【技术实现步骤摘要】
本专利技术涉及林火蔓延预测，更具体地，涉及一种基于物理信息神经网络的森林火灾蔓延预测方法及系统。
技术介绍
1、随着气候变化的影响，我国森林火灾形势严峻，在这一新时期下，为全面加强我国森林草原防灭火工作，国家层面积极推动防灭火工作的科技创新赋能。在此大背景下，如今主流地使用遥感技术和机器学习等技术对森林火灾进行预测，但是由于森林火灾本身具有对预测的时效性要求较高、且历史数据相对较少等特性，这对使用科技技术预测提出了很多挑战。
2、遥感技术虽然能快速识别潜在火点，实时监控大范围的森林区域，但是对于多维度的数据融合和同步缺乏准确性，且遥感设备成本较高；
3、机器学习虽然规避了多数据融合和同步的缺点，一定程度上提高了预测的准确性，并且降低了成本，但是由于森林中环境的复杂性，对于多种干扰如光照变化、阴影和遮挡等因素无法细致感知，从而影响预测的准确性；而且需要大量的数据样本进行训练，对于缺少大量历史数据的森林火灾来说，训练出来的模型缺少泛化能力。
4、因此，使用传统的遥感和机器学习的方法并不能准确地预测森林火灾蔓延，急需对预测方法进行改进。
技术实现思路
1、本专利技术旨在克服上述现有技术的至少一种缺陷(不足)，提供一种基于物理信息神经网络的森林火灾蔓延预测方法及系统，用于更加可靠、精确地预测森林火灾蔓延态势。
2、根据本申请的第一方面，提供了一种基于物理信息神经网络的森林火灾蔓延预测方法，所述方法包括：
3、获取森林火灾样本数据，
4、构建人工神经网络模型；
5、根据质量守恒和动量守恒定义物理约束误差项，并定义数据误差项，根据所述物理约束误差项和所述数据误差项构建损失函数l；
6、利用所述样本集和所述损失函数l对所述人工神经网络模型进行训练和测试，得到训练好的人工神经网络模型；
7、获取森林火灾实时数据，对所述森林火灾实时数据进行预处理得到预处理后的森林火灾实时数据，将预处理后的森林火灾实时数据输入所述训练好的人工神经网络模型进行森林火灾蔓延预测得到预测结果。
8、可理解的是，本申请沿用人工神经网络模型对森林火灾的火线坐标进行预测，并且引用了物理信息建立损失函数对模型的训练进行指导和验证，能够提高模型的泛化能力，从而使预测输出的数据更为精准可靠。
9、可选地，所述森林火灾样本数据包括森林火灾历史样本数据和/或在实验室模拟森林火灾的试验样本数据。
10、可理解的是，森林火灾是破坏性极大的自然灾害，一旦发生若不进行人为干预，在短时间内能够快速蔓延，其情况难以控制，并且对森林资源、生态系统以及人类生活造成严重危害和损失。所以当森林火灾在发生的初期，更多地需要进行人为尽早干预，以最快的速度扑灭火种，尽可能地减少损失；同时，还会加强森林防火防灾的防治措施，杜绝明火进山引燃，也能从另一角度减少森林火灾的发生。故关于森林火灾的历史数据的收集是稀缺的，所以只用真实的森林火灾历史数据训练模型无法达到训练效果。本申请除了收集森林火灾的历史数据，还采用实验室进行模拟森林火灾，具体模拟真实森林中的各种地形、光照、植被等特性，并且模拟火灾的发生。该方法能够规避真实火灾的破坏性，并且增加训练样本的数据量，达到模型的训练效果，提高模型的学习效果，使得模型预测的数据更加准确可靠。
11、可选地，所述获取森林火灾样本数据，并所述对所述森林火灾样本数据进行预处理得到样本集，具体包括：
12、获取所述森林火灾样本数据中的火线信息，并且根据火线信息建立二维坐标系，根据火线在二维坐标系的位置获取每个时刻的若干个火线点的位置坐标(x,y)；
13、根据不同时刻的同一火线点位置坐标，计算所述火线点在x轴方向上的实际速度ux和在y轴方向上的实际速度uy，再根据所述ux和所述uy计算所述火线点的实际速度矢量uobs；
14、将每一场森林火灾的火线数据作为一个样本，多场森林火灾的火线数据构成一个样本集，其中所述火线数据包括所述若干个火线点的位置坐标(x,y)以及对应的时刻t和对应的所述实际速度矢量uobs。
15、可理解的是，获取火线数据的火线点每个坐标，以及对应的时刻，计算出所述火线点的实际速度矢量uobs。将一条火线拆分为多个火线点进行获取，有助于准确地预测整条火线的蔓延态势；并且根据同一个火线点的不同时刻的坐标位置，计算出所述火线点的蔓延速度矢量，为下面模型的训练验证提供标签，提高模型训练和学习的效率。
16、可选地，所述构建人工神经网络模型，具体包括：
17、每个火线点的位置坐标(x,y)及对应的时刻t、大气初始压力p0作为所述输入层的输入数据；并且将所述输入层的输出数据作为所述隐藏层的输入数据；
18、所述隐藏层对所述输入层的输出数据进行处理和特征提取并输出数据，并将所述隐藏层的输出数据作为所述输出层的输入数据；
19、所述输出层根据隐藏层的输出数据进行处理获取所述火线点在时刻t下在x轴方向上的预测速度u(x,t)、所述火线点在时刻t下y轴方向上的预测速度u(y,t)、所述火线点蔓延时的预测动态压力p，并根据所述火线点在时刻t下在x轴方向上的预测速度u(x,t)、所述火线点在时刻t下y轴方向上的预测速度u(y,t)、所述火线点蔓延时的预测动态压力p计算所述火线点的预测速度矢量u和所述火线点下一个时刻t的预测坐标(xt,yt)。
20、可理解的是，所述构建人工神经网络模型，定义输入层的参数、隐藏层的数量和所述输出层的参数，为预测方法提供一个模型框架，使得模型的输入输出更规范条理。
21、可选地，所述根据质量守恒和动量守恒定义物理约束误差项，具体包括：
22、基于质量守恒的物理信息构建边界函数f1：
23、
24、其中，ρ为所述森林火灾中可燃物燃烧释放的气体密度；k为所述森林火灾中可燃物粒子的热解速率；
25、基于动量守恒的物理信息边界函数f2：
26、
27、其中，τij为所述森林火灾中可燃物燃烧释放的气体粘性应力张量，m为动量守恒固定外力总和常数；
28、其中τij遵循公式：
29、
30、其中，sij为所述森林火灾中可燃物燃烧状态下的变形速率张量，δij所述变形速率张量的参数因子；
31、其中所述森林火灾中可燃物燃烧状态下的变形速率张量sij遵循的公式为：
32、
33、其中，所述变形速率张量参数因子δij遵循的公式为：
34、
35、其中，i取所述训练样本t时刻下的坐标x，j所述训练样本t时刻下的坐标y；
36、故基于质量守恒和动量守恒定义的物理约束误差项lped为：
37、lped＝λ1‖f1‖2+λ2‖f2‖2
38、其中，λ1为质量守恒项的本文档来自技高网...
【技术保护点】
1.一种基于物理信息神经网络的森林火灾蔓延预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于物理信息神经网络的森林火灾蔓延预测方法，其特征在于，所述森林火灾样本数据包括森林火灾历史样本数据和/或在实验室模拟森林火灾的试验样本数据。
3.根据权利要求1所述的一种基于物理信息神经网络的森林火灾蔓延预测方法，其特征在于，所述获取森林火灾样本数据，并对所述森林火灾样本数据进行预处理得到样本集，具体包括：
4.根据权利要求1所述的一种基于物理信息神经网络的森林火灾蔓延预测方法，其特征在于，所述构建人工神经网络模型，具体包括：
5.根据权利要求4所述的一种基于物理信息神经网络的森林火灾蔓延预测方法，其特征在于，所述根据质量守恒和动量守恒定义物理约束误差项，具体包括：
6.根据权利要求1所述的一种基于物理信息神经网络的森林火灾蔓延预测方法，其特征在于，所述定义数据误差项，具体包括：
7.根据权利要求5、6任一项所述的一种基于物理信息神经网络的森林火灾蔓延预测方法，其特征在于，根据所述物理约束误差项和所述
8.一种基于物理信息神经网络的森林火灾蔓延预测系统，其特征在于，所述系统包括：
9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机可读指令，所述处理器执行所述计算机可读指令，实现如权利要求1-7任一项所述的一种基于物理信息神经网络的森林火灾蔓延预测方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1-7任一项所述的一种基于物理信息神经网络的森林火灾蔓延预测方法。
...【技术特征摘要】
1.一种基于物理信息神经网络的森林火灾蔓延预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于物理信息神经网络的森林火灾蔓延预测方法，其特征在于，所述森林火灾样本数据包括森林火灾历史样本数据和/或在实验室模拟森林火灾的试验样本数据。
3.根据权利要求1所述的一种基于物理信息神经网络的森林火灾蔓延预测方法，其特征在于，所述获取森林火灾样本数据，并对所述森林火灾样本数据进行预处理得到样本集，具体包括：
4.根据权利要求1所述的一种基于物理信息神经网络的森林火灾蔓延预测方法，其特征在于，所述构建人工神经网络模型，具体包括：
5.根据权利要求4所述的一种基于物理信息神经网络的森林火灾蔓延预测方法，其特征在于，所述根据质量守恒和动量守恒定义物理约束误差项，具体包括：
6.根据权...
【专利技术属性】
技术研发人员：刘洋鹏，王明怀，许秀玉，周宇飞，
申请(专利权)人：广东省林业科学研究院，
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。