申请/专利权人：中国科学院空天信息创新研究院

申请日：2023-11-29

公开（公告）日：2024-04-30

公开（公告）号：CN117575320B

主分类号：G06Q10/0635

分类号：G06Q10/0635;G06Q50/26;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2024.03.08#实质审查的生效;2024.02.20#公开

摘要：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。

主权项：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×SxSw+Ty×SySw+Tz×SzSw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，Hl表示节点在第l层的特征向量，Hl+1表示经过卷积后节点在第l+1层的特征向量，Wl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。

全文数据：

权利要求：

百度查询： 中国科学院空天信息创新研究院 一种基于图卷积神经网络的森林火灾风险预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD