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.     

基于气象因子的随机森林算法在塔河地区林火预测中的应用

[目的]应用逻辑斯蒂回归模型和随机森林算法建立大兴安岭塔河地区林火发生的预测模型并对比模型预测精度,判断随机森林算法在该地区林火预测中的适应性,为该地区林火管理工作提供技术支持。[方法]利用1974—2008年大兴安岭塔河地区森林火灾发生数据,分别运用二项逻辑斯蒂回归模型和随机森林算法,对塔河地区林火发生与气象因子之间的关系进行实证分析。为减少训练样本分布对试验结果的影响,将全样本数据随机分成60%的训练样本和40%的测试样本,并且进行5次重复,建立5个中间模型(样本组)。选择在5个中间模型中的3个及以上的显著变量(因子)对全样本数据进行分析并分别比较2种模型算法在5个中间模型和全样本模型中的预测准确率。此外,还设计了变量交互试验进一步验证相同变量下2种模型的预测精度。[结果]日最小相对湿度、细小可燃物湿度码和干旱码3个因子在二项逻辑斯蒂回归模型和随机森林算法中均与林火发生呈显著相关。模型拟合的预测结果显示:在对5个中间模型的预测中,随机森林算法对训练样本(60%)和测试样本(40%)的预测准确率分别高于二项逻辑斯蒂回归模型8%和10%左右;在全样本模型的预测中,随机森林算法拟合的准确率为85.0%,而二项逻辑斯蒂回归模型拟合的准确率为76.2%,二者相差10%左右,与之前5个中间模型的预测结果一致;在变量交互试验中,随机森林算法拟合的准确率为86.0%,而二项逻辑斯蒂回归模型拟合的准确率为72.8%,随机森林算法的预测准确率提高了18.1%左右。[结论]日最小相对湿度、细小可燃物湿度码和干旱码是影响林火发生的主要气象因子。在基于气象因子的塔河地区林火发生预测模型研究中,随机森林算法的预测准确率高于传统二项逻辑斯蒂回归模型10%左右,具有一定的预测优势和应用价值,可为大兴安岭塔河地区林火预测和决策提供参考。     

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。     

基于VLBP神经网络的林火预测研究

以北京市房山区的林火为研究现象,用神经网络方法研究林火发生及蔓延与环境因子间的关系.用GPS采集林火火场中心数据,测量火场面积;用GIS做空间分析,提取火场空间环境因子;将数据在Matlab中用VLBP神经网络进行训练,建立林火风险的预测方程.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,因而该方法具有很强的适用性.     

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。     

广义线性模型在林火发生预报中的应用

首先介绍了国内外广义线性模型在林火发生预报中的应用,其次分别阐述了常用于林火发生预测的正态分布、逻辑斯蒂分布、泊松分布、负二项分布、零膨胀、栅栏等6种广义线性回归模型的表达式、参数估计方法和几种相关的假设检验方法,其中,逻辑斯蒂广义线性模型主要用于预测林火发生的概率,其他5种模型主要用于预测林火发生的频次。根据林火发生频次的数据结构特点和前人的研究结果分析得出,与正态分布相比,泊松分布、负二项分布、零膨胀、栅栏4种广义线性回归模型更适于预测林火发生的次数。当林火发生频次的方差接近于期望,应采用泊松或零膨胀泊松广义线性模型;如林火发生频次的方差显著大于期望,则宜采用负二项或零膨胀负二项广义线性模型。最后,对广义线性模型在我国林火发生预测中的应用提出了三方面建议:第一,增加模型的自变量(如森林可燃物特征、地形、人类活动等因子);第二,增加模型在景观层次林火发生预报中的应用;第三,拓展模型的建模方法,如建立广义线性混合效应模型和广义相加模型。     

基于Gompit回归模型的大兴安岭林火预测模型及驱动因子研究

本研究基于2000—2016年林火数据,选取气象、地形、植被、人为活动等因素作为林火预测变量,采用Gompit回归模型对林火发生的主要驱动因子进行分析,并建立大兴安岭地区林火发生预测模型。结果表明:大兴安岭地区林火受气象因素(日累计降水、日平均相对湿度)的影响最大且与林火发生均呈显著负相关;此外,大兴安岭林火多发生于缓坡、远离居民区、铁路、公路等人为活动较为频繁地区。模型结果表明:Gompit回归模型的预测效果较好(准确率77%),ROC检验结果表明模型的拟合度较高(效果值为0.868);而独立样本的检验显示,预测准确率为75.3%,模型具有较高的适用性。大兴安岭近17年的火险等级总体呈南高北低、东高西低的地理分布,其中高火险和中火险区主要集中在南部、东南部等地,占整个研究区域的24.2%;同时南部和东南部存在大面积低估区,表明模型对这些地区的预测能力不高。     

基于深度学习的林火烟雾识别系统设计

通过构建林火烟雾数据集，选取Inception V3模型，基于参数的迁移学习方法构建林火烟雾图像训练模型，经过训练测试后得到模型在测试数据集识别率达到92%,最后运用Python语言编程将训练后保存下来的模型文件应用到林火烟雾视频上，对视频进行逐帧预测，并将预测结果可视化注释在视频上，达到视频监控的目的。将网络训练和视频监控分开，通过软件编程实现应用模型文件监测林火烟雾视频，较以往直接通过视频训练和预测的方法更方便快捷，实际可操作性更强，具有广泛的应用前景。     

应用人工神经网络预测马尾松毛虫的有虫面积

运用人工神经网络的原理和方法,选取与马尾松毛虫发生量相关关系密切的8个气象因子作为样本的输入特征,建立马尾松毛虫有虫面积与气象因子的BP网络模型,结果表明:所建立的BP模型,具有令人满意的拟合精度和预测精度.当隐含层神经元个数为15个,输入因子数为8个时,18组有虫面积的平均拟合精度为100%,相关系数为1.000 0,2组预留有虫面积的平均预测精度为96.85%,预测准确率为100%.     

北方森林林火发生驱动因子及其变化趋势研究进展

北方森林作为气候变化最敏感的陆地生态系统之一,近些年来随着林区气候变暖,林火发生的数量和过火面积都呈显著的增加趋势,因此研究北方森林林火发生驱动因子及其变化趋势对维护其生态系统的稳定具有重要意义。文中主要从北方森林林火发生的主要控制因子和未来气候变暖条件下林火发生的预测方法及变化趋势进行综述。研究结果表明,林火的驱动因子既包括在大尺度上气候的作用,也包含植被、地形、可燃物和人类活动等局部尺度的影响。近几年来对气候变暖下林火状况趋势预测更倾向综合考虑气候和局部控制因子的作用。对我国而言,需要在更大的区域尺度上开展林火发生预测的研究。研究认为,北方森林林火变化趋势及预测研究的关键问题在于如何在不同空间尺度上确立林火发生的关键控制因子以及完善现有的林火预测方法。     

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。     

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.     

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.     

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。     

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。     

基于加权Logistic回归模型的森林火灾预测

林火预警是保障超高压输电网安全的重要工作,是森林防火部门和电网公司深度关注的领域。 研究以 2007—2017 年广东省超高压输电网线路途经地区的气象数据和林火监测的数据为基础,通过加权 Logistic 回归分析方法构建了广东省超高压输电线路区域森林火险预警模型,并用 2017 年实际林火发生 数据对该模型进行检验。模型预测准确率达到 92.6%,证明该模型具有良好的预测效果,反映了广东省区 域森林火险等级与相关气象因子的密切关系。