论文部分内容阅读
气象因子是影响森林火灾的重要因素,众多专家与学者以气象因子为研究对象展开对森林火险的预测预报,以此提前部署相关的林火防控工作。在全球气候形势复杂,各类气象数据激增的大数据时代背景下,仅以即时观测的气象数据难以实现对森林火险更为准确的预测。预先对有关气象因子进行精准预测可为林火预测提供更及时、更高效的数据支持与科研依据。但传统的气象与森林火险预测模型多为数学方法和浅层神经网络,这些模型在面对大量的气象数据以及不平衡的林火数据集时易出现建模困难、过拟合及预测准确率低下等问题,并不符合气象以及林业大数据的时代趋势。针对上述问题,本文基于深度学习相关理论,分别提出实现气象预测以及森林火险预测的模型与方法,其主要内容如下:(1)以门控循环单元(Gated Recurrent Unit,GRU)网络模型为基础,在原始GRU结构中新增最大信息系数(Maximal Information Coefficient,MIC)算法层,使改进后的预测模型可对多种气象因子进行关联性分析,筛选出预测目标的输入特征;使用Adam优化器以及R-Dropout方法对传统GRU网络进行参数优化与模型改进,进一步提升该模型的预测性能。最后依据上述全部的改进方式提出一种MAR-GRU气象预测模型。实验结果表明,本文所提出的模型在多种评价指标上的预测表现都明显优于原始GRU网络以及其它对比模型,解决了传统气象预测方法在面对大量时间序列类数据时预测表现不佳的问题。同时该部分实验结果还可以为实现气象与森林火险连续的预测提供数据储备。(2)将气象因子作为输入数据,将森林火险等级作为预测输出,选取深度信念网络(Deep Belief Network,DBN)作为基础预测模型。同时针对于林火数据集类别不平衡的问题,提出一种适用于林火数据集的加权过采样SMOTE(Synthetic Minority Oversampling Technique)改进算法。以该算法对少数类林火样本进行过采样处理,使样本集整体处于平衡的状态。最后将改进的SMOTE算法与DBN融合构建出WS-DBN森林火险预测模型。实验结果表明,WS-DBN能够显著提升传统DBN的预测准确率,并在与多种传统林火预测模型的对比实验中均获得胜出。该结果证明了本研究提出的模型预测森林火险的优越性,可为将深度学习应用在林业领域提供一定的参考。(3)将本文提出的两种预测模型融合,构建气象与森林火险连续预测的仿真系统。该系统以气象预测的输出作为森林火险预测的输入,最后将同期的森林火险等级进行预测展出,以实现从气象到森林火险的连续预测与对应结果的可视化展示。该系统可为本文提出的两种预测方法进行实际应用提供一种参考。