基于迁移学习的少样本森林可燃物含水率预测方法

本发明公开了基于迁移学习的少样本森林可燃物含水率预测方法，该方法包括：通过林间分布的传感器采集林间的温度、湿度、风速、气压以及可燃物样本的近红外光谱反射率数据，并周期性地在每个传感器分布区域内采集可燃物样本，测量每份样本的含水率作为标签数据；构建LSTM作为特征提取器的多源迁移学习模型；为多个源‑目标域对构建单独的子网络，并采用集成学习的思想，将不同子网络的输出值进行算术平均，得到最终的预测结果；在模型推理阶段，将新采集的数据输入到训练好的模型中，输出可燃物含水率的预测结果。本发明实现了可燃物湿度预测模型在不同地区的高效、低成本复用，有效解决了以往预测模型在不同地域场景下性能下降的问题。