CN112016744B - 一种基于土壤水分的森林火灾预测方法、装置及存储介质 - Google Patents
一种基于土壤水分的森林火灾预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112016744B CN112016744B CN202010856353.7A CN202010856353A CN112016744B CN 112016744 B CN112016744 B CN 112016744B CN 202010856353 A CN202010856353 A CN 202010856353A CN 112016744 B CN112016744 B CN 112016744B
- Authority
- CN
- China
- Prior art keywords
- prediction
- forest fire
- forest
- observation data
- data
- 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.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 98
- 238000007637 random forest analysis Methods 0.000 claims description 58
- 238000007477 logistic regression Methods 0.000 claims description 46
- 230000007774 longterm Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 description 12
- 230000001186 cumulative effect Effects 0.000 description 9
- 101000794020 Homo sapiens Bromodomain-containing protein 8 Proteins 0.000 description 5
- 101001006782 Homo sapiens Kinesin-associated protein 3 Proteins 0.000 description 5
- 101000615355 Homo sapiens Small acidic protein Proteins 0.000 description 5
- WGKGADVPRVLHHZ-ZHRMCQFGSA-N N-[(1R,2R,3S)-2-hydroxy-3-phenoxazin-10-ylcyclohexyl]-4-(trifluoromethoxy)benzenesulfonamide Chemical compound O[C@H]1[C@@H](CCC[C@@H]1N1C2=CC=CC=C2OC2=C1C=CC=C2)NS(=O)(=O)C1=CC=C(OC(F)(F)F)C=C1 WGKGADVPRVLHHZ-ZHRMCQFGSA-N 0.000 description 5
- 102100021255 Small acidic protein Human genes 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012353 t test Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于土壤水分的森林火灾预测方法、装置及存储介质，所述方法包括：获取监测区域的观测数据；其中，所述观测数据包括不同时间尺度的土壤水分数据以及不同时间尺度的气象观测数据；根据预测时间尺度，选取对应的森林火灾预测模型；根据所述预测时间尺度以及所选取的森林火灾预测模型，从所述观测数据中提取对应的土壤水分数据和气象观测数据；将所提取的土壤水分数据和气象观测数据输入所选取的森林火灾预测模型中，以使所述森林火灾预测模型对所述监测区域发生森林火灾的情况进行预测。本发明技术方案能够提高森林火灾预测的准确性。
Description
技术领域
本发明涉及森林火灾预测领域，尤其涉及一种基于土壤水分的森林火灾预测方法、装置及存储介质。
背景技术
现有的森林火险预测基于FFDI(中国森林火险气象指数)，但现有的森林火险指数FFDI在考虑干旱情况时，使用的是气象干旱综合指数MCI，而MCI指数采用标准化降水指数进行计算。实际上，在降水总量丰沛，但降水年内分布不均的南方湿润区，标准化降水指数无法准确地描述实际干旱情况，也无法反映出土壤水分这一状态变量对森林火灾发生概率的影响程度。因此基于FFDI进行的森林火险预测并不适用于气候湿润的地区，该指数在这一地区对林火预测的准确性低。
发明内容
本发明实施例提供一种基于土壤水分的森林火灾预测方法、装置及存储介质，能提高森林火灾预测的准确性。
本发明一实施例提供了一种基于土壤水分的森林火灾预测方法，包括：
获取监测区域的观测数据；其中，所述观测数据包括不同时间尺度的土壤水分数据以及不同时间尺度的气象观测数据；
根据预测时间尺度，选取对应的森林火灾预测模型；
根据所述预测时间尺度以及所选取的森林火灾预测模型，从所述观测数据中提取对应的土壤水分数据和气象观测数据；
将所提取的土壤水分数据和气象观测数据输入所选取的森林火灾预测模型中，以使所述森林火灾预测模型对所述监测区域发生森林火灾的情况进行预测。
进一步地，所述预测时间尺度包括：短期预测尺度、中期预测尺度或长期预测尺度；所述森林火灾预测模型通过逻辑回归算法或随机森林算法进行构建。
进一步地，所述根据预测时间尺度，选取对应的森林火灾预测模型，具体为：
当所述预测时间尺度为短期预测尺度时，选取由逻辑回归算法或由随机森林算法构建的森林火灾预测模型；
当所述预测时间尺度为中期预测尺度时，选取由逻辑回归算法或由随机森林算法构建的森林火灾预测模型；
当所述预测时间尺度为长期预测尺度时，选取由随机森林算法构建的森林火灾预测模型。
进一步地，在训练所述森林预测模型时，若所述森林火灾预测模型由逻辑回归算法进行构建，则选取回归系数显著性检验中p值小于0.1的气象观测数据，作为预测森林火灾的气象观测数据；若所述森林火灾预测模型由随机森林算法进行构建，则选取特征重要性高于5％的气象观测数据，作为预测森林火灾的气象观测数据。
在上述方法项实施例的基础上，本发明对应提供了装置项实施例；
本发明一实施例提供了一种基于土壤水分的森林火灾预测装置，包括：观测数据获取模块、模型选择模块、预测数据提取模块以及火灾预测模块；
所述观测数据获取模块，用于获取监测区域的观测数据；其中，所述观测数据包括不同时间尺度的土壤水分数据以及不同时间尺度的气象观测数据；
所述模型选择模块，用于根据预测时间尺度，选取对应的森林火灾预测模型；
所述预测数据提取模块，用于根据所述预测时间尺度以及所选取的森林火灾预测模型，从所述观测数据中提取对应的土壤水分数据和气象观测数据；
所述火灾预测模块，用于将所提取的土壤水分数据和气象观测数据输入所选取的森林火灾预测模型中，以使所述森林火灾预测模型对所述监测区域发生森林火灾的情况进行预测。
进一步地，所述预测时间尺度包括：短期预测尺度、中期预测尺度或长期预测尺度；所述森林火灾预测模型通过逻辑回归算法或随机森林算法进行构建。
进一步地，所述根据预测时间尺度，选取对应的森林火灾预测模型，具体为：
当所述预测时间尺度为短期预测尺度时，选取由逻辑回归算法或由随机森林算法构建的森林火灾预测模型；
当所述预测时间尺度为中期预测尺度时，选取由逻辑回归算法或由随机森林算法构建的森林火灾预测模型；
当所述预测时间尺度为长期预测尺度时，选取由随机森林算法构建的森林火灾预测模型。
进一步地，在训练所述森林预测模型时，若所述森林火灾预测模型由逻辑回归算法进行构建，则选取回归系数显著性检验中p值小于0.1的气象观测数据，作为预测森林火灾的气象观测数据；若所述森林火灾预测模型由随机森林算法进行构建，则选取特征重要性高于5％的气象观测数据，作为预测森林火灾的气象观测数据。
在上述方法项实施例的基础上，本发明对应提供了存储介质项实施例；
本发明一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，在所述计算机程序运行时控制所述存储介质所在设备执行本发明任意一项方法项实施例所述的基于土壤水分的森林火灾预测方法。
通过实施本发明的实施例具有如下有益效果:
本发明实施例提供了一种基于土壤水分的森林火灾预测方法、装置及存储介质，所述方法在对监测区域进森林火灾预测时，根据预测时间尺度选取对应的森林火灾预测模型，然后根据选取的森林火灾预测模型以及预测时间尺度，遴选用于进行火灾预测的土壤水分数据和气象观测数据，最后将遴选得到的土壤水分数据和气象观测数据输入到选取的森林火灾预测模型中，由森林火灾预测模型对监测区域发生森林火灾的情况进行预测。相比于现有技术中采用标准化降水指数来衡量区域的干旱情况，本发明在预测森林火灾时加入了土壤水分数据，土壤水分数据能直接反映预测区域的地表干旱状况，能够有效提高森林火灾预测准确度。此外，根据不同的预测时间尺度，选择不同的森林火灾预测模型、土壤水分数据和气象观测数据进行预测，能提高在不同预测时间尺度下的预报准确度。
附图说明
图1是本发明一实施例提供的一种基于土壤水分的森林火灾预测方法的流程示意图。
图2是本发明一实施例提供的由逻辑回归算法构建的模型与由随机森林算法构建的模型在进行每日预测时的ROC曲线比对图。
图3是本发明一实施例提供的由逻辑回归算法构建的模型与由随机森林算法构建的模型在进行三日预测时的ROC曲线比对图。
图4是本发明一实施例提供的由逻辑回归算法构建的模型与由随机森林算法构建的模型在进行八日预测时的ROC曲线比对图。
图5是本发明一实施例提供的由逻辑回归算法构建的模型与由随机森林算法构建的模型在进行一个月预测时的ROC曲线比对图。
图6是本发明一实施例提供的一种基于土壤水分的森林火灾预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于土壤水分的森林火灾预测方法,包括步骤:
S101：获取监测区域的观测数据；其中，所述观测数据包括不同时间尺度的土壤水分数据以及不同时间尺度的气象观测数据。
S102：根据预测时间尺度，选取对应的森林火灾预测模型。
S103：根据所述预测时间尺度以及所选取的森林火灾预测模型，从所述观测数据中提取对应的土壤水分数据和气象观测数据。
S104：将所提取的土壤水分数据和气象观测数据输入所选取的森林火灾预测模型中，以使所述森林火灾预测模型对所述监测区域发生森林火灾的情况进行预测。
对于步骤S101，观测数据包括土壤水分数据和气象观测数据。而土壤水分数据可以通过SMAP微波遥感土壤水分产品获取，SMAP是美国航空航天局NASA发射的地球观测卫星，专用于探测全球土壤水分和地表冻融情况。本发明通过筛选地球观测卫星所获取的数据，得到监测区域的土壤水分数据。在对土壤水分数据进行处理时，可以根据预测时间尺度将数据进行不同时间窗口内的平均，提取每日土壤水分数据、每三日平均土壤水分数据、每八日平均土壤水分数据以及每月平均土壤水分数据。
另外，监测区域的气象观测数据可以由国家级地面气象站采集的日值资料得到。在一个优选的实施例中，气象观测数据具体可以如表1所示：
表1
表1中各变量的含义如下：预测日前30日的平均降水等待时间AWTP、预测日前30日的日降水量≥0.5mm的平均降水等待时间AWTP05、预测日前30日的日降水量≥3mm的平均降水等待时间AWTP3、预测日前每日降水量<0.5mm的连续日数fprcp05、预测日前每日降水量<3mm的连续日数fprcp3、预测日前每日降水量<5mm的连续日数fprcp5、预测日前一日24小时降水量prcp24h、预测日前三日降水量累积值prcp3d、预测日前八日降水量累积值prcp8d、预测日前一个月降水量累积值prcpm、预测日当日降水量累积值prcp、预测日当日的相对湿度平均值r、预测日前三日相对湿度平均值r3d、预测日前八日相对湿度平均值r8d、预测日前一个月相对湿度平均值rm、预测日当日最高气温tmax、预测日前三日最高气温累积值tmax3d、预测日前八日最高气温累积值tmax8d、预测日前一个月最高气温累积值tmaxm、预测日当日的最低气温tmin、预测日前八日最低气温累积值tmin8d、预测日前一个月最低气温累积值tminm、预测日当日的平均风速wind、预测日前八日的平均风速wind8d以及预测日前一个月的平均风速windm。
对于步骤S102、在一个优选的实施例中，所述预测时间尺度包括：短期预测尺度、中期预测尺度或长期预测尺度。森林火灾预测模型通过逻辑回归算法或随机森林算法进行构建。
在本实施例中，步骤S102中，根据预测时间尺度，选取对应的森林火灾预测模型，具体为：当所述预测时间尺度为短期预测尺度时，选取由逻辑回归算法或由随机森林算法构建的森林火灾预测模型；当所述预测时间尺度为中期预测尺度时，选取由逻辑回归算法或由随机森林算法构建的森林火灾预测模型；当所述预测时间尺度为长期预测尺度时，选取由随机森林算法构建的森林火灾预测模型。
上述短期预测尺度可以但不限于为一日或三日的预测，中期预测尺度可以但不限于为八日的预测；长期预测指尺度可以但不限于为一个月的预测。预测时间尺度可以根据实际情况进行动态调整，本实施中的定义只是其中一种举例。因此在本发明中，若需要进行一日或三日的预测可以选择由逻辑回归算法构建的森林火灾预测模型也可以选择由随机森林算法所构建的模型；若需要进行八日的预测，同样可以选择逻辑回归算法构建的森林火灾预测模型也可以选择由随机森林算法所构建的模型；但是若需要进行一个月的预测则需要选择由随机森林算法构建森林预测模型，这是由于在进行长期预测时由随机森林算法构建的模型，预测的准确性更高。
下面对上述森林火灾预测模型的训练过程进行具体的说明：
在本发明中，通过全球土地利用数据集FROM-GLC，提取本发明所述的监测区域，以便后续针对监测区域内的历史火灾情况进行辨析。FROM-GLC是基于Landsat卫星使用陆地卫星专题制图器(TM)和增强专题制图器(ETM+)数据制作的30m分辨率全球土地覆盖图。
监测区域的火灾情况数据可以从美国航空航天局NASA的火灾信息资源管理系统FIRMS(Fire Information for Resource Management System)所提供的火点数据集FireActive Data(MCD14DL)中提取。该数据集包括在近实时(NRT)MODIS数据中利用热异常算法标记出的1km像元内火点数据，以及检测过程中使用的火点置信度。为排除误报率较高的低置信度火点，本研究选用中-高置信度(置信度高于30％)的火点数据进行研究，从而得到监测区域的历史火灾数据(包括火灾发生的次数，每次火灾发生的时间等)。
而监测区域的土壤水分数据同样由SMAP微波遥感土壤水分产品获得，本发明使用GEE(Google Earth Engine)平台上0.25°x0.25°空间分辨率的SMAP Level 3土壤水分数据集作为本发明的土壤水分数据，时间分辨率为3日。该数据集是通过使用一维集合卡尔曼滤波(EnKF)数据同化方法，将卫星获得的SMAP L3级土壤湿度观测数据融合到改进的双层Palmer模型中生成。由于本发明需要实现短期预测、中期预测以及长期预测，三种不同时间尺度的预测。因此在前期数据采集时，需要获取预测日前三日的土壤水分数据(取预测日前三日的土壤水分平均值)、预测日前八日的土壤水分数据(取预测日前八日的土壤水分平均值)、预测日前一个月的土壤水分数据(取预测日前一个月的土壤水分平均值)以及预测日前一日的土壤水分数据。
而对于上文所采集的气象观测数据，需先进行数据质量检验，对于其中少部分的缺测值，通过相邻站点或相邻日数据进行插值，得到完整的数据集。除了当期的日观测值，还根据不同时间尺度的预测需求，合成不同时间尺度的前期累积观测。
当上述数据集采集完毕后，通过逻辑回归算法和随机森林算法来构建两个不同的森林火灾预测模型。
在使用逻辑回归算法构建森林火灾预测模型时，将实际发生森林火灾事件判定为正类(y＝1)，将无森林火灾事件判定为负类(y＝0)；再将历史森林火灾事件与各气象观测数据(x1,x2,…,xn)间的关系建立概率模型；最终采用二元逻辑回归对是否发生火灾的这两种事件做出概率预测，得到0-1间概率值。其概率模型的表达式如下：
其中，y为森林火灾是否发生的分类结果，P为该分类结果发生的概率：x1,x2,…,xn为各气象观测数据；β0,β1,…,βn为对应的待定参数。
需要说明的是，对于上述历史概率值P，在短期预测中，若预测步长内在预测单元(市级行政区)中发生森林火灾，则P值设置为1，未发生森林火灾则P设为0；而在中期预测或长期预测中，则统计预测步长内在预测单元(市级行政区)中累积的森林火灾次数，构成样本集，剔除极端值后，对样本集所有数据进行时间序列上的最大-最小(线性)归一化处理，作为中期或长期预测时的历史火灾概率值P。
逻辑回归最终得到的森林火灾风险概率值表达式如下：
通过训练集中已知的森林火灾事件(P(y＝1)和P(y＝0))与各气象观测因子(x1,x2,…,xn)的拟合，得到各待定系数(β0,β1,…,βn)，再将验证集的各气象观测因子代入求得待定参数的概率表达式，得到验证集对应的预测概率结果，即森林火灾事件发生的预测概率值。
需要说明的是，在使用逻辑回归算法构建森林火灾预测模型时，可以采用t检验法，实现对各气象观测数据的筛选。t检验法具体操作为：根据90％的置信度检验标准，自动选取回归系数的显著性检验中p值小于0.1的气象观测数据，作为各时间尺度对应的气象观测数据。
进一步地，在通过逻辑回归算法构建森林火灾预测模型时，不同预测时间尺度对应选取的气象观测数据，如表2所示：
表2
表2中打钩表示选取该气象预测数据，打叉表示不选取该气象预测数据。表中各气象预测数据的含义与表1相同，在此不再赘述。
最终根据不同的时间尺度，选取不同的气象预测数据和不同尺度的土壤水分数据(取预测日前三日的土壤水分平均值、预测日前八日的土壤水分平均值、预测日前一个月的土壤水分平均值或预测日前一日的土壤水分值)作为输入，以监测区域历史的火灾情况数据为输出，构建出森林火灾预测模型。
另一方面，使用随机森林算法构建森林火灾预测模型，具体流程如下：
随机森林算法原理为从样本集中通过bootstrap(自举法)采样方式抽取n个样本，每个样本包含a个特征，随机从中抽取k个，用建立决策树的方式获得最佳分割点。对以上步骤重复m次，从而产生m棵决策树。对于分类采用多数投票机制进行决策，对于回归采用最小均方差原则，对所有树的预测结果取平均值。随机森林模型能够较好地挖掘样本和特征之间的相互联系，并提供特征的重要性权重。同时由于在自举法采样过程中引入了随机性，因而不易出现过拟合现象。本发明利用Python机器学习sklearn包中的Random ForestRegressor进行随机森林回归。随机森林模型的参数可以通过对训练集的循环试验而获得，而选取子树数量为500，可保证计算快速的同时得到相对最佳结果。
在短期预测时，可以根据上述流程预测森林火灾发生的概率(0-1)；在中期预测或长期预测时，可以根据上述流程计算得到的林火次数，再除以各自时间尺度上的最大值，同样归一化为概率值(0-1)。
需要说明的是，通过随机森林算法来构建森林火灾预测模型时，自动选取特征重要性高于5％的气象观测数据作为各时间尺度对应的气象观测数据，可以实现对各气象观测数据的筛选。具体的，不同时间尺度对应选取的气象观测数据，如
表3所示：
表3
表3中打钩表示选取该气象预测数据，打叉表示不选取该气象预测数据。表中各气象预测数据的含义与表1相同，在此不再赘述。
最终根据不同的预测时间尺度，选取不同的气象预测数据和不同尺度的土壤水分数据(取预测日前三日的土壤水分平均值、预测日前八日的土壤水分平均值、预测日前一个月的土壤水分平均值或预测日前一日的土壤水分值)作为输入，以监测区域历史的火灾情况数据为输出，构建出森林火灾预测模型。
为了更好地说明本发明的有益效果，可以但不限于参见图2至图5的曲线比对图。图2是两个模型进行每日预测时的ROC曲线比对图。其中，(a)为由逻辑回归算法构建的森林火灾预测模型的ROC曲线，(b)为由随机森林算法构建的森林火灾预测模型的ROC曲线，从图中可以看出逻辑回归算法所构建的模型和随机森林算法所构建的模型，在进行每日火灾概率预测的效果都比较好，因此在本发明步骤S102中，当预测时间尺度为每日预测时，则可以选取由逻辑回归算法构建的模型或由随机森林算法构建的模型。
图3是两个模型进行三日预测时的ROC曲线比对图。其中，(c)为由逻辑回归算法构建的森林火灾预测模型的ROC曲线，(d)为由随机森林算法构建的森林火灾预测模型的ROC曲线，从图中可以看出逻辑回归算法所构建的模型和随机森林算法所构建的模型，在进行三日火灾概率预测的效果相差不大，因此在本发明步骤S102中，当预测时间尺度为三日预测时，则可以选取由逻辑回归算法构建的模型或由随机森林算法构建的模型。
图4是两个模型进行八日预测时的ROC曲线比对图。其中，(e)为由逻辑回归算法构建的森林火灾预测模型的ROC曲线，(f)为由随机森林算法构建的森林火灾预测模型的ROC曲线，从图中可以看出逻辑回归算法所构建的模型和随机森林算法所构建的模型，在进行八日火灾概率预测的效果相差不大，因此在本发明步骤S102中，当预测时间尺度为八日预测时，则可以选取由逻辑回归算法构建的模型或由随机森林算法构建的模型。
图5是两个模型进行一个月预测时的ROC曲线比对图。其中，(g)为由逻辑回归算法构建的森林火灾预测模型的ROC曲线，(h)为由随机森林算法构建的森林火灾预测模型的ROC曲线，从图中可以看出逻辑回归算法所构建的模型和随机森林算法所构建的模型在进行一个月火灾概率预测时，随机森林算法所构建的模型的预测效果明显优于逻辑回归算法所构建的模型。因此在本发明步骤S102中，当预测时间尺度为一个月预测时，则选取随机森林算法构建的模型，作为森林火灾预测的模型。
在本实施例中，在步骤S102根据预测时间尺度选定了对应的森林火灾预测模型之后，可执行步骤S103，即根据所选取的森林火灾预测模型结合上文的表2或表3，提取对应的气象观测数据。而对于土壤水分数据的提取也与模型训练时的选取相一致。譬如，如果是每日预测，则提取预测日前一日的土壤水分值，如果是三日预测，则提取预测日前三日的土壤水分平均值，以此类推。
对于步骤S104，将所选取的气象观测数据和土壤水分数据输入至所选取的森林火灾预测模型中，由森林火灾预测模型对监测森林区域在对应的预测时间尺度下发生森林火灾的概率进行预测，获得最终的预测结果。
与现有技术相比，本发明的预测方法直接采用土壤水分作为地表干旱程度的衡量指标，解决现有林火预报中采用的气象干旱因子在南方湿润区不适用的问题。其次，本发明采用卫星遥感的土壤水分进行林火预测，能够体现预测变量的空间异质性，改进原有方案根据五大地理分区较为简略地划分火险等级阈值的做法，进一步提高预测准确度。最后，采用机器学习的方法考虑包括气象观测数据和土壤水分数据在内的各因素之间的非线性作用关系，避免传统方案中对因子之间加性和乘性关系的假设。
在上述方法项实施例的基础上，本发明对应提供了装置项实施例。如图5所示，本发明一实施例提供了一种基于土壤水分的森林火灾预测装置，包括观测数据获取模块、模型选择模块、预测数据提取模块以及火灾预测模块。
所述观测数据获取模块，用于获取监测区域的观测数据；其中，所述观测数据包括不同时间尺度的土壤水分数据以及不同时间尺度的气象观测数据；
所述模型选择模块，用于根据预测时间尺度，选取对应的森林火灾预测模型；
所述预测数据提取模块，用于根据所述预测时间尺度以及所选取的森林火灾预测模型，从所述观测数据中提取对应的土壤水分数据和气象观测数据；
所述火灾预测模块，用于将所提取的土壤水分数据和气象观测数据输入所选取的森林火灾预测模型中，以使所述森林火灾预测模型对所述监测区域发生森林火灾的情况进行预测。
在一个优选的实施例中，所述预测时间尺度包括：短期预测尺度、中期预测尺度或长期预测尺度；所述森林火灾预测模型通过逻辑回归算法或随机森林算法进行构建。
在一个优选的实施例中，所述根据预测时间尺度，选取对应的森林火灾预测模型，具体为：
当所述预测时间尺度为短期预测尺度时，选取由逻辑回归算法或由随机森林算法构建的森林火灾预测模型；
当所述预测时间尺度为中期预测尺度时，选取由逻辑回归算法或由随机森林算法构建的森林火灾预测模型；
当所述预测时间尺度为长期预测尺度时，选取由随机森林算法构建的森林火灾预测模型。
在一个优选的实施例中，在训练所述森林预测模型时，若所述森林火灾预测模型由逻辑回归算法进行构建，则选取回归系数显著性检验中p值小于0.1的气象观测数据，作为预测森林火灾的气象观测数据；若所述森林火灾预测模型由随机森林算法进行构建，则选取特征重要性高于5％的气象观测数据，作为预测森林火灾的气象观测数据。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
在本发明方法项实施例的基础上，本发明还提供了存储介质项的对应实施例。本发明一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，在所述计算机程序运行时控制所述存储介质所在设备执行本发明任意一项所述的基于土壤水分的森林火灾预测方法。
上述存储介质为计算机可读存储介质，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种基于土壤水分的森林火灾预测方法，其特征在于，包括：
获取监测区域的观测数据；其中，所述观测数据包括不同时间尺度的土壤水分数据以及不同时间尺度的气象观测数据；
根据预测时间尺度，选取对应的森林火灾预测模型；
根据所述预测时间尺度以及所选取的森林火灾预测模型，从所述观测数据中提取对应的土壤水分数据和气象观测数据；
将所提取的土壤水分数据和气象观测数据输入所选取的森林火灾预测模型中，以使所述森林火灾预测模型对所述监测区域发生森林火灾的情况进行预测。
2.如权利要求1所述的基于土壤水分的森林火灾预测方法，其特征在于，所述预测时间尺度包括：短期预测尺度、中期预测尺度或长期预测尺度；所述森林火灾预测模型通过逻辑回归算法或随机森林算法进行构建。
3.如权利要求2所述的基于土壤水分的森林火灾预测方法，其特征在于，所述根据预测时间尺度，选取对应的森林火灾预测模型，具体为：
当所述预测时间尺度为短期预测尺度时，选取由逻辑回归算法或由随机森林算法构建的森林火灾预测模型；
当所述预测时间尺度为中期预测尺度时，选取由逻辑回归算法或由随机森林算法构建的森林火灾预测模型；
当所述预测时间尺度为长期预测尺度时，选取由随机森林算法构建的森林火灾预测模型。
4.如权利要求2所述的基于土壤水分的森林火灾预测方法，其特征在于，
在训练所述森林预测模型时，若所述森林火灾预测模型由逻辑回归算法进行构建，则选取回归系数显著性检验中p值小于0.1的气象观测数据，作为预测森林火灾的气象观测数据；
若所述森林火灾预测模型由随机森林算法进行构建，则选取特征重要性高于5％的气象观测数据，作为预测森林火灾的气象观测数据。
5.一种基于土壤水分的森林火灾预测装置，其特征在于，包括：观测数据获取模块、模型选择模块、预测数据提取模块以及火灾预测模块；
所述观测数据获取模块，用于获取监测区域的观测数据；其中，所述观测数据包括不同时间尺度的土壤水分数据以及不同时间尺度的气象观测数据；
所述模型选择模块，用于根据预测时间尺度，选取对应的森林火灾预测模型；
所述预测数据提取模块，用于根据所述预测时间尺度以及所选取的森林火灾预测模型，从所述观测数据中提取对应的土壤水分数据和气象观测数据；
所述火灾预测模块，用于将所提取的土壤水分数据和气象观测数据输入所选取的森林火灾预测模型中，以使所述森林火灾预测模型对所述监测区域发生森林火灾的情况进行预测。
6.如权利要求5所述的基于土壤水分的森林火灾预测装置，其特征在于，所述预测时间尺度包括：短期预测尺度、中期预测尺度或长期预测尺度；所述森林火灾预测模型通过逻辑回归算法或随机森林算法进行构建。
7.如权利要求6所述的基于土壤水分的森林火灾预测装置，其特征在于，所述根据预测时间尺度，选取对应的森林火灾预测模型，具体为：
当所述预测时间尺度为短期预测尺度时，选取由逻辑回归算法或由随机森林算法构建的森林火灾预测模型；
当所述预测时间尺度为中期预测尺度时，选取由逻辑回归算法或由随机森林算法构建的森林火灾预测模型；
当所述预测时间尺度为长期预测尺度时，选取由随机森林算法构建的森林火灾预测模型。
8.如权利要求7所述的基于土壤水分的森林火灾预测装置，其特征在于，在训练所述森林预测模型时，若所述森林火灾预测模型由逻辑回归算法进行构建，则选取回归系数显著性检验中p值小于0.1的气象观测数据，作为预测森林火灾的气象观测数据；
若所述森林火灾预测模型由随机森林算法进行构建，则选取特征重要性高于5％的气象观测数据，作为预测森林火灾的气象观测数据。
9.一种存储介质，其特征在于，所述存储介质包括存储的计算机程序，在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至4中任意一项所述的基于土壤水分的森林火灾预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010856353.7A CN112016744B (zh) | 2020-08-24 | 2020-08-24 | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010856353.7A CN112016744B (zh) | 2020-08-24 | 2020-08-24 | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112016744A CN112016744A (zh) | 2020-12-01 |
| CN112016744B true CN112016744B (zh) | 2021-06-01 |
Family
ID=73505637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010856353.7A Active CN112016744B (zh) | 2020-08-24 | 2020-08-24 | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112016744B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113178012B (zh) * | 2021-05-06 | 2024-05-24 | 中国科学技术大学 | 气象信息专题图的制作方法、系统、设备及介质 |
| CN114067545B (zh) * | 2021-11-15 | 2023-05-12 | 浙江时空智子大数据有限公司 | 一种基于遥感大数据的森林火灾监测方法及系统 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5734335A (en) * | 1989-12-20 | 1998-03-31 | Finmeccanica S.P.A. | Forest surveillance and monitoring system for the early detection and reporting of forest fires |
| JP3828445B2 (ja) * | 2002-03-26 | 2006-10-04 | 富士通株式会社 | 災害発生予測方法及び災害発生予測装置 |
| KR101237089B1 (ko) * | 2011-10-12 | 2013-02-26 | 계명대학교 산학협력단 | 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법 |
| CN103886385A (zh) * | 2014-02-20 | 2014-06-25 | 中国林业科学研究院森林生态环境与保护研究所 | 一种预测森林火灾日发生概率的方法 |
| CN104778837B (zh) * | 2015-04-14 | 2017-12-05 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
| CN106951992A (zh) * | 2017-03-20 | 2017-07-14 | 上海事凡物联网科技有限公司 | 一种地表可燃物含水率的预测方法及系统、服务器 |
| CN107782701A (zh) * | 2017-09-20 | 2018-03-09 | 北京师范大学 | 一种多源遥感数据的农业干旱监测方法 |
| 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 |
| CN111127806A (zh) * | 2019-12-30 | 2020-05-08 | 重庆市海普软件产业有限公司 | 基于多传感器的综合森林防火监控系统及方法 |
| CN110795895A (zh) * | 2020-01-06 | 2020-02-14 | 南京邮电大学 | 利用地表反射信号和随机森林回归算法预测土壤水分的方法 |
-
2020
- 2020-08-24 CN CN202010856353.7A patent/CN112016744B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112016744A (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Morin et al. | Application of physical snowpack models in support of operational avalanche hazard forecasting: A status report on current implementations and prospects for the future | |
| Yatagai et al. | APHRODITE: Constructing a long-term daily gridded precipitation dataset for Asia based on a dense network of rain gauges | |
| Wu et al. | Time-variant error characterization of SMAP and ASCAT soil moisture using Triple Collocation Analysis | |
| Lin et al. | A maximum entropy method to extract urban land by combining MODIS reflectance, MODIS NDVI, and DMSP-OLS data | |
| CN112016744B (zh) | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 | |
| CN111126662A (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
| Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
| Lee et al. | Applying machine learning methods to detect convection using Geostationary Operational Environmental Satellite-16 (GOES-16) advanced baseline imager (ABI) data | |
| Wieland et al. | Using Shapley additive explanations to interpret extreme gradient boosting predictions of grassland degradation in Xilingol, China | |
| Meyal et al. | Automated cloud based long short-term memory neural network based SWE prediction | |
| Roberts et al. | IMPROVER: the new probabilistic postprocessing system at the Met Office | |
| Balti et al. | Big data based architecture for drought forecasting using LSTM, ARIMA, and Prophet: Case study of the Jiangsu Province, China | |
| CN115220133A (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
| Xu et al. | Quantifying the uncertainty of precipitation forecasting using probabilistic deep learning | |
| Tyndall et al. | Sensitivity of surface air temperature analyses to background and observation errors | |
| CN116739172A (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
| Rodrigues et al. | Imputation of precipitation data in northeast Brazil | |
| Yang et al. | Evaluation of short-range precipitation reforecasts from East Asia regional reanalysis | |
| CN114283344A (zh) | 一种森林生态水文过程自动实时监测方法及系统 | |
| Abujayyab et al. | Automated prediction system for vegetation cover based on modis-ndvi satellite data and neural networks | |
| Nabavi et al. | Spatiotemporal variation of radionuclide dispersion from nuclear power plant accidents using FLEXPART mini-ensemble modeling | |
| Tamburri et al. | Big Data for the Social Good: The Drought Early-Warning Experience Report | |
| Danandeh Mehr | A gene-random forest model for meteorological drought prediction | |
| Balamurugan et al. | Implementation of Effective Rainfall Forecast Model using Machine Learning | |
| CN117391221B (zh) | 基于机器学习的ndvi预测集成优化方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |