一种基于深度学习网络的山火预测方法与流程

技术特征：
1.一种基于深度学习网络的山火预测方法，其特征在于，所述方法包括以下步骤：s1：选取研究区域山火的直接或者间接的影响因子，并剔除影响因子中相关性较高的冗余因子，得到影响因子栅格数据；s2：建立山火影响因子栅格数据集和火点栅格数据集；s3：利用山火影响因子栅格数据集和火点栅格数据集构建样本数据库，得到样本数据，并把样本数据分割成训练集和验证集；s4：构建山火预测网络模型，所述山火预测网络模型包括输入模块、cnn卷积神经网络、convlstm卷积长短期记忆网络，所述输入模块、cnn卷积神经网络、convlstm卷积长短期记忆网络依次连接；s5：利用训练集和验证集的数据训练和验证山火预测网络模型，并对模型的超参数进行优化，计算模型的预测准确率和loss值，训练完成，得到准确率最高、loss值最小的山火预测网络模型；s6：实际应用时将研究区域采集到的待测数据输入到训练完成的山火预测网络模型，得到山火火点预测结果。2.根据权利要求1所述的一种基于深度学习网络的山火预测方法，其特征在于，步骤s1所述影响因子包括以下类型，分别为：遥感、地形、气象、人类活动；所述遥感影响因子包括：地表温度、植被含水率、归一化植被指数、土地类型；所述地形影响因子包括：高程、坡度、坡向；所述气象影响因子包括：降水量、最高气温、空气湿度、最大阵风风速、最大阵风风向；所述人类活动影响因子包括：栅格与道路间距离、栅格与河流间距离、栅格与村庄间距离。3.根据权利要求1所述的一种基于深度学习网络的山火预测方法，其特征在于，步骤s1所述剔除影响因子中相关性较高的冗余因子是通过多重共线性检验实现的。4.根据权利要求3所述的一种基于深度学习网络的山火预测方法，其特征在于，所述多重共线性检验的评价指标包括方差膨胀系数vif和容忍度tolerance。5.根据权利要求2所述的一种基于深度学习网络的山火预测方法，其特征在于，步骤s2所述山火影响因子栅格数据集中每一天的数据包括15个波段，每个波段代表一个当天的山火影响因子，15个山火影响因子的空间分辨率统一为500m，时间分辨率为1天；所述火点栅格数据集通过遥感卫星传感器modis和viirs获得。6.根据权利要求1所述的一种基于深度学习网络的山火预测方法，其特征在于，步骤s3构建样本数据库并分割训练集和验证集步骤包括：s31：在得到的火点和山火影响因子栅格数据集后，以火点为中心，定义一个t*25*25像元大小的窗口，用于提取火点对应日期及前t天的对应位置的山火影响因子，其中t表示时间步；最终提取得到m个t*15*25*25的火点样本数组；s32：从火点对应日期及前t天中每天随机选取m/(t 1)个非火点，定义一个t*25*25像元大小的窗口，提取得到m个非火点样本数组；s33：利用m个t*15*25*25的火点样本数组和m个非火点样本数组构建一个具有2m个样本的样本数据库，其中火点样本数组和非火点样本数组的数量相同；s34：对样本数据库进行分层抽样，将样本数据库分割为训练集和验证集。7.根据权利要求1所述的一种基于深度学习网络的山火预测方法，其特征在于，步骤s4所述山火预测网络模型，还包括：bn层、relu层、池化层、全连接层、softmax激活函数；具体
连接关系为：所述cnn卷积神经网络共有3个cnn层，每个cnn层输出端均连接bn层、relu层和池化层构成一个空间特征提取模块，三个空间特征提取模块依次相连；所述convlstm卷积长短期记忆网络包括一个convlstm层，所述输入模块连接第一个空间特征提取模块的输入端，第三个空间特征提取模块的输出端连接convlstm层的输入端，convlstm层的输出端连接bn层然后再连接3个全连接层，每个全连接层分别有128、64和32个神经元，最后再接一个具有2个神经元的全连接层，2个神经元的全连接层输出端连接softmax激活函数，softmax激活函数输出模型的预测结果。8.根据权利要求7所述的一种基于深度学习网络的山火预测方法，其特征在于，三个cnn层的卷积核数量分别是32、64和128，卷积之后用0填充边界，使得卷积前后特征图大小一致。9.根据权利要求1所述的一种基于深度学习网络的山火预测方法，其特征在于，植被含水率通过归一化红外指数ndii7表示。10.根据权利要求9所述的一种基于深度学习网络的山火预测方法，其特征在于，所述归一化植被指数和归一化红外指数ndii7使用遥感卫星传感器modis获取，其中归一化植被指数由modis探测得到的mod13a1数据进行表示，归一化红外指数ndii7由modis探测得到的mod09a1数据进行表示；mod13a1和mod09a1的比例系数都为0.0001，因此对mod13a1和mod09a1每个波段的每个像素值乘以0.0001，mod09a1数据包含7个波段，其中归一化红外指数ndii7的计算公式如下：ndii7＝(ρ2‑
ρ7)/(ρ2 ρ7)其中ρ2为第二波段，即近红外波段，ρ7为第七波段，即短波红外波段。

技术总结
本发明提供了一种基于深度学习网络的山火预测方法，属于深度学习技术领域。本发明的山火预测网络模型同时引入了卷积神经网络CNN和卷积长短期记忆网络CONVLSTM对山火进行预测，不仅考虑了山火在时间上的时序规律，也能够提取山火像元以及山火附近像元的空间特征；利用山火时空维度的信息，使预测精度更高，并且本技术方案通过深度学习自动构建山火预测模型，调节影响因子权重，无需过高的专家知识设置影响因子权重，通用性更好。通用性更好。通用性更好。


技术研发人员：邓杰航 刘星星 徐国涛 顾国生 冯子垚 陈树东 杨析睿
受保护的技术使用者：广东工业大学
技术研发日：2021.07.13
技术公布日：2021/10/26