NOAA/AVHRR在森林火灾监测中的应用

利用NOAA/AVHRR卫星数据地面接收站的数据资料,作者使用阈值法和亮温归一化植被指数法相结合的方法对近年发生在我国境内一些重特大森林火灾进行了尝试性研究,证明了该方法的可行性,并总结了该方法的特点。     

基于随机森林模型的交界域火灾风险分析

【目的】城镇森林交界域火灾频繁发生,使民生经济遭受严重危害。使用随机森林模型对省域内的城镇森林交界域火灾风险与影响因子的关系进行空间建模,探究随机森林模型在拟合、解释交界域火灾风险方面的优势,并与森林火灾风险的影响因子对比,为进一步评估城镇森林交界域火险提供依据。【方法】研究基于安徽省2002—2011年火灾历史数据,采用气候、地理环境、人类活动、社会经济等方面的9个因子作为自变量,月均火灾密度作为因变量。使用特征选择方法得到模型内不同自变量的贡献度、统计特征以及内部模型的平均表现,选择出进入最后模型中的自变量;使用随机森林模型对城镇森林交界域火灾风险进行解释,分析影响城镇森林交界域火灾风险和森林火灾风险的重要因子。【结果】关键自变量对城镇森林交界域火灾风险的影响程度大小排序依次为:道路线密度、铁路线密度、月均最高温度、归一化植被指数、人口密度以及海拔;对森林火灾风险则为:月均最高温度、归一化植被指数、道路线密度、铁路线密度、人口密度以及海拔;经过训练与计算发现随机森林模型在5个子模型的训练集与测试集的表现基本一致,拟合值与实际值的简单相关系数均达0.90以上,可见随机森林模型对交界域火灾风险和森林火灾风险表现出显著的解释能力;此外,随机森林模型在总体数据集上进行了拟合,得到城镇森林交界域火灾风险的拟合值与实际值的相关性为0.997,森林火灾风险的拟合值与实际值的相关性为0.996,表明了随机森林模型具备极强的火灾风险拟合性能。【结论】影响城镇森林交界域火灾发生的最重要自变量是道路和铁路线密度,而对森林火灾则是月均最高温度与归一化植被指数,可见城镇森林交界域火灾发生人类活动因素密切相关。随机森林算法对城镇森林交界域火灾风险和森林火灾风险都能表现出稳健的和非常准确的拟合能力,是一个非常有用的工具。     

基于模糊粗糙集的气象因子与森林火灾相关性研究

为了揭示各气象因子对森林火灾发生的影响程度,随机抽取了湖南省1 041场森林火灾历史数据,收集了森林火灾发生时的温度、相对湿度、风速及火灾发生前24 h降水量等4个因子数据,将其标准化并进行K-均值聚类,再用自然断点法处理后得到属性决策表。各气象因子采用相应三角隶属函数模糊化后,确定了森林火灾气象因子模糊粗糙集模型,计算各气象因子与决策属性的依赖度,对其进行归一化后,得到温度、相对湿度、风速、降水量对森林火灾发生的影响值依次为:0.116 2、0.265 0、0.212 4、0.406 3。定义了灾均比(ZJB)的概念,灾均比分析结果印证了研究结果的正确性。     

基于深度学习的森林可燃物含水率反演技术

【目的】探究基于卫星遥感数据的森林可燃物含水率反演,比较深度学习模型与传统机器学习模型的精度,并探索一种解决冠层遮挡问题的方案,为全国建立森林可燃物含水率数据库提供理论依据。【方法】以河北省张家口市崇礼区为研究区,基于实地测量数据,针对传统机器学习模型误差较大的问题,建立深度学习中的多层感知机(MLP)模型,研究光谱反射率与森林冠层植被和地表枯落物含水率之间的关系,并与传统机器学习中的支持向量回归(SVR)模型进行精度对比。选取与实地考察时间同季度的哨兵遥感数据,以光谱反射率、光谱水分指数等遥感估测法中常用变量作为反演森林冠层植被和地表枯落物含水率的影响因子,结合实地考察数据进行模型训练。针对以往采用遥感估测法反演地表枯落物含水率遇到的冠层遮挡问题,使用双向反射分布函数处理遥感数据获得不同观测角度的遥感数据,结合辐射传输模型,将冠层反射率映射到地表反射率后再训练模型。【结果】以红光、绿光、近红外和短波红外波段为输入变量的MLP模型在森林冠层植被含水率反演中的拟合度为0.843,优于SVR中最优模型的拟合度0.807,精度提高4.5%;MLP模型在地表枯落物含水率反演中拟合度为0.448...     

基于改进YOLOv5的特征抑制多尺度林火检测算法

森林火灾检测是保护森林生态系统的关键所在,可以为森林早期火灾判断与预防提供重要依据。如果能够尽可能地对森林火灾识别和检测,可以在很大程度上减少灾害发生频率及其造成的损失。基于无人机遥感图像的发展,林火的快速检测得到进一步提升,可以准确识别火灾,解决林火出现的复杂性问题。本研究针对航拍森林火灾识别遇到的背景环境复杂、林火检测识别精度偏低、局部检测效果不佳等问题,提出了一种加强视觉注意力的林火识别方法,此方法是基于YOLOv5模型改进的。该算法使用NAM attention对像素进行归一化,降低不太显著的特征权重,使目标不重要的信息得到抑制。另外本研究采用了ObjectBox,这是一种新颖的单阶Anchor-free,不仅可以平等地对待不同级别尺寸的目标,还能提升模型识别正确样本的能力,具有高度的泛化性能。采用Mosaic数据增强方式增强模型的泛化能力,提高模型识别小目标的准确率。同时引入新的定位损失函数CIOU,它可以有效地改善模型在面对复杂背景时的定位精度,提升网络识别的准确性。实验结果表明,在无人机遥感图像数据上,检测性能均优于YOLOv5算法,该算法使得林火的数据集平均精度提升了3...     

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。     

山东省森林调节温度的生态服务功能

以山东省森林资源为研究对象,利用MODIS温度产品、植被指数产品、实际采集的外业数据、山东省第7次二类调查数据、山东气象数据等,结合GIS技术,对2000—2006年山东省森林不同时间的温度数据进行量化分析。结果表明:1)森林夏季具有降温作用,冬季具有保温作用;2)夜间森林对温度的调节作用不明显;3)森林温度变化的振幅比农田、城镇都小;4)农田降温和保温的效果都不如森林显著;5)白天,在夏季,森林地表温度(LST)和归一化植被指数(NDVI)是负相关的关系,冬季是正相关的关系;夜间,无论冬夏,森林的LST与NDVI几乎不存在相关性;6)LST的变化与NDVI的变化是负相关的关系。     

基于无人机图像和改进YOLOv3-SPP算法的森林火灾烟雾识别方法

森林火灾的频繁发生对人类生命、经济和周围环境构成重大威胁。烟雾是森林火灾初期最显著特征之一,因此烟雾识别对预防森林火灾意义重大,是建立早期火灾探测机制的关键。由于烟雾具有颜色不一、形状多变等特性,导致传统方法对于烟雾识别存在泛化能力弱、响应时间长、误报率高等问题,无法实现对森林火灾的有效监测。基于此,本研究提出了基于改进的YOLOv3-SPP森林火灾烟雾识别方法。改进的YOLOv3-SPP算法通过在主干特征提取网络中加入Focus模块和使用动态标签分配策略降低了计算成本,以及在预测网络中使用解耦头,能够避免在预测过程中分类与回归任务的冲突,并用无锚框检测器替代锚框检测器计算预测框的位置,显著帮助模型更好地定位烟雾,简化解码过程。本研究使用自建的无人机森林火灾遥感影像数据集对模型进行评估,改进后的YOLOv3-SPP算法模型识别精确率达到91.07%,识别速率达到51帧/s,较YOLOv3-SPP模型分别提升了1.14%和17帧/s。实验表明该模型能有效地识别森林火灾烟雾,且通过轻量化的设计能在短时间内对烟雾进行准确识别。     

多源遥感数据的温度反演算法与分析

该文使用ArtisCamahan的辐射校正温度反演法,通过地表比辐射率和亮温反演结果的综合计算进行温度反演,最后对反演结果进行了精度验证,证明了该算法可以合理的反演出城市地表温度,得出该温度反演方法的有效性。     

基于GIS技术对西昌市森林火险等级划分的研究

森林火灾是一种突发性强、破坏性大、处置救助较为困难的自然灾害.本文以四川凉山州西昌市为例,利用GIS技术、结合DEM数据,提出一种结合卫星实时性的预测森林火灾的方法.结合NDVI、大气湿度、地表温度、植被类型4种因子,对研究区域的森林火险等级情况进行定量评价,将火险划分为5个等级.利用ArcGIS软件制作研究区域森林火...     

基于卫星监测的云南省林火时间特征分析

卫星红外监测具有时间频率高和连续性好等特点,采集了2004-2015年间森林火灾卫星红外监测数据,分析了云南省森林火灾的时间格局和分布规律。结果表明:不同年份火灾总次数具有上下波动的规律,变动时间周期为3~5年;不同年份森林火灾发生月高峰有所不同,平均峰值出现在3月份左右;火灾发生时间主要分布在11月到次年的6月,占全年的99.97%,1月到5月占全年的97.2%,6月以后到11月之前基本没有火灾发生。森林火灾的次数与火环境有一定的关系,但森林火灾次数与火源频度存在正相关性并且受火源频度的影响较大。     

基于高分一号影像光谱指数识别火烧迹地的决策树方法

森林火灾发生后,为及时、准确地掌握森林受灾情况,利用高分一号卫星(GF-1)16m宽幅影像各波段反射率信息,结合计算的归一化植被指数(NDVI)、过火区识别指数(BAI)、阴影植被指数(SVI)、归一化差异水体指数(NDWI)和全球环境监测指数(GEMI)等5种光谱指数,构建森林火烧迹地识别决策树模型(CART);在选取的研究区对该模型方法进行验证,并与最大似然监督分类法和非监督分类(ISODATA)方法所得到的结果精度进行了对比分析,结果表明:采用基于CART模型的决策树方法对火烧迹地识别结果精度较最大似然法总体分类精度提高了4.38%,Kappa系数提高了0.102 4,制图精度提高了14.96%,用户精度提高了8.50%;而采用ISODATA方法识别的火烧迹地的总体精度和Kappa系数都较低,制图精度和用户精度都没有达到1%。     

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。     

城市森林林木斑块特征与降温效应的关系 ——以北京市城区为例

【目的】城市绿地对城市热岛有显著的缓解作用,但是城市生态用地空间不断被挤压,可用于增加绿地的土地面积非常有限,如何通过合理的景观和群落结构配置来缓解城市热岛效应成为重中之重。本研究在更精细的影像分辨率尺度上探究林木斑块的斑块水平特征、景观配置特征以及群落组成特征对斑块降温效应的影响,以期为城市绿地的规划和管理提供依据。【方法】以北京市六环外1 km以内的城区为研究区,利用2013年9月Landsat-8 TIRS遥感影像的第10波段反演地表亮温,利用2013年8—9月0.5 m分辨率的World-view-2遥感影像提取城市森林斑块信息,基于城市森林斑块地表亮温与城区整体地表亮温的温差量化研究区域内城市森林的降温效应。然后,选取斑块面积、周长、周长面积比和形状指数4个斑块水平的景观指数,以及树冠覆盖度、平均斑块面积、斑块密度和聚集度4个景观水平的指标,探究城市森林斑块个体特征与空间配置对其降温效应的影响。同时还采取分层随机抽样法抽取398个林木斑块,进行城市森林结构抽样调查,分析城市森林群落结构与降温效应之间的关系。【结果】北京城区地表亮温平均值为29.86℃,不透水地表区域的地表亮温平均值为30.64℃,树冠覆盖面积超过1 000 m2的林木斑块地表亮温平均值为28.68℃,比城区低1.18℃,比不透水地表低1.98℃。在斑块水平的4个指数中,斑块面积和周长与斑块内部地表亮温最低值显著负相关(R2值分别为0.43和0.33),斑块周长面积比以及形状指数与斑块内部地表亮温的相关性较弱,且分别为正相关(R2=0.25)和负相关(R2=0.10)。在景观水平的4个指数中,作用最强的为树冠覆盖度(R2=0.312),其次为平均斑块面积(R2=0.309),二者与林木斑块的降温效应均为正相关;斑块密度与降温效应呈非线性关系,一开始地表亮温最低值随着斑块密度的增加而升高,当斑块密度的对数值达到-4.85时,地表亮温最低值随着斑块密度的增加开始下降;聚集度与降温效应呈正相关(R2=0.15);群落结构指标与林木斑块内部地表亮温相关性整体较弱,树高与乔木株数占比与斑块内部地表亮温负相关(P0.05),物种多样性指数Shannon-Wiener与斑块内部地表亮温正相关(P0.05)。【结论】在北京,面积超过1 000 m2的林木斑块可在一定程度上缓解城市热岛效应,树冠覆盖度和斑块面积是影响林木斑块降温效应强弱的核心因素,未来城市森林建设除直接规划大尺度城市森林外,还可优先在紧靠现有绿地区域的潜在绿地区种植树木,以此来增加现有林木斑块面积,同时建议优先选择生物量较大的植物,合理进行树种配置,全力提高城市绿地降温能力。     

郑州市热岛效应、植被变化与林业发展对策研究

利用郑州市 TM 卫星影像相并波段数据,研究郑州市的地表亮温和 NDVI 植被指数与植被盖度情况,发现该市相对亮温等级以弱热岛和中等热岛为主,绿岛面积仅占16.44%,且主要分布在郑州市防风固沙林面积较多的东部区域、森林面积较多的西南山地及沿黄河湿地地带,进而提出科学合理布局城市林业,防止并减缓“热岛效应”的林业发展对策.     

基于随机森林算法的林区环境因子异常检测

利用森林火灾形成初期情形下的多节点传感器采集数据,通过随机森林算法建模分析林火形成初期周边林区环境因子变化情况。同时,通过特征重要性排序,发掘林火形成初期不同的林区环境因子对模型的影响,从而为建立基于无线传感网的林区环境监测提供一定的算法模型参考。     

无人机搭载普通相机林火识别技术研究

提出了一种无人机搭载普通相机的林火识别技术,其是一种低成本无人机林火监测方法。本研究以旋翼无人机为载体,通过在南京森林警察学院院内的两块实验场地（林地、无林土丘）进行点火试验,以机载摄像机拍摄的森林视频图像建立了基于混合高斯背景模型和颜色模型的多级火灾隐患特征验证算法。在同一区域,结合地面调查数据,对无人机搭载普通相机林火识别技术精度进行检验。数据表明,在混合高斯模型得到候选火焰像素的基础上,通过试验设置最优阈值,采用归一化互相关方法设定相似度阈值为0.08,可实现对火焰特征的检测与识别。通过低成本的机载普通相机能较快地识别火灾隐患,降低误检率,可为相关研究和实际应用提供参考。     

基于Spark MLlib中决策树算法对阿尔及利亚森林火灾的预测研究

应用阿尔及利亚森林火灾数据，通过Spark MLlib中的决策树算法，提出过滤相关性高的特征参数提升模型性能，对森林火灾进行预测研究。对温度、风速、雨及加拿大森林火险气候指数（FWI）系统中主要指标等特征参数，结合森林火灾的分类情况，使用信息增益标准为Gini的二叉决策树，建立基于决策树的火灾预测模型，对样本数据进行分类预测；提出分析不同特征参数之间的相关性，剔除相关性高的特征参数，利用大数据计算框架Spark建立机器学习工作流，将计算相关性的皮尔森系数与决策树分类算法结合了起来，从而优化模型，提高预测分类精度。预测模型改进前，即未进行相关性分析的森林火灾预测分类总精度为94.94%；预测模型改进后，即进行相关性分析，剔除了相关性较高的特征参数数据，森林火灾预测分类总精度为97.17%，准确率提高了近3%。使用Spark MLlib中的机器学习算法在森林火灾预测分类方面准确率总体较高，尤其在将多种数据挖掘算法结合后，模型性能得到提高，预测分类精度更高。     

基于卫星监测热点的林火分布及发生预报模型

卫星林火监测作为森林火灾预防和扑救工作的重要方法,在我国森林防火工作中得到广泛推广和应用。基于卫星监测研究全国各省份的林火热点分布规律以及热点集中区域的气象因子与火灾频率的关系,以我国各地区2010—2015年春季森林防火期(3月1日—6月1日)的卫星监测热点数据为研究对象,分析我国各省林火的年际变化及区域分布特征;通过提取火场时空因子,结合当年气象数据,建立热点集中区域的火灾趋势回归模型。结果表明,卫星监测热点统计的森林火灾次数与当地林业局统计的火灾数据吻合度高。2010—2015年春季林火热点从整体趋势上看,森林火灾的热点数量在逐年递减,主要集中在中国的西南部区域,最多的省份为云南省,占林火热点总数的20%;其次为四川省,占林火热点总数的13%。云南省的春季林火次数多元回归方程,复相关系数R=0.838**;四川省的春季林火次数多元回归方程,复相关系数R=0.744*,回归模型都达到了显著水平。卫星监测热点用于林火监测,可以高精度统计森林火灾次数,回归模型对于林火的预测预报具有一定适应性,为森林火灾发生预测预报提供数据支持。     

基于视觉变换网络的自监督森林火灾识别

【目的】森林火灾识别是避免森林火灾大面积蔓延的一项重要研究。随着深度学习的快速发展,基于卷积神经网络的模型因其在图像识别领域的优异表现,被广泛应用到森林火灾识别任务当中。然而,基于卷积神经网络的方法通常在标签数据不充分时,难以取得令人满意的森林火灾识别结果。【方法】本研究提出了一种基于视觉变换网络的自监督森林火灾识别模型（Self supervised forest fire identification model based on visual transformation network）,来提高模型在标签稀缺情况下的森林火灾识别精度。具体来说,该模型采用视觉变换网络作为主干网络,通过视觉变换网络中的多头自注意力机制来捕获森林火灾图像的全局信息特征。并且引入自监督学习中的图像重建任务来辅助模型训练,从而减少模型对标签数据的依赖。模型通过对掩盖图像的特征恢复和重建学习相关语义信息。同时,本研究还提出了一种基于傅里叶低频混合变换的数据增强方法来提高模型的泛化性和鲁棒性。【结果】通过开展详细的试验来验证模型的有效性,结果表明,与其他常见的网络模型相比,FFDM模型在森林火灾识别任务中取...