一种基于集成模型的活可燃物含水率遥感反演方法和设备

1.本发明涉及活可燃物含水率预测技术领域。更具体地，涉及一种基于集成模型的活可燃物含水率遥感反演方法和设备。


背景技术：

2.野火是全球范围内普遍的自然灾害，会污染大气，破坏生态环境，甚至对人身财产和生命造成灾难性的损害。活可燃物含水率已被证明是植物可燃性和火灾行为的主要驱动因素，是影响野火发生和传播的重要指标。
3.目前已有多种基于遥感数据的活可燃物含水率反演方法，主要有基于经验统计、辐射传输模型以及机器学习的反演方法等。活可燃物含水率反演的经验方法通常基于现场测量的活可燃物含水率和基于反射率数据的光谱信号之间的统计拟合。经验方法的替代方法是基于辐射传输模型的方法，这种方法基于一组模拟情景，使用物理模型来估计活可燃物含水率。该方法通常基于将每个像素的观察反射率与在查找表中模拟的反射率进行比较，将最相似的模拟光谱的参数分配给每个像素。机器学习方法包括随机森林、梯度提升回归、人工神经网络以及深度学习等方法。经验统计方法步骤简单，应用较多但泛化性差，只限应用于特定的地点。辐射传输模型和机器学习模型相较于经验模型，精度更高，但需要人为进行特征选择和模型标定，方法较为复杂。


技术实现要素：

4.有鉴于此，本发明的第一个实施例提供一种基于集成模型的活可燃物含水率遥感反演方法，包括：
5.s1：获取活可燃物含水率及遥感数据以建立遥感反演数据集；
6.s2：利用预先构建的集成模型对所述遥感反演数据集进行遥感特征提取；
7.s3：根据所述遥感特征进行活可燃物含水率预测，并获取预测结果。
8.在一个具体实施例中，预先构建所述集成模型包括：
9.利用多个基学习器构建所述集成模型的第一层；
10.利用元学习器构建所述集成模型的第二层。
11.在一个具体实施例中，对所述遥感反演数据集进行遥感特征提取包括：
12.根据土地覆盖类型分层随机抽样，将所述遥感反演数据集分为训练集和测试集；
13.所述集成模型的第一层接收所述训练集和测试集，并进行遥感特征提取；
14.所述集成模型的第二层根据第一层输出的遥感特征提出结果，进行特征融合，完成模型的堆叠融合。
15.在一个具体实施例中，所述基学习器包括：lstm模型、tcn模型和tcn-lstm模型，其中，
16.所述lstm模型在时间方面提取遥感数据特征；
17.所述tcn模型在空间方面提取遥感数据特征；
18.所述tcn-lstm模型包括tcn的残差块结构、lstm层、flatten层和全连接层，其中，
19.所述tcn的残差块结构包括因果卷积层，所述因果卷积层根据所述活可燃物含水率及所述遥感数据中包括的多源遥感变量进行特征提取，得到遥感变量与活可燃物含水率的相关特征并通过膨胀卷积压缩参数数量；
20.所述lstm层利用dropout机制进行特征提取；
21.所述flatten层将输出矩阵压缩成一维；
22.所述集成模型提取遥感变量与活可燃物含水率之间的非线性特征并实现含水率预测。
23.在一个具体实施例中，预先构建所述集成模型包括：利用训练集样本通过集成模型获得预测值，与训练集样本的真实含水率值进行对比计算损失函数值；
24.通过反向传播计算梯度，根据梯度更新参数，将参数代入模型中，重复上述过程，当损失函数值小于期望值时，停止训练过程，获得集成模型的参数。
25.在一个具体实施例中，在实际应用时，所述根据所述集成模型的第二层输出的融合特征进行活可燃物含水率预测，并获取预测结果。
26.在一个具体实施例中，所述方法还包括：
27.s4：对所述预测结果进行评估。
28.在一个具体实施例中，所述s4包括：
29.计算测试集样本计算得到的预测结果和真实含水率间的偏差、决定系数、均方根误差和无偏均方根误差评估所述活可燃物含水率预测结果，其中，
30.偏差的计算公式为：
31.决定系数的计算公式为：
32.均方根误差的计算公式为：
33.无偏均方根误差的计算公式为：
34.其中，和yi分别代表活可燃物含水率值和实测值，和分别为观测和估算的活可燃物含水率平均值。
35.本发明的第二个实施例提供一种计算机设备，包括处理器及存储在存储有计算机程序的存储器，所述处理器执行所述程序时实现如第一个实施例所述的方法。
36.本发明的第三个实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第二个实施例所述的方法。
37.本发明的有益效果如下：
38.本发明提供一种基于集成模型的活可燃物含水率遥感反演方法和设备，通过利用预先构建的集成模型对建立的遥感反演数据集进行遥感特征提取，并根据所述遥感特征进行活可燃物含水率预测，并获取预测结果，从而实现了对活可燃物含水率的反演，增强了活可燃物含水率反演模型的多样性和泛化性，提高了反演效率和性能，适用于环境多样、可燃物种类复杂的研究区域，具有广泛的应用前景。
附图说明
39.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
40.图1示出根据本发明一个实施例的基于集成模型的活可燃物含水率遥感反演方法的流程示意图；
41.图2示出根据本发明一个实施例的遥感反演数据集进行反演结果示意图；
42.图3示出本发明的另一个实施例的计算机设备的结构示意图。
具体实施方式
43.为使本发明的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
44.如图1所示，本发明的一个实施例提供一种基于集成模型的活可燃物含水率遥感反演方法，包括：
45.s1：获取活可燃物含水率及遥感数据以建立遥感反演数据集；
46.s2：利用预先构建的集成模型对所述遥感反演数据集进行遥感特征提取；
47.s3：根据所述遥感特征进行活可燃物含水率预测，并获取预测结果。
48.在本实施例中，通过利用预先构建的集成模型对建立的遥感反演数据集进行遥感特征提取，并根据所述遥感特征进行活可燃物含水率预测，并获取预测结果，从而实现了对活可燃物含水率的反演，增强了活可燃物含水率反演模型的多样性和泛化性，提高了反演效率和性能，适用于环境多样、可燃物种类复杂的研究区域，具有广泛的应用前景。
49.在一个具体实施例中，所述基于集成模型的活可燃物含水率遥感反演方法具体包括：
50.s1：获取活可燃物含水率及遥感数据以建立遥感反演数据集；
51.在本实施例中，所述的遥感数据包括modis数据、landsat-8数据、sentinel-1a数据以及包括地形、土壤、植被结构的辅助数据，其中，活可燃物含水率数据可以来源于美国国家可燃物湿度数据库；modis数据可以来自modis terra和aqua联合观测得到的mcd43a4产品；landsat数据可以来源于landsat-8的16天地表反射率数据；sentinel-1a数据可以来源于sentinel-1a地面范围监测数据；辅助数据第一大类包括淤泥、沙子和粘土含量等3类
土壤数据，第二大类为衡量植被结构的冠层高度及土地覆盖信息，第三大类为地形数据，其具体获取方式均为本领域技术人员所熟知，本技术不做过多限制，能够满足活可燃物含水率及遥感数据获取要求即可。
52.s2：利用预先构建的集成模型对所述遥感反演数据集进行遥感特征提取；
53.在一个具体实施例中，预先构建所述集成模型包括：
54.利用多个基学习器构建所述集成模型的第一层；
55.利用元学习器构建所述集成模型的第二层。
56.在本实施例中，所述集成模型包括基学习器、元学习器。其中，基学习器的预测精度高，同时基学习器还要种类多样，结合多种基学习器，从众多遥感数据的输入变量中提取对于活可燃物含水率反演有帮助的特征信息；基学习器的预测值和原始数据集的真值标签作为第二层元学习器的数据集，用于训练元学习器，元学习器的预测结果为最终的输出。
57.进一步地，所述基学习器包括：lstm模型、tcn模型和tcn-lstm模型，其中，
58.所述lstm模型在时间方面提取遥感数据特征；
59.所述tcn模型在空间方面提取遥感数据特征；
60.所述tcn-lstm模型包括tcn的残差块结构、lstm层、flatten层和全连接层，其中，
61.所述tcn的残差块结构包括因果卷积层，所述因果卷积层根据所述活可燃物含水率及所述遥感数据中包括的多源遥感变量进行特征提取，得到遥感变量与活可燃物含水率的相关特征并通过膨胀卷积压缩参数数量；
62.所述lstm层利用dropout机制进行特征提取；
63.所述flatten层将输出矩阵压缩成一维；
64.所述集成模型提取遥感变量与活可燃物含水率之间的非线性特征并实现含水率预测。
65.利用训练集样本通过上述步骤获得预测值，与训练集样本的真实含水率值进行对比计算损失函数值；
66.通过反向传播计算梯度，根据梯度更新参数，将参数代入模型中，重复上述过程，当损失函数值小于期望值时，停止训练过程，获得集成模型的参数。
67.在本实施例中，首先将活可燃物含水率数据及多源遥感变量作为输入，通过tcn的残差结构所包含的因果卷积层进行特征提取，得到遥感变量与活可燃物含水率的相关特征并可以通过膨胀卷积压缩参数数量，达到数据降维的效果；然后利用多个结合dropout机制的lstm层进行预测，可以防止过拟合的发生；接着通过flatten层，将输出矩阵压缩成一维，方便后面全连接层的连接；最后通过全连接层提取数据之间的非线性特征，从而通过lstm模型和tcn模型分别从时间和空间方面有效地提取遥感数据特征，具有长时间序列记忆的能力，通过tcn-lstm模型从全局角度提取遥感数据特征，实现活可燃物含水率的高精度反演，提高了活可燃物含水率反演的效率和性能，适用于环境多样、可燃物种类复杂的研究区域，具有广泛的应用前景。
68.在预先构建好集成模型后，开始进行活可燃物含水率遥感反演，采用所述集成模型对所述遥感反演数据集进行特征学习。
69.在一个具体实施例中，对所述遥感反演数据集进行遥感特征提取包括：
70.根据土地覆盖类型分层随机抽样，将所述遥感反演数据集分为训练集和测试集；
71.所述集成模型的第一层接收所述训练集和测试集，并进行遥感特征提取；
72.所述集成模型的第二层根据第一层输出的遥感特征提出结果，进行特征融合，完成模型的堆叠融合。
73.在本实施例中，根据土地覆盖类型例如根据典型的包括阔叶落叶林、针叶常绿林、灌丛、草地和稀疏植被区等进行分层随机抽样，将所述遥感反演数据集分为训练集和测试集，以确保训练集和测试集的土地覆盖类型分布保持相同，从而使得所述集成模型在不同覆盖类型进行含水率预测时泛化性能更好。
74.s3：根据所述遥感特征进行活可燃物含水率预测，并获取预测结果。
75.在实际应用时，所述根据所述集成模型的第二层输出的融合特征进行活可燃物含水率预测，并获取预测结果。
76.s4：对所述预测结果进行评估。
77.在一个具体实施例中，所述s4包括：
78.计算测试集样本计算得到的预测结果和真实含水率间的偏差、决定系数、均方根误差和无偏均方根误差评估所述活可燃物含水率预测结果，其中，
79.偏差的计算公式为：
80.决定系数的计算公式为：
81.均方根误差的计算公式为：
82.无偏均方根误差的计算公式为：
83.式中，和yi分别代表活可燃物含水率值和实测值，和分别为观测和估算的活可燃物含水率平均值。
84.本领域人员可以理解，偏差bias数值越小，表示反演结果与观测值之间的偏差越小，效果越显著；决定系数r2数值越大，表示反演结果与观测值相关性越高，效果越显著；均方根误差rmse数值越小，表示反演结果与观测值之间的总体误差越小，效果越显著；无偏均方根误差ubrmse数值越小，表示去除偏差后的误差越，效果越显著。
85.在一个具体实施例中，表1示出了现有技术中的活可燃物含水率反演方法和本实施例中的基于集成模型的活可燃物含水率遥感反演方法的对比。
86.通过表1内容可得，通过本实施例提出的基于集成模型的活可燃物含水率遥感反
演方法进行计算时，决定系数r2为0.85、均方根误差rmse为18.88及无偏均方根误差ubrmse为17.99，较现有技术中采用偏最小二乘回归方法进行活可燃物含水率反演相比，分别提升了47％、18.19％和17.87％，较现有技术中采用tcn-lstm模型进行反演方法相比分别提升了4％、2.1％和2.56％。由此可以看出，本实施例提出的方法增强了活可燃物含水率反演模型的多样性和泛化性，提高了反演效率和性能，适用于环境多样、可燃物种类复杂的研究区域，具有广泛的应用前景。
87.表1
[0088][0089]
为验证基于集成模型的活可燃物含水率反演方法在有多种不同类型遥感数据时进行活可燃物含水率反演的有效性，在一个具体示例中，在多源遥感数据集上进行预测，预测结果如图2所示，其中，集成模型性能优于深度学习模型和经验统计模型，反演结果和实测结果更为接近，bias、rmse和ubrmse更小，同时r2更高。集成模型融合了tcn因果卷积时序特征提取和lstm能够记忆长期信息的优势集成模型能够有效提高lfmc反演精度，反演结果表明集成模型更适用于活可燃物含水率反演。综上结果，基于集成模型的活可燃物含水率反演方法在复杂多种不同类型遥感数据情况下，进行活可燃物含水率反演时具有较高的有效性及稳定性。
[0090]
本发明的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现，在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0091]
如图3所示，本发明的另一个实施例提供的一种计算机设备的结构示意图。图3显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0092]
如图3所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
[0093]
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0094]
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0095]
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom，dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0096]
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
[0097]
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图3所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图3中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0098]
处理器单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种基于集成模型的活可燃物含水率遥感反演方法。
[0099]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。