[发明专利]基于stacking算法的山火风险预测建模方法

说明书

本发明公开了一种能够提高预测效率和预测准确性的基于stacking算法的山火风险预测建模方法。该山火风险预测建模方法是基于可燃物因素数据、地理数据、气象数据、历史山火数据等多种时空数据对山火发生风险进行预测，对多源、异构、海量时空数据的处理技术进行了设计，形成了丰富的山火发生预测特征集合；具有处理海量时空数据能力；实现了以数据驱动的建模，避免繁琐、复杂的贝叶斯建模过程，提升了时空数据建模的效率；同时该山火风险预测建模方法兼顾处理时间、空间特征，动态、静态特征的特性，并且通过stacking的方法实现了特征的二次加工生成，提升了山火风险预测的整体效果；通过实验验证AUC指标达到了0.85。适合在数据处理技术领域推广应用。

技术领域

本发明涉及数据处理技术领域，尤其是一种基于stacking算法的山火风险预测建模方法。

背景技术

自上世纪20年代以来，人们对山火发生风险的预测预警的研究从未停止。得益于遥感、气象等海量时空数据的采集，以及现代信息处理和分析能力的巨大进步，山火风险预测从早期依赖于试验、数值计算等技术，到如今数据挖掘、机器学习等多种技术快速发展的局面。

在采用监督式数据挖掘方法进行山火风险预测的方法中，以贝叶斯网络、决策树、SVM等监督学习技术为代表。主要方法是：以区域(或像元)未来是否发生山火(或过火面积)作为山火风险等级标识，以气象要素(温度、湿度、降雨、风速、风向)、人类活动等因素作为特征，构建统计学习模型从而实现对山火风险的预测。

贝叶斯网络利用贝叶斯概率建模技术预测某区域(像元)未来是否发生山火。这类方法利用贝叶斯网络技术通过对影响山火发生的(气象等)因子构建概率模型，从而实现对山火发生的预测。这种技术的优点是能够刻画不确定性、可采用人类专家知识等，但在海量数据处理方面具有较大的时间、空间复杂度，在利用遥感、气象等海量时空数据进行预测方面存在较大的制约。

现有的研究中，决策树、SVM、神经网络经典的机器学习模型通常以过火面积等级作为目标变量进行监督式学习。从应用场景上，以过火面积作为风险预测目标，既可应用于山火发生初期预测山火蔓延风险，也可用于在已知环境条件下对未来短期内是否发生山火风险进行预测。这类方法以数据驱动建模和预测，能够避免复杂、繁琐的建模过程。但现有的研究和应用在主要采用的数据是遥感或者气象数据，数据源较单一；并且对时空数据具有的时空自相关、空间异质性等处理不多。

时空数据挖掘是一种以时空数据作为研究对象的数据挖掘方法，近年来随着时空数据的积累，时空数据挖掘成为了研究和应用热点。目前，在犯罪、疾病预测分析方面，时空数据挖掘技术已被使用，而在山火预测方面尚无公开的相关文献资料。

发明内容

本发明所要解决的技术问题是提供一种能够提高预测效率和预测准确性的基于stacking算法的山火风险预测建模方法。

本发明解决其技术问题所采用的技术方案为：该基于stacking算法的山火风险预测建模方法，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；

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；