CN102663082A - 基于数据挖掘的森林火灾预测方法 - Google Patents
基于数据挖掘的森林火灾预测方法 Download PDFInfo
- Publication number
- CN102663082A CN102663082A CN201210097986XA CN201210097986A CN102663082A CN 102663082 A CN102663082 A CN 102663082A CN 201210097986X A CN201210097986X A CN 201210097986XA CN 201210097986 A CN201210097986 A CN 201210097986A CN 102663082 A CN102663082 A CN 102663082A
- Authority
- CN
- China
- Prior art keywords
- forest fire
- fire
- probability
- characteristic parameter
- forest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007418 data mining Methods 0.000 title claims abstract description 12
- 238000013277 forecasting method Methods 0.000 title abstract 5
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000007477 logistic regression Methods 0.000 abstract description 7
- 238000001556 precipitation Methods 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 3
- UPLPHRJJTCUQAY-WIRWPRASSA-N 2,3-thioepoxy madol Chemical compound C([C@@H]1CC2)[C@@H]3S[C@@H]3C[C@]1(C)[C@@H]1[C@@H]2[C@@H]2CC[C@](C)(O)[C@@]2(C)CC1 UPLPHRJJTCUQAY-WIRWPRASSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Abstract
本发明涉及一种基于数据挖掘的森林火灾预测方法,属于信息自动化技术领域;首先对实时的影响森林火灾的特征参数的采集,然后通过相关系数分析,回归模型进行预测,并采用Logistic回归模型进行概率预测,根据国家既定标准,得出预测结果;本方法将先进的数据挖掘技术应用于森林火灾预测,并采用Logistic回归模型对火灾发生的概率预测,与森林火灾预警分级结合,更精确的将森林火灾预警明确和分级,对于较高发生火险等级的情况及时告警增加了概率分析,提高了判断的准确性,同时使运算方便,快捷。
Description
技术领域
本发明涉及一种基于数据挖掘的森林火灾预测方法,属于信息自动化技术领域。
背景技术
我国是森林火灾多发的国家之一。森林火灾对生态环境 造成的严重破坏,同时给人类的生存造成严重的经济损失。为了防止森林火灾的发生,需要对火灾发生的频率和因素进行研究,并能提供更可靠和更准确的森林火灾预测系统是重要的研究和探索的领域。目前在传统的森林火灾预测技术中,主要采用的是Logistic和零膨胀Poisson(ZIP)回归模型、智能预测等技术。这些技术能有效解决预测等问题,但在预测精度方面还可以进一步提升。
发明内容
针对以上问题,本发明提供一种基于数据挖掘的森林火灾预测系统,将先进的数据挖掘技术应用于森林火灾预测,并采用Logistic回归模型对火灾发生的概率预测,与森林火灾预警分级结合,更精确的将森林火灾预警明确和分级,对于较高发生火险等级的情况及时告警增加了概率分析,提高了判断的准确性,同时使运算方便,快捷。
本发明采用的技术方案:本发明采用了相关性算法和回归模型算法相结合的数据挖掘技术和预测算法手段,并利用Logistic回归模型进行概率预测,根据预测的概率结果,与森林火险信号进行对比,进行预测,具体按照下面步骤进行;
第一步、数据采集过程:根据森林火灾预测所需要的特征参数进行数据的采集、处理和建立所需特征参数的实时和历史数据库;
第五步:利用Logistic回归模型进行概率预测,根据预测的概率结果,与国家林业局规定的森林火险信号进行对比,即:当概率在0-0.25之间时,此时是黄色警情,森林火灾较易发生,但是发生的可能性不大;当概率大于0.5时,需要用当年的每日测量值进行校验,此时橙色警情,森林火灾较易发生,火势蔓延速度快;当概率大于0.75时,需要用多年的日平均测量值进行校验,此时是红色警情,森林火灾极易发生,火势蔓延速度极快。
影响森林火灾因素的特征参数,根据影响火灾的多种因素,选择相应的特征参数作为系统的数据源,诸如:温度、湿度、风速直接因素和环境、地质结构、气候带等间接因素构成。
本发明的有益效果:将先进的数据挖掘技术应用于森林火灾预测,并采用Logistic回归模型对火灾发生的概率预测,与森林火灾预警分级结合,更精确的将森林火灾预警明确和分级,对于较高发生火险等级的情况及时告警增加了概率分析,提高了判断的准确性,同时使运算方便,快捷。
附图说明
图1为系统流程图。
具体实施方式
下面通过实施例对本发明进行详细说明。
本发明采用了相关性算法和回归模型算法相结合的数据挖掘技术和预测算法手段,并利用Logistic回归模型进行概率预测,根据预测的概率结果,与森林火险信号进行对比,进行预测,具体按照下面步骤进行;
第一步、数据采集过程:根据森林火灾预测所需要的特征参数进行数据的采集、处理和建立所需特征参数的实时和历史数据库;
影响森林火灾因素的特征参数,根据影响火灾的多种因素,选择相应的特征参数作为系统的数据源,诸如:温度、湿度、风速等直接因素和环境、地质结构、气候带等间接因素构成。
第二步、相关性分析过程
相关系数:
在发明采用的是一元线性关联模型,既:变量和变量,例如为温度,为湿度。从上面的公式可以得到相关系数,如果两个变量之间的相关系数为1或-1,那么就可以由变量去得到变量的值,且相关系数的绝对值越高,从一个变量去预测另一个变量的精确度就越高,这是因为相关系数越高,就意味着这两个变量的共变部分就越多,所以从其中一个变量的变化就越多地得到另一个变量的变化。
第三步:利用最小二乘法计算回归系数
第五步:根据预测的概率结果,与国家林业局规定的森林火险信号进行对比,即:当概率在0-0.25之间时,此时是黄色警情,森林火灾较易发生,但是发生的可能性不大;当概率大于0.5时,需要用当年的每日测量值进行校验,此时橙色警情,森林火灾较易发生,火势蔓延速度快;当概率大于0.75时,需要用多年的日平均测量值进行校验,此时是红色警情,森林火灾极易发生,火势蔓延速度极快。
另外,在实际预测中,我们必须考虑到地形等间接因素的影响。在用于其他领域时,有时特征参数具有非线性关系,就必须采用非线性回归模型。在这种情况下,必须把非线性模型转化成线性模型进行预测。
实施例1
本发明采用哈尔滨某年月平均值得实时气象数据为例,对这年来火灾的发生率进行短期的预测来详细的说明本方法。
基于Windows下的开发环境,使用SQL Sever 2005数据库建立相应的历史、实时数据库,通过Matlab或者C#、C++等编程工具建立模型。
再设计和实现上主要有以下几点:
1、通过对影响因素的考查,确定系统的特征参数;
2、通过相关性分析,确定特征参数间的相关性;
3、通过对特征参数相关性计算,选择相应的参数作为模型中所需的变量,再通过回归模型中的最小二乘法估计回归参数,最后通过回归估计算出预测值。
第一步、特征参数的确定和收集:取湿度、温度、风速、降水量和日照时间为特征参数。
通过特征参数的确定,从数据库中选取一年的相对湿度、温度、风速、降水量以及日照时间,如下表1所示:
表1特征参数
相对湿度(%) | 温度(℃) | 风速(米/秒) | 降水量(mm) | 日照时间(h) | |
1月 | 20 | -20.1 | 3.1 | 3 | 140.2 |
2月 | 29 | -14.9 | 3.2 | 6 | 179.0 |
3月 | 43 | -6.1 | 4.0 | 10 | 241.0 |
4月 | 50 | 6.21 | 4.7 | 21 | 272.2 |
5月 | 67 | 14.45 | 4.5 | 37 | 226.0 |
6月 | 70 | 20 | 3.6 | 78 | 285.0 |
7月 | 75 | 22.85 | 3.3 | 153 | 280.2 |
8月 | 64 | 21.1 | 3.0 | 116 | 210.8 |
9月 | 59 | 14.5 | 3.3 | 61 | 260.0 |
10月 | 38 | 5.8 | 3.7 | 23 | 164.6 |
11月 | 30 | -5.4 | 3.8 | 8 | 193.3 |
12月 | 25 | -15.05 | 3.2 | 5 | 162.3 |
第二步、通过相关性公式(1)对表1中的特征参数求其相互间的相关性,如下表2所示:
表2各特征参数间的相关性
相对湿度(%) | 温度(℃) | 风速(米/秒) | 降水量(mm) | 日照时间(h) | |
相对湿度(%) | 1.0000 | 0.9561 | 0.1938 | 0.8298 | 0.8284 |
温度(℃) | 0.9561 | 1.0000 | 0.1533 | 0.8350 | 0.7424 |
风速(米/秒) | 0.1938 | 0.1533 | 1.0000 | -0.2821 | 0.3793 |
降水量(mm) | 0.8298 | 0.8350 | -0.2821 | 1.0000 | 0.5885 |
日照时间(h) | 0.8284 | 0.7424 | 0.3793 | 0.5885 | 1.0000 |
通过上表2对多个特征参数的相关性分析,发现相对湿度、相对温度、降水量和日照时间的相关性较强,本实例采用相关性最强的相对湿度和温度作为变量,用回归模型进行预测。
第五步:根据预测的概率结果,与国家林业局规定的森林火险信号进行对比:当概率在0-0.25之间时,不需要校正,此时是黄色警情,森林火灾较易发生,但是发生的可能性不大;当概率大于0.5时,需要用当年的每日测量值进行校验,此时橙色警情,森林火灾较易发生,火势蔓延速度快;当概率大于0.75时,需要用多年的日平均测量值进行校验,此时是红色警情,森林火灾极易发生,火势蔓延速度极快。
本发明是通过具体实施过程进行说明的,在不脱离本发明范围的情况下,还可以对发明进行各种变换及等同代替,因此,本发明不局限于所公开的具体实施过程,而应当包括落入本发明权利要求范围内的全部实施方案。
Claims (2)
1.一种基于数据挖掘的森林火灾预测方法,其特征在于:森林火灾预测方法按照下面步骤进行;
第一步、数据采集过程:根据森林火灾预测所需要的特征参数进行数据的采集、处理和建立所需特征参数的实时和历史数据库;
第五步:根据预测的概率结果,与国家林业局规定的森林火险信号进行对比,即:当概率在0-0.25之间时,此时是黄色警情,森林火灾较易发生,但是发生火灾的可能性不大;当概率大于0.5时,需要用当年的每日测量值进行校验,此时橙色警情,森林火灾较易发生,火势蔓延速度快;当概率大于0.75时,需要用多年的日平均测量值进行校验,此时是红色警情,森林火灾极易发生,火势蔓延速度极快。
2.按照权利要求1所述的一种基于数据挖掘的森林火灾预测方法,其特征在于:确定影响森林火灾因素的特征参数,根据影响火灾的多种因素,选择相应的特征参数作为系统的数据源,诸如:温度、湿度、风速直接因素和环境、地质结构、气候带间接因素构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210097986XA CN102663082A (zh) | 2012-04-06 | 2012-04-06 | 基于数据挖掘的森林火灾预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210097986XA CN102663082A (zh) | 2012-04-06 | 2012-04-06 | 基于数据挖掘的森林火灾预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102663082A true CN102663082A (zh) | 2012-09-12 |
Family
ID=46772573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210097986XA Pending CN102663082A (zh) | 2012-04-06 | 2012-04-06 | 基于数据挖掘的森林火灾预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663082A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020737A (zh) * | 2012-12-12 | 2013-04-03 | 红塔烟草(集团)有限责任公司 | 一种烤片烟气的预测方法 |
CN104680138A (zh) * | 2015-02-09 | 2015-06-03 | 北京空间飞行器总体设计部 | 基于特性参数相关性的卫星图像自动判读系统和方法 |
CN104835279A (zh) * | 2015-06-02 | 2015-08-12 | 国家电网公司 | 一种输电线路山火告警集中时期计算方法 |
CN106295179A (zh) * | 2016-08-10 | 2017-01-04 | 广东工业大学 | 一种流行性感冒预测方法及装置 |
CN106874671A (zh) * | 2017-02-15 | 2017-06-20 | 淄博祥龙测控技术有限公司 | 一种用于煤矿自燃火灾大数据平台的数据驱动的算法 |
CN108520363A (zh) * | 2018-04-18 | 2018-09-11 | 电子科技大学 | 一种用于预测未来时相森林火灾发生风险的评估方法 |
CN108717582A (zh) * | 2018-04-17 | 2018-10-30 | 平安科技(深圳)有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
CN109492928A (zh) * | 2018-11-23 | 2019-03-19 | 北京林业大学 | 一种构建森林火险预测模型的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1163439A (zh) * | 1996-04-19 | 1997-10-29 | 黑龙江省气象局 | 火险等级的预报系统 |
CN1529291A (zh) * | 2003-10-16 | 2004-09-15 | 华南理工大学 | 森林火灾智能监测报警装置 |
CN2653613Y (zh) * | 2003-10-16 | 2004-11-03 | 华南理工大学 | 森林火灾智能监测报警装置 |
-
2012
- 2012-04-06 CN CN201210097986XA patent/CN102663082A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1163439A (zh) * | 1996-04-19 | 1997-10-29 | 黑龙江省气象局 | 火险等级的预报系统 |
CN1529291A (zh) * | 2003-10-16 | 2004-09-15 | 华南理工大学 | 森林火灾智能监测报警装置 |
CN2653613Y (zh) * | 2003-10-16 | 2004-11-03 | 华南理工大学 | 森林火灾智能监测报警装置 |
Non-Patent Citations (1)
Title |
---|
于继武: "基于ARM的森林火险预警系统模型研究", 《中国科技信息》, no. 24, 31 December 2011 (2011-12-31), pages 100 - 101 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020737A (zh) * | 2012-12-12 | 2013-04-03 | 红塔烟草(集团)有限责任公司 | 一种烤片烟气的预测方法 |
CN104680138A (zh) * | 2015-02-09 | 2015-06-03 | 北京空间飞行器总体设计部 | 基于特性参数相关性的卫星图像自动判读系统和方法 |
CN104680138B (zh) * | 2015-02-09 | 2017-11-03 | 北京空间飞行器总体设计部 | 基于特性参数相关性的卫星图像自动判读系统和方法 |
CN104835279A (zh) * | 2015-06-02 | 2015-08-12 | 国家电网公司 | 一种输电线路山火告警集中时期计算方法 |
CN106295179A (zh) * | 2016-08-10 | 2017-01-04 | 广东工业大学 | 一种流行性感冒预测方法及装置 |
CN106874671A (zh) * | 2017-02-15 | 2017-06-20 | 淄博祥龙测控技术有限公司 | 一种用于煤矿自燃火灾大数据平台的数据驱动的算法 |
CN106874671B (zh) * | 2017-02-15 | 2019-11-19 | 淄博祥龙测控技术有限公司 | 一种用于煤矿自燃火灾大数据平台的数据驱动的方法 |
CN108717582A (zh) * | 2018-04-17 | 2018-10-30 | 平安科技(深圳)有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
CN108520363A (zh) * | 2018-04-18 | 2018-09-11 | 电子科技大学 | 一种用于预测未来时相森林火灾发生风险的评估方法 |
CN109492928A (zh) * | 2018-11-23 | 2019-03-19 | 北京林业大学 | 一种构建森林火险预测模型的方法及装置 |
CN109492928B (zh) * | 2018-11-23 | 2021-08-06 | 北京林业大学 | 一种构建森林火险预测模型的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102663082A (zh) | 基于数据挖掘的森林火灾预测方法 | |
Li et al. | General models for estimating daily global solar radiation for different solar radiation zones in mainland China | |
CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
CN105303469B (zh) | 线损异常原因数据挖掘分析的方法与系统 | |
Shi et al. | Prediction of indoor temperature and relative humidity based on cloud database by using an improved BP neural network in Chongqing | |
CN103093643B (zh) | 一种确定公共停车场泊位数的方法 | |
CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
CN104462184A (zh) | 一种基于双向抽样组合的大规模数据异常识别方法 | |
CN105590023A (zh) | 一种基于信息熵的滚动轴承性能退化模糊粒化预测方法 | |
CN103226736A (zh) | 基于聚类分析与灰靶理论的中长期电力负荷预测方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN103729444B (zh) | 一种基于设备监测数据间潜在关系的异常数据检测方法 | |
CN105574587A (zh) | 一种塑料注塑过程的在线工况过程监控方法 | |
CN109165693A (zh) | 一种适用于露、霜和结冰的天气现象的自动判识方法 | |
CN107067100A (zh) | 风电功率异常数据辨识方法及辨识装置 | |
CN109378031B (zh) | 一种基于植保和气象信息结合的水稻纹枯病预测方法 | |
CN102968675B (zh) | 一种短期预测棉蚜种群数量的方法 | |
CN105373849A (zh) | 光伏电池组件温度的分步预测方法 | |
Chuchro et al. | A concept of time windows length selection in stream databases in the context of sensor networks monitoring | |
CN103353295A (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
Kang et al. | Examining the Impact of Weather Factors on Yield Industry Vitalization on Big Data Foundation Technique | |
CN114092729A (zh) | 基于聚类匿名化与差分隐私保护的异构用电数据发布方法 | |
CN103886177A (zh) | 一种基于空间网格预测雷击火日发生概率的方法 | |
CN116401561B (zh) | 一种设备级运行状态序列的时间关联聚类方法 | |
CN103115598A (zh) | 电网覆冰区域分布的测绘方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C05 | Deemed withdrawal (patent law before 1993) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120912 |