CN117575320B - 一种基于图卷积神经网络的森林火灾风险预测方法 - Google Patents
一种基于图卷积神经网络的森林火灾风险预测方法 Download PDFInfo
- Publication number
- CN117575320B CN117575320B CN202311613220.7A CN202311613220A CN117575320B CN 117575320 B CN117575320 B CN 117575320B CN 202311613220 A CN202311613220 A CN 202311613220A CN 117575320 B CN117575320 B CN 117575320B
- Authority
- CN
- China
- Prior art keywords
- forest fire
- graph
- grid
- risk prediction
- layer
- 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 39
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 14
- 238000012876 topography Methods 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 7
- 238000013058 risk prediction model Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010304 firing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013459 approach Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Abstract
本发明提出了一种基于图卷积神经网络的森林火灾风险预测方法。通过建立适用于地理空间数据的特征表示方法和图构建技术，并结合图卷积神经网络(GCN)这一专注于图结构的深度学习技术，综合考虑预测目标区域相邻地区的气象、地形、植被时空数据特征对火灾发生与传播的影响，形成了区别于仅考虑预测目标区域时空数据特征进行森林火灾风险预测的新方法，从而更好地理解森林火灾发生规律，为实现更准确的森林火灾风险评估提供了技术途径。
Description
技术领域
本发明属于计算机领域，尤其涉及一种基于图卷积神经网络的森林火灾风险预测方法。
背景技术
传统方法包括考虑与森林火灾密切相关的发生因素的火灾指数和机制模型。Salavatiet等人在伊朗西部的城市Sanandaj进行了研究。在这项研究中，他们使用“证据权重”(WoE)和“统计指数”(SI)模型来评估火灾风险潜力。Chen等人认为降水是影响森林火灾发生概率的重要因素，他们提出了一种更好地表示降水对森林火灾预测影响的方法。Ge等人提出了一个综合的森林火灾驱动因素指数用于森林火灾预测，是一种考虑了地形、植被、气象和人类活动因素的分层分析方法。
最近，相当多的研究表明，基于机器学习的方法可以发现比传统的基于机制或统计模型更复杂的森林火灾数据模式。
Jaafari等人采用WoE贝叶斯建模来研究伊朗Chaharmahal-Bakhtiari省历史火灾事件之间的空间关系。
Sakr等人提出了一种基于支持向量机(SVM)的森林火灾风险预测算法。为了预测森林火灾，Binh Thai Pham等人比较了贝叶斯网络(BN)、朴素贝叶斯(NB)、决策树(DT)和多变量逻辑回归(MLP)在越南NinhAn省Phu Mat国家公园中制定火灾易感性地图的能力。
Ma等人基于2010年至2017年卫星监测的森林热异常数据建立了一个基于Logistic模型和随机森林(RF)模型的森林火灾概率模型。该模型从气象、地形、植被和人类活动四个方面分析了中国山西省森林火灾的驱动因素。
Ge等人提出了一种将时空知识图谱与机器学习模型相结合的森林火灾预测方法，能够融合多源异构的时空森林火灾数据，并提出了基于规则的推理方法，用于为特定的机器学习森林火灾预测方法获取相应的数据，从而显著提高了在实际森林火灾预测场景中的预测性能。
现有技术存在以下技术问题：
(1)未充分考虑预测目标区域相邻地区的地形和植被条件的影响：现有技术往往只考虑预测目标区域的地形和植被条件，而忽视了相邻地区的地形和植被条件对预测目标区域森林火灾发生和蔓延的重要影响。例如，相邻地区的山地地形可能导致火势蔓延速度加快；相邻地区易燃的植被类型可能会增加火灾发生概率和扩散程度。因此，未考虑相邻地区的地形和植被条件会限制对火灾风险的准确预测。
(2)未充分考虑预测目标区域相邻地区的气象因素的影响：相邻地区与预测目标区域的气象条件可能会有所不同，包括温度、湿度、风向和风力等因素。这些气象因素直接影响火势的传播方向和速度。然而，现有技术往往只考虑预测目标区域的气象因素，而忽视了相邻地区的气象因素对预测目标区域森林火灾发生和蔓延的重要影响，导致火灾预测模型的精确性受到制约。
发明内容
本发明的目的在于克服现有技术的以上缺点。通过引入特征表示方法和图构建技术，以及结合图卷积神经网络(GCN)的综合模型，充分利用预测目标区域东、南、西、北、东北、东南、西北、西南共8个方向相邻地区的特征，包括地形、植被和气象环境等，以便更能理解区域间空间关系对森林火灾发生的影响，提高森林火灾风险的预测准确程度。
本发明首先研究地理空间中与森林火灾风险密切相关的气象、地形、植被时空数据特征表示方法。其次，研究顾及预测目标区域及其相邻地区与森林火灾风险密切相关的气象、地形、植被等时空数据特征进行火灾风险预测的方法。
本发明的技术方案为，一种基于图卷积神经网络的森林火灾风险预测方法，所述方法包括以下步骤：
步骤1.提出时空数据特征表示方法；从多源数据中提取有关地理位置、气象、植被、地形因素的特征，用于全面定量描述火灾风险因素；
步骤2.提出预测目标区域的图构建方法；建立地理空间中的各个网格用节点表示，网格之间的空间关系用边表示的图结构，图构建方法能够表示相邻地区之间的空间联系，捕获相邻地区的特征，以便于后续的分析和建模；
步骤3.构建森林火灾预测模型；结合特征表示方法和图卷积神经网络构建森林火灾预测模型，用于捕获相邻地区的特征，并实现端到端地预测森林火灾风险；
步骤4.样本数据集构建；构建包含历史火灾事件、地形信息、植被信息、气象数据的多源时空数据的样本数据集，以供模型训练、验证与测试。
进一步，步骤1的具体实现方法为，将风险预测目标区域R在空间上进行划分，划分成M×N个正方形网格，网格的分辨率为P×Pm2；每个网格具有描述包括气象、地形、植被与人为因素在内的森林火灾风险因素的特征共k维；网格按照与风险因素空间范围交集的面积大小对风险因素进行取值；设网格W的面积是Sw，温度值是Tw，网格W由地块x，y，z组成；设x，y，z的面积分别是Sx，Sy，Sz，温度值分别是Tx，Ty，Tz；则：
Tw＝Tx×Sx/Sw+Ty×Sy/Sw+Tz×Sz/Sw。
进一步，步骤2的具体实现方法为，将网格映射为节点，将网格的k维特征映射为节点的k维特征，在空间上相邻的节点之间建立边。
进一步，步骤3中的森林火灾风险预测模型的结构为：包括，输入层，输入层的神经元为M×N×k个；图卷积层，图卷积层的神经元为64个；全连接层，全连接层的神经元为32个；输出层，输出层的神经元为M×N×2个；图卷积神经网络中图卷积的计算公式如下所示：
其中，H(l)表示节点在第l层的特征向量，H(l+1)表示经过卷积后节点在第l+1层的特征向量，W(l)表示第l层卷积的参数，σ表示激活函数，而由矩阵A、D组成的部分是一种拉普拉斯矩，A+I中的I为单位矩阵，即对角线为1，其他为0的矩阵；是度矩阵，只有主对角线元素不为0；/>表示/>主对角线元素；/>表示/>中各个元素；i表示行号，j表示列号。
进一步，步骤4的具体实现方法为，采集风险预测目标区域R中，2019-2023年连续5年历史数据构成数据集；每年的3-4月是森林火灾多发月份，分别获取每年3-4月份中t个时刻的森林火灾风险因素数据，并收集t个时刻风险预测目标区域R中每个网格的着火情况；
将单一时刻风险预测目标区域R中M×N个节点作为一个样本，样本特征矩阵为M×N行k列，样本共有5×t个，按照6∶2∶2的方式将样本划分训练集、验证集与测试集；训练集用于训练模型；验证集用于调节模型超参数；测试集用于测试模型最终精度；
采集数据并构建风险预测目标区域R在未来某年的3-4月某时刻的特征矩阵，输入训练后的模型进行正向传播，即可得到该时刻风险预测目标区域R的森林火灾风险预测结果。
本发明具有以下有益技术效果：
本发明提出了一种基于图卷积神经网络的森林火灾预测方法。通过建立适用于地理空间数据的特征表示方法和图构建技术，并结合图卷积神经网络(GCN)这一专注于图结构的深度学习技术，综合考虑预测目标区域相邻地区的气象、地形、植被时空数据特征对火灾发生与传播的影响，形成了区别于仅考虑预测目标区域时空数据特征进行森林火灾风险预测的新方法，从而更好地理解森林火灾发生规律，为实现更准确的森林火灾风险评估提供了技术途径。
本发明创新性地用图结构对森林火灾风险因素数据进行表示。本发明将地理空间中的目标区域映射为图的节点，并建立了节点之间的空间关联。这样的做法有助于捕获相邻地区的特征，而现有技术方法未能充分考虑这一点。
与现有技术中采用的深度学习模型不同的是，本发明采用了图卷积神经网络(GCN)模型，这是一种专注于图结构的深度学习技术。在森林火灾风险预测场景中，GCN能够聚合相邻地区的信息，有助于模拟地理空间中的复杂空间关联，提高火灾风险预测的准确性。
附图说明
图1为风险预测目标区域R；
图2为网格的森林火灾风险因素特征；
图3为网格风险因素取值方法；
图4为网格的k维特征映射为节点的k维特征；
图5为空间上相邻节点之间建立边；
图6为森林火灾风险预测模型结构；
图7为样本特征矩阵示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
本发明提出一种基于图卷积神经网络的森林火灾风险预测方法，具体步骤如下：
步骤1，时空数据特征表示方法
如图1所示，将风险预测目标区域R在空间上进行划分，划分成M×N个正方形网格，网格的分辨率为P×P(m2)。
如图2所示，每个网格有描述气象包括温度湿度、风力、风向等、地形包括坡向、植被与人为因素等森林火灾风险因素的特征共k维。
网格按照与风险因素空间范围交集的面积大小对风险因素进行取值。
如图3所示，设网格W的面积是Sw，温度值是Tw。W由地块x，y，z组成；设x，y，z的面积分别是Sx，Sy，Sz，温度值分别是Tx，Ty，Tz。
Tw＝Tx×Sx/Sw+Ty×Sy/Sw+Tz×Sz/Sw
步骤2，森林火灾地理空间图构建方法
如图4所示，将M×N个正方形网格映射为节点。将网格的k维特征映射为节点的k维特征(x1，x2，...xk)。
以图5中3×3个网格为例，阐述根据网格之间的空间相邻关系为节点之间建立边的方法。在空间上相邻的节点之间建立边，如图5所示。将3行×3列的特征映射为3×3个节点。
在空间上相邻的节点之间建立边的依据：在地理空间中，某一地块发生森林火灾的风险与其周围地块的特性、特征之间客观上是存在密切关系的。相邻地区地形和植被条件都是森林火灾发生和蔓延的重要因素之一，比如山地地形可能导致火势蔓延速度加快；周围的植被类型如果属于可燃物、易燃物，也必然会加大火灾发生概率和和火灾蔓延程度。
此外，气象环境也与火灾发展态势密切相关，不同地块的气象条件可能会有所不同，因此相邻地区气象环境也会影响火势的传播方向和速度。因此某一地块发生森林火灾的风险与相邻地区气象环境是密切相关的。
步骤3，基于图卷积网络(GCN)的森林火灾风险预测模型构建
如图6所示，将森林火灾地理空间图输入输入层；将输入层输出结果输入两层图卷积层；将图卷积层输出结果输入全连接层；将全连接层输出结果输入输出层；由输出层输出预测结果。
森林火灾风险预测模型的结构：
输入层(神经元M×N×k个)；图卷积层(神经元64个)；图卷积层(神经元64个)；全连接层(神经元32个)；输出层(神经元M×N×2个)；
GCN中图卷积的计算公式如下所示：
其中，H(l)表示节点在第l层的特征向量，H(l+1)表示经过卷积后节点在第l+1层的特征向量，W(l)表示第l层卷积的参数，σ表示激活函数。而由矩阵A、D组成的部分是一种拉普拉斯矩(Laplacian matrix)，A+I中的I为单位矩阵，即对角线为1，其他为0的矩阵。
步骤4，样本数据集构建与模型优化
采集风险预测目标区域R(M×N)中2019-2023年连续5年历史数据构成数据集。每年的3-4月是森林火灾多发月份，分别获取每年3-4月份中t个时刻的森林火灾风险因素数据，并收集t个时刻R中每个网格的着火情况。需要注意的是，在t个时刻，R中总是有网格正在燃烧。
如图7所示，本发明将单一时刻M×N个节点作为一个样本，样本特征矩阵为M×N行k列。样本共有5×t个，按照6∶2∶2的方式将样本划分训练集、验证集与测试集。训练集用于训练模型；验证集用于调节模型超参数；测试集用于测试模型最终精度。
采集数据并构建风险预测目标区域R(M×N)在未来(如2024年)3-4月某时刻的特征矩阵，输入训练后的模型进行正向传播，即可得到该时刻目标区域R的森林火灾风险预测结果。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于图卷积神经网络的森林火灾风险预测方法，其特征在于，所述方法包括以下步骤：
步骤1.提出时空数据特征表示方法；从多源数据中提取有关地理位置、气象、植被、地形因素的特征，用于全面定量描述火灾风险因素；
步骤2.提出预测目标区域的图构建方法；建立地理空间中的各个网格用节点表示，网格之间的空间关系用边表示的图结构，图构建方法能够表示相邻地区之间的空间联系，捕获相邻地区的特征，以便于后续的分析和建模；
步骤3.构建森林火灾预测模型；结合特征表示方法和图卷积神经网络构建森林火灾预测模型，用于捕获相邻地区的特征，并实现端到端地预测森林火灾风险；
步骤4.样本数据集构建；构建包含历史火灾事件、地形信息、植被信息、气象数据的多源时空数据的样本数据集，以供模型训练、验证与测试；
步骤1的具体实现方法为，将风险预测目标区域R在空间上进行划分，划分成M×N个正方形网格，网格的分辨率为P×Pm2；每个网格具有描述包括气象、地形、植被与人为因素在内的森林火灾风险因素的特征共k维；网格按照与风险因素空间范围交集的面积大小对风险因素进行取值；设网格W的面积是Sw，温度值是Tw，网格W由地块x,y,z组成；设x,y,z的面积分别是Sx,Sy,Sz，温度值分别是Tx,Ty,Tz；则：
Tw＝Tx×Sx/Sw+Ty×Sy/Sw+Tz×Sz/Sw
步骤3中的森林火灾风险预测模型的结构为：包括，输入层，输入层的神经元为M×N×k个；图卷积层，图卷积层的神经元为64个；全连接层，全连接层的神经元为32个；输出层，输出层的神经元为M×N×2个；图卷积神经网络中图卷积的计算公式如下所示：
其中，H(l)表示节点在第l层的特征向量，H(l+1)表示经过卷积后节点在第l+1层的特征向量，W(l)表示第l层卷积的参数，σ表示激活函数，而由矩阵A、D组成的部分是一种拉普拉斯矩，A+I中的I为单位矩阵，即对角线为1，其他为0的矩阵；是度矩阵，只有主对角线元素不为0；/>表示/>主对角线元素；/>表示/>中各个元素；i表示行号，j表示列号；
步骤4的具体实现方法为，采集风险预测目标区域R中，2019-2023年连续5年历史数据构成数据集；每年的3-4月是森林火灾多发月份，分别获取每年3-4月份中t个时刻的森林火灾风险因素数据，并收集t个时刻风险预测目标区域R中每个网格的着火情况；
将单一时刻风险预测目标区域R中M×N个节点作为一个样本，样本特征矩阵为M×N行k列，样本共有5×t个，按照6:2:2的方式将样本划分训练集、验证集与测试集；训练集用于训练模型；验证集用于调节模型超参数；测试集用于测试模型最终精度；
采集数据并构建风险预测目标区域R在未来某年的3-4月某时刻的特征矩阵，输入训练后的模型进行正向传播，即可得到该时刻风险预测目标区域R的森林火灾风险预测结果。
2.根据权利要求1所述的方法，其特征在于，步骤2的具体实现方法为，将网格映射为节点，将网格的k维特征映射为节点的k维特征，在空间上相邻的节点之间建立边。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311613220.7A CN117575320B (zh) | 2023-11-29 | 2023-11-29 | 一种基于图卷积神经网络的森林火灾风险预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311613220.7A CN117575320B (zh) | 2023-11-29 | 2023-11-29 | 一种基于图卷积神经网络的森林火灾风险预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117575320A CN117575320A (zh) | 2024-02-20 |
| CN117575320B true CN117575320B (zh) | 2024-04-30 |
Family
ID=89860578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311613220.7A Active CN117575320B (zh) | 2023-11-29 | 2023-11-29 | 一种基于图卷积神经网络的森林火灾风险预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117575320B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108520363A (zh) * | 2018-04-18 | 2018-09-11 | 电子科技大学 | 一种用于预测未来时相森林火灾发生风险的评估方法 |
| CN108717582A (zh) * | 2018-04-17 | 2018-10-30 | 平安科技（深圳）有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
| CN112712275A (zh) * | 2021-01-07 | 2021-04-27 | 南京大学 | 基于Maxent和GIS的森林火灾风险评估方法 |
| CN113112004A (zh) * | 2021-04-21 | 2021-07-13 | 上海电力大学 | 一种基于霍克斯过程与图神经网络的时空预测方法 |
| CN113610286A (zh) * | 2021-07-27 | 2021-11-05 | 中国地质大学（武汉） | 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 |
| KR20220102329A (ko) * | 2021-01-13 | 2022-07-20 | 대한민국(산림청 국립산림과학원장) | 산불 위험 계절 예보 장치 및 방법 |
| CN115759371A (zh) * | 2022-11-08 | 2023-03-07 | 国网吉林省电力有限公司电力科学研究院 | 一种基于gcn-lstm的电力系统短期负荷预测方法 |
| CN116576852A (zh) * | 2023-03-17 | 2023-08-11 | 中科海慧（北京）科技有限公司 | 一种融合多源路网数据的森防救援智能导航系统 |
| CN116612595A (zh) * | 2023-02-15 | 2023-08-18 | 南京林业大学 | 一种基于联邦学习的森林火灾预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114626512B (zh) * | 2022-05-17 | 2022-09-06 | 南京信息工程大学 | 一种基于有向图神经网络的高温灾害预报方法 |
-
2023
- 2023-11-29 CN CN202311613220.7A patent/CN117575320B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108717582A (zh) * | 2018-04-17 | 2018-10-30 | 平安科技（深圳）有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
| CN108520363A (zh) * | 2018-04-18 | 2018-09-11 | 电子科技大学 | 一种用于预测未来时相森林火灾发生风险的评估方法 |
| CN112712275A (zh) * | 2021-01-07 | 2021-04-27 | 南京大学 | 基于Maxent和GIS的森林火灾风险评估方法 |
| KR20220102329A (ko) * | 2021-01-13 | 2022-07-20 | 대한민국(산림청 국립산림과학원장) | 산불 위험 계절 예보 장치 및 방법 |
| CN113112004A (zh) * | 2021-04-21 | 2021-07-13 | 上海电力大学 | 一种基于霍克斯过程与图神经网络的时空预测方法 |
| CN113610286A (zh) * | 2021-07-27 | 2021-11-05 | 中国地质大学（武汉） | 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 |
| CN115759371A (zh) * | 2022-11-08 | 2023-03-07 | 国网吉林省电力有限公司电力科学研究院 | 一种基于gcn-lstm的电力系统短期负荷预测方法 |
| CN116612595A (zh) * | 2023-02-15 | 2023-08-18 | 南京林业大学 | 一种基于联邦学习的森林火灾预测方法及系统 |
| CN116576852A (zh) * | 2023-03-17 | 2023-08-11 | 中科海慧（北京）科技有限公司 | 一种融合多源路网数据的森防救援智能导航系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于直连BP神经网络模型的森林火险预测;王亚琴;王耀力;郭学斌;孙永明;;森林防火;20180630(第02期);全文 * |
| 西南山地区域森林火险综合预报模型研究――以重庆市为例;郑忠;高阳华;杨庆媛;唐云辉;徐永进;陈艳英;;自然灾害学报;20200215(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117575320A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chang et al. | An LSTM-based aggregated model for air pollution forecasting | |
| Dinda et al. | An integrated simulation approach to the assessment of urban growth pattern and loss in urban green space in Kolkata, India: A GIS-based analysis | |
| Liou et al. | Assessing spatiotemporal eco-environmental vulnerability by Landsat data | |
| Jacinth Jennifer et al. | Artificial neural network and sensitivity analysis in the landslide susceptibility mapping of Idukki district, India | |
| CN113553764B (zh) | 一种基于深度学习网络的山火预测方法 | |
| Saha et al. | Modelling microscale impacts assessment of urban expansion on seasonal surface urban heat island intensity using neural network algorithms | |
| CN111310898A (zh) | 一种基于rnn的滑坡灾害易发性预测方法 | |
| Aksoy et al. | Monitoring of land use/land cover changes using GIS and CA-Markov modeling techniques: A study in Northern Turkey | |
| Yang et al. | A multitarget land use change simulation model based on cellular automata and its application | |
| Ahmed et al. | Flood susceptibility modeling in the urban watershed of Guwahati using improved metaheuristic-based ensemble machine learning algorithms | |
| DOĞAN et al. | Modeling of temporal and spatial changes of land cover and land use by artificial neural networks: Kastamonu sample | |
| Sabitha et al. | Application of a distributed hydrologic model to assess the impact of climate and land-use change on Surface Runoff from a small urbanizing Watershed | |
| Subasinghe et al. | Real-time mapping of natural disasters using citizen update streams | |
| Akin et al. | Modelling land-use change dynamics in a Mediterranean coastal wetland using CA-Markov chain analysis | |
| Momeni et al. | Pattern‐based calibration of cellular automata by genetic algorithm and Shannon relative entropy | |
| CN117575320B (zh) | 一种基于图卷积神经网络的森林火灾风险预测方法 | |
| CN113011455A (zh) | 一种空气质量预测svm模型构建方法 | |
| Kaur et al. | Energy efficient cloud-assisted IoT-enabled architectural paradigm for drought prediction | |
| Ranjan et al. | ANN and GRNN-based coupled model for flood inundation mapping of the Punpun River basin | |
| Tumse et al. | Comparison and evaluation of machine learning approaches for estimating heat index map in Türkiye | |
| Zhang et al. | A spatial correlation prediction model of urban PM2. 5 concentration based on deconvolution and LSTM | |
| Chiang et al. | A hybrid artificial neural network-based agri-economic model for predicting typhoon-induced losses | |
| Zhou et al. | Intelligent spatial interpolation-based frost prediction methodology using artificial neural networks with limited local data | |
| Evoh et al. | Urban growth development using group method of data handling | |
| Wang et al. | LLNet: Lightweight network with a channel and spatial attention mechanism for local climate zone classification from Sentinel‐2 image |
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 |