基于VLBP神经网络的林火风险预测模型

以北京房山区林火为研究对象,用神经网络方法研究了林火发生及蔓延与环境因子间的关系。研究流程为用GPS采集了林火火场中心数据,测量了火场面积。用GIS做空间分析,提取了火场空间环境因子。将数据在Matlab中用VLBP神经网络进行训练,建立了林火风险的预测方程。该风险模型由林火发生的风险模型和林火的蔓延风险模型组成。由于该模型采用的方法不依赖于先验统计模型,所采用的神经网络方法对非线性的数学关系有很强的预测能力,因而该模型具有很强的通用性。     

动态数据驱动的林火蔓延模型适宜性选择

基于BP人工神经网络方法设计林火模型适宜性选择技术框架结构,通过神经网络形成林火模型选择知识,实现林火模型的自动化和智能化选择;以火场环境因子为输入变量,以适宜火场环境模拟的林火蔓延模型作为输出变量,构建林火模型选择神经网络模型;研究输入、输出因子数据的获取与计算方式,实现动态数据驱动的林火模型自动选择机制.以北京市为例,选择有详细火场情况记录的72场林火作为试验样本,其中60条记录作为学习样本集,12条记录作为验证样本,对神经网络进行学习和验证,结果表明:模型选择精度可达到80%以上.     

基于知识发现理论的森林防火模型研究

森林火灾危害严重,是一种极其复杂的现象,影响因子因地域的不同而存在多变性和不确定性.文章创新性地提出一套基于知识发现理论的森林防火模型方法.该模型充分考虑了自然因素和社会因素对林火的影响,研究了林火发生及蔓延与环境因素之间的关系;利用知识发现技术的空间算法和时序数据处理算法,建立林火发生和蔓延的时空模型,为林火研究提供...     

基于APRIORI算法的林火发生与气象关系的分析

传统的气象林火火险预测方法只适应于省级以上的大地域林火发生风险的宏观预测,不能用于林场一级的小地域的林火发生预测。林场一级的单位缺乏精确的林火发生数据和实用有效的林火监测手段,记录数据一般较粗放,难以用精确的方法进行预测。本文利用关联算法Apriori,分析了北京市房山区林火发生的可能性及发生强度与气象因子间的关系。研究结果表明,Apriori算法可以有效地利用粗放的林火数据集进行林火预测,为基层林场预测林火发生提供了方法。     

地面林火蔓延的几种形式及其计算方法

研究地面林火蔓延的各种形式及其计算方法,有助于更准确地计算林火蔓延速率、火场面积及林火强度。计算林火蔓延速率,不仅可以对林火行为和火灾危害程度进行预测预报,还可以及时了解火场面积大小,为扑火指挥员作出扑火的动态决策提供科学的依据,并能确定和预报规定火烧的安全指     

林火行为蔓延模型研究进展

森林火行为特征是进行林火预防和林火扑救的主要参考依据之一,林火行为研究在森林防火中具有重要意义。其中,林火蔓延作为关键的林火行为特征因子,林火蔓延模拟模型的构建研究一直是国内外的研究热点。文中将国内外各主要林火蔓延模拟模型按照模拟维度分为一维的传统模型和二维的空间模拟模型,总结了不同构建方法下传统模型的应用特点以及空间模拟模型的构成方法和选择;介绍了目前美国、加拿大、澳大利亚等林火管理发达国家主流的林火空间模拟系统的关键技术要点和适用条件;结合我国实际情况提出了相关研究应用建议,以期为发展我国自己的林火蔓延空间模拟模型提供参考。     

基于深度学习的内蒙古大兴安岭林区火灾预测建模研究

[目的 ]对内蒙古大兴安岭地区的森林火灾进行预测,为森林防火工作的开展提供重要支持。[方法 ]以内蒙古大兴安岭林区为研究对象,结合MCD64 A1月度火点产品、地形、气候等数据,构建森林火灾潜在影响因子数据集,分别利用卷积神经网络、随机森林、支持向量机模型对研究区森林火灾的发生概率进行预测与可视化,在此基础上对模型效果进行评价并分析森林火灾空间分布特征。[结果 ]大兴安岭的主要林火驱动因子按重要性值由高到低排序为海拔、平均气温、总降水量、与水域的距离等;CNN、RF、SVM预测森林火灾发生概率的AUC值分别为0.838、0.794、0.788,CNN的精度最高;CNN能够有效划分出森林火灾易感性极高、极低的区域,有利于划分森林火灾的警示区。[结论 ]CNN模型比RF、SVM模型更适用于大兴安岭林火发生概率的预测;大兴安岭林火风险的空间分布有明显的区域性,主要发生在东南地区。     

基于气象因子深度学习的森林火灾预测方法

森林火灾一旦发生将对生态系统造成严重的破坏,间接导致气候的变化和极端天气频发。对森林火灾的发生进行准确预测可提前采取有效的防控措施,具有重要意义。传统林火预测模型多为数学方法和浅层神经网络,当数据量增大时易出现建模困难以及预测精度降低等问题。深度学习模型在处理大量非线性数据上具有一定的优势,其模型具有多层网络结构,通过训练大量数据可提取出具有代表性的特征值,发现数据间的隐含关系,达到准确分类预测的目的。因此,本研究提出一种基于深度学习的林火预测方法,将深度信念网络(deep belief network,DBN)作为预测模型,气象因子作为输入数据,以解决传统林火预测模型在面对大量数据时预测效果不佳的问题;同时结合过采样SMOTE(synthetic minority oversampling technique)算法,平衡林火数据集和增加训练数据量,提升了森林火灾的预测准确度。结果表明,在面对更大的数据量时,该模型预测精度明显优于其他传统林火预测模型,证明了将深度学习应用在林火预测的优越性。该研究可为深度学习在林业领域的应用提供参考。     

森林小班林火蔓延模型信息化研究

针对我国森林小班林火蔓延模型信息化基础研究较薄弱的现状,以定量描述和分析小班林火蔓延为目的,在林业技术、地理信息系统技术、空间数学模型技术以及计算机信息等技术的支持下,以王正非和毛贤敏2位教授的林火蔓延模型为基础,建立基于八叉树理论的小班林火蔓延的数学模型,并在此基础上运用计算机技术与arcgis engine组件技术建立软件平台,实现小班林火蔓延的可视化模拟,揭示森林小班尺度的林火发生蔓延机理和过程,应用优化的林火蔓延模型实现林火蔓延空间预测。     

中国森林火灾发生规律及预测模型研究

量化分析森林火灾发生规律能为预测和防治森林火灾提供科学依据。文中采用四参数Weibull分布描述了我国森林火灾发生次数和火场面积分布规律,运用Spearman相关系数分析承灾主体因子、灾害管理因子、孕灾环境因子与森林火灾发生次数、面积间关系,基于全国森林火灾数据分别建立灰色系统理论模型、BP人工神经网络模型和时间序列ARIMA模型,并采用Markov随机过程改进已建立模型。结果表明,我国森林火灾发生次数分布呈左偏正态分布,火场面积呈倒J型分布,火灾次数和火场面积分布模型拟合决定系数分别为0.63和0.66;承灾主体、孕灾环境和灾害管理对森林火灾次数和火场面积影响程度依次减小,人工林面积、累年年平均气温、年降雨量平均差值、年最低气温平均日数与森林火灾发生具有明显相关性,影响森林火灾的因子与森林火灾发生次数、火场面积间存在指数型关系;不同模型对森林火灾发生次数和火场面积拟合优度次序为BP模型、GM（1,1）-Markov模型、BP-Markov模型、GM（1,1）模型、ARIMA模型、ARIMA-Markov模型,采用Markov过程能显著改进GM（1,1）预测模型对火灾随机性的预测效果,可以更好地反映森林火灾发生规律。     

基于人工神经网络预测广东省森林火灾的发生

应用人工神经网络建立热带森林火灾发生情况预测的多层神经网络模型,并将林火发生影响因子的历史数据作为样本值,输入模型进行训练。结果表明:利用所选取的输入因子作为样本的人工神经网络,可以对林火的发生发展作出准确有效的预测。文中还对模型的准确性和训练精度进行讨论,进而分析人工神经网络在林火预测中的可行性,证明人工神经网络在林火预测中的应用价值。     

El Nino And Forest Fire In Yunnan Province, Southwest China -New Way to Study Three Essential Factors of Forest Fire

Three essential factors of forest fire (fire source, environment, and litter) were taken as the point of view, and has approached the forecast method of forest fire in tropical area of southwest China in a macroscopic scale. This study supported by mathematical method was from a new angle. For example, in the aspect of forest fire forecast, it has been thought over that most forest fire is artificial fire, which has lots of randomness. So it could be studied in a kind of Markov random processes. In the aspect of the analysis of environment that leads to forest fire, correlation analysis would reveal the relation among cosmos, earth and life, for instance, the relation between E1 Nino (or La Nina) and forest fire. Especially in the aspect of estimating the amount of litter, a new estimation method based on spacial remote sensing data was raised. It provides an effective and quantitative way with higher reliability for forest fire forecast on region scale.     

全国森林火险预报系统的研究与运行

森林火险预报对于加强森林防火工作,保护森林资源有重要的意义。当前我国各级气象部门发布的森林火险天气预报和一些地区发布的森林火险预报的空间位置较粗略、时效性较差,不能满足各级森林防火工作的实际需求。作者引入信息技术,在网络和GIS平台上建立森林火险预报系统,试图解     

基于DRNN和ARIMA模型的森林火灾面积时空综合预测方法

森林火灾是一个跨空间发展的动态过程,不易被传统的分析方法和静态神经网络有效处理.提出一种基于动态回归神经网络(DRNN)和自回归集成移动平均(ARIMA)组合模型的森林火灾时空综合预测方法.该方法先用ARIMA对时空数据的时序进行预测,再用DRNN捕获时空数据间隐藏的空间相关,最后用统计回归将时间和空间预测结果组合起来,得到时空综合预测结果.以广东省森林火灾面积预测为例,说明其原理和建模过程,并对预测结果的精度进行验证.结果表明:由于考虑了数据间的空间关系,该时空综合预测模型可以对森林火灾面积进行较准确有效的预测,比单纯应用ARIMA模型预测精度高,是预测森林火灾等跨空间动态变化问题的有效工具.     

基于RS和GIS的云南省森林火险预报研究

基于遥感、GIS技术,选取不同植被易燃等级、植被干燥度、森林气象火险预报等级作为森林火险预报因子,采用因子加权叠置法,计算得到云南省森林火险预报指数,划分为没有危险、低度危险、中度危险、高度危险和极度危险5个等级。研究结果表明,较之传统的森林火险气象预报,该预报模型能够更为准确地预测林火发生的可能性,更好地满足森林防火业务的需求。     

基于粒子群算法和BP神经网络的多因素林火等级预测模型

针对现有小尺度林火预测模型预测结果有效性、可扩展性等方面的不足,通过考虑多种火险因素,构建BP神经网络预测模型以提高预测精度,在此基础上借助粒子群算法加快BP神经网络收敛速度,进而提出一种混成的多因素森林火险等级预测模型particle swarm optimization based back-propagation neural network (PSO-BP)。所构建的预测模型,能够同时考虑气候因素(日最高气温、日平均气温、24 h降水量、连旱天数、日照时数、日平均相对湿度、日平均风速)、地形地貌因素(海拔、坡度、坡向、土壤含水量)、可燃物因素(植被类型、可燃物含水率、地被物载量)、人为因素(人口密度、距人类活动区域的距离) 16个变量。基于南京林业大学下蜀林场森林防火实验站传感器网络所采集的实际数据及现场测量数据,通过一组试验验证提出模型的有效性。结果表明:基于训练数据集及检验样本所构建的模型能够开展有效的火险等级预测;模型的计算复杂度较单独使用BP神经网络模型明显下降。     

森林防火辅助指挥系统的设计与实现

根据森林防火指挥的实际要求,建立了森林防火基础数据库,在此基础上设计实现了火场周边信息的自动提取、空间定位查询和空间分析、林火蔓延预测、火险等级预测、火灾损失评估和辅助指挥计算等多个功能模块。系统以Delphi为开发平台,采用的GIS软件为MapInfo,运用跨平台集成地图开发技术实现用户与MapInfo后台服务器程序的实时交互。为防火指挥部门提供了及时、多源和科学的依据,经过实际运行,取得了良好效果。     

林火研究综述(Ⅱ)——林火预测预报*

林火预测预报是综合气象要素、地形、可燃物的干湿程度、可燃物类型特点和火源等，对森林可燃物燃烧危险性进行分析预测，天气预报的准确性直接影响林火预报的准确性。林火预测预报分为火险天气预报、林火发生预报和林火行为预报。林火预测预报从20世纪20年代迄今，已有80余年的历史，在世界各国发展很快。林火预报研究中的关键问题是主要因子的选择和预报因子的测定。林火预测预报主要方法有：经验法、数学方法、物理方法、野外实验法和室内测定法等。