安宁市森林火灾的两种预测方法浅析

为了研究安宁市森林火灾的空间分布和预测森林火灾的发生,选取了安宁市1986年至2020年有记载的森林火灾火点数据,构建广义线性模型和ARIMA算法模型研究森林火灾火点的空间分布预测和气候环境因子的时间序列分析,并对两种预测方法进行了对比分析。研究结果显示:广义线性模型更适合用来研究人类活动引发的火灾,且对样本容量要求较高,ARIMA算法模型更适合研究自然引发的火灾,更注重气候环境因子的变化。两种预测模型的预测都达到了中精度水平,还有进一步的优化空间。     

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。     

广州市森林火灾危害程度预测模型的研究

选定过火面积、直接经济效益损失量、间接经济效益损失量、生态价值损失量、成灾面积占该地区森林总面积的百分比、森林火灾发生频度等6个评价指标,用于评判森林火灾危害程度.利用AHP方法求出各个指标对于森林火灾危害程度的权重,并结合相应的权重,求得危害程度值.以森林火灾危害程度为因变量,森林火灾影响因子为自变量,用逐步回归分析方法,得出森林火灾危害程度预测模型.利用未参予建模的数据对模型进行了检验,模型预测精度高,对森林火灾危害程度具有准确的预测作用.     

基于多元多项式回归的大兴安岭过火面积与气象因子的模型

根据大兴安岭地区1990-2012年间气象因子和过火面积的数据,通过通径分析方法,计算出直接与间接通径系数,筛选出主要因子。再基于多元多项式回归理论,使用spss软件建立森林过火面积与气象因子之间数学模型。通过回归方程和回归系数的检验,拟合率达到74.12%,相关系数R为0.626。预测结果符合实际情况。所以森林过火面积作为衡量火灾危害程度的依据比较合理,通过森林过火面积与气象因子的模型是可行的。因此能够为当地林业部门科学有效的开展森林火灾防治工作提供参考。     

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。     

应用灰色系统理论研究陕西森林火灾

陕西省平均每年因火灾受害的森林面积达5340公顷。从统计数据看,年受害面积变化幅度很大。用数学方法描述和预测受害森林面积时,采用回归方法将遇到两个问题:一是数据太少,二是数据过于离散,难以选择合适的数学模型。而灰色系统理论是先将原始数据作累加生成,然后用呈指数趋势的累加生成数建模。所以,灰色系统理论的建模方法使火灾面积能用数学模型加以描述和预测,为制订短期防火目标提供了可靠的理论依据。用灰色模型描述和预测火灾面积的方法分三部分。下面以陕西1977～1987年11年的原始数据(表)为例来阐明应用方法并对结果加以分析。     

陕西省森林火灾分析及火灾面积预测

采用趋势分析、R/S分析和聚类分析对1954-2015年陕西省森林火灾特征进行分析,并对各地市森林火灾情况进行聚类,利用主成分分析法对陕西省森林火灾面积进行预测。结果发现:陕西省森林火灾次数和森林火灾面积均出现减少趋势,两者的Hurst指数均大于0.5,表明未来其减少趋势将持续。20世纪50年代中期至60年代前期是森林火灾高发时期,90年代后减少趋势逐渐稳定。陕西省十地市森林火灾情况大致可归分三类,其中榆林市、铜川市、西安市、咸阳市、渭南市、汉中市为第一类;延安市为第二类;宝鸡市、安康市、商洛市为第三类。就扑火能力而言,榆林市和铜川市的扑火能力最强,渭南市、商洛市和汉中市的扑火能力其次,延安市扑火能力最差。主成分分析确认,以气象因子的综合因素作为预测林火面积一般模型的预测因子是可行的,模型正确率达到70.9%,基本上可以反映气象因子与森林火灾面积的关系,因而可以利用该模型对陕西地区森林火灾面积进行预测。     

1950-2010年中国森林火灾时空特征及风险分析

[目的]开展森林火灾时空特征和风险分析,有利于把握森林火灾发生规律,为预测和防治森林火灾、制定差异化森林火灾财政补贴和保险政策提供科学依据.[方法]根据年鉴数据,借助主成分分析、聚类分析和信息扩散理论,对我国1950-2010年森林火灾的时空分布特征和风险状况进行研究,全面分析森林火灾发生的时空特征,结合灾情指标对全国各省进行评价并分类,并定量分析风险水平.[结果]1)1950-2010年间,年均发生火灾12 683次,年均火场面积67.48万hm2,年均火灾次数和火场面积均呈下降趋势;1988-2010年间年均成灾面积7.95万hm2,总体表现为上升趋势;1988-2010年间年均成林蓄积损失167.5万m3,没有明显年际变化;1988-2010年间年均伤亡214人,总体呈波浪式下降趋势.2)人为火源占已查明火源的80％以上,烧荒烧炭是最主要的生产性用火火源(38.47％),上坟烧纸是最主要的非生产性用火火源(19.92％).3)华东、西南地区相比于其他地区火灾次数明显较大,东北地区火场面积明显较大.4)按照一般和较大火灾次数、重大和特大火灾次数、火场面积、受害森林面积、成林蓄积、幼林株数、受伤人数、死亡人数8个指标,通过主成分分析对31个省(区、市)的火灾状况进行评价并排序,然后根据主成分得出的综合得分进行聚类分析,根据受灾程度将31个省区按照严重、较重、中度、一般和轻度分为5类,其中,湖南受灾最严重,其次是黑龙江、贵州和云南等.5)基于信息扩散理论进行森林火灾风险分析,全国每年发生3 000 ～9 000次一般和较大火灾的概率较大(＞ 0.482 4),每年发生0～30次重大和特大火灾概率较大(＞0.430 2),每年受灾森林面积在15万hm2以下概率较大(＞0.407 2).[结论]我国森林火灾频发、面积大,火灾高发与气候变化息息相关.引发森林火灾的主要原因是人为火源,必须严格控制和管理野外火源,规范生产、生活用火行为.森林火灾具有显著的区域性特征,我国森林资源面临的火灾风险压力较大.建议在准确把握全国森林火灾时空分布特征和风险基础上,加强宣传教育,采取科学的森林防火、预报、监测措施,制定合理的森林火灾财政补贴和森林保险政策,维护森林健康和国家生态安全.     

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。     

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。     

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。     

谷歌地球（Google Earth）在森林火灾扑救应急指挥中的应用

谷歌地球（Google Earth）是美国谷歌公司推出的免费全球地理信息系统服务软件,其以卫星照片和航空照片为底图,结合DTM数字模型,通过网络提供全球的遥感图像。以谷歌地球提供的共享空间数据和森林火灾预防、监测、扑救等数据为基础,可以对谷歌地球进行二次开发。通过森林防火的空间数据与属性数据相结合可以实现森林火场定位、火场信息查询、GPS辅助决策指挥、火灾损失评估、火灾数据统计分析等功能;能够在短时间内实现森林火灾的准确定位并提供森林火灾发生地和火场周围的地理信息,以便快速准确地引导扑火队员到达火场进行火灾扑救。     

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。     

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。