基于ANFIS耦合最优化算法的野火风险智能预警方法及系统技术方案

本发明专利技术公开一种基于ANFIS耦合最优化算法的野火风险智能预警方法及系统，确定预设区域的野火诱发因子；构建野火案例时空数据库；构建基于耦合粒子群优化算法的自适应模糊神经推理系统模型；通过时空数据库构建训练集并进行训练学习，得到最优野火风险预警模型。使用卷积长短时记忆网络对野火风险产品进行变化趋势分析，并使用网格搜索和交叉验证的方式对模型参数进行调优，得到卷积长短时记忆网络的最佳结构和参数。该方法通过卷积长短时记忆网络对其变化趋势进行了分析，并使用了网格搜索和交叉验证的方式对模型参数进行了调优，得到了网络的最佳结构和参数。对比模型预警的火险结果和真实的火险情况，该方法可以有效的对野火风险进行预警。火风险进行预警。火风险进行预警。

【技术实现步骤摘要】
基于ANFIS耦合最优化算法的野火风险智能预警方法及系统


[0001]本专利技术涉及遥感
，特别是一种基于ANFIS耦合最优化算法的野火风险智能预警方法及系统。

技术介绍

[0002]野火会对森林和草原生态系统造成了严重的伤害：野火燃烧产生的高温足以毁灭燃烧区域内的所有动植物；野火燃烧产生的烟雾会急剧增加呼吸系统疾病的患病风险；野火燃烧过后，大范围的森林和草原被烧毁后，大范围的土地裸露，森林和草原将面临滑坡、泥石流和土地荒漠化的风险，如果单纯依靠自然恢复的话，整个生态系统会需要几十甚至上百年的时间才可以恢复初始的状态，甚至有很多生态系统无法恢复变成荒漠。依靠人工恢复，就更加消耗了大量的人力财力。川西区域一直存在着野火频发的现象，2019年3月30日，四川省凉山州木里县突发森林大火，过火面积超20公顷，遇难人数高达31人；第二年的同一天，四川省西昌市泸山区域也突发森林大火，火灾过火面积超1000公顷，遇难人数达19人。针对如此巨大的经济损失和人员伤亡，野火风险的精确预警是迫切需要的。
[0003]近年来，随着遥感技术的不断发展，其在时间分辨率、空间分辨率和多源数据协同方面有了明显的成效，根据野火三角模型：野火发生的三个要素分别是：气象、地形和可燃物，这三者目前都可以通过遥感的手段获取到高时空分辨率的数据，而且只需要消耗更少的人力物力成本。目前遥感技术已经逐渐应用于火险评估与预警领域，让火险评估与预警的精度、准确度以及实时性得到了显著的提高，让火险的精确评估与预警成为了可能。
[0004]因此，需要一种预警精度高的实时野火风险预警方法，以及克服目前野火风险预警精度差、分辨率低且无法做到实时预警这一现象。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于ANFIS耦合最优化算法的野火风险智能预警方法及系统，该方法利用通过ANFIS对野火案例数据库进行学习，在模型寻找最优解的过程中耦合智能优化算法，加快模型的拟合速度并提高模型准确度。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]本专利技术提供的基于ANFIS耦合最优化算法的野火风险智能预警方法，包括以下步骤：
[0008]确定预设区域的野火诱发因子，所述野火诱发因子包括可燃物含水率、地上生物量、土地覆盖类型、与道路的直线距离、与河流的直线距离、与铁路的直线距离、与居民区的直线距离、地形因素、风速、温度、降雨量、相对湿度中的任一项或任意项组合；
[0009]构建野火案例时空数据库；
[0010]构建基于耦合粒子群优化算法的自适应模糊神经推理系统模型；
[0011]通过时空数据库构建训练集并进行训练学习，得到最优野火风险预警模型。
[0012]进一步，还包括以下步骤：
[0013]通过得到的最优野火风险预警模型生产预设区域的野火风险产品，使用卷积长短时记忆网络对野火风险产品进行变化趋势分析，并使用网格搜索和交叉验证的方式对模型参数进行调优，得到卷积长短时记忆网络的最佳结构和参数。
[0014]进一步，所述野火案例时空数据库是MCD64A1火烧迹地产品构建的。
[0015]进一步，所述耦合粒子群优化算法的自适应模糊神经推理系统模型按照以下步骤建立：
[0016]初始化粒子群及参数；
[0017]所述粒子群中的所有粒子经过自适应模糊神经网络得到被优化函数的适应值；
[0018]更新个体最优值Pbest及群体最优值Gbest；
[0019]判断是否收敛，如果否，则更新每个粒子的位置矢量和速度矢量；
[0020]如果是，则输出最优解。
[0021]进一步，所述初始化粒子群及参数采用粒子群优化算法PSO，所述粒子群优化算法PSO的最优解是按照以下公式根据个体最优解Pbest和群体最优解Gbest来更新自己的位置和速度：
[0022]V
i
＝V
i
+C1×
rand()
×
(Pbest
i
‑
X
i
)+C2×
rand()
×
(Gbest
i
‑
X
i
)
[0023]式中，V
i
是粒子的新速度，C1表示自我认知项学习因子；C2表示群体认知项学习因子；
[0024]rand()是一个介于0和1的随机数，X
i
是粒子的当前位置，Pbest
i
是第i个个体最优解，Gbest
i
是第i个群体最优解；
[0025]X
i
＝X
i
+V
i
[0026]式中，X
i
是粒子的新位置。
[0027]进一步，所述ANFIS是自适应模糊神经推理系统，所述ANFIS包括五层架构，具体如下：
[0028]第一层对输入的x1和x2进行模糊化处理，使用隶属函数对特征进行模糊化操作，得到0到1的隶属度。
[0029][0030][0031]其中，x，y是节点i的输入，A
i
、B
i
是模糊集。就是A
i
、B
i
的隶属函数值，表示x、y属于A
i
、B
i
的程度。隶属度函数和的形状完全由前件参数确定。
[0032]第二层对第一层的模糊集进行运算，该层主要实现对输入的特征进行代数乘积，每个节点输出表示每条规则的激励强度。
[0033][0034]其中，代表该条规则的可信度。
[0035]第三层会将上一层的每条规则的触发强度进行归一化处理，用以表示使用这个规则的概率。
[0036][0037]其中，和代表所有规则强度的归一化。
[0038]第四层用于输出每个输入特征的线性组合的结果。
[0039][0040]其中，{p
i
、q
i
、r
i
}是该节点的参数集，也称为后件参数
[0041]第五层的功能是将结果去模糊化得到确切的结果。
[0042][0043]其中，是所有输入信号的总输出。
[0044]进一步，还包括以下步骤：
[0045]确定输入层中输入图像的纬度，通过卷积长短时记忆网络ConvLSTM提取其输入图像的特征并通过归一化层对其进行归一化处理，通过二维卷积网络对结果进行输出。
[0046]进一步，所述卷积长短时记忆网络ConvLSTM是通过卷积计算来代替长短时记忆网络LSTM中的全连接层建立的。
[0047]本专利技术提供的基于ANFIS耦合最优化算法的野火风险智能预警系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现上述方法。
[0048]本专利技术的有益效果在于：
[0049]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于ANFIS耦合最优化算法的野火风险智能预警方法，其特征在于：包括以下步骤：确定预设区域的野火诱发因子，所述野火诱发因子包括可燃物含水率、地上生物量、土地覆盖类型、与道路的直线距离、与河流的直线距离、与铁路的直线距离、与居民区的直线距离、地形因素、风速、温度、降雨量、相对湿度中的任一项或任意项组合；构建野火案例时空数据库；构建基于耦合粒子群优化算法的自适应模糊神经推理系统模型；通过时空数据库构建训练集并进行训练学习，得到最优野火风险预警模型。2.如权利要求1所述的基于ANFIS耦合最优化算法的野火风险智能预警方法，其特征在于：还包括以下步骤：通过得到的最优野火风险预警模型生产预设区域的野火风险产品，使用卷积长短时记忆网络对野火风险产品进行变化趋势分析，并使用网格搜索和交叉验证的方式对模型参数进行调优，得到卷积长短时记忆网络的最佳结构和参数。3.如权利要求1所述的基于ANFIS耦合最优化算法的野火风险智能预警方法，其特征在于：所述野火案例时空数据库是MCD64A1火烧迹地产品构建的。4.如权利要求1所述的基于ANFIS耦合最优化算法的野火风险智能预警方法，其特征在于：所述耦合粒子群优化算法的自适应模糊神经推理系统模型按照以下步骤建立：初始化粒子群及参数；所述粒子群中的所有粒子经过自适应模糊神经网络得到被优化函数的适应值；更新个体最优值Pbest及群体最优值Gbest；判断是否收敛，如果否，则更新每个粒子的位置矢量和速度矢量；如果是，则输出最优解。5.如权利要求4所述的基于ANFIS耦合最优化算法的野火风险智能预警方法，其特征在于：所述初始化粒子群及参数采用粒子群优化算法PSO，所述粒子群优化算法PSO的最优解是按照以下公式根据个体最优解Pbest和群体最优解Gbest来更新自己的位置和速度：V
i
＝V
i
+C1×
rand()
×
(Pbest
i
‑
X
i
)+C2×
rand()
×
(Gbest
i
‑
X
i
)式中，V
i
是粒子的新速度，C1表示自我认知项学习因子；C2表示群体认知项学习因子；rand()是一个介于0和1的随机数，X
i<...

【专利技术属性】
技术研发人员：全兴文，焦淼，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：