全 文 ：第 wu卷 增刊 t
u s s y年 | 月
林 业 科 学
≥≤Œ∞‘׌„ ≥Œ∂ „∞ ≥Œ‘Œ≤„∞
∂²¯1wu o≥³qt
≥ ³¨qou s s y
基于 ∂…°神经网络的林火预测研究 3
胡 林 冯仲科 聂玉藻
k北京林业大学省部共建森林培育与保护教育部重点实验室 北京 tsss{vl
摘 要 } 以北京市房山区的林火为研究现象 o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 Š°≥
采集林火火场中心数据 o测量火场面积 ~用 ŠŒ≥做空间分析 o提取火场空间环境因子 ~将数据在 ¤·¯¤¥中用 ∂…°神
经网络进行训练 o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 o由于
该模型采用的方法不依赖于先验统计模型 o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 o因而
该方法具有很强的适用性 ∀
关键词 } 林火 ~人工神经网络 ~风险模型 ~ „µ¦∂¬¨º ŠŒ≥
中图分类号 }≥zyu1u 文献标识码 }„ 文章编号 }tsst p zw{{kussyl增 t p stxx p sw
收稿日期 }ussx p sz p tu ∀
基金项目 }国家/ {yv0数字农业重大专项子课题kussv„„us|sys p xl ∀
3 冯仲科为通讯作者 ∀
Φορεστ Φιρε Πρεδιχτιον Ρεσεαρχη Βασεδ ον ς ΛΒΠ Νευραλ Νετωορκ
‹∏¬± ƒ ±¨ª«²±ª®¨ ‘¬¨ ≠∏½¤²
k Τηε ΚεψΛαβορατορψφορ Σιλϖιχυλτυρε ανδ Χονσερϖατιον οφ Μινιστρψοφ Εδυχατιον o Βειϕινγ Φορεστρψ Υνιϖερσιτψ Βειϕινγ tsss{vl
Αβστραχτ } Œ±·«¬¶µ¨¶¨¤µ¦«o·«¨ ƒ¤±ª¶«¤±§¬¶·µ¬¦·¤¶·«¨ µ¨¶¨¤µ¦«§¬¶·µ¬¦·o·«¨ µ¨ ¤¯·¬²± ¥¨·º¨ ±¨·«¨ ©¬µ¨ µ¬¶®¤±§¬·¶ ±¨√¬µ²±°¨ ±·
©¤¦·²µ¶º¨ µ¨ ¶·∏§¬¨§∏¶¬±ª·«¨ ¤µ·¬©¬¦¬¤¯ ±¨ ∏µ¤¯ ±¨·º²µ® °¨ ·«²§¶q׫¨ ³µ²¦¨§∏µ¨ ©µ¤°¨ º²µ®¬¶¤¶·«¨ ©¨¯¯²º }·«¨ ©¬µ¨ µ¨ª¬°¨ ¶.
¦¨±·¨µ¤±§¬·¶. ¤µ¨¤¬¶¶∏µ√¨ ¼¨ §º¬·«Š°≥ o¤±§·«¨ §¤·¤º¤¶³∏·¬±·²·«¨ ŠŒ≥ ©²µ¶³¤·¬¤¯ ¤±¤¯¼¶¬¶q׫¨ §¤·¤²©·«¨ ±¨√¬µ²±°¨ ±·
©¤¦·²µ¶¤©©¨¦·¬±ª·«¨ ©²µ¨¶·©¬µ¨ º¨ µ¨ º¬·«§µ¤º±∏¶¬±ª·«¨ ŠŒ≥ o·µ¤¬±¬±ª·«¨ §¤·¤¬± ¤·¯¤¥º¬·«·«¨ ∂…°¤µ·¬©¬¦¬¤¯ ±¨ ∏µ¤¯ ±¨·º²µ®o
¤±§ ¶¨·¤¥¯¬¶«¬±ª·«¨ ©²µ¨¶·©¬µ¨ µ¬¶®©²µ¨¦¤¶·¨ ∏´¤·¬²±o·«¬¶µ¬¶® °²§¨¯¬¶¦²°³²¶¨§º¬·«·«¨ ©¬µ¨ ¬ª±¬·¬²± °²§¨¯¤±§·«¨ ©²µ¨¶·©¬µ¨
¶³µ¨¤§°²§¨¯q…¨ ¦¤∏¶¨ ·«¬¶°²§¨¯∏¶¨¶·«¨ ¤µ·¬©¬¦¬¤¯ ±¨ ∏µ¤¯ ±¨ ·º²µ® º«¬¦«§²¨¶±²·µ¨ ¼¯ ²±©¬µ¨ §¤·¤. ¶³µ²¥¤¥¬¯¬·¼ §¬¶·µ¬¥∏·¬²±o
¤±§·«¨ ±¨ µ√¨ ±¨ ·º²µ® °¨ ·«²§«¤¶·«¨ √¨ µ¼¶·µ²±ª©²µ¨¦¤¶·¤¥¬¯¬·¼·²·«¨ ±²±2¯¬±¨ ¤µ°¤·«¨ °¤·¬¦¤¯ µ¨ ¤¯·¬²±o·«∏¶·«¬¶°²§¨¯«¤¶·«¨
√¨ µ¼¶·µ²±ª√¨ µ¶¤·¬¯¬·¼q
Κεψωορδσ} ©²µ¨¶·©¬µ¨ ~¤µ·¬©¬¦¬¤¯ ±¨ ∏µ¤¯ ±¨·º²µ®~µ¬¶® °²§¨¯~„µ¦∂¬¨º ŠŒ≥
森林火灾具有难以预测 !着火面积大 !难以控制和扑灭等特点 o防患于未/燃0是林火防治综合措施的根
本k姚树人等 oussul ∀对林火的发生和蔓延进行预报和预测的研究是林火研究的难点和热点k舒立福等 o
ussvl o林火预测与预报又是林火的预防和灭火指挥决策的基础 o因而林火预测预报就成为迫切需要解决的
一个重要课题k徐爱俊等 oussvl ∀目前林火的预测预报方法大多是基于统计的方法建立的 o对于林火的先验
分布有很强的依赖性 ∀神经网络方法 o能够对非线性进行良好的拟合 o且可以不依赖于数据的先验分布k高
洪深等 ot|||l ∀温广玉等kusstl应用神经网络方法预测林火的发生 o曾孝平等kussxl运用神经网络开展了
大气环流对林火环境影响的研究 o黎粤华等kusstl论述了神经网络在林火重灾年的预测应用的前景 ∀本文
在总结上述研究成果的基础上 o以北京市房山区林火发生的历史数据为研究对象 o用神经网络的方法研究了
林火发生风险的预测模型 ∀
t 研究方法
111 区域概况
北京市房山区位于 ttxβuxχ ) ttyβtxχ∞ov|βvsχ ) v|βxxχ‘∀全区总面积 u st| ®°u o西北部为山区 o东南部
为平原 o山区 !丘陵和平原各占 tΠv o在地形上具有很强的代表性 ∀气候属北温带大陆性季风气候 o夏季炎热
多雨 o冬季寒冷干燥 o春季干旱多风 o秋季凉爽 !光照强 o形成了以秋冬季节多林火发生的格局 ∀
112 材料来源
t|{y年下半年 ) ussw年上半年 o共 tz个防火期的全部记录以及森林资源二类调查资料 ~t|{y ) ussw年
共 t{年的气温 !相对湿度 !风速 !日降水量 ~t|{y ) ussw年统计年鉴 ∀
113 研究方法
林火时空模型的研建 o着重反应林火在不同时间和不同地域由于各种影响林火发生和蔓延的因子的不
同组成而产生了不同的结果 ∀因而 o只要在林火的模型中包含影响林火的因子 o就可以对不同时空状态下的
林火发生和蔓延进行预测 ∀
用 ŠŒ≥建立应用地域的 ⁄∞ 文件及相关的其他文件 o提取高程信息 !坡度 !坡位 !距离道路的距离 !人口
密度等相关数据 o取当时的气象资料并进行修正 ∀经过与林火的历史记录进行计算后 o拟合出计算公式 ∀将
某一特定位置下的这些值相加 o经标准化后的数值写入特定的表格 o实现可视化后形成了林火的预测图 ∀选
取不同时间尺度的因子 o就可以对不同尺度下的林火风险进行预测和预报 ∀
用一般的统计方法 o必须考虑其统计特性 o特别是概率分布参数 ∀神经网络的方法独立于数据的统计情
况 o因而本文采用了神经网络的方法确定模型的系数 ∀
模型中主要包括了高程 !坡向 !坡度 !距离道路的距离 !人口密度 !相对湿度等 ∀为了便于 ŠŒ≥的可视化
表达 o采用加权分层的方法建立其通用模型
Π¬ª € 6
ν
ι € t
kκι ≅ αιl
其中 }κ为系数 oα为与林火相关的各种相关因子 ∀ Π表示林火的概率 o下标¬ªk¬ª±¬·¬²±l表示点火 ∀
模型中主要包括了高程 !坡向 !坡度 !树种和风速等 o其模型的通用形式可表示为
Π©¶ € 6
ν
ϕ€ t
kκϕ ≅ αϕl
式中 }下标©¶k©¬µ¨ ¶³µ¨¤§l表示林火的蔓延 ∀
研究流程概括为图 t ∀
图 t 研究流程示意图
ƒ¬ªqt ׫¨ µ¨¶¨¤µ¦«©µ¤° º¨²µ®
u 结果与讨论
211 林火相关环境因子信息的提取
以 „µ¦∂¬¨º ŠŒ≥为平台 o制作房山林火的林火分布图 !林相图 !道路 !地形 !坡向 !坡度等专题图层 o并在
„µ¦∂¬¨º ŠŒ≥中进行分析 ∀用叠置分析的方法 o获取林火点的空间环境因子的数值 ∀表 t是数据的一部分 o
其中 Ξ !Ψ是火点坐标 o海拔单位为 ° o坡度为 s ∗ |sβ o坡向按 s ∗ vysβ分为 {个方向 o加上平地共 |个值 ot为
平地 ou为北坡 ov为东北坡 ow为东坡 ox为东南坡 oy为南坡 oz为西南坡 o{为西坡 o|为西北坡 ∀距离道路的
距离为 ° o树种一栏中 ot 为白桦 k Βετυλα πλατψπηψλλαl ou 为山杨 k Ποπυλυσ δαϖιδιαναl ov 为刺槐 k Ροβινια
yxt 林 业 科 学 wu卷
πσευδοαχαχιαl ow为其他阔叶树 ox为杨树k Ποπυλυ󶳳ql oy为山杏k Πρυνυσ αρµενιαχα √¤µq πενδυλαl oz为侧柏
k Πλατψχλαδυσ οριενταλισl o{为柞树k Θυερχυ󶳳ql o|为油松k Πινυσταβυλαεφορµισl ots为落叶松kΛαριξ γ µελινιιl ∀
表 1 林火模型因子表
Ταβ .1 Τηε ελεµεντ οφ τηε φορεστ φιρε ρισκ µ οδελ
Ξ坐标
Ξ ¦²²µ§¬±¤·¨
Ψ坐标
Ψ¦²²µ§¬±¤·¨
海拔
∞¯ √¨¤·¬²±Π°
坡向
„¶³¨¦·¶
坡度
≥¯ ²³¨Πkβl
距离
⁄¬¶·¤±¦¨Π°
树种
×µ¨¨¶³¨¦¬¨¶
人口密度
°∏³∏¯¤·¬²± §¨±¶¬·¼Π®°p u
wxvxtu u{|sxt wxs y ux t {ss1xsx z vss
wxwstu u|u{xs wvx u ws t twu1| x t sss
ww|uwx u|wysy xxs x s t|y1vtt x u sss
wysvus u|uxtx uss w s t wxx1yst x xss
ww{swt u{tyu{ {ts u us u vvs1v|y x uss
wxuv|{ u|ux{w xss { t{ t vwy1vux x wss
wxtt{y uz|y{v zss y uy {ws1wu x vss
wxu|{{ uzys|z wxs v uz |t{1sy| x t sss
wxuywx u{{v|v zxs v vs u wvv1zxt x uss
wytv{z u|vsy| vws { vs t s|s1uzv x v||
wysz|u u|wszu wxs v ux wwu1zvu ts u|z
wwuyyt u{swtt {xs | vs t ysv1tsw x v{w
wwzss{ u{sw{| {ss u vx u |v{1s{z w us
, , , , , , , , , , , , , , , ,
212 模型的建立
在以往的应用中发现 o…°算法在迭代计算过程中存在易陷入局部最小值和收敛速度慢的问题 o为克服
以上 u个问题 o可采用自适应学习率 ∂…°k√¤µ¬¤¥¯¨¯¨ ¤µ±¬±ªµ¤·¨l算法和基于数值优化技术的 …°k¯ √¨¨ ±¥¨µª2
°¤µ´∏¤µ§·l算法 ∀这 u种算法是 ¤·¯¤¥中神经网络工具箱中的算法 ∀
自适应学习率 ∂…°算法通过改变学习率的方法提高收敛速度 ∀学习速率决定每 t次循环训练中所产
生的权值变化量 o大的学习速率可能导致系统的不稳定 o小的学习速率会导致较长的训练时间 o收敛速度很
慢 o学习速率通常是靠多次试算或靠经验决定 ∀自适应学习速率是在循环训练中根据权值的变化做调整 o它
检查权值的修正值是否真正降低了误差函数 o如果确实如此 o则说明所选取的学习速率值小了 o可以对其增
加 t个量 ~若不是这样而产生了过调 o那么就应该减小学习速率值 ∀
在本文中 o把人工神经网络技术引入模型参数的求解中 o通过对给定样本的学习 o不断调整网络的权值
以实现在变量与自变量之间的非线性映射 o当网络输出与期望之间的误差越来越小并达到要求时 o神经网络
的各个权值达到最佳 o从而达到确定模型参数的目的 ∀
本文中神经网络的训练数据是将房山区的历史林火数据k表 tl经过标准化后k即求出各列的平均值与
标准差 o然后以列中的数值减去平均数 o再除以标准差l直接建立模型 o即在点火模型中神经网络中输入的节
点为 y o输出节点为 t o隐含节点按系统默认值 ∀方法用 ∂…°方法 o训练函数选·µ¤¬±ª§¤o转换函数选 ³∏µ¨ ¬¯±o
隐含层 t层 ∀经过 vzy步训练后 o误差收敛到期望值k图 ul o得到最佳权值 ∀以最小的权值作为系数 t o以其
他权值和它的比作为其他因子的系数 ∀在蔓延风险模型中输入节点数为 x o其他选项相同 ∀最终得到以下
的公式 }
ψt € vξt n uξu n uξv n ξw n ξx n ξy ktl
ψu € vξt n uξu n uξv n ξw n ξx kul
式ktl中 }ψt 表示林火的点火风险值 oξt 坡向 oξu 表示高程 oξv 表示坡度 oξw 表示树种 oξx 表示人口密度 oξy
表示相对湿度 ∀式kul中 }ψu 表示林火的蔓延风险值 oξt 表示坡度 oξu 表示坡向 oξv 表示高程 oξw 表示树种 o
ξx 表示风速 ∀
将房山区 t|{{年和 ussw年的数据进行采集 o输入以上的林火风险模型中 o预测为高风险区域的 o实际
有 y|1u h的林火发生在该区域 ~预测为低风险区域的 o实际有 uy1w h的林火发生在该区域 o预测为安全的区
域有 w1w h的林火发生在该区域 o说明该模型具有较为准确的预测率 ∀可为林火区划 o防火物资的配置优化
等林火管理工作提供基础资料 ∀
zxt 增刊 t 胡 林等 }基于 ∂…°神经网络的林火预测研究
图 u 网络训练过程
ƒ¬ªqu ׫¨ ·µ¤¬± ³µ²¦¨§∏µ¨
v 结论与讨论
传统林火风险的预测预报 o一直是以气象因子作为主
要的因子进行的 o是一种理想化的模型 ∀实际上气象因子
受到山地地形的影响会产生较大的变化 ∀我国的气象台网
建设比较滞后 o对小地域的气象还很难做到准确地预测 o尤
其是在山区 ∀因此仅仅以气象因子作为林火预测预报的因
子 o其准确性难以得到保证 o必须结合地形及其他因子进行
分析 o才有可能得到较为可靠的结果 ∀林火的分布呈现很
强的地带性 o是不均匀的 o这在不同尺度下的林火研究中均
有报道k张玉红 oussu o王明玉等 oussv o王荷秀等 ot||{l ∀对
于林火的分布存在不同的观点 o有泊松分布k岳金柱等 o
ussul o韦伯分布 !正态分布k张映堂等 ot||yl或聚集分布tl
等 ∀由此可以认为林火在不同地域的发生概率模式是不同的 ∀而传统的统计方法是基于概率分布的 o如果
不考虑其分布 o建立林火的预测公式是难以在实际应用上推广的 ∀由于各地自然条件的差异 o林火的发生及
蔓延受到各自然因子的影响程度不同kƒ¯ ²¼§ ετ αλqousswl o呈现不同的关系 o即包含了线性的关系 o也包含了
非线性的关系 o将多种因子放在同一个公式中用传统的统计方法进行拟合时 o往往表现为非常复杂的数学关
系式 o无法解释其物理含义 ∀随着 v≥技术发展的成熟 o在林火研究中的应用也起来越多 o但是 o由于在其中
的各个环节都带来很多的误差 o在采集的数据中难免加入了相当多的噪声k²±¨ ¶ ετ αλqousswl ∀本文运用了
神经网络的方法 o可以解决以上的各种问题 ∀但是 o由于人工神经网络方法是一种黑箱算法 o其算法的选择
上难以说明其理由 o因而对于在林火预测预报上应用神经网络的方法 o还有待于进一步研究 ∀
tl聂玉藻 qussx q林火时空分析方法与风险模型研建 q北京林业大学学位论文
参 考 文 献
高洪深 o陶有德 qt||y q…°神经网络模型的改进 q系统工程理论与实践 oktl }yz p zt
黎粤华 o梁颖红 o王述洋 qusst q人工神经网络技术在林火重灾年预测中的应用前景 o林业劳动安全 oktl }u| p vt
舒立福 o田晓瑞 o寇晓军 qussv q林火研究综述 q世界林业研究 otykvl }vz p ws
王明玉 o舒立福 o田晓瑞 o等 qussv q林火在空间上的波动性及其对全球变化的响应 q火灾科学 otukvl }tyx p tzy
王荷秀 o慕建利 o侯建忠 o等 qt||{ q陕西省林火的时空分布及火源特点 q西北林学院学报 otvktl }zx p z{
温广玉 o侯锡铭 o陈华豪 qusst q人工神经网络在林火发生预报中的应用 q生物数学学报 otykul ouux p uu{
徐爱俊 o李清泉 o方陆明 o等 qussv q基于 ŠŒ≥的森林火灾预报预测模型的研究与探讨 q浙江林学院学报 okvl }yt p yw
姚树人 o文定元 qussu q森林消防管理学 q北京 }中国林业出版社
岳金柱 o冯仲科 qussu q浅谈 v≥技术在林业及林火管理中的应用 q森林防火 okwl }vs p vu
张映堂 o郭 安 qt||y q云南楚雄州林火分布的数学模型及森林防火期的划分 q西南林学院学报 otykul }tss p tsw
张玉红 qussu q黑龙江省森林火灾的时空分 q哈尔滨师范大学自然科学学报 ot{kxl }|x p tss
曾孝平 o刘 敬 o刘 德 o等 qussx q基于 …°神经网络的森林火环境预测方法 q重庆大学学报 }自然科学版 ou{ktl }zv p zy
ƒ¯ ²¼§  o‹¤±±¤⁄ ⁄o•²°°¨ • ‹ qussw q‹¬¶·²µ¬¦¤¯ ¤±§µ¨¦¨±·©¬µ¨ µ¨ª¬° ¶¨¬± °¬±²±2∏±¬³¨µº²²§¯¤±§¶²±  ¶¨¤ ∂ µ¨§¨ o≤²¯²µ¤§²o˜≥„ qƒ²µ¨¶·∞¦²¯²ª¼¤±§
¤±¤ª¨ °¨ ±·ot|{ }uy| p u{|
²±¨ ¶≥ ⁄oŠ¤µ√¨ ¼  ƒ o‹∏±·¨µŠ qussw q • «¨µ¨. ¶·«¨ ©¬µ¨ ‚±∏¤±·¬©¼¬±ª∏±¦¨µ·¤¬±·¼¬± ¤ º¬¯§©¬µ¨ ·«µ¨¤·°²§¨¯qŒ±·¨µ±¤·¬²±¤¯ ²∏µ±¤¯ ²© • ¬¯§¯¤±§ƒ¬µ¨ otv }tz
p ux
k责任编辑 朱乾坤 徐 红 石红青l
{xt 林 业 科 学 wu卷