【技术实现步骤摘要】
本专利技术涉及监测预警，尤其涉及一种面向森林火灾风险预警的模型融合方法。
技术介绍
1、随着人工智能、计算机等领域的快速发展，以数据驱动的机器学习算法逐渐被应用于森林火灾风险预警研究中。如jaafari等[1]构建了证据权重贝叶斯(woe-bayesian)模型对伊朗扎格罗斯山脉的森林火灾发生可能性进行预测，预测精度最高可达80.4％；pham等[2]对比了贝叶斯网络(bn)、朴素贝叶斯(nb)、决策树(dt)和多元逻辑回归(mlp)4个机器学习方法在绘制越南普马特国家公园森林火灾易感性方面的能力，发现bn模型预测效果最好；shao等[3]比较了随机森林(rf)、支持向量机(svm)、多层感知器(mlp)和梯度提升决策树(gbdt)四种机器学习算法在预测中国火灾风险的潜力，认为rf模型表现最高；singh和huang[4]提出基于频率比(frequency ratio,fr)的多层感知机(fr-mlp)、逻辑回归(fr-lr)、分类与回归树(fr-cart)、支持向量机(fr-svm)和随机森林(fr-rf)五个混合机器学习算法，分别绘制了摩洛哥北部森林火灾的易感性地图，结果证明fr-rf的对火灾的预测效果最好。sharma r等人[5]对比了8种机器学习算法，认为gbdt是最适合葡萄牙东北部地区的火灾预测模型。rubíj n s等[6]认为adaboost模型预测野火影响巴西联邦区域的准确率优于rf、ann和svm。而tang x等[7]认为svm模型在江西地区的森林火灾易感性评估中性能最好。thach n n等[8]的研究显
2、jaafari a,gholami d m,zenner e k.a bayesian modeling of wildfireprobability in the zagros mountains,iran.ecological informatics,2017,39:32-44.
3、pham b t,jaafari a,avand m,al-ansari n,dinh du t,yen h p h,phong t v,nguyen d h,le h v,mafi-gholami d,prakash i,thi thuy h,tuyen t t.performanceevaluation of machine learning methods for forest fire modeling andprediction.symmetry,2020,12(6):1022.
4、singh m,huang z.analysis of forest fire dynamics,distribution andmain drivers in the atlantic forest[j].sustainability,2022,14(2):992.
5、singh m,huang z.analysis of forest fire dynamics,distribution andmain drivers in the atlantic forest.sustainability,2022,14(2):992.
6、sharma r,rani s,memon i.a smart approach for fire prediction underuncertain conditions using machine learning[j].multimedia tools andapplications,2020,79:28155-28168.
7、rubíj n s,de carvalho p h p,gondim p r l.application of machinelearning models in the behavioral study of forest fires in the brazilianfederal district region[j].engineering applications of artificialintelligence,2023,118:105649.
8、tang x,machimura t,li j,et al.a novel optimized repeatedly randomundersampling for selecting negative samples:a case study in an svm-basedforest fire susceptibility assessment[j].journal of environmental management,2020,271:111014.
9、thach n n,ngo d b t,xuan-canh p,et al.spatial pattern assessment oftropical forest fire danger at thuan chau area(vietnam)using gis-basedadvanced machine learning algorithms:a comparative study[j].ecologicalinformatics,2018,46:74-85.
10、目前研究在进行森林火灾风险预警多采用单一机器学习模型进行建模。但调研发现，不同模型在相同区域、或相同模型在不同区域，其预测性能表现各异，说明单一模型受算法原理的限制，其泛化能力及稳定性有限。而不同气候区森林火灾的孕灾环境各不相同，且森林环境是一个动态变化的环境，仅采用单一模型进行预测可能会出现不稳定性，导致预测结果缺乏可靠性。
11、为了克服这些缺陷，本申请提出了一种面向森林火灾风险预警的模型融合方法。通过将不同机器学习模型进行有效融合，以充分利用不同算法的优势，可以有效应对单一模型预测存在的不确定性，显著增强预测模型的鲁棒性。不仅能提高模型对于不同区域森林火灾风险预警的泛化能力，还可以提高预测结果的准确性。
技术实现思路
1、本申请的目的是提供一种面向森林火灾风险预警的模型融合方法，旨在解决当前森林火灾风险预警单一模型泛化能力低的问题。
2、为实现上述目的，本申请提供如下技术方案：
3、本申请提供一种面向森林火灾风险预警的模型融合方法，包括：
4、构建森林火灾风险预警的样本集和特征集；
5、基于所述样本集和特征集构建融合模型，输出预测结果；
6、通过评估指标对所述预测结果进行评估和验证。
7、进一步的，所述构建森林火灾风险预警的样本集和特征集的步骤中，具体包括下述步骤：
8本文档来自技高网...
【技术保护点】
1.一种面向森林火灾风险预警的模型融合方法，其特征在于，包括：
2.根据权利要求1所述的一种面向森林火灾风险预警的模型融合方法，其特征在于，所述构建森林火灾风险预警的样本集和特征集的步骤中，具体包括下述步骤：
3.根据权利要求1所述的一种面向森林火灾风险预警的模型融合方法，其特征在于，所述基于所述样本集和特征集构建融合模型，输出预测结果的步骤中，具体包括下述步骤：
4.根据权利要求1所述的一种面向森林火灾风险预警的模型融合方法，其特征在于，所述基于所述样本集中的训练集训练初级学习器，通过训练后的初级学习器对所述样本集中的测试集进行预测，输出预测结果的步骤中，具体包括下述步骤：
5.根据权利要求1所述的一种面向森林火灾风险预警的模型融合方法，其特征在于，所述采用构建好的次级训练集训练次级学习器，通过训练后的次级学习器对所述数据集进行预测，输出最终预测结果的步骤中，具体包括下述步骤：
6.根据权利要求1所述的一种面向森林火灾风险预警的模型融合方法，其特征在于，所述通过评估指标对所述预测结果进行评估和验证的步骤中，具体包括下述
7.一种根据权利要求1所述的一种面向森林火灾风险预警的模型融合方法的系统，其特征在于，包括：
8.一种设备，其特征在于，所述设备包括处理器、与所述处理器耦接的存储器，其中，所述存储器存储有用于实现权利要求1-6任一项所述的一种面向森林火灾风险预警的模型融合方法的程序指令；所述处理器用于执行所述存储器存储的所述程序指令以实现一种面向森林火灾风险预警的模型融合。
9.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1-6任一项所述的一种面向森林火灾风险预警的模型融合方法。
...【技术特征摘要】
1.一种面向森林火灾风险预警的模型融合方法，其特征在于，包括：
2.根据权利要求1所述的一种面向森林火灾风险预警的模型融合方法，其特征在于，所述构建森林火灾风险预警的样本集和特征集的步骤中，具体包括下述步骤：
3.根据权利要求1所述的一种面向森林火灾风险预警的模型融合方法，其特征在于，所述基于所述样本集和特征集构建融合模型，输出预测结果的步骤中，具体包括下述步骤：
4.根据权利要求1所述的一种面向森林火灾风险预警的模型融合方法，其特征在于，所述基于所述样本集中的训练集训练初级学习器，通过训练后的初级学习器对所述样本集中的测试集进行预测，输出预测结果的步骤中，具体包括下述步骤：
5.根据权利要求1所述的一种面向森林火灾风险预警的模型融合方法，其特征在于，所述采用构建好的次级训练集训练次级学习器，通过训练后的次级学习器对...
【专利技术属性】
技术研发人员：赵龙龙，李晓丽，李洪忠，韩宇，陈劲松，
申请(专利权)人：中国科学院深圳先进技术研究院，
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。