免费文献传递   相关文献

Application of SVM Method on the Prediction of Forest Fire Danger

SVM方法在森林火险预测中的应用


用归一化差分植被指数(NDVI)和空气相对湿度构造森林火险综合指数。将支持向量机(SVM)方法用于森林火险预报预测试验,利用气象资料和卫星遥感资料,建立甘肃省林区森林火险分类推理模型和回归推理模型,并进行相应的预报试验。结果显示:分类推理模型具有良好的预报能力,预报效果明显优于传统的逐步回归方法;回归推理模型预报效果与逐步回归方法相差无几。

The forest fire danger composite index(FI) is constructed by normalized difference vegetation index (NDVI) and the relative humidity. Support vector machine (SVM) methods used for forest fire forecasting prediction test. Using meteorological data and secondary planet remote sensing data, the classification illation model and regression illation model of forest fire were based. The forecasting test was progressed too. The results show that classification illation model has favorable prediction ability, its prediction effect is superior to successive regression technique. But there is little difference in prediction effect between the regression illation model and successive regression technique.


全 文 :第 wv卷 第 ts期
u s s z年 ts 月
林 业 科 学
≥≤Œ∞‘׌„ ≥Œ∂ „∞ ≥Œ‘Œ≤„∞
∂²¯1wv o‘²1ts
’¦·qou s s z
≥∂  方法在森林火险预测中的应用
黄玉霞 许东蓓 蒲 肃
k兰州中心气象台 兰州 zvssusl
摘 要 } 用归一化差分植被指数k‘⁄∂Œl和空气相对湿度构造森林火险综合指数 ∀将支持向量机k≥∂ l方法用于
森林火险预报预测试验 o利用气象资料和卫星遥感资料 o建立甘肃省林区森林火险分类推理模型和回归推理模型 o
并进行相应的预报试验 ∀结果显示 }分类推理模型具有良好的预报能力 o预报效果明显优于传统的逐步回归方法 ~
回归推理模型预报效果与逐步回归方法相差无几 ∀
关键词 } 森林火险综合指数 ~支持向量机 ~森林火险预测 ~分类模型 ~回归估计
中图分类号 }≥zyu1u 文献标识码 }„ 文章编号 }tsst p zw{{kusszlts p sszz p sy
收稿日期 }ussy p sz p ts ∀
基金项目 }甘肃省自然科学基金项目k≥svt p „ux p sux p Šl ∀
Αππλιχατιον οφ Σς Μ Μετηοδ ον τηε Πρεδιχτιον οφ Φορεστ Φιρε ∆ανγερ
‹∏¤±ª≠∏¬¬¤ ÷∏⁄²±ª¥¨¬ °∏≥∏
kΛανζηου Χεντραλ Μετεορολογιχαλ Οβσερϖατορψ Λανζηου zvssusl
Αβστραχτ } ׫¨ ©²µ¨¶·©¬µ¨ §¤±ª¨µ¦²°³²¶¬·¨¬±§¨¬kƒŒl¬¶¦²±¶·µ∏¦·¨§¥¼ ±²µ°¤¯¬½¨ §§¬©©¨µ¨±¦¨ √¨ ª¨·¤·¬²±¬±§¨¬k‘⁄∂Œl ¤±§·«¨
µ¨ ¤¯·¬√¨ «∏°¬§¬·¼q≥∏³³²µ·√¨ ¦·²µ°¤¦«¬±¨ k≥∂ l °¨ ·«²§¶∏¶¨§©²µ©²µ¨¶·©¬µ¨ ©²µ¨¦¤¶·¬±ª³µ¨§¬¦·¬²± ·¨¶·q˜¶¬±ª °¨ ·¨²µ²¯²ª¬¦¤¯
§¤·¤¤±§¶¨¦²±§¤µ¼ ³¯¤±¨·µ¨°²·¨ ¶¨±¶¬±ª§¤·¤o·«¨ ¦¯¤¶¶¬©¬¦¤·¬²± ¬¯¯¤·¬²± °²§¨¯¤±§µ¨ªµ¨¶¶¬²± ¬¯¯¤·¬²± °²§¨¯ ²©©²µ¨¶·©¬µ¨ º¨ µ¨
¥¤¶¨§q׫¨ ©²µ¨¦¤¶·¬±ª·¨¶·º¤¶³µ²ªµ¨¶¶¨§·²²q׫¨ µ¨¶∏¯·¶¶«²º·«¤·¦¯¤¶¶¬©¬¦¤·¬²±¬¯¯¤·¬²± °²§¨¯«¤¶©¤√²µ¤¥¯¨³µ¨§¬¦·¬²±¤¥¬¯¬·¼o
¬·¶³µ¨§¬¦·¬²± ©¨©¨¦·¬¶¶∏³¨µ¬²µ·²¶∏¦¦¨¶¶¬√¨ µ¨ªµ¨¶¶¬²±·¨¦«±¬´∏¨ q…∏··«¨µ¨ ¬¶ ¬¯·¯¨§¬©©¨µ¨±¦¨ ¬± ³µ¨§¬¦·¬²± ©¨©¨¦·¥¨·º¨ ±¨·«¨
µ¨ªµ¨¶¶¬²±¬¯¯¤·¬²± °²§¨¯¤±§¶∏¦¦¨¶¶¬√¨ µ¨ªµ¨¶¶¬²±·¨¦«±¬´∏¨ q
Κεψ ωορδσ} ©²µ¨¶·©¬µ¨ ¬±·¨ªµ¤·¨§¬±§¨¬kƒŒl ~¶∏³³²µ·√¨ ¦·²µ°¤¦«¬±¨ k≥∂ l ~³µ¨§¬¦·¬²± ²©©²µ¨¶·©¬µ¨ §¬¶¤¶·¨µ~¦¯¤¶¶¬©¬¦¤·¬²±
°²§¨¯~µ¨ªµ¨¶¶¬²± ¶¨·¬°¤·¬²±
森林火灾不仅造成森林资源锐减 !环境恶化 !土地沙化 o而且还导致自然灾害频繁发生 o经济损失巨大 ∀
森林火灾发生是森林可燃物类型 !火源及火环境条件相互联系 !共同作用的结果k舒立福等 oussvl ∀在一定
地区和时间范围内 o森林可燃物类型及火源条件相对稳定而火环境中的气象条件变化较大 o因此在某种程度
上 o气象条件是决定森林火灾发生与否的重要因素 ∀多年的研究和实践表明 }大面积 !高强度的森林大火通
常是在气候异常或特殊的天气系统造成高温 !低湿伴有大风的天气情况下发生的 o应在加强气象中 !长期趋
势预报和引发危险天气的中 !短期预报的基础上 o做好森林火险预测 !预报 ∀目前国内森林火险预测 !预报方
法多以统计分析为主k赵凤君等 oussz ~王述洋 oussu ~易浩若等 ousswl o然而传统的统计方法只有在样本数
量趋于无穷大时才能有理论上的保证 o而在实际应用中样本数目通常都是有限的 o甚至是小样本 o对此基于
大数定律的传统统计方法难以取得理想的效果 ∀ ∂¤³±¬®kt||{ ~usssl提出的统计学习理论是一种专门的小
样本理论 o这一方法数学推导严密 o理论基础坚实 ∀基于这一理论近年提出的支持向量机k¶∏³³²µ·√¨ ¦·²µ
°¤¦«¬±¨ o≥∂ l方法 o为解决基于数据的非线性建模问题提供了一个新思路 ∀
本文试图将 ≥∂  方法用于森林火险预测模型的建立中 o并与传统的逐步回归方法进行对比 o以期得到
更好的森林火险预测模型 ∀
t 资料与方法
111 资料
t1t1t 火灾资料 甘肃省林业厅防火办提供的 t|{{ ) ussv年白龙江 !洮河 !小陇山 !子午岭 !太子山 !大夏
河 !岷江 !康南 !关山 !祁连山和马衔山等 tt大林区逐日森林火灾资料 ∀
t1t1u 卫星遥感资料 中国气象局卫星气象中心提供的 t||s年 t月 ) usst年 |月逐旬 ‘’„„卫星 „∂ ‹• •
资料 o格距为 s1szuβ ≅ s1szuβ ∀
t1t1v 气象要素资料 甘肃省气象局提供的 t|{{ ) ussv年甘肃省 tt大林区及其周边共 wz个气象站逐日
平均气温 !最高气温 !最低气温 !气压 !风速 !相对湿度 !蒸发量 !降水量等资料 ∀
112 方法
t1u1t 归一化差分植被指数k±²µ°¤¯¬½¨ §§¬©©¨µ¨±¦¨ √¨ ª¨·¤·¬²±¬±§¨¬o‘⁄∂Œl ‘’„„气象卫星的 „∂ ‹• • 辐射计
共有 x个遥感通道 o本文采用通道 tks1x{ ∗ s1y{ Λ°l与通道 uks1zux ∗ t1t Λ°l探测到的地物白天对太阳辐
射中可见光和近红外光的反射率 ≤‹t和 ≤‹u的组合 o得到归一化差分植被指数k‘⁄∂Œl o其计算公式为
‘⁄∂Œ € k≤‹u p ≤‹tlΠk≤‹u n ≤‹tl o
式中 }≤‹t和 ≤‹u分别表示经订正处理后 „∂ ‹• • 通道 t和 u的反射率 ∀
t1u1u 归一化处理 为了有效避免各因子之间的量级差异 o消除各个因子由于量纲和单位不同的影响 o对
样本进行归一化处理
cξι €
ξι p °¬±κ k ξκl
°¤¬
κ
k ξκl p °¬±κ kξκl
o
式中 }°¤¬
κ
kξκl和°¬±κ k ξκl分别为第 κ个因子数据的最大值和最小值 ∀
t1u1v 干旱指数 本文使用国家气候中心气候影响评价业务化的干旱指数 o具体算法如下 }
单站干旱指数 Ικ € Ζ p Α≅ k Τp hΤlΠΡ× o式中 }Ικ为第 κ个站的干旱指数 oΖ为某时段标准化降水指数 o
Τ为某时段气温 oΡ× 气温标准差 oΑ为气温权重系数 o取 s1u ∀
区域干旱指数 ∆ € uµ Ε
µ
ϕ€ t
Ικ o式中 }°为站点个数 ∀
t1u1w ≥∂  方法基本原理简介k陈永义等 oussw ~冯汉中等 oussxl ≥∂  方法的基本思想是 }定义最优线性
超平面 o并把寻找最优线性超平面的算法归结为求解一个凸规划问题 o进而基于  µ¨¦¨µ核展开定理k≤²∏µ¤±·
ετ αλqot|xvl o通过非线性映射 Υo将样本空间映射到一个高维乃至于无穷维的特征空间k‹¬¯¥¨µ·空间l o使在
特征空间中可以应用线性学习机的方法解决样本空间中的高度非线性分类和回归等问题 ∀简单地说就是升
维和线性化 ∀
根据相关的理论和算法k陈永义等 ousswl o最后在特征空间中得到的 ≥∂  线性分类函数为 Μk ξl € ¶ª±
≈ Ε
Λ
ι € t
Α3ι ψιk ξ# ξιl n β 3   o非线性分类函数为 Μkξl €¶ª±≈ Ε
Λ
ι € t
Α3ι ψι Κk ξ oξιl n β 3   ~≥∂  线性回归函数为 φk ξl €
Ε
λ
ι € t
kΑι p Α3ι lkξ# ξιl n β o非线性回归函数为 φk ξl € Ε
λ
ι € t
kΑι p Α3ι l Κk ξ oξιl n β ∀
上式中¶ª±kl为符号函数 o当自变量非负时取值 n t o当自变量为负时取值 p t ∀ ψι Ι ¾p t otÀ oΛ为支持
向量个数 oΑ3ι !β 3 为确定最优划分超平面的参数 ~kξ# ξιl为 u个向量的点积 oΚkξ oξιl为  µ¨¦¨µ核函数 ∀
与线性相比 o非线性计算中只是用  µ¨¦¨µ核函数代替了点积的计算 o在整个求解过程中不需要知道非
线性映射的显式表达式 o因此与线性方法相比几乎不增加多少计算量 o但特征空间的线性划分却对应于原来
样本空间的高度非线性划分 ∀
u 甘肃省森林火灾分布特征及森林火险综合指数
211 甘肃省森林火灾分布特征
甘肃省自然条件严酷 !生态环境脆弱 !森林资源相对贫乏 o主要集中在白龙江 !洮河 !小陇山 !子午岭 !太
子山 !大夏河 !岷江 !康南 !关山 !祁连山和马衔山等 tt个林区 ∀t|{{ ) ussv年甘肃省共发生森林火灾 uvz
次 o年平均 tw1{次 ∀森林火灾平均开始于 ts月 uz日 o结束于 x月 tv日 o平均森林火险季节长度为 t|| §o与
甘肃省森林防火期ktt月 t日至次年 x月 vt日l基本一致 ∀t|{{ ) ussv年 o最长森林火险季节长度为 u{| §o
出现在 t||{年 ~最短森林火险季节长度仅 xu §o出现在 t||v年 ∀
212 植被指数与森林火灾的相关性
植被指数是遥感领域中用来表征地表植被覆盖和生长状况的一个简单 !有效的度量参数k罗亚等 o
ussxl ∀研究表明k徐希孺 ot|{tl }归一化差分植被指数k‘⁄∂Œl消除了部分太阳高度角 !卫星扫描角以及大气
{z 林 业 科 学 wv卷
图 t 甘肃省林区 ‘⁄∂Œ月际变化
ƒ¬ªqt ²±·«¯¼ ¦«¤±ª²©©²µ¨¶·‘⁄∂Œ¬± Š¤±¶∏°µ²√¬±¦¨
层辐射的影响 o适于做植被监测 o并能部分
补偿照时条件 !地面坡度所引起的影响 o因
而是世界上监测植被类型差异 !生长状态 !
生态背景的重要指数 ∀由图 t可知 o甘肃省
植被在 z ) | 月生长最为旺盛 ott 大林区
‘⁄∂Œ平均值大于 s1w ~ts ) tu月 ‘⁄∂Œ缓慢
下滑 o但仍大于 s1vx o说明甘肃省森林植被
在这个季节生长有所减缓但仍较旺盛 otu月
) 翌年 u月森林生长逐渐停止 o‘⁄∂Œ由 s1vy
迅速下滑至 s1uy ~此后至 v月 o森林生长基
本处于停滞阶段 o‘⁄∂Œ维持在 s1uy附近 o此
时树枝含水量也处于最低值 ~w月以后 o随着天气转暖 o森林开始恢复生长 o‘⁄∂Œ逐渐增大 o到 {月达到 t年
中的最大值 ∀与森林火灾的变化趋势对比可知 o森林植被含水率最低的 v月也是森林火灾最为高发的时期 o
而植被生长最旺盛 !树枝含水量最丰富的 z !{月则无一例火灾发生 ∀对甘肃省森林火灾发生频率与 ‘⁄∂Œ进
行相关分析表明 }火灾发生次数与 ‘⁄∂Œ呈显著负相关 o即当植被指数较低时 o森林火灾发生率较高 o其中 o
火灾发生次数与同期 ‘⁄∂Œ的相关系数为 p s1zt o与前 t月 ‘⁄∂Œ的相关系数为 p s1y| o均可通过 s1st的置
信度检验 o因此 o可以将卫星遥感植被指数用于森林火险预测k许东蓓等 ousszl ∀
213 森林火险综合指数的建立
长期以来 o在森林火险预测模型的建立中 o预报量的确定是一个难点 ∀由于火灾的发生多由人为因素引
起 o因此单纯利用火灾实况资料与气象要素建立预测模型显然不可取 ∀研究发现 o植被的干燥程度和空气湿
润度在很大程度上决定火灾是否发生 o而遥感监测到的植被指数能很好地反映植被的地表覆盖及叶片含水
率 o且从上述分析中可知甘肃省 tt大林区的植被指数与火灾的发生存在显著的相关性 o因此本文考虑用林
区植被指数与空气相对湿度相结合的火险综合指数来反映森林点燃的难易程度 o该指数既考虑了植物的含
水状况 o又考虑了空气的干燥程度 o具体计算如下
ƒŒ € k‘⁄∂Œ n ˜lΠu o
式中 }ƒŒ为火险综合指数 o‘⁄∂Œ为归一化差分植被指数 o˜为归一化空气相对湿度 ∀ ƒŒ越大表明植被的地表
覆盖 !叶片含水率及空气相对湿度越大 o因此火灾发生的概率就越小 o反之则火灾发生概率越大 ∀对甘肃省
森林火险综合指数与火灾的相关性进行分析可知 o二者相关系数为 p s1yz o可通过 s1st的信度检验 o这说明
火险综合指数能很好地反映火灾的发生 o因此用其建立火险预报预测模型是可行的 ∀
普查各林区的火险综合指数分布情况 o按照正态分布将火险综合指数按表 t所示等级划分 ∀
表 1 甘肃森林火险等级
Ταβ . 1 Γραδε οφ φορεστ φιρε δανγερ ιν Γανσυ Προϖινχε
等级
Šµ¤§¨ ƒŒ
危险程度
⁄¤±ª¨µ¯ √¨¨ ¯
´ ƒŒ∴s1zw{ v 没有燃烧危险 o不能蔓延‘²§¤±ª¨µ²©¥∏µ±¬±ªo±²·¶³µ¨¤§
µ s1yws u [ ƒŒ s1zw{ v 低度危险 o难以燃烧 !蔓延²º2µ¬¶®o§¬©©¬¦∏¯··²¥∏µ±o¶³µ¨¤§
¶ s1xxy [ ƒŒ s1yws u 中度危险 o较易燃烧 !蔓延²§¨µ¤·¨µ¬¶®oµ¨ ¤¯·¬√¨ ¼¯ ¤¨¶¼·²¥∏µ±o¶³µ¨¤§
· s1wzs y [ ƒŒ s1xxy 高度危险 o容易燃烧 !蔓延‹¬ª«µ¬¶®o¥∏µ±o¶³µ¨¤§ ¤¨¶¬¯¼
∏ ƒŒ s1wzs y 极度危险 o极易燃烧 !蔓延∞¬·µ¨°¨ ¼¯ §¤±ª¨µ²∏¶o ¬¨·µ¨°¯ ¼ ¤¨¶¼·²¥∏µ±o¶³µ¨¤§
v ≥∂  方法用于森林火险预
测的试验
311 气象要素与森林火险综合指
数相关性分析
对各林区逐旬森林火险综合指
数与各种地面气象要素进行相关性
分析 o结果表明 }火险综合指数与平
均气温 !相对湿度 !最高气温 !最低
气温 !降水量以及蒸发量有很好的
正相关 o相关系数一般在 s1ux 以
上 o可通过 s1st的置信度检验 o这
表明在气温高 !湿度大 !降水多的季节火灾发生率较低 o而在空气干燥 !降水稀少的季节火灾发生率较高 ∀此
外 o火险综合指数与气压 !风速也具有一定的相关性 ∀甘肃省位于干旱 !半干旱气候区 o干旱是甘肃省最主要
的气候特征之一 o因此在森林火险预测模型的建立中考虑加入干旱指数 ∀对甘肃省森林火险综合指数与干
|z 第 ts期 黄玉霞等 }≥∂  方法在森林火险预测中的应用
旱指数的相关性分析表明 o两者呈正相关 o且基本能通过 s1st的显著性检验 ∀
312 甘肃省森林火险 Σς Μ预测模型的建立
挑选分布于甘肃省东 !南 !西 !北方向的关山 !白龙江 !洮河 !祁连山 w个林区进行 ≥∂  方法试验 ∀各林
区选取 t||s ) usss年 v|y旬资料建立预测模型 ousst年 vy旬资料进行预报检验 ∀甘肃省森林火险季节始于
ts月 uz日 o结束于翌年 x月 tv日 o因此分防火期ktt ) x月l和非防火期ky ) ts月l分别建立预测模型 ∀预
报因子为平均气温 !降水量 !相对湿度 !最高温度 !最低温度 !风速 !蒸发量 !气压 !干旱指数 ∀
用 ≥∂  分类方法建模时首先根据森林火险综合指数对林区火险进行 t ∗ x级划分 o然后针对每个级别
进行 u类分类 o当某旬出现该级别时赋值 t o其他级别赋值为 p t o如此对关山 !白龙江 !洮河 !祁连山等 w个林
区的 t ∗ x个级别分别运用 ≥∂  分类方法 o得到 x个级别的分类预测模型 o而预报预测时则用 x个模型分别
进行运算 o取 x个结果中最大值所对应的级别即为最终预测级别 ∀
用 ≥∂  回归方法建模时所选的预报因子同 ≥∂  分类方法 o不同的是待预报因子不是等级 o而是森林火
险综合指数 ∀
核函数均选用径向基函数k满足  µ¨¦¨µ定理条件 o又称高斯核l o径向基函数形式为
Κkξ oξιl € ¬¨³kp ρ+ ξ p ξι +ul ~
在 ≥∂  分类预报中 o基于高斯核通过训练学习后求得的决策函数形式为
Μkξl € ¶ª±k Ε
Λ
ι € t
Αιψι Κk ξ oξιl n βl € ¶ª±k Ε
Λ
ι € t
Αιψι ¬¨³kp ρ+ ξ p ξι +ul n βl ~
在 ≥∂  回归预报中的最终决策函数形式为
φk ξl € Ε
Λ
ι € t
kΑι p Α3ι l Κkξ oξιl n β € Ε
Λ
ι € t
kΑι p Α3ι l ¬¨³kp ρ+ ξ p ξι +ul n β ∀
式中 }Λ为支持向量数 oξι 为支持向量的样本因子向量 oξ为待预报因子向量 oΑι !Α3ι !β为建立 ≥∂  模型待
确定的系数 oρ为核参数 ∀
采用中国气象局培训中心提供的 ≤≥∂ u1s应用软件分别建立各林区的 ≥∂  分类和回归预测模型 ∀
建模时对样本中的因子进行了归一化处理 ∀
通过训练建立的 ≥∂  预报模型格式如下 }
¶√°≤ ∂ µ¨¶¬²± ∂u1ss
u f 核函数类型 τ ~最优模型中核函数参数 Χ为 s1| ~参数 Χ的循环范围为 s ∗ s1| ~循环次数为 ts ~
步长为 s1t
t f 最优模型中核函数参数 δ
s1s|{| f 最优模型中核函数参数 γ }γ 为 s1s|{ | oγ 的循环范围为 s1sss t ∗ s1t o循环次数为 t sss o步
长为 s1sss t
t f 最优模型中核函数参数 σ
t f 最优模型中核函数参数 ρ
t f 最优模型中核函数参数 υ
| f 训练样本空间的最高维数 ~产生最优模型时的参数 ω为 s1t ~ ω的循环范围为 s1t ∗ s1t o循环次
数为 t o步长为 s
uvs f 训练样本的个数
|u f 支持向量的个数
p s1xyz yvy z| f ·«µ¨¶«²¯§ β o以下每行代表一个支持向量≈每行第 t个实数代表 Α#¶¬ª±k¼l 
p s1{|| ||| ||| ||| ||| |t tΒs1xwv ty| |{ uΒs1sxv tt vΒs1xx| w|s sv wΒs1yyz zus su xΒs1wzs x|
yΒs1u{u vx zΒs1ut| vx {Βs1usv yt |Βs1xwy
p s1{|| ||| ||| ||| ||| |t tΒs1vv{ tv uΒs1sv| wxs sst vΒs1vvt t{| || wΒs1xvw {ts st xΒs1xu|
wt yΒs1twt tz| || zΒs1w|s vu {Βs1vu| {|s st |Βs1xvv ||| |{
p s1{|| ||| ||| ||| ||| |t tΒs1zt| wus su uΒs1st| zv vΒs1{wu wws st wΒs1yx{ uvs st xΒs1|wt
tz| || yΒs1y|w tt| || zΒs1uyw xt| || {Βs1szw tys ssu |Βs1utw
s{ 林 业 科 学 wv卷
, ,
前面文字部分为建立 ≥∂  模型时对应的参数及其说明 o后面数字部分为构成 ≥∂  模型的支持向量 ∀
在实时使用时 o就是将支持向量和对应的参数及实时样本代入最终的决策函数计算出实际预报值 ∀由此可
以看出 o此处的预报结果是对支持向量进行/加权0获得 o而不是像常规统计方法那样对因子进行加权 ∀当预
报因子与预报对象间蕴涵的复杂非线性关系尚不清楚时 o基于支持向量的方法可能优于基于因子的加权 ∀
表 2 模型参数及支持向量个数 ≠
Ταβ . 2 Μοδελ παραµετερσ ανδ τηε νυµ βερ οφ συππορτ ϖεχτορ
林区
ƒ²µ¨¶·¶µ¨ª¬²±
分类模型参数
≤¯ ¤¶¶¬©¬¦¤·¬²± °²§¨¯ ³¤µ¤° ·¨¨µ¶
回归模型参数
• ª¨µ¨¶¶¬²± °²§¨¯ ³¤µ¤°¨ ·¨µ¶
χ γ ≥∂‘ χ γ ω ≥∂‘
等级 t
Šµ¤§¨ t tss
Αs1sss v
Β s1sx{ z
Αvv
Β {s
等级 u
Šµ¤§¨ u tss
Αs1s{|v
Β s1s{tz
Α|z
Β yw
关山
Š∏¤±¶«¤±
等级 v
Šµ¤§¨ v tss
Αs1s|| x
Β s1s{x v
Αt{w
Β uz
s1| Αs1s|{ |
Β s1sxs x
s1t Α|u
Β xt
等级 w
Šµ¤§¨ w tss
Αs1sss t
Β s1sy{ w
Αyu
Β tu
等级 x
Šµ¤§¨ x tss
Αs1sz{ w
Β s1sss t
Αtux
Β x
等级 t
Šµ¤§¨ t tss
Αs1sss u
Β s1sxu t
Αvz
Β tuu
等级 u
Šµ¤§¨ u tss
Αs1sx{ w
Β s1szs x
Αvv
Β tt|
白龙江
…¤¬¯²±ª­¬¤±ª
等级 v
Šµ¤§¨ v tss
Αs1s{ v
Β s1sw w
Αtyv
Β zt
s1| Αs1s|y y
Β s1t
s1t Αxz
Β yx
等级 w
Šµ¤§¨ w tss
Αs1sss t
Β s1sss t
Α{z
Β tx
等级 x
Šµ¤§¨ x tss
Αs1swu w
Β s1sss u
Αtww
Β ut
等级 t
Šµ¤§¨ t tss
Αs1sss t
Β s1st| {
Αww
Β tsy
等级 u
Šµ¤§¨ u tss
Αs1s|y x
Β s1sss t
Αtzy
Β zt
洮河
פ²«¨
等级 v
Šµ¤§¨ v tss
Αs1s|| |
Β s1s|y {
Αt{|
Β xx
Αs1z
Β s1|
Αs1syt
Β s1t
s1t Αzu
Β yt
等级 w
Šµ¤§¨ w tss
Αs1sss t
Β s1sss t
Αv|
Β y
等级 x
Šµ¤§¨ x tss
Αs1sss u
Β s1sss t
Αuw
Β ty
等级 t
Šµ¤§¨ t tss
Αs1sss u
Β s1sss t
Αwv
Β y{
等级 u
Šµ¤§¨ u tss
Αs1s|y |
Β s1sss v
Αtts
Β tut
祁连山
±¬¯¬¤±¶«¤±
等级 v
Šµ¤§¨ v tss
Αs1sz| {
Β s1ssz w
Αt{y
Β tuy
s1| Αs1s|| w
Β s1suu u
s1t Αzv
Β xx
等级 w
Šµ¤§¨ w tss
Αs1sss t
Β s1sss t
Αyw
Β z
等级 x
Šµ¤§¨ x tss
Αs1s|| y
Β s1sss t
Α|z
Β uv
≠ Α}防火期模型参数 ƒ¬µ¨ ³¨µ¬²§°²§¨¯³¤µ¤° ·¨¨µ¶~Β}非防火期模型参数 ‘²±2©¬µ¨ ³¨µ¬²§°²§¨¯³¤µ¤° ·¨¨µ¶~
未标注表示 u者参数一致 ‘²··¤ªª¬±ª¶«²º §¨·«¨ ¶¤°¨³¤µ¤°¨ ·¨µ¶¬±·º² °²§¨ ¶¯q≥∂‘}支持向量个数 ≥∏³³²µ·
√¨ ¦·²µ±∏°¥¨µq
313 效果分析
将 t||s ) usst 年逐
旬气象资料分别带入上述
模型 o得到预测结果 o其中
t||s ) usss年为模型回代
结果 ousst年为模型预测
结果 o与各林区森林火险
综合指数等级进行对比 o
得到火险等级准确率k表
vl ∀此外还运用传统的逐
步回归方法建立预报方
程 o与 ≥∂  预测模型进行
对比 o所用预报因子及森
林火险综合指数等级划分
均与 ≥∂  方法中一致 ∀
可以看出 o≥∂  分类模型
除洮河林区在防火期的预
测效果和祁连山林区在非
防火期的回代效果略逊于
逐步回归方法外 o其余各
林区在防火期和非防火期
的回代 !预测效果均好于
逐步回归方法 ~而 ≥∂ 
回归模型预测准确率与逐
步回归方法相差无几 ∀
w 结论与讨论
甘肃省自然条件严
酷 o生态环境脆弱 o森林资
源相对贫乏 o森林火灾主
要集中在由冬向春过渡的
u ) w月 o火险季节平均始
于 ts 月 uz 日 o结束于 x
月 tv日 o火险季节长度为
t|| §∀甘肃省森林火灾
发生频率与植被指数呈显
著负相关 o由植被指数和
空气湿度构造的森林火险
综合指数既考虑了植被的
含水状况 o又考虑了空气的干燥程度 o将其作为因变量用于森林火险预报预测是一种客观可行的方法 ∀将平
t{ 第 ts期 黄玉霞等 }≥∂  方法在森林火险预测中的应用
表 3 Σς Μ方法与逐步回归方法预测准确率对比 ≠
Ταβ . 3 Τηε αχχυραχψ ρατε οφ φορεχαστινγ εφφεχτ βετωεεν Σς Μ ανδ συχχεσσιϖε ρεγρεσσιον h
防火期 ƒ¬µ¨ ³¨µ¬²§ 非防火期 ‘²±2©¬µ¨ ³¨µ¬²§
回代 …¤¦®¶∏¥¶·¬·∏·¬²± 预测 ƒ²µ¨¦¤¶·¬±ª 回代 …¤¦®¶∏¥¶·¬·∏·¬²± 预测 ƒ²µ¨¦¤¶·¬±ª
≥≤ ≥∂ ≥• ≥≤ ≥∂ ≥• ≥≤ ≥∂ ≥• ≥≤ ≥∂ ≥•
白龙江
…¤¬¯²±ª­¬¤±ª yv w| xu wv wv u| x{ ww xt ws us uz
关山
Š∏¤±¶«¤± xy ws v{ w{ uw uw z{ zv zs zv zv yz
祁连山
±¬¯¬¤±¶«¤± xw wt wu yz tw tw wv xu xs zv wz xv
洮河
פ²«¨ xz w| xu xz xu yu y| yy yw {s {z yz
平均
„√¨ µ¤ª¨ x{ wx wy xw vv vu yu x| x| yz xz xw
≠ ≥≤ }≥∂  分类 ≥∂  ¦¯¤¶¶¬©¬¦¤·¬²±~≥∂ }≥∂  回归 ≥∂  µ¨ªµ¨¶¶¬²±~≥• }逐步回归 ≥∏¦¦¨¶¶¬√¨µ¨ªµ¨¶¶¬²±q
均气温 !降水量 !相对湿度 !最高温度 !最低温度 !风速 !蒸发量 !气压 !干旱指数等作为预报因子建立的 ≥∂ 
预测模型 o可以对森林火险进行较准确的预测 o与传统的统计方法相比 o≥∂  分类模型预测效果明显优于逐
步回归方法 o而 ≥∂  回归模型则与逐步回归方法预测效果相差无几 ∀
≥∂  方法通过核函数实现从样本空间到高维特征空间的非线性映射 o以隐式方式间接的表述了预报对
象与预报因子之间的高度非线性关系 o最终通过支持向量机来刻划因子与对象之间的非线性依赖关系 o从而
解决本质上的非线性问题 o是一种在学习样本数有限的情况下处理高度非线性问题的新的机器学习方法 ∀
与传统的神经网络学习方法相比 o≥∂  方法以最小结构风险代替了传统的经验风险 o求解的是 t个 u次型寻
优问题 ∀从理论上说 o得到的将是全局最优点 o解决了在神经网络方法中无法避免的局部极值问题 o比 …°
神经网络方法具有更好的泛化能力和更高的计算效率 ∀此外 o本文仅采用了径向基函数作为核函数进行试
验 o实际上核函数的不同选择对 ≥∂  模型的建立有直接影响 o因而选择其他类型核函数进行比较的研究还
有待进行 o同时预报因子的选取对预报效果也有一定的影响 o也有待于进一步探索 ∀
参 考 文 献
陈永义 o余小鼎 o高学浩 o等 qussw1 处理非线性分类和回归问题的一种新方法k ´l ) ) ) 支持向量机方法简介 q应用气象学报 otx kvl }vwx p vxw
冯汉中 o杨淑群 o刘 波 qussx1 支持向量机k≥∂ l方法在气象预报中的个例试验 q四川气象 oux kul }| p tu
罗 亚 o徐建华 o岳文泽 qussx1 基于遥感影像的植被指数研究方法述评 q生态科学 ouw ktl }zx p z|
舒立福 o张小罗 o戴兴安 o等 qussv1 林火研究综述k µl ) ) ) 林火预测预报 q世界林业研究 otykwl }vw p vz
王述洋 qussu1 森林火灾重灾年现象与海温异常变化关系研究 q林业科学 ov{kvl }tus p tuv
许东蓓 o梁 芸 o蒲 肃 o等 qussz1∞’≥r ’⁄Œ≥遥感监测在甘肃迭部重大森林火灾中的应用 q林业科学 owvkul }tuw p tuy
徐希孺 qt|{t1环境监测与作物估产的遥感研究论文集 q北京 }北京大学出版社
易浩若 o纪 平 o覃先林 qussw1 全国森林火险预报系统的研究与运行 q林业科学 owskvl }usv p usz
赵凤君 o舒立福 o田晓瑞 o等 qussz1 森林火险中长期预测预报研究进展 q世界林业研究 ouskul }xx p x|
≤²∏µ¤±·• o ‹¬¯¥¨µ·⁄qt|xv1  ·¨«²§²© ¤·«¨ °¤·¬¦¤¯ °«¼¶¬¦¶} ∂²¯∏°¨Œq≥³µ¬±ª¨µ∂ µ¨¯¤ª
∂¤³±¬® ∂ ‘qt||{1 ≥·¤·¬¶·¬¦¤¯ ¨¤µ±¬±ª×«¨ ²µ¼q²«± • ¬¯¨ ¼ i ≥²±¶oŒ±¦o ‘¨º ≠²µ®
∂¤³±¬® ∂ ‘qusss1 ׫¨ ‘¤·∏µ¨ ²©≥·¤·¬¶·¬¦¤¯ ¨¤µ±¬±ª×«¨ ²µ¼q≥³µ¬±ª¨µ∂ µ¨¯¤ªo ‘¨º ≠²µ®
k责任编辑 朱乾坤l
u{ 林 业 科 学 wv卷