【技术实现步骤摘要】
本申请属于火灾预防领域，涉及人工智能技术，尤其涉及一种火灾风险评估方法、电子设备及存储介质。
技术介绍
1、目前的火灾风险评估方案往往仅依赖单一的火灾驱动要素的数据(比如气象数据、可燃物数据等)进行火灾风险评估。然而，火灾的发生往往受多个火灾驱动因素的综合影响，单一的火灾驱动要素难以反映火灾发生的潜在风险，若仅通过单一的火灾驱动要素进行火灾风险评估，将会导致火灾风险的评估准确性不佳，从而无法实现准确地火灾预防。
技术实现思路
1、鉴于以上内容，有必要提供一种火灾风险评估方法、电子设备及存储介质，能够解决火灾风险的评估准确性不佳的技术问题。
2、一方面，本申请提供一种火灾风险评估方法，所述方法包括：获取待评估地区的多张分布图，每张分布图对应一火灾驱动要素；将所述多张分布图输入至预先训练的卷积神经网络模型中，得到所述待评估地区的火灾风险概率地图，所述火灾风险概率地图包括所述待评估地区中多个地理位置对应的像素点，所述火灾风险概率地图中任一个像素点的像素值表示所述任一个像素点对应的地理位置发生火灾的火灾风险概率，包括：将所述多张分布图进行拼接，得到复合分布图，调用所述卷积神经网络模型的主干网络对所述复合分布图进行特征提取，得到初始特征图，调用所述卷积神经网络模型的线性层对所述初始特征图进行线性变换，得到线性特征图，调用所述卷积神经网络模型的激活函数层对所述线性特征图进行非线性变换，得到所述火灾风险概率地图，根据每个火灾风险概率确定对应的地理位置的火灾风险等级。
3、
4、在本申请的一些实施例中，所述方法还包括：获取数据集，并将所述数据集划分为训练集和测试集，所述训练集及所述测试集中均包括历史火灾的多张历史分布图，每个历史分布图对应一每个火灾驱动要素，对所述训练集中的历史分布图进行分类，得到每个季节对应的历史分布图，并根据每个季节对应的历史分布图对预设的卷积神经网络进行训练，得到每个季节对应的初始模型，根据所述测试集确定每个初始模型是否满足要求，在任一季节对应的初始模型满足要求时，将所述任一季节对应的初始模型确定为该季节对应的卷积神经网络模型，或者，在存在不满足要求的初始模型时，对所述不满足要求的初始模型进行下一次训练，确定所述多张分布图对应的季节，并将所述多张分布图输入至所述季节对应的卷积神经网络模型中，得到所述火灾风险概率地图。
5、在本申请的一些实施例中，所述方法还包括：根据多个火灾风险概率计算每个火灾驱动要素对火灾发生的贡献度。
6、在本申请的一些实施例中，每个火灾驱动要素对应的分布图包括该火灾驱动要素在每个地理位置对应的要素值，所述根据多个火灾风险概率计算每个火灾驱动要素对火灾发生的贡献度包括：将每个地理位置在所述多张分布图中对应的多个要素值确定为一组初始要素值，对任一火灾驱动要素在多组初始要素值中对应的要素值之间进行位置变换，得到每组初始要素值对应的一组目标要素值，根据所述卷积神经网络模型及多组目标要素值计算所述任一火灾驱动要素对火灾发生的贡献度。
7、在本申请的一些实施例中，每组目标要素值对应一预设标签数据，所述根据所述卷积神经网络模型及多组目标要素值计算所述任一火灾驱动要素对火灾发生的贡献度包括：获取所述卷积神经网络模型针对每组目标要素值输出的目标火灾风险概率，根据每组目标要素值对应的目标火灾风险概率及预设标签数据，计算所述任一火灾驱动要素对应的目标数值，根据所述任一火灾驱动要素对应的目标数值与多个目标数值的和值之间的比值，确定所述任一火灾驱动要素对火灾发生的贡献度。
8、在本申请的一些实施例中，所述根据每组目标要素值对应的目标火灾风险概率及预设标签数据，计算所述任一火灾驱动要素对应的目标数值包括：计算每组目标要素值对应的目标火灾风险概率与对应的预设标签数据之间的均方误差，并将多个均方误差之间的平均值确定为所述任一火灾驱动要素对应的目标数值。
9、在本申请的一些实施例中，所述根据火灾风险概率确定每个地理位置的火灾风险等级包括：将任一地理位置的火灾风险概率所处的预设概率区间对应的预设风险等级确定为所述任一地理位置的火灾风险等级。
10、另一方面，本申请提供一种电子设备，电子设备包括：存储器，存储至少一个指令；及处理器，执行至少一个指令以实现所述的火灾风险评估方法。
11、另一方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的火灾风险评估方法。
12、通过上述实施方式，每个火灾驱动要素对应的分布图包括该火灾驱动要素在待评估地区的分布情况，将多张分布图进行拼接，使得拼接得到的复合分布图中能够综合多个火灾驱动要素的空间分布情况。通过对复合分布图进行特征提取，使得初始特征图中包括各个火灾驱动要素的关键特征。通过对初始特征图中的多种关键特征进行线性变换及非线性变换，能够提高预测得到的每个地理位置的火灾风险概率的准确性。通过准确的火灾风险概率能够准确地确定每个地理位置的火灾风险等级，从而能够提高火灾风险的评估准确性。此外，由于卷积神经网络模型通过历史火灾的数据预先训练得到，使得卷积神经网络模型能够学习到各个火灾驱动要素与火灾发生之间的关联关系，因此能够确保每个地理位置的火灾风险概率的准确性。
本文档来自技高网...【技术保护点】
1.一种火灾风险评估方法，其特征在于，所述方法包括：
2.如权利要求1所述的火灾风险评估方法，其特征在于，所述火灾驱动要素包括地形要素、气象要素、植被要素及人类活动要素，所述地形要素包括高程、坡度和坡向，所述气象要素包括温度、相对湿度、降雨量及风速，所述植被要素包括植被类型及归一化植被指数NDVI，所述人类活动要素包括人口密度、人均生产总值、每个地理位置与公路之间的距离、每个地理位置与水源之间的距离及每个地理位置与应急部门之间的距离。
3.如权利要求1所述的火灾风险评估方法，其特征在于，所述方法还包括：
4.如权利要求1所述的火灾风险评估方法，其特征在于，所述方法还包括：根据多个火灾风险概率计算每个火灾驱动要素对火灾发生的贡献度。
5.如权利要求4所述的火灾风险评估方法，其特征在于，每个火灾驱动要素对应的分布图包括该火灾驱动要素在每个地理位置对应的要素值，所述根据多个火灾风险概率计算每个火灾驱动要素对火灾发生的贡献度包括：
6.如权利要求5所述的火灾风险评估方法，其特征在于，每组目标要素值对应一预设标签数据，所述根据所述
7.如权利要求6所述的火灾风险评估方法，其特征在于，所述根据每组目标要素值对应的目标火灾风险概率及预设标签数据，计算所述任一火灾驱动要素对应的目标数值包括：
8.如权利要求1所述的火灾风险评估方法，其特征在于，所述根据火灾风险概率确定每个地理位置的火灾风险等级包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至8中任意一项所述的火灾风险评估方法。
10.一种电子设备，其特征在于，所述电子设备包括存储器和至少一个处理器，所述存储器中存储有至少一个指令，所述至少一个指令被所述至少一个处理器执行时实现如权利要求1至8中任意一项所述的火灾风险评估方法。
...【技术特征摘要】
1.一种火灾风险评估方法，其特征在于，所述方法包括：
2.如权利要求1所述的火灾风险评估方法，其特征在于，所述火灾驱动要素包括地形要素、气象要素、植被要素及人类活动要素，所述地形要素包括高程、坡度和坡向，所述气象要素包括温度、相对湿度、降雨量及风速，所述植被要素包括植被类型及归一化植被指数ndvi，所述人类活动要素包括人口密度、人均生产总值、每个地理位置与公路之间的距离、每个地理位置与水源之间的距离及每个地理位置与应急部门之间的距离。
3.如权利要求1所述的火灾风险评估方法，其特征在于，所述方法还包括：
4.如权利要求1所述的火灾风险评估方法，其特征在于，所述方法还包括：根据多个火灾风险概率计算每个火灾驱动要素对火灾发生的贡献度。
5.如权利要求4所述的火灾风险评估方法，其特征在于，每个火灾驱动要素对应的分布图包括该火灾驱动要素在每个地理位置对应的要素值，所述根据多个火灾风险概率计算每个火灾驱动要素对火灾发生的贡献度包括...
【专利技术属性】
技术研发人员：王飞，乔禹铭，姜文宇，郑欣欣，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。