全 文 ：林业 科学研究
  ,






一














森 林 灾 害 监 测 方 法 研 究
—以西南地区火灾监测为例 ‘
纪 平 易浩若 白黎娜
关键词 人 工神经元网络 、



数据 、 遥感 、 专家 系统
目前 , 世界上许多国家都 已开展了森林灾害监测方面的研究 。



年大兴安岭森林大火
之后 , 我国也充分认识到了森林防火的重要性 , 并积极开展了森林灾害监测及灾后损失评价的
研究 。
对现有的监测方法进行比较 , 飞机 、雷达等的监测费用比



卫星要高得多
从覆盖面
积看 , 雷达 、

卫星 、睐望塔等 , 都比不上



卫星
从周期上看 ,



卫星一天覆盖同
一地点
次 , 而

卫星则要

一周期 。 由此可见利用



卫星监测具有很大的优越
性 。
而应用



卫星数据进行森林灾害监测的主要方法有以下几种
目视判读法 、机器解
译法及近几年发展起来的人工智能专家系统方法 。 这些方法各有优缺点 。 目视判读直观 , 一目
了然 , 但判读速度慢 , 且操作者要具有一定的经验
机器解译比 目视判读提高了速度 , 但由于卫
星数据的多因素性 , 以及对这些数据进行规律总结的困难程度和不完整性 , 使得机器解译的精
度较低
随着计算机技术的发展和人工智能理论的日趋成熟 , 基于规则的专家系统监测方法充
分显示了其优越性 , 但 由于这 种专家系统本身存在一些问题 , 如

 知识获取 的“瓶颈 ”问题



 知识库构造单一化问题


 推理机制不够有力等问题
使得其应用受到了相当的限制 。 进
入

年代以来 , 神经元网络科学研究的突破 、计算机科学及非线性科学研究取得的进展 , 产生
了基于 人工神经网络的专家系统理论川 。这种专家系统由于具有大规模模拟并行处理 , 信息分
布式存贮 , 高度的容错性和鲁棒性 、 自
组织 、 自学习和实时处理等优点 , 一定
程度上克服了传统专家系统的上述缺
点 。 而将这一系统应用于森林灾害监
测时 ,关键是要解决好以下两个问题




样本点的描述 及采集


 网络拓
扑结构的选取 。 本文正是在研究这两
个问题的基础上 , 提出了用于森林监
测的基于神经网络专家系统的一般结
构
见图

。
样 神本 经 辅助信息点 网采 络
集 学
习
图
神经 网络专家系统的一般结构

  一
一

收稿 。
纪平助理研究员 , 易浩若 , 白黎娜
中国林业科学研究院资源信息研究所 北京








本文为

 年中国林科院科学基金项目“一类用于森林资源灾害遥感监测的基于神经网络的专家系统结构 ”部分研
究内容 。
林 业 科 学 研 究
卷

样本点采集

 样本描述
构造一个 专家 系统第一步是进行样本采集 , 而样本采集首先要对样本进行描述 , 从对




数据的研究和分析中可以看出 ,



数据每个通道的一个象元值 , 是对











的地面所做的光谱特性描述 。 由于分辨率低 , 这种描述是很综合性的 。 在这种情况下 , 对




数据进行图像的纹理信息提取和分析 , 意义不很大 , 通过多次计算试验发现 , 其统计特
征很能说明问题 。 另一方面 , 亦要根据具体的监测 目标 , 分析



数据的具体特性 , 才能得
出对样本点精确的描述 。 例如 , 在做林火监测时 , 由于



数据的

值反映了林火的主
要特征 , 所以我们在对林火点样本进行描述时 , 主要考虑的就是

 的值 。 林火点样本包括

个特征 , 根据不同通道 、不同光谱对林火的不同反应 , 分别为

的值 ,






的均值和方
差 ,

的均值和方差 、


的均值和方差 。 其中


值主要是反映温度的 , 一般林火温度在







℃之间 , 有时可达


℃以上 ,




定义为植被指数 , 取其均值和方差可以反
映出绿色植被过火后的变化
由于


值是林火特征在

  数据上的主要反映 , 因此取其
均值和方差对其统计特征作进一步的描述 。

主要反映地表温度 , 林火燃烧时的地表温度
会 比正常地表温度有所提高 , 因此选其均值和方差作为对林火特征的又 一描述 。
如果作森林虫害监测 , 则其



数据的主要特征应是




植被指数 。 总之 , 样本
点的描述首先是要分析监测 目标在



数据上的反映 ,其次是抽取这种反映的特性 。

 样本采集
样本采集主要是利用历史数据 , 在可能的情况下 , 可以做实验 , 采集实验数据 。由于样本采
集过程 , 相当于一般专家系统的知识获取过程 , 每一个样本 , 都是一个实例 , 它应该将所有能搜
集到的专家知识 , 完全体现在样本当中 , 以便使经过这些样本训练的网络 含有充分的专家知
识 , 具有相当于专家 的判别能力 。 这就要求在样本采集过程中尽可能地去搜集各种情况的实
例 , 使神经网络具有充分的判别精度 。

神经 网络系统
在图
的专家系统一般结构中 , 神经网络系统是关键 ,关于此系统有
个问题要讨论 。


 网络类型的选取 。神经网络从出现到如今经过了三 、四十年的历史 , 其中成熟的网络类
型不下几十种 。 这些类型的网络已被广泛地应用于模式识别 、信号处理 、综合评判 、组合优化

一,
等领域 。 其中模式识别是其成功应用的典型范例 , 而利用



数据监测森林灾害实质上就
是一种模式识别问题 , 因此用神经网络来解决这一问题是可行的 。
用作模式识别的网络中
 网络是较成熟的一种网络 ,
 网络实际上是一从输入到输 出
的高度非线性映射 。 这 由
 网络算法的实现过程即可看出 , 首先将输入信号传到隐节点 , 经
过作用函数 , 再将隐节点的输出信息传到输出结点 , 得到输出结果 。其中隐节点的个数 、层数及
作用函数的类型将决定这一映射的非线性性质 。


 网络层数及节点选取 。 网络层数及节点个数选取的原则 , 是根据所需解决的问题复杂
程度而定的 , 也就是说根据其问题所需映射 的非线性性而定的 , 越复杂的问题 , 非线性度越高

期 纪平等
森林灾害监测方法研究
一 以西南地区火灾监测为例
的问题 , 完成其映射所需网络层数和节点个数就越多 。而网络层数及节点选取的一般方法是试
验法 , 即任选一层数及节点个数 , 通过实验 , 实际训练网络 , 用测试数据检验这一结构的网络其
非线性映射对结果的逼近程度来确定所选取的层数及节点个数是否正确 。经过多次试验 , 我们
发现 , 利用



数据监测森林灾害的问题 , 用 含有一个隐层及数个

一
个
隐节点的

网络 , 即可完成其非线性映射过程 。


 作用函数的选取 。 作用函数在网络中不仅决定了其映射的非线性性 , 同时也影啊着网
络的收敛速度 。 常见的作用函数为
型函数 、
型函数 、阶跃函数 、分段线性函数等 ,其选择原
则亦是依据问题本身的非线性程度及训练数据的收敛性质 。 一般在
 网络中都是选用
型
函数 , 但在本研究中
型的作用函数使得网络的收敛性不很理想 , 作者尝试用
型函数替代
了
型函数后发现 , 网络迅速收敛 , 其映射的逼近效果十分令人满意 。

实 例
以利用



数据监测森林火灾作为对该研究印证的实例 。


实验数据
从历史数据中选取 了
幅


 又







卫星影像 , 对其进行 了常规数据处理后 , 从
中选出了
 个森林火点 ,
 个非火点 , 共
 个点作为训练数据的样本点 。 对这些样本点分别
按

值 ,




的均值和方差 、


均值和方差及


的均值和方差进行采样最后得
到训练数据 。



构造专家系统 输 出层
根据第四节中所述 , 构造一个
层

网
络 , 其中输入层具有
个单元 , 输出层
个单
元 , 试选隐层
个单元 , 用上面
中所选训练数
据训练网络 , 不断进行修正 , 最终确定 , 其隐节
点个数为
, 网络结构如图
。网络的输出 , 即可
作为最终专家系统的结果输出 。



结果输出
在今年春季的防火监测数据中 , 我们选取
了
幅











数据 , 对其中的

个点应用该专家系统进行了判别 , 其结果见表
。
表
实验结果
稳层
精入层
图
网络拓扑结构
地面情况 象元个数 正确判别个 数 误 判



结果分析
表
的结果表明 , 用所选训练数据 , 得到
火 点



非 火 点



高温干扰点

。



高值于扰点

。
的专家系统 , 对从这
幅图象中选出的
 个
点的判别是很准确的 。 这也说明了该系统的
有效性 。
另一方面 , 在
 个火点中 , 有几个是森
林边缘的农用火 , 尽管该系统将其与非火点 区分了开来 ,但对林火点的判别 , 它显然还不完善 ,
关于这一点 , 将在下面作更详细的讨论 。
林 业 科 学 研 究
卷

应用人 工 神经网络专家系统
监测森林灾害方法框 图
图




讨 论
愉入接 口
定标 、订正 、格式转换
增强信息图像处理
匡吮画 坐

坐标校正
竺竺王兰子竺竺竺⋯““,“‘⋯
一中
结果报告

图
人工神经 网络专家系统监测森林灾害方法框图
到 目前为止 , 已对该题 目所提出的人工
神经
网络专家系统一般结构进行了研究 , 并用实
例作了验证 , 从结果看出 , 仅有几处森林边缘
的农用火未被进一步细分 , 这也是今后有待
进一步研究的 。




卫星的分辨率是










, 在这么大的地面上 , 其植被状况是很复
杂的 , 尤其是我国西南方 一带 , 植被 支离破
碎 , 砍伐严重 , 无法对








 的地
面森林植被情况进行定义 , 加之西南一年四
季种植蔬菜 , 因此 , 样本描述 中 , 就 没有考虑
样本象元点是否为森林的情 况 , 若想准确判
断是否为林 火有
个方法可以考虑 , 一是将
目前的输出结果经过

 进行进一步印证 ,
得出最后结果 , 一是在样本描述中加入地面
状况的信息 , 重新训练网络 , 生成新的专家系
统 , 在进行判断时亦要提取待判点的地 面状
况信息 , 后一种方法 , 要增加不少地面工作 ,
但它减少了判别的中间过程 。
本文在深入分析



数据的特性 , 比
较各种监测方法的优缺点 , 论述人工神经网
络专家 系统的优 良性能的基础上 , 提 出了用
于森林灾害监测的基于人工神经网络专家系
统的一般结构 。在这一结构中 , 首先讨论了样
本点的描述 , 提出并验证对



数据以统
计规律为主 , 不作纹理分析的样本描述观点 ,
其次 , 在网络结构的研究中 , 发现并证实了对
这一监测 ,
型作用函数在映射逼近程度和收敛性能上均优于
型函数的特点 , 实例的检验
结果亦证明 , 本文所提 出的一般结构 , 是行之有效的 。
参 考 文 献

焦李成
神经网络 系统理论
西安
电子科技大学 出版社






靳蕃 , 范俊波 , 谭永东
神经网络与神经计算机原理应用
成都
西南交大出版社 ,





期 纪平等
森林灾害监测方法研究— 以西南地区火灾监测为例










































—





















 !















 ! 






















 ,



















 ! ∀ #
∃ % &  ∋ ( ) ∗+ ∗ ∗# ,
− . ) # , − / % ) 0 / #
1 .  + % ) / # ) ∃ +% ) + % )
) ∃ ∗
#
) ) ! % & ∗% ) ∗& 2
3 4 ∋
) .  . ) % + ( ) ∗+ ∗ ∗# ,
− . ) # , − / % ) 0 # & ∃ ∗

# ! 1 , ∃
) ∗1  ∗% & / ) ∃ ∗
.

∃ , a n d t h e s a m p l e p o i n t s s h o u l d b e
s e
l
e e t e
d
a e e o r
d i
n
g r
o t h
e s t a t
i
s t
i
e a
l
r e
g
u
l
a r
i
r y o
f N O A A d
a t a
.
T h
e
d i f f
e r e n e e s
b
e t w
e e n t
h
e
f
u n e r i
o n s
w i t h d i f f
e r e n t t r a n s
f
e r
i
n t
h
e n e u r a
l
n e r w
o r
k
s t r u e t u r e w
e r e a
l
s o
d i
s e u s s e
d
.
I t h
a s
b
e e n
p
r o
v e
d b
y a p
r a e t i
e a
l
e a s e t
h
a t t
h
e r e
w
a s a
g
o o
d
a
p p
r o x
i m
a t
i
o n a n
d
e o n v e r
g
e n e e
w h
e n
u s
i
n
g H
t r a n
s
f
e r
f
u n e t i
o n
i
n r
h
e s r r u e t u r e
.
K
e
y w
o r
d
s
A
r t i f i
e
i
a
l N
e u r a
l N
e t w
o r
k
,
N O A A d
a r a
, r e
m
o t e s e n s i
n
g
,
e x
p
e r t s y s t e
m
J
一 P i一19
,
A
s s 一s t a n r P r o f e s s o r
,
Y
一 H a o r u o
,
B
a
一 1 1一i。 ( T lle R e s e a r e h I n s t it u r e o f F o r e s r R e s o u r e e s In fo r m a t io n T e e h n iq u e s
,
C
A F
B
e
i一xn g 1 0 0 0 9 1 ) .
“西南林区等火灾监测评价 ”达国际先进水平
“八五 ”攻关专题 “西南林 区等火灾监测评价 ”于 199 5 年 10 月 26 日在北京通过 了由中科院自然与社会发
展协调局主持的验收和鉴定 。 鉴定委员会由南京大学 王杏元等 9 名同行专家组成 , 中科院院士陈述彭和 国家
科委副主任 、中科院院士徐冠华分别任正 、副主任委员 。
该专题由中国林科院资源信息所和中科院成都山地所 主持 , 林业 部规划院 、南林大 、北师大 、北林大参加 。
系统研究了森林火灾全过程 , 成功地开展 了以遥感和地理信息系统为主要技术支持 , 从森林火险区划预报到
林火背景数据的建立~ 林火航天 、航空遥感识别~ 林火行为仿真 和损失评估~ 林火灾后生态变化和恢复更
新监测评价等系列化研究 。 在遥感 对林火监测数学 模型和计算机技术应 用等方面均取得 了明显技术进 步 。
( l) 首次采用了基于人工神经网络的专家系统 , 建立了一个完整 、可运行的 N O A A 林火监测系统 。 在背景库支
持下 , 使监测的准确率达到 80 % 。 ( 2) 首次在我国将航空多光谱扫描数据用于林火监测 , 所建立的火热模型和
反映地物分异规律的线性 、非线性修正 系数及波段组合方法可区分 0.3 m 艺 x 0 . 3 m ’的火点 。 ( 3) 首次探讨了
用航天遥感数据估测枯落物的方法 。 ( 4) 用动态方程建立 了林火行为系统模型 , 并对著名的 R ot herm el模 型进
行了修正 。 依托背景库 , 火场仿真反应迅速 。 在G IS 支持下 , 建立模型 , 并用数字反演技术对林木死亡率 、火灾
面积给出较准确的估计 。
基于上述各点 , 评委们审查了有关资料 , 一致认为该成果在科学性 、实用性及研究的系统性等方面 , 总体
上 已达到国际先进水平 , 在利用神经网络提高火灾识别率 , 林火损失评估仿真模型的建立和枯落物估测 方法
方面 , 已达到国际领先水平 。
自1994年该系统运行以来 , 已较准确 及时地监测到四川木里 、大兴安岭红花 尔基 、内蒙大杨树等处0.27 、
1
、
1 0 h m
Z 以上 , 1 68 次火情 , 及时通知 了有关部门及 时扑救 。其报准率达80 % 以上 。这一 系统不仅对西南地区 ,
而且对其它地区也有使用价值 。将对减少林火损失 , 保护生态环境 , 恢复和重建灾后生态环境做出贡献 。
( 中国林业科学研究院资源信息研究所 袁凯先 )