森林地表死可燃物含水率预测模型研究进展

林火是影响森林生态系统的重要因子之一,林火蔓延和发展深受森林可燃物含水率的影响,尤其是林火的发生直接受地表死可燃物含水率的影响。因此,准确预测森林地表死可燃物含水率是预报森林火险和火行为的关键,加强森林死可燃物含水率预测模型研究尤为重要。从森林可燃物含水率的研究方法、研究模型及模型精度3方面综述研究现状,并对比评价现有模型。针对目前研究的诸多问题,提出5点展望:1)加强研究重点火险区野外含水率动态。利用已有的森林火险因子采集站和森林火险监测站获取不同环境因子和可燃物含水率及气象因子监测数据,构建重点火险区基于气象参数的森林可燃物含水率预测模型。2)加强森林可燃物的基础数据监测和收集。这可为全面构建森林火险等级系统奠定坚实的数据基础,同时还应建立精准的森林可燃物类型划分体系。3)加强研究可燃物含水率的空间异质性。应考虑不同影响因子下可燃物含水率动态,特别是了解小尺度内森林可燃物含水率的空间异质性,才能更准确进行林火预测预报。4)结合应用增强回归树(BRT)方法来提高模型精度。在可燃物含水率模型精度影响因子的研究中,运用BRT方法多次随机抽取一定量的数据,量化分析不同因子对模型精度的影响程度。5)结合GIS进行大尺度火险预警研究。综合应用RS和GIS技术,建立可燃物含水率的遥感反演模型,在准确模拟森林可燃物含水率空间分布的基础上,建立基于可燃物含水率的不同火险等级的预测模型。     

森林火险等级预报系统评述

对当前世界上主要的森林火险等级系统进行了综述, 包括加拿大、美国、澳大利亚以及其他一些国家的森林火险等级系统。对主要森林火险等级系统的组成、结构和发展过程进行了比较, 讨论了这些系统应用的局限性。比较了世界上3个应用比较普遍的森林火险等级系统的发展、可燃物类型、输入因子、输出因子和应用范围, 认为发展中国的森林火险等级系统采用加拿大的森林火险等级系统(CFFDRS)的技术比较合适。我们可直接应用CFFDRS, 然后根据当地气候和可燃物类型对火险等级系统进行校正。     

祁连山保护区西端气象因子与灌木林火险等级相关性分析

通过对祁连山保护区西端灌木林可燃物含水率与气象因子关系分析,采用统计回归法,建立了灌木林可燃物含水率与气象要素关系模型,以灌木林死体可燃物引燃含水率为基准,结合燃烧实验,确定了祁连山保护区西端灌木林森林火险等级对应的气象因子,结果表明:森林可燃物含水率模型模拟效果较好,引入森林可燃物含水率气象预测模型可提高森林火险气象指数模型的应用效果,为祁连山保护区西端灌木林火灾预测预防提供了科学依据。     

祁连山保护区东端气象因子与灌木林火险等级相关性分析

通过对祁连山保护区东端灌木林可燃物含水率与气象因子关系分析,采用统计回归法,建立了灌木林可燃物含水率与气象要素关系模型,以灌木林死体可燃物引燃含水率为基准,结合燃烧实验,确定了祁连山保护区东端灌木林森林火险等级对应的气象因子,结果表明:森林可燃物含水率模型模拟效果较好,引入森林可燃物含水率气象预测模型可提高森林火险气象指数模型的应用效果,为祁连山保护区东端灌木林火灾预测预防提供了科学依据。     

祁连山保护区西端气象因子与阔叶林火险等级相关性分析

通过对祁连山保护区西端阔叶林可燃物含水率与气象因子关系分析,采用统计回归法,建立了阔叶林可燃物含水率与气象要素关系模型,以阔叶林死体可燃物引燃含水率为基准,结合燃烧实验,确定了祁连山保护区西端阔叶林森林火险等级对应的气象因子,结果表明:森林可燃物含水率模型模拟效果较好,引入森林可燃物含水率气象预测模型可提高森林火险气象指数模型的应用效果,为祁连山保护区西端阔叶林火灾预测预防提供了科学依据。     

祁连山保护区东端气象因子与阔叶林火险等级相关性分析

通过对祁连山保护区东端阔叶林可燃物含水率与气象因子关系分析,采用统计回归法,建立了阔叶林可燃物含水率与气象要素关系模型,以阔叶林死体可燃物引燃含水率为基准,结合燃烧实验,确定了祁连山保护区东端阔叶林森林火险等级对应的气象因子,结果表明:森林可燃物含水率模型模拟效果较好,引入森林可燃物含水率气象预测模型可提高森林火险气象指数模型的应用效果,为祁连山保护区东端阔叶林火灾预测预防提供了科学依据。     

祁连山保护区西端气象因子与祁连圆柏林火险等级相关性分析

通过对祁连山保护区西端祁连圆柏(Sabina Przewalskii)林可燃物含水率与气象因子关系分析,采用统计回归法,建立了祁连圆柏林可燃物含水率与气象要素关系模型,以祁连圆柏林死体可燃物引燃含水率为基准,结合燃烧实验,确定了祁连山保护区西端祁连圆柏林森林火险等级对应的气象因子,结果表明:森林可燃物含水率模型模拟效果较好,引入森林可燃物含水率气象预测模型可提高森林火险气象指数模型的应用效果,为祁连山保护区西端祁连圆柏林火灾预测预防提供了科学依据。     

祁连山保护区东端气象因子与祁连圆柏林火险等级相关性分析

通过对祁连山保护区东端祁连圆柏(Sabina Przewalskii)林可燃物含水率与气象因子关系分析,采用统计回归法,建立了祁连圆柏林可燃物含水率与气象要素关系模型,以祁连圆柏林死体可燃物引燃含水率为基准,结合燃烧实验,确定了祁连山保护区东端祁连圆柏林森林火险等级对应的气象因子。结果表明:森林可燃物含水率模型模拟效果较好,引入森林可燃物含水率气象预测模型可提高森林火险气象指数模型的应用效果,为祁连山保护区东端祁连圆柏林火灾预测预防提供了科学依据。     

祁连山保护区西端气象因子与青海云杉林火险等级相关性分析

通过对祁连山保护区西端青海云杉(Picea crassifolia)林可燃物含水率与气象因子相关性分析,采用统计回归法,建立了青海云杉林可燃物含水率与气象要素关系模型,以青海云杉林死体可燃物引燃含水率为基准,结合燃烧实验,确定了祁连山保护区西端青海云杉林森林火险等级对应的气象因子,结果表明:森林可燃物含水率模型模拟效果较好,引入森林可燃物含水率气象预测模型可提高森林火险气象指数模型的应用效果,为祁连山保护区西端青海云杉林火灾预测预防提供了科学依据。     

基于森林火险指数的森林火险区划研究

以陕西周至国家级自然保护区为例,利用森林资源二类调查资料、DEM数据和地形图,借助GIS技术平台,选取地物类型(地类、优势树种)、地形因子(海拔高度、坡度、坡向)、交通区位和居民区距离作为计算森林火险指数(FFR)的主要因子,采用综合评价法,计算了周至国家级自然保护区的森林火险指数。根据计算的森林火险指数,把周至国家级自然保护区划分为5类火险区,即无火险、低火险、中火险、高火险和极高火险,其中,高火险区占48.9%,极高火险区占30.2%,高火险、极高火险等级所占面积较大。研究结果可为周至国家级自然保护区的森林火灾管理提供参考,达到防灾减灾,保护森林资源的目的。     

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。     

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。     

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.     

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。     

Prediction of Forest Stock Volume Based on Neural Network Model

BP and RBF neural network to predict forest stock volume were studied,but the study in evaluating both networks’ application effects was not conducted.In order to find a higher forecast precision,more strong applicative method,the comprehensive analysis and evaluation on the two methods were carried out in the practical application. By the correlation analysis,crown density,shady-slope and sunny-slope,TM1,TM2,TM3,TM5, TM7,NDVI,TM,(4-3),TM4/3 were selected as input variables,and the forest volume of Miyun County as output variables,RBF and BP neural network models for forecasting the forest volume were established.And the neural network training step length,training time,prediction accuracy and the applicability model of the two methods were comprehensively analyzed.The results show that the RBF neural network model is superior to the BP neural network model.     

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。     

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。     

BP神经网络反演森林生物量模型研究

基于LandsatTM影像和DEM数据,尝试利用BP神经网络建立旺业甸林场森林生物量非线性遥感模型系统,通过实验筛选,最终利用增强型的BP网络进行训练仿真。模型仿真结果表明,增强型的BP神经网络具有自学习和自适应功能强、收敛速度快的特点,能够最大限度地利用先验样本。仿真检验结果的相对系数达0．8022,平均相对误差为15．7％,表明该模型预测的生物量与实际生物量一致性较好,能够达到较好的反演效果。     

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.     

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