[发明专利]基于stacking算法的山火风险预测建模方法

权利要求书

1.基于stacking算法的山火风险预测建模方法，其特征在于包括以下步骤：

A、针对山火风险预测任务的需要，采集从当前时间开始往前一段历史时间内的可燃物因素数据、地理数据、气象数据、历史山火数据；所述可燃物因素数据包括：可燃物含水率FMC、可燃物载荷FL、可燃物类型FT；可燃物因素数据的空间分辨率为500m,时间分辨率为1天；所述地理数据包括高程、坡度、坡向；地理数据空间分辨率为30m；所述气象数据包括温度、湿度、降雨、风速、风向，气象数据的空间分辨率为500m，时间分辨率为1小时；所述历史山火数据包括历史山火发生的经纬度、时间信息；

B、将A步骤采集的气象数据通过时间分辨率融合方法处理得到以天为单位的气象数据；

C、将可燃物因素数据、地理数据、历史山火数据以及B步骤得到的以天为单位的气象数据通过空间数据融合方法实现空间数据的融合匹配；

D、将经过C步骤处理得到的可燃物因素数据、地理数据、气象数据、历史山火数据按照特性变化特性分为动态数据、静态数据、时间数据；所述动态数据记为Dynamic_Indexs，所述静态数据记为Static_Indexs；

E、对动态数据Dynamic_Indexs采用“时间+空间”窗口的统计概括方法提取动态特征Dynamic_Feats；

F、对所有动态特征Dynamic_Feats以及静态数据Static_Indexs中的数值型数据采用min-max方法进行归一化处理，对静态数据Static_Indexs中的离散特征采用one-hot编码方式进行编码处理；

G、将F步骤得到的数据以t₀时间点作为数据划分的分割点，得到两个数据子集；

H、以GBDT构建base模型，具体包括如下：首先，进行数据拆分及特征选择，具体方法如下：提取dataset0数据集的动态特征Dynamic_Feats，将从dataset0中提取的动态特征Dynamic_Feats随机拆分成N份{dataset0_i},i∈[1,…,N]，每份数据子集的每行代表一个像元在某天的观察记录；每列为一个动态特征指标；接着，进行base模型的训练，具体的在{dataset0_i},i∈[1,…,N]上训练GBDT模型，得到N个不同的base模型{basemodel_i},i∈[1,…,N]；

I、构建meta模型，具体方法如下：首先，特征数据集dataset1_new的生成，所述特征数据集dataset1_new的生成方法如下所述：提取dataset1数据集的动态特征Dynamic_Feats，并将提取的动态特征Dynamic_Feats输入base模型{basemodel_i},i∈[1,…,N]得到N个模型的预测概率{pred_i},i∈[1,…,N]，同时提取dataset1数据集的静态数据Static_Indexs，将预测概率{pred_i},i∈[1,…,N]和从dataset1提取的静态数据Static_Indexs组成新的数据集即为dataset1_new；接着在dataset1数据集上构建meta学习模型，并采用logistic回归作为meta学习器，在dataset1_new上进行模型的训练，得到最终的预测模型meta模型。