一种构建森林火险预测模型的方法及装置与流程

本申请涉及火险预测技术领域，具体而言，涉及一种构建森林火险预测模型的方法及装置。

背景技术：

森林资源是地球上最为重要的自然资源之一，一方面，森林是地球生态系统的主要组成部分，具有调节气候、制氧、防风固沙、消除噪音、净化环境的作用，另一方面，森林也为人们的生产生活提供了大量的资源，例如，为人们提供原木材、纸浆制材、人造板材等各种林业制品和植物加工副产品。因而，保护森林具有无可替代的经济意义、生态意义和社会意义。其中，如何预防森林自然火险是森林保护的重点研究领域。

目前，随着国家对森林防火工作的重视和科学的进步，我国于1992年和1994年分别通过关科研单位结合我国森林防火工作的实践，制订了《全国森林火险区划等级》和《全国森林火险天气等级》行业标准，并由林业部颁布实施，以作为我国森林火险预测的基准。其中，利用线性回归的logistics模型表达森林火险等级(p)与火险因子(x)之间的关系，其线性表达式如下：

式中，

p为森林火险等级；

x1、x2、...、xn为火险因子；

β1、β2、…、βn为火险因子系数，β0为常数。

但该森林火险预测方法，由于各火险因子一般具有多维度的复杂性，各火险因子相互关联，因而，采用线性回归的logistics模型的森林火险预测具有一定的局限性，预测结果的精度还有待提高；进一步地，对于互联网时代的大数据，线性回归的logistics模型还不能满足大数据的分析处理要求。

技术实现要素：

有鉴于此，本申请的目的在于提供一种构建森林火险预测模型的方法及装置，提升森林火险的预测精度。

第一方面，本申请实施例提供了一种构建森林火险预测模型的方法，该方法包括：

获取目标区域的历史自然森林火险信息，所述历史自然森林火险信息包括过火面积信息以及过火持续时间信息；

获取所述目标区域发生火险时的历史气象数据信息及植被类型信息；

对所述历史自然森林火险信息和所述历史气象数据信息及植被类型信息中存在缺项的数据记录进行过滤，得到待处理历史自然森林火险信息和待处理历史气象数据信息及植被类型信息；

利用logistic函数对所述待处理历史自然森林火险信息和待处理历史气象数据信息进行平滑处理，得到历史自然森林火险平滑信息和历史气象数据平滑信息；

对所述历史自然森林火险平滑信息和历史气象数据平滑信息进行归一化处理，得到历史自然森林火险归一信息和历史气象数据归一信息，将火险发生时历史自然森林火险归一信息与所述火险发生时的历史气象数据归一信息对应，构建历史自然森林火险归一信息与历史气象数据归一信息的映射关系；

以所述历史气象数据归一信息以及植被类型信息作为长短时记忆法模型的输入，以所述历史气象数据归一信息映射的历史自然森林火险归一信息作为所述长短时记忆法模型的输出，对所述长短时记忆法模型进行训练，直至训练的长短时记忆法模型满足预先设置的精度要求，得到森林火险预测模型。

可选地，所述待处理历史自然森林火险信息包括过火面积信息，利用logistic函数对所述待处理历史自然森林火险信息进行平滑处理包括：

提取所述待处理历史自然森林火险信息中的过火面积信息；

依据所述logistic函数对提取的过火面积信息进行拟合，根据拟合结果确定所述logistic函数中所述过火面积信息的拟合权值；

依据确定的所述logistic函数的拟合权值，依次对提取的过火面积信息进行运算，得到该过火面积信息对应的过火面积平滑信息。

可选地，所述对所述长短时记忆法模型进行训练，直至训练的长短时记忆法模型满足预先设置的精度要求，包括：

采用k-s算法，将历史气象数据归一信息与历史自然森林火险归一信息组成的数据集划分为训练集以及测试集；

以训练集对长短时记忆法模型进行训练后，以测试集对训练的长短时记忆法模型进行测试，若测试结果满足预先设置的精度要求，则停止对长短时记忆法模型的训练，若测试结果不满足预先设置的精度要求，则继续依据训练集对长短时记忆法模型进行训练，直至测试结果满足预先设置的精度要求。

可选地，所述方法还包括：

将预先设置的测试集中的历史测试气象数据归一信息以及植被类型信息作为所述森林火险预测模型的输入，得到预测结果，所述预测结果包括：预测的过火面积信息的归一化信息以及过火持续时间信息的归一化信息；

依据所述预测结果以及所述历史测试气象数据归一信息对应的历史过火面积信息以及历史过火持续时间信息，绘制损失函数曲线、预测结果散点图，以及，计算准确性度量值；

依据所述损失函数曲线、预测结果散点图以及准确性度量值，对所述森林火险预测模型的精度进行评价。

可选地，所述方法还包括：

获取所述目标区域当前的气象数据信息及植被类型信息；

将所述当前的气象数据信息及植被类型信息作为所述森林火险预测模型的输入，得到对所述目标区域的森林火险预测信息，所述森林火险预测信息包括：过火面积信息的归一化信息以及过火持续时间信息的归一化信息。

可选地，所述历史气象数据信息及植被类型信息包括：日最高气温、日最低气温、日均气温、前一个月日均气温低于18摄氏度天数、前一个月日均气温高于18摄氏度天数、总降雨量、总降雪量、地面积雪厚度、日最大风向以及日最大风速。

第二方面，本申请实施例提供了一种构建森林火险预测模型的装置，该装置包括：

火险信息获取模块，用于获取目标区域的历史自然森林火险信息，所述历史自然森林火险信息包括过火面积信息以及过火持续时间信息；

气象数据信息获取模块，用于获取所述目标区域发生火险时的历史气象数据信息及植被类型信息；

信息过滤模块，用于对所述历史自然森林火险信息和所述历史气象数据信息及植被类型信息中存在缺项的数据记录进行过滤，得到待处理历史自然森林火险信息和待处理历史气象数据信息及植被类型信息；

平滑处理模块，用于利用logistic函数对所述待处理历史自然森林火险信息和待处理历史气象数据信息及植被类型信息进行平滑处理，得到历史自然森林火险平滑信息和历史气象数据平滑信息；

归一化处理模块，用于对所述历史自然森林火险平滑信息和历史气象数据平滑信息进行归一化处理，得到历史自然森林火险归一信息和历史气象数据归一信息，将火险发生时历史自然森林火险归一信息与所述火险发生时的历史气象数据归一信息对应，构建历史自然森林火险归一信息与历史气象数据归一信息的映射关系；

模型生成模块，用于以所述历史气象数据归一信息以及植被类型信息作为长短时记忆法模型的输入，以所述历史气象数据归一信息映射的历史自然森林火险归一信息作为所述长短时记忆法模型的输出，对所述长短时记忆法模型进行训练，直至训练的长短时记忆法模型满足预先设置的精度要求，得到森林火险预测模型。

可选地，所述平滑处理模块，具体用于：

提取所述待处理历史自然森林火险信息中的过火面积信息；

依据所述logistic函数对提取的过火面积信息进行拟合，根据拟合结果确定所述logistic函数中所述过火面积信息的拟合权值；

依据确定的所述logistic函数的拟合权值，依次对提取的过火面积信息进行运算，得到该过火面积信息对应的过火面积平滑信息。

可选地，所述装置还包括：

模型评价模块，用于将预先设置的测试集中的历史测试气象数据归一信息以及植被类型信息作为所述森林火险预测模型的输入，得到预测结果，所述预测结果包括：预测的过火面积信息的归一化信息以及过火持续时间信息的归一化信息；

依据所述预测结果以及所述历史测试气象数据归一信息对应的历史过火面积信息以及历史过火持续时间信息，绘制损失函数曲线、预测结果散点图，以及，计算准确性度量值；

依据所述损失函数曲线、预测结果散点图以及准确性度量值，对所述森林火险预测模型的精度进行评价。

可选地，所述装置还包括：

火险预测模块，用于获取所述目标区域当前的气象数据信息及植被类型信息；

将所述当前的气象数据信息及植被类型信息作为所述森林火险预测模型的输入，得到对所述目标区域的森林火险预测信息，所述森林火险预测信息包括：过火面积信息的归一化信息以及过火持续时间信息的归一化信息。

本申请实施例提供的一种构建森林火险预测模型的方法及装置，通过利用过火面积信息以及过火持续时间信息表征历史自然森林火险信息，可以降低人为因素引起的森林火险的干扰，利用logistics函数对获取的历史气象数据信息和历史自然森林火险信息进行平滑处理，可以有效提升森林火险预测模型的准确度，再通过对平滑处理的信息进行归一化处理，最后输入长短时记忆法模型进行训练，避免了采用线性回归的logistics模型的森林火险预测具有的局限性，能够有效提升预测结果的精度。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的构建森林火险预测模型的方法流程示意图；

图2为本申请实施例提供的构建森林火险预测模型的装置结构示意图；

图3为本申请实施例提供的一种计算机设备300的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的构建森林火险预测模型的方法流程示意图。如图1所示，该方法包括：

步骤101，获取目标区域的历史自然森林火险信息，所述历史自然森林火险信息包括过火面积信息以及过火持续时间信息；

本申请实施例中，通过分析大量的历史森林火险信息，其中，过火持续时间信息和过火面积信息能够直接反映森林火险的发生规模与发生概率，过火持续时间越长、过火面积越大，则认为自然森林火险发生的概率越高，过火持续时间短且过火面积小的森林火险，受人为因素影响较大，实际的森林火险发生概率很低甚至可以避免。因而，本申请实施例中，利用过火面积信息以及过火持续时间信息表征历史自然森林火险信息，这样，一方面，可以有效减少需要处理的森林火险信息数量，另一方面，可以降低人为因素引起的森林火险的干扰，提升自然森林火险预测的精度。

本申请实施例中，获取的是自然条件下发生的森林火险信息，不包括人为条件发生的森林火险信息，例如，由于吸烟或扫墓发生的森林火险信息。

步骤102，获取所述目标区域发生火险时的历史气象数据信息及植被类型信息；

本申请实施例中，作为一可选实施例，可以从网络以及相关部门搜集目标区域在预定时间段内的历史气象数据信息及植被类型信息和历史自然森林火险信息(历史林火数据)。例如，可以利用网络爬虫技术从相关网站爬取目标区域的历史气象数据信息及植被类型信息和历史自然森林火险信息，以及，从林场管理机构或气象站等相关部门搜集目标区域的历史气象数据信息及植被类型信息和历史自然森林火险信息。

本申请实施例中，作为一可选实施例，历史气象数据信息及植被类型信息为历史日气象数据信息，历史日气象数据信息包括：日最高气温、日最低气温、日均气温、前一个月日均气温低于18摄氏度天数、前一个月日均气温高于18摄氏度天数、总降雨量、总降雪量、地面积雪厚度、日最大风向、日最大风速等。作为另一可选实施例，历史气象数据信息及植被类型信息还可以包括目标区域的地理数据以及植被数据，其中，地理数据包括：经度、纬度以及海拔，植被数据包括森林覆盖率以及主要植被类型。

步骤103，对所述历史自然森林火险信息和所述历史气象数据信息及植被类型信息中存在缺项的数据记录进行过滤，得到待处理历史自然森林火险信息和待处理历史气象数据信息及植被类型信息；

本申请实施例中，由于采集或获取了海量的多维数据，而海量数据中存在着噪声、干扰信息、不相关信息以及不完整信息，因而，需要从海量数据中剔除无用信息(噪声、干扰信息、不相关信息以及不完整信息)，以提高数据的可靠性，进而提升后续构建的森林火险预测模型的精度。

本申请实施例中，作为一可选实施例，以历史气象数据信息及植被类型信息为例，进行过滤包括：首先对有数据残缺项(不完整信息)的历史气象数据信息及植被类型信息进行初步清洗，对历史气象数据信息及植被类型信息中包含的统计值进行极值检验和时间一致性检验，并对己查出的错误记录进行更改。

步骤104，利用logistic函数对所述待处理历史自然森林火险信息和待处理历史气象数据信息进行平滑处理，得到历史自然森林火险平滑信息和历史气象数据平滑信息；

本申请实施例中，作为一可选实施例，以过火面积信息为例，利用logistic函数对所述待处理历史自然森林火险信息进行平滑处理包括：

a11，提取所述待处理历史自然森林火险信息中的过火面积信息；

本申请实施例中，对于待处理历史自然森林火险信息中包含的过火持续时间信息，其平滑处理方式与过火面积信息的平滑处理方式相同。同样地，对于历史气象数据信息及植被类型信息中的日最高气温、日最低气温等参数，其平滑处理方式也相同。

a12，依据所述logistic函数对提取的过火面积信息进行拟合，根据拟合结果确定所述logistic函数中所述过火面积信息的拟合权值；

本申请实施例中，logistic函数公式如下：

式中，

yi为待处理历史自然森林火险信息或待处理历史气象数据信息及植被类型信息中的第i个参数的平滑处理值；

ki为行业标准设定的值；

αi为第i个参数的第一拟合权值；

为第i个参数的第二拟合权值；

xi为第i个参数。

本申请实施例中，通过对提取的目标区域中的各过火面积信息进行拟合，可以确定logistic函数中对应该过火面积信息的第一拟合权值和第二拟合权值。依据与该类似的方法，可以确定logistic函数中对应过火持续时间信息的第一拟合权值和第二拟合权值。

本申请实施例中，作为一可选实施例，对于日最高气温，对应的logistic函数为：

对于日最小相对湿度，对应的logistic函数为：

对于日最大风速，对应的logistic函数为：

a13，依据确定的所述logistic函数的拟合权值，依次对提取的过火面积信息进行运算，得到该过火面积信息对应的过火面积平滑信息。

本申请实施例中，在确定了logistic函数的拟合权值后，可以依据该确定拟合权值后的logistic函数，对过火面积信息进行平滑处理。

本申请实施例中，相关验证结果表明，采用logistic函数进行平滑处理，平滑处理的准确度最高。

步骤105，对所述历史自然森林火险平滑信息和历史气象数据平滑信息进行归一化处理，得到历史自然森林火险归一信息和历史气象数据归一信息，将火险发生时历史自然森林火险归一信息与所述火险发生时的历史气象数据归一信息对应，构建历史自然森林火险归一信息与历史气象数据归一信息的映射关系；

本申请实施例中，在构建森林火险预测模型时，输入量为历史气象数据平滑信息以及植被类型信息，输出量为历史自然森林火险平滑信息，但由于历史气象数据平滑信息中的各参数在数值上差异巨大，如果直接依据各参数值进行训练，在找到森林火险预测模型的最优解前，森林火险预测模型梯度下降的过程会非常曲折，且非常耗时，进而对森林火险预测模型预测的准确度也会产生影响。因而，本申请实施例中，采用归一化处理的方法，分别对历史自然森林火险平滑信息和历史气象数据平滑信息进行归一化处理。这样，通过归一化处理，可以消除各参数之间的量纲影响，使得各参数之间具有可比性，适合进行综合对比评价。

本申请实施例中，利用下述离差标准化(min-maxscaling)归一化公式进行归一化处理：

式中，

z为第i个参数的归一信息；

xi为第i个参数的平滑信息；

min(xi)为第i个参数的平滑信息之前的预定数的平滑信息中的最小平滑信息；

max(xi)为第i个参数的平滑信息之前的预定数的平滑信息中的最大平滑信息。

本申请实施例中，通过归一化处理，可以将各参数归一化至[0，1]区间内。

本申请实施例中，按照日期，构建历史自然森林火险归一信息与历史气象数据归一信息的映射关系。例如，依据历史自然森林火险信息中的过火持续时间信息，获取该过火持续时间信息内的历史日气象数据信息，构建该历史自然森林火险信息对应的历史自然森林火险归一信息与获取的历史日气象数据信息对应的历史气象数据归一信息。如果历史日气象数据信息没有对应的历史自然森林火险信息，则可以设置该历史日气象数据信息映射的历史自然森林火险信息中的过火面积信息以及过火持续时间信息均为零。

步骤106，以所述历史气象数据归一信息以及植被类型信息作为长短时记忆法模型的输入，以所述历史气象数据归一信息映射的历史自然森林火险归一信息作为所述长短时记忆法模型的输出，对所述长短时记忆法模型进行训练，直至训练的长短时记忆法模型满足预先设置的精度要求，得到森林火险预测模型。

本申请实施例中，长短时记忆法(lstm，longshorttermmemory)模型能够解决循环神经网络(rnn，recurrentneuralnetwork)模型的长期依赖关系，lstm模型通过在细胞中增加输入门、输出门和遗忘门结构来改善长期依赖问题。

本申请实施例中，在对长短时记忆法模型进行训练时，可以将历史气象数据归一信息与历史自然森林火险归一信息以及植被类型信息组成的数据集划分为训练集以及测试集。其中，训练的植被类型信息为进行过滤处理的植被类型信息。例如，采用kennard-stone(k-s)算法，将数据集的70％划分为训练集，数据集的30％划分为测试集。以训练集对长短时记忆法模型进行训练，以测试集对训练的长短时记忆法模型进行测试，若测试结果满足预先设置的精度要求，则可以停止对长短时记忆法模型的训练，若测试结果不满足预先设置的精度要求，则继续对长短时记忆法模型进行训练，直至测试结果满足预先设置的精度要求。

本申请实施例中，利用logistics函数对获取的历史气象数据信息和历史自然森林火险信息进行平滑处理，可以有效提升森林火险预测模型的准确度，再通过对平滑处理的信息进行归一化处理，最后输入lstm模型进行训练，避免了采用线性回归的logistics模型的森林火险预测具有的局限性，能够有效提升预测结果的精度；进一步地，lstm模型既可以适应历史气象数据信息及植被类型信息和历史自然森林火险信息的时序性，又可以在对海量数据建模时取得更好的拟合效果，满足大数据的分析处理要求。

本申请实施例中，作为一可选实施例，还可以对森林火险预测模型的精度进行评价。因而，该方法还包括：

将预先设置的测试集中的历史测试气象数据归一信息以及植被类型信息作为所述森林火险预测模型的输入，得到预测结果，所述预测结果包括：预测的过火面积信息的归一化信息以及过火持续时间信息的归一化信息；

依据所述预测结果以及所述历史测试气象数据归一信息对应的历史过火面积信息以及历史过火持续时间信息，绘制损失函数曲线、预测结果散点图，以及，计算准确性度量值；

依据所述损失函数曲线、预测结果散点图以及准确性度量值，对所述森林火险预测模型的精度进行评价。

本申请实施例中，作为一可选实施例，准确性度量值包括：均方误差值、相关系数、标准差、交互验证标准差、预测标准差、相对分析误差等。通过损失函数曲线和预测结果散点图以及计算出的各准确性度量值，可以确定森林火险预测模型的精度。

本申请实施例中，作为另一可选实施例，还可以利用森林火险预测模型进行森林火险预测。因而，该方法还包括：

获取所述目标区域当前的气象数据信息及植被类型信息；

将所述当前的气象数据信息及植被类型信息作为所述森林火险预测模型的输入，得到对所述目标区域的森林火险预测信息。

本申请实施例中，可以对当前气象数据信息进行平滑和归一化处理。森林火险预测信息包括：过火面积预测信息的归一化信息以及过火持续时间预测信息的归一化信息。从而利用过火面积预测信息的归一化信息以及过火持续时间预测信息的归一化信息，表征目标区域发生森林火险的概率，预测结果更直观。

图2为本申请实施例提供的构建森林火险预测模型的装置结构示意图。如图2所示，该装置包括：

火险信息获取模块201，用于获取目标区域的历史自然森林火险信息，所述历史自然森林火险信息包括过火面积信息以及过火持续时间信息；

本申请实施例中，利用过火面积信息以及过火持续时间信息表征历史自然森林火险信息，可以降低人为因素引起的森林火险的干扰。

气象数据信息获取模块202，用于获取所述目标区域发生火险时的历史气象数据信息及植被类型信息；

本申请实施例中，利用网络爬虫技术从相关网站爬取目标区域的历史气象数据信息及植被类型信息和历史自然森林火险信息，以及，从林场管理机构或气象站等相关部门搜集目标区域的历史气象数据信息及植被类型信息和历史自然森林火险信息。

本申请实施例中，作为一可选实施例，历史气象数据信息及植被类型信息为历史日气象数据信息，历史日气象数据信息包括：日最高气温、日最低气温、日均气温、前一个月日均气温低于18摄氏度天数、前一个月日均气温高于18摄氏度天数、总降雨量、总降雪量、地面积雪厚度、日最大风向、日最大风速等。

信息过滤模块203，用于对所述历史自然森林火险信息和所述历史气象数据信息及植被类型信息中存在缺项的数据记录进行过滤，得到待处理历史自然森林火险信息和待处理历史气象数据信息及植被类型信息；

平滑处理模块204，用于利用logistic函数对所述待处理历史自然森林火险信息和待处理历史气象数据信息进行平滑处理，得到历史自然森林火险平滑信息和历史气象数据平滑信息；

归一化处理模块205，用于对所述历史自然森林火险平滑信息和历史气象数据平滑信息进行归一化处理，得到历史自然森林火险归一信息和历史气象数据归一信息，将火险发生时历史自然森林火险归一信息与所述火险发生时的历史气象数据归一信息对应，构建历史自然森林火险归一信息与历史气象数据归一信息的映射关系；

本申请实施例中，采用归一化处理的方法，分别对历史自然森林火险平滑信息和历史气象数据平滑信息进行归一化处理。这样，通过归一化处理，可以消除各参数之间的量纲影响，使得各参数之间具有可比性，适合进行综合对比评价。

本申请实施例中，利用离差标准化归一化公式进行归一化处理。

模型生成模块206，用于以所述历史气象数据归一信息以及植被类型信息作为长短时记忆法模型的输入，以所述历史气象数据归一信息映射的历史自然森林火险归一信息作为所述长短时记忆法模型的输出，对所述长短时记忆法模型进行训练，直至训练的长短时记忆法模型满足预先设置的精度要求，得到森林火险预测模型。

本申请实施例中，作为一可选实施例，对所述长短时记忆法模型进行训练，直至训练的长短时记忆法模型满足预先设置的精度要求，包括：

采用k-s算法，将历史气象数据归一信息与历史自然森林火险归一信息组成的数据集划分为训练集以及测试集；

以训练集对长短时记忆法模型进行训练后，以测试集对训练的长短时记忆法模型进行测试，若测试结果满足预先设置的精度要求，则停止对长短时记忆法模型的训练，若测试结果不满足预先设置的精度要求，则继续依据训练集对长短时记忆法模型进行训练，直至测试结果满足预先设置的精度要求。

本申请实施例中，作为一可选实施例，平滑处理模块204，具体用于：

提取所述待处理历史自然森林火险信息中的过火面积信息；

依据所述logistic函数对提取的过火面积信息进行拟合，根据拟合结果确定所述logistic函数中所述过火面积信息的拟合权值；

依据确定的所述logistic函数的拟合权值，依次对提取的过火面积信息进行运算，得到该过火面积信息对应的过火面积平滑信息。

本申请实施例中，作为一可选实施例，该装置还包括：

模型评价模块(图中未示出)，用于将预先设置的测试集中的历史测试气象数据归一信息以及植被类型信息作为所述森林火险预测模型的输入，得到预测结果，所述预测结果包括：预测的过火面积信息的归一化信息以及过火持续时间信息的归一化信息；

依据所述预测结果以及所述历史测试气象数据归一信息对应的历史过火面积信息以及历史过火持续时间信息，绘制损失函数曲线、预测结果散点图，以及，计算准确性度量值；

依据所述损失函数曲线、预测结果散点图以及准确性度量值，对所述森林火险预测模型的精度进行评价。

本申请实施例中，作为另一可选实施例，该装置还包括：

火险预测模块(图中未示出)，用于获取所述目标区域当前的气象数据信息及植被类型信息；

将所述当前的气象数据信息及植被类型信息作为所述森林火险预测模型的输入，得到对所述目标区域的森林火险预测信息，所述森林火险预测信息包括：过火面积信息的归一化信息以及过火持续时间信息的归一化信息。

如图3所示，本申请一实施例提供了一种计算机设备300，用于执行图1中的构建森林火险预测模型的方法，该设备包括存储器301、处理器302及存储在该存储器301上并可在该处理器302上运行的计算机程序，其中，上述处理器302执行上述计算机程序时实现上述构建森林火险预测模型的方法的步骤。

具体地，上述存储器301和处理器302能够为通用的存储器和处理器，这里不做具体限定，当处理器302运行存储器301存储的计算机程序时，能够执行上述构建森林火险预测模型的方法。

对应于图1中的构建森林火险预测模型的方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述构建森林火险预测模型的方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述构建森林火险预测模型的方法。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。