基于空间logistic的湖南省森林火灾风险评价

【目的】为科学地预防森林火灾和进行应急资源配置,运用空间logistic森林火灾风险概率模型对湖南省森林火灾风险等级进行划分,为县级以下区域进行森林火灾风险区划提供技术方法。【方法】采用logistic回归分析方法,利用湖南省2008—2018年的地表温度数据、植被指数数据、气象数据、人文数据、植被类型数据、森林火灾监测数据等,构建森林火灾风险概率模型,通过森林火灾风险概率分布区间对森林火灾风险等级进行划分。【结果】建立的湖南省空间logistic森林火灾风险概率模型拟合效果较好,在0.05的显著性水平下,经混合检验和Wald检验,logistic森林火灾风险概率模型能显著反映森林火险发生概率;模型相对运行特征(ROC)值为0.779;经栅格图层计算得到湖南省森林火灾风险概率值,并根据概率大小将湖南省森林火险分为极低、低、中、高和极高5个等级。湖南省森林火灾风险概率≥0.6的极高森林火险等级和高森林火险等级主要分布在邵阳市、衡阳市、永州市、株洲南部以及郴州市部分地区;中森林火险等级主要分布在怀化市、娄底市、湘潭市以及长沙市;低森林火险等级和极低森林火险等级主要分布在吉首市、常德市、张家界市、益阳市以及岳阳市。影响湖南省森林火险等级的主要因子为温度植被干旱指数(TVDI)、高程(GC)、年平均温度(TEM),其中TVDI因子的影响最为显著。【结论】构建的空间logistic森林火灾风险概率模型能够科学有效地对湖南省森林火灾风险等级进行划分,为森林火灾的预防和应急资源配置提供科学依据。     

基于火险区划的大兴安岭地区林火监控效率与扑救可达性研究

以大兴安岭地区2000—2010年卫星火点数据为基础,运用逻辑斯蒂回归模型建立基于气象、植被、地形、社会经济和基础设施因子的林火预测模型,并划分火险等级。此外,基于火险区划对大兴安岭地区的林火监控与扑救效率进行评价分析。模型预测结果表明,坡度、月平均降水、月平均温度等多种因素对大兴安岭地区林火发生有显著影响;火险区划表明,高火险区域面积占研究区域总面积的24. 47%;林火监控效果的评价结果显示,对比现有瞭望塔选址方式,网格布设法(20km×20km网格和10km×10km网格)的监控布点可以显著提高林火监测效果,高火险区域监测面积分别提高36. 97%和60. 52%,同时,站点需求数量也相应减少;林火扑救可达性研究表明,大兴安岭地区东、南、西部地区对高火险区域的可达性较好,中、北部地区则相对较差,而全区仅有1/3的森林消防站处于可达性高的区域,因此建议在可达性差的高火险区域适当增设森林消防站,从而全面提高该区域林火扑救效率。     

广西林火驱动因子及预测模型研究

了解林火最主要的驱动因子并对林火进行预测，能为当地森林火灾的预防与管理提供科学依据。基于2011—2020年的历史火灾数据集，以及气象、地形、人为活动和可燃物载量等数据构建Logistic回归模型和机器学习模型来探究广西林火发生最主要的驱动因子，同时选择最优模型对研究区内森林火灾发生概率进行预测。研究表明：月平均降雨量、月平均相对湿度和林区建筑物数量是影响广西森林火灾发生最显著的因子；Logistic回归模型和机器学习模型均取得了较好的拟合效果，AUC值均在0.85以上，机器学习模型的精度要优于Logistic回归模型，随机森林模型精度最高(S_AUC=0.92)。通过随机森林模型对全区林火发生概率进行预测，结果显示桂西北、桂北、桂西南地区的林火发生风险最大，预测结果契合广西实际，能够为广西的林火预测预报提供参考。今后，应加强对野外火源的管控力度并提高对极端天气的预警防范能力，以降低森林火灾发生的风险。     

山西省林火驱动因子及分布格局研究

【目的】研究山西省的林火驱动因子和火险分布格局,可为山西省森林防火工作提供参考。【方法】使用2010—2017年卫星监测热点数据,基于逻辑斯蒂模型和随机森林模型分析气象、地形、植被和人类活动对山西省林火发生的影响,选取山西省主要林火驱动因子,建立林火发生概率模型,并基于最优模型结果绘制山西省森林火险等级区划图,分析山西省森林火险分布格局。【结果】逻辑斯蒂模型选取的山西省主要林火驱动因子有日平均相对湿度、日照时数、日平均气温、日平均风速、海拔、坡度、距道路距离、距居民区距离;随机森林模型选取的山西省主要林火驱动因子有日平均地表气温、日平均气压、日平均相对湿度、日照时数、日平均气温、日平均风速、季度NDVI和GDP;逻辑斯蒂模型的预测准确率在84.31%～86.33%之间,随机森林模型的预测准确率在88.98%～94.37%之间。【结论】山西省主要林火驱动因子为气象因子;随机森林模型比逻辑斯蒂模型更适用于山西省林火发生概率的预测;山西省森林火险分布有明显的季节和地域差异,春季的高火险区明显多于其它季节,东部的高火险区多于西部,阳泉市、长治市、晋城市、忻州市东部、晋中市北部、吕梁市东南部和太原市中部是山西省主要高火险区。     

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。     

湖南省森林火险天气等级预测模型研究

为提高湖南省森林火险天气等级预测精度,降低空报和漏报比例,基于湖南省各县2005—2015年森林火灾数据及各县气象站对应的同期气象资料,利用变异系数方法确定了日最高气温、风速、相对湿度、降雨量等天气因子的分段区域,设定了各区域的得分值,并运用主成分分析方法确定了不同分段区域对湖南省森林火灾的影响权重,建立了加权森林火险天气指数模型,根据天气指数确定森林火险天气等级。经2015年森林火灾数据验证模型精度达到了74.2%,表明了该森林火险天气等级预测模型具有适用价值。     

基于直连BP神经网络模型的森林火险预测

传统的BP神经网络模型(BPNN)用于森林火险预测存在预测精度低、泛化能力差等不足。选取温度、相对湿度、风速以及日降水量4个气象因子作为神经网络的输入,林火是否发生作为输出,提出一种改进的网络结构—直连BP神经网络(BPNN-DIOC)以构建森林火险预测模型。该结构在传统BP神经网络模型的基础上加入了从输入到输出的连接。为了探究该网络的有效性,根据输入层到输出层是否有连接,输出层是否有阈值,分别构建了4个不同的网络模型,并以森林火灾发生较少的太原市和森林火灾发生较频繁的桂林市为例进行验证。模拟结果表明,BPNN-DIOC模型的预测精度高于BPNN模型;它不仅能够适用于火险发生较频繁的地区,也能够很好的用于火险发生较少的地区,具有良好的通用性,而输出层是否有阈值对预测效果并没有明显的影响。     

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。     

江西省森林火险综合区划

依据森林燃烧环理论,在充分考虑指标代表性、不可替代性以及数据可得性的基础上,根据江西省林火发生特点,选取气候、植被、地形等11个因子作为江西省森林火险精细化综合区划指标,并按照各区划因子对林火发生或蔓延的影响赋予不同的权重,将全省划分为Ⅰ级(低火险)、Ⅱ级(中火险)、Ⅲ级(高火险)3个不同等级的森林火险区.分区结果与该区气候、植被、地形分布等相符,说明区划结果具有较好的科学性和实用性,可为江西省森林火灾的预防、扑救和重点防护与管理等提供科学依据.     

大理州森林火险天气预报方法

选用2001～2010年大理州的森林火灾次数与对应的气象数据进行统计分析,分析结果表明日最高气温、平均相对湿度、最大风速和前15日累计降水量对大理州森林火灾有较好的指示性,其中日平均相对湿度对大理州森林火险天气等级指示性最强。根据实际应用需要选用日最高气温、平均相对湿度、最大风速和前9日的降水数据建立模型计算森林火险天气等级。利用2011年大理州森林火灾数据对模型的模拟效果进行检验,检验效果很好,说明运用此模型进行大理州森林火险天气预报是可行的。     

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。     

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。     

我国大兴安岭地区夏季林火的火环境研究

利用Arcgis和SPSS软件对大兴安岭地区1967-2008年夏季火险期森林火灾发生当天的气象因子和火点位置的植被和地形因子进行了定性和定量分析,探讨了夏季火的火环境特征,以期为防火部门进行森林管理及政策制定提供依据。结果表明:近42年来,夏季火发生时的日平均气温和最高气温范围分别为15~25℃、24~34℃,而且平均气温和最高气温不同导致夏季火发生次数具有极显著差异性,P﹤0.01;夏季火发生时,降水量主要为0~1 mm,而且具有极显著差异,P﹤0.01;平均风速范围0.5~3 m/s,不同风速发生火灾次数具有显著性差异,P﹤0.05;平均气压集中在945~975 h Pa,P﹤0.05;平均空气相对湿度55%~70%,P﹤0.01。通过对地形和植被的相关因子进行分析可知,夏季火主要发生在中高等海拔的平坡或缓坡区域,植被类型以落叶针叶林为主,其次是草甸。     

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。     

浙江省林火时空变化及影响因子分析

以2001—2018年的浙江省MODIS-MCD64A1森林火灾数据为研究基础,运用逻辑斯蒂和随机森林方法结合气象、植被、地形、经济、人口和基础设施等因子对浙江省的林火时空变化及影响因子进行研究。结果表明:(1)2001—2018年,浙江省共发生森林火灾1 866次,年均发生林火104次,林火时空分布不均匀,空间上集中在温州中部和东部及与丽水市交汇区域、丽水市中部和北部区域、衢州中部、台州和宁波东部区域及金华、杭州和湖州的小面积区域;(2)时间上,森林火灾的发生次数在年际间的波动较大,总体呈先增加后降低的趋势,月火点分布不均衡,林火在10、11、12月和次年的1、2、3和4月的火点占全年总火点的95.28%以上;(3)基于随机森林算法筛选出9个林火发生重要因子,按重要性由大到小排序依次为年均温度、高程、年降水量、河流密度、月植被覆盖度、坡度、前一年植被覆盖度、人均国内生产总值、公路密度;运用逻辑斯蒂模型方法计算出林火发生与日平均气压、月植被覆盖度、坡向指数、坡度、日最大地表气温、公路密度、人均国内生产总值、居民点密度、河流密度之间呈显著正相关关系,与年降水量和高程之间呈显著负相关关系。     

江西南昌典型林分地表死可燃物含水率预测——方法优选与FWI适用性分析

亚热带针阔混交林是我国南方重要的植被类型,森林火灾发生次数多。对该植被类型的典型可燃物含水率将有助于提高火险预报的准确性。以位于该区域内的南昌市茶园山林场5种典型林分地表死可燃物为研究对象,通过对其含水率的连续观测,分析了死可燃物含水率与气象因子的关系。采用气象要素、FWI因子和两者的结果,区分不同含水率范围,分别建立的各可燃物3种预测模型。结果表明:研究地区防火期内可燃物含水率从11.8%到276.6%,只有1/4的时间低于35%,具备发生森林火灾的条件,其余的时间燃烧性都很低,平均火险不高。但最小含水率已低到10%左右,具备发生大火的潜在可能性。3种预测方法中,FWI模型误差最大,气象要素回归模型和混合模型误差相似,考虑到简单方便,该地区的含水率预测可以采用气象要素回归法。含水率小于35%时,模型MAE 2.25%~4.67%,平均3.73%;MRE 11.14%~23.73%,平均18.63%。含水率35%时,模型MAE 6.34%~18.33%,平均8.63%;MRE 10.49%~18.16%,平均14.43%。在全范围含水率时,模型MAE 7.46%~16.43%,平均10.51%;MRE 18.78%~23.64%,平均20.99%。FWI指标与研究地区可燃物含水率关系密切,也可以用于含水率预测和火险预报,如果考虑全国统一的预报模型,对于该地区,FWI系统是适用的,但为提高预测的准确性,应进行进一步的修正。     

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...     

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。     

森林火险预报及森林火险天气等级

森林火险预报是对林区火灾危险程度的预告.林区的火险程度与气温、湿度、风速、降水、植被、可燃物干燥度等有密切关系。森林火险预报的制作方法有天气学制作法、统计学制作法、生物学制作法三种。森林火灾大都发生在长期干旱少雨天气条件下.在防火季节,可根据天气形势演变,结合植被等可燃物干湿情况,作出森林火灾可能发生与否的预报。     

基于泊松分布的森林火灾发生数贝叶斯估计模型

对黔南区森林火灾发生数与气象因子进行分析,以Poisson和零膨胀Poisson为基础,通过贝叶斯方法建立黔南地区火险天气森林火灾预测模型。结果表明:零膨胀Poisson模型拟合效果比Poisson模型拟合好。同时还发现,利用贝叶斯法估计森林火灾发生模型能够很好地评价森林火灾发生模型的不确定性。