[发明专利]一种火灾风险等级分布图的绘制方法

权利要求书

1.一种火灾风险等级分布图的绘制方法，其特征在于，包括以下步骤：

选择绘制火灾等级分布图的城市，收集该城市中历史火点发生地的火灾影响因素数据、历史火点发生地的火灾情况数据以建立火灾信息分布情况数据集；所述火灾影响因素数据包括环境信息、危险源和气象信息；所述历史火点发生地的火灾情况数据包括火灾面积大小、财产损失以及人员伤亡情况；

对所述城市内区域中的各类地形地貌进行标记和提取，得到网格数据，网格数据形式为每一经纬度坐标对应一个地形；

利用数据清洗与特征提取方法对火灾信息分布情况数据集进行预处理；

将预处理后的火灾信息分布情况数据集中，历史火点发生地的环境信息、危险源、气象信息作为自变量，分别将火灾面积大小、财产损失、人员伤亡情况作为因变量，采用机器学习算法进行训练，得到火灾面积大小预测模型、财产损失预测模型以及人员伤亡情况预测模型；利用这些预测模型对所述网格数据进行计算，得到每个网格所对应的火灾面积大小、财产损失以及人员伤亡情况预测值；

对所获得的火灾面积大小、财产损失、人员伤亡情况预测值，确定各预测值权重，计算出最终风险值，进行归一化处理和等级划分；

基于所述网格数据以及划分后的等级，绘制火灾风险等级分布图；

所述环境信息具体包括地形地貌、人口密度、建筑物密度；危险源具体包括易燃易爆品、加油站、化工厂和电力设施；气象信息具体包括温度、湿度、风速大小、降雨量；为确保准确度，使每一网格内仅包含一类地形地貌；所有网格划分以及经纬度坐标转换按照一致性原则进行处理；

所述对所述城市内区域中的各类地形地貌进行标记和提取，得到网格数据，包括：

获取城市的瓦片地图，进行图片标记，获取训练集；使用标注工具对部分瓦片图进行标记，标记种类为居住地、森林、树林、河流、海洋、农田、湖泊，公路，每一个标记的图片对应一个xml文件，对获得的xml文件进行批量解析进而获得训练模型所需要的训练集；

下载开源的神经网络框架Darknet53，对其进行编译，修改参数文件后，加入训练集并设置训练权重，保存训练好的模型；

利用训练好的模型对所有瓦片图进行标记和信息提取；

所述利用数据清洗与特征提取方法对火灾信息分布情况数据集进行预处理，包括：

利用多重共线性检验判断输入变量之间是否存在多重共线性；为消除多重共线性，利用主成分分析方法，降低数据维度，减少数据信息的相关度和冗余度；对于非数据量，采取专家经验法直接进行赋值；采用最大、最小归一化方法对数据进行归一化处理，使得各数据的数据范围缩放到[0,1]之间；

所述机器学习算法采用多元线性回归算法处理数据，其模型表达式为：

y＝β₀+β₁Z₁+β₂Z₃+…+β_kZ_k+ε

式中：Z_k为第k个主成分；β₀,β₁,…,β_k为回归系数；ε为随机误差项；多元线性回归模型拟合方式采用最小二乘法，使得误差平方和达到最小；模型评估指标采用均方根误差；

所述确定各预测值权重，计算出最终风险值，进行归一化处理和等级划分，包括：

利用层次分析法对火灾面积大小、财产损失、人员伤亡情况预测值三个因素设置权重，具体包括建立比较矩阵、获得特征值与特征向量，通过计算一致性指标、随机一致性指标和一致性比率判断是否通过一致性检验，若通过一致性检验，则特征向量值为各因素所对应权重；

将每一网格所对应的三个预测值乘以相应的权重值计算出最终风险值，将数据进行归一化处理，数值在[0,0.3)区间设置为低风险，数值在[0.3,0.5)区间设置为中风险，数值在[0.5,0.75)区间设置为中高风险，数值在[0.75,1]区间设置为高风险；

所述基于所述网格数据以及划分后的等级，绘制火灾风险等级分布图，包括：

根据城市的边界坐标利用属性数据选择显示出行政范围，结合同一坐标系统下的航空影像，建立图层，利用ArcMap软件中编辑工具勾画出边界，进行裁剪；将包含所有数据的txt文导入ArcMap软件中，对txt文档中的X Field和Y Field指定为经纬度字段，根据所述的等级划分，对所有数据点进行分类导出到图层，得到火灾风险等级分布图。