步骤S3数据增强后的样本数据对神经网络模型进行训练，获得训练好的神经网络模型；
S6、将获取的数据输入训练好的神经网络模型，即可获得山火预警结果。
2.根据权利1所述的基于深度学习的山火预警方法，其特征在于，所述步骤S1的具体方法为：
S11、收集待观测区域的天气和卫星数据，对待观测区域的人类活动进行热编码；
S12、对收集的数据根据其自身的物理意义进行异常值处理、缺失值处理和归一化处理；
S13、对不同数据源的数据通过时间和经纬度进行关联，在关联过程中时间更新粒度不同的采用时间域近邻匹配。
3.根据权利2所述的基于深度学习的山火预警方法，其特征在于，所述步骤S2的具体方法为：
S21、根据待观测区域的经纬度选择空间粒度，对观测区域进行划分；
S22、根据划分的区间对各时刻的特征进行均值计算求出每时刻的栅格化数据矩阵。
4.根据权利3所述的基于深度学习的山火预警方法，其特征在于，所述步骤S3的具体方法为：S1收集的样本数据，包括山火与非山火两种类别，通过山火历史记录进行标识后，山火的样本数据量远远小于非山火的样本数据量，对非山火的样本数据进行下采样，对山火的样本数据进行上采样。
5.根据权利4所述的基于深度学习的山火预警方法，其特征在于，所述步骤S4的具体方法为，根据步骤S2获得的栅格化数据矩阵，
S41、对观测区域，选择任意一点为观测点，根据该点在任意时刻的取值，选取相邻空间同一时刻的栅格数据矩阵，作为卷积神经网络的输入，提取其空间低维嵌入向量；
S42、对观测区域，选择任意一点为观测点，根据该点在任意时刻的取值，选取该时刻前几个时间点同一位置的值，作为卷积神经网络的输入，提取其时间低维嵌入向量。
6.根据权利5所述的基于深度学习的山火预警方法，其特征在于，所述步骤S5的具体方法为：
S51、将步骤S3数据增强后的样本数据输入构建的神经网络，根据步骤S4的方法获得每种特征在每个观测点的任意时刻的空间低维嵌入向量和时间低维嵌，分别对每种特征的空间低维嵌入向量和时间低维嵌入向量拼接得到该特征的拼接特征向量；
S52、选择任一观测点在任一时刻获得的所有特征拼接特征向量，将该时刻所有的特征的拼接特征向量进行低阶特征提取得到低阶特征向量；同时将该时刻所有的特征的拼接特征向量进行高阶特征提取得到高阶特征向量；
S54、对低阶特征向量和高阶特征向量进行拼接得到该观测点在该时刻的特征向量；
S55、将特征向量输入到sigmod函数，采用交叉熵损失函数进行学习，遍历所有观测点后，获得训练好的神经网络模型。
CN202010250930.8A 2020-04-01 2020-04-01 一种基于深度学习的山火预警方法 Active CN111460733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010250930.8A CN111460733B (zh) 2020-04-01 2020-04-01 一种基于深度学习的山火预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010250930.8A CN111460733B (zh) 2020-04-01 2020-04-01 一种基于深度学习的山火预警方法

Publications (2)

Publication Number Publication Date
CN111460733A true CN111460733A (zh) 2020-07-28
CN111460733B CN111460733B (zh) 2023-10-03

Family

ID=71681408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010250930.8A Active CN111460733B (zh) 2020-04-01 2020-04-01 一种基于深度学习的山火预警方法

Country Status (1)

Country Link
CN (1) CN111460733B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932479A (zh) * 2020-08-10 2020-11-13 中国科学院上海微系统与信息技术研究所 数据增强方法、系统以及终端
CN113362553A (zh) * 2021-06-08 2021-09-07 内蒙古工业大学 基于多源异构数据的草原火灾监测预警方法及装置
CN113553764A (zh) * 2021-07-13 2021-10-26 广东工业大学 一种基于深度学习网络的山火预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063908A (zh) * 2018-07-30 2018-12-21 浙江鸿程计算机系统有限公司 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法
CN109472396A (zh) * 2018-10-17 2019-03-15 四川佳联众合企业管理咨询有限公司 基于深度网络学习的山火预测方法
CN109509319A (zh) * 2018-12-29 2019-03-22 北京恒泰实达科技股份有限公司 基于静止卫星监测资料的输电线路山火监测预警方法
CN109508476A (zh) * 2018-10-17 2019-03-22 四川佳联众合企业管理咨询有限公司 基于深度网络学习的山火预测建模方法
CN110598953A (zh) * 2019-09-23 2019-12-20 哈尔滨工程大学 一种时空相关的空气质量预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063908A (zh) * 2018-07-30 2018-12-21 浙江鸿程计算机系统有限公司 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法
CN109472396A (zh) * 2018-10-17 2019-03-15 四川佳联众合企业管理咨询有限公司 基于深度网络学习的山火预测方法
CN109508476A (zh) * 2018-10-17 2019-03-22 四川佳联众合企业管理咨询有限公司 基于深度网络学习的山火预测建模方法
CN109509319A (zh) * 2018-12-29 2019-03-22 北京恒泰实达科技股份有限公司 基于静止卫星监测资料的输电线路山火监测预警方法
CN110598953A (zh) * 2019-09-23 2019-12-20 哈尔滨工程大学 一种时空相关的空气质量预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932479A (zh) * 2020-08-10 2020-11-13 中国科学院上海微系统与信息技术研究所 数据增强方法、系统以及终端
CN113362553A (zh) * 2021-06-08 2021-09-07 内蒙古工业大学 基于多源异构数据的草原火灾监测预警方法及装置
CN113553764A (zh) * 2021-07-13 2021-10-26 广东工业大学 一种基于深度学习网络的山火预测方法
CN113553764B (zh) * 2021-07-13 2023-08-04 广东工业大学 一种基于深度学习网络的山火预测方法

Also Published As

Publication number Publication date
CN111460733B (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
CN110321963B (zh) 基于融合多尺度多维空谱特征的高光谱图像分类方法
Aswin et al. Deep learning models for the prediction of rainfall
CN111445011B (zh) 一种基于气象和遥感数据的山火预警方法
Fathizad et al. Detection and prediction of land cover changes using Markov chain model in semi-arid rangeland in western Iran
CN111460733A (zh) 一种基于深度学习的山火预警方法
Wang et al. Infrared precipitation estimation using convolutional neural network
CN110824142B (zh) 一种地质灾害的预测方法、装置及设备
CN117575111B (zh) 一种基于迁移学习的农业遥感图像时空序列预测方法
CN112215393B (zh) 基于自适应时空尺度选择的降水数值预报后处理订正方法
CN113935249B (zh) 基于压缩和激励网络的上层海洋热结构反演方法
Sardar et al. Convolution neural network-based agriculture drought prediction using satellite images
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN113537645A (zh) 基于机器学习融合卫星与天气数据的大豆产量预测方法
Porto et al. Machine learning approaches to extreme weather events forecast in urban areas: Challenges and initial results
Mahmoud et al. Land cover change dynamics mapping and predictions using EO data and a GIS-cellular automata model: the case of Al-Baha region, Kingdom of Saudi Arabia
Fu et al. Using convolutional neural network to emulate seasonal tropical cyclone activity
SS et al. Weather forecasting using artificial neural networks and data mining techniques
CN114063063A (zh) 基于合成孔径雷达和点状传感器的地质灾害监测方法
CN111327453B (zh) 一种考虑网格化动态、静态分量的通信带宽估算方法
Ravirathinam et al. Combining Satellite and Weather Data for Crop Type Mapping: An Inverse Modelling Approach
CN111325384B (zh) 一种结合统计特征和卷积神经网络模型的ndvi预测方法
Faranda et al. Boosting performance in machine learning of turbulent and geophysical flows via scale separation
Nguyen Deep learning for tropical cyclone formation detection
Kant Development and evaluation of seasonal rainfall forecasting (SARIMA) model for Kumaon region of Uttarakhand
CN116204760B (zh) 一种基于gru网络的钻孔应变数据异常提取方法

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