CN112213230A - 一种云南松地表可燃物含水率确定方法及系统 - Google Patents

一种云南松地表可燃物含水率确定方法及系统 Download PDF

Info

Publication number
CN112213230A
CN112213230A CN202011108614.3A CN202011108614A CN112213230A CN 112213230 A CN112213230 A CN 112213230A CN 202011108614 A CN202011108614 A CN 202011108614A CN 112213230 A CN112213230 A CN 112213230A
Authority
CN
China
Prior art keywords
combustible
water content
yunnan pine
prediction model
combustible material
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.)
Granted
Application number
CN202011108614.3A
Other languages
English (en)
Other versions
CN112213230B (zh
Inventor
高仲亮
舒立福
李智
龙腾腾
王秋华
周汝良
刁建鹏
程承
刘德稳
王宏润
崔飞
魏建珩
杨竹蔚
马泽楠
王何晨阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Forestry University
Original Assignee
Southwest Forestry University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Forestry University filed Critical Southwest Forestry University
Priority to CN202011108614.3A priority Critical patent/CN112213230B/zh
Publication of CN112213230A publication Critical patent/CN112213230A/zh
Application granted granted Critical
Publication of CN112213230B publication Critical patent/CN112213230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
    • G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
    • G01N5/045—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder for determining moisture content
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Immunology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种云南松地表可燃物含水率确定方法及系统。该方法包括：选取设定数量样地，并从所述样地中选取可燃物样本；在设定时间内分别对所述样地的相关数据进行记录和整理，得到整理后的数据，所述整理后的数据包括因变量和自变量；根据所述因变量和所述自变量采用多元逐步回归分析法，构建云南松地表可燃物含水率预测模型；结合误差分析和数据归一化处理结果确定调整系数；根据所述调整系数对所述云南松地表可燃物含水率预测模型进行调整，确定云南松地表最终可燃物含水率预测模型；根据所述云南松地表最终可燃物含水率预测模型，预测云南松地表可燃物含水率。本发明能够快速精确地确定云南松地表可燃物含水率。

Description

一种云南松地表可燃物含水率确定方法及系统
技术领域
本发明涉及可燃物含水率测定技术领域，特别是涉及一种云南松地表可燃物含水率确定方法及系统。
背景技术
云南省多山多河，地跨六大水系，地形地势复杂多样。优越的自然环境为动植物提供了良好的生活生长条件。高等植物更是占全国总数的62.9％，森林覆盖率等指标长期处于中国前列。至2019年，云南省森林覆盖率比2018年增长了2.1％，达到了62.4％的覆盖率。
而作为生态系统主体部分的森林，对地球的生态系统的平衡有着极其重要的影响作用。为人类提供众多资源的同时，更是调节着生物生存的环境，森林的发展对生物的可持续发展有着极大的影响。而森林火灾作为其发展最为重要的影响因素，不仅对森林的可持续发展带来了严重的威胁，而且给生物带来了众多的威胁，同时更是威胁到林内和周边人类的生命财产安全。
云南松(Pinus yunnanensis)作为云南省内分布最为广泛的树种之一，其主要垂直分布在滇中为中心的海拔1600m到2900m的区域上，是我国西部典型的偏干性亚热带群系，而云南松林下凋落物蓬松、针叶细小且不易降解，在防火季节又特别容易失水，且其多混交着大量暖性灌木林、伴生着大量草本植物，导致许多森林火灾的发生及蔓延，给云南造成了严重的威胁。而可燃物的含水率对林火的发生及蔓延有着极为重要的影响，因此能否准确的预测可燃物含水率对林火的预防及扑救有着重大意义。
森林可燃物含水率的研究对林火的研究有着重要影响，国外以美国和加拿大为代表在上世纪20年代就对森林可燃物含水率开展了研究工作，距今已经约有百年研究历史。上世纪40年代，Jenison等人通过计算细小可燃物的含水率和降水量，定义了可以描述可燃物含水量的累积系数。1986年Rothermel提出了细小可燃物含水率BEHAVE模型等。
森林可燃物含水率的研究在我国对相对来说起步较晚，但在我国相关政策及其他国家研究基础上发展迅速。目前来看，最常见的四种方法便是气象要素回归法、过程模型法、平衡含水率法、遥感估测法。随着时代的发展、人们对森林火灾的重视加强、相关软件的研发，森林可燃物含水率受到了各相关部门、专家以及学者的相关研究及分析。
2007年刘曦、金森对平衡含水率法进行分析研究，提出需结合现有可燃物平衡含水率模型的适用性评价和基于可燃物含水率变化特征的可燃物类型划分两方面，建立可燃物含水率预测类型划分体系；2008年李世友等在云南楚雄紫溪山和位于昆明郊区的云南森林自然中心林地测定了137组相关数据研究分析；2011年包玉龙等利用美国ASD公司的FieldSpeeProFR光谱仪，使用烘干称重法及包络线去除法对防火期内的不同含水率草地可燃物进行研究分析；2015年尹坤等基于Logistic曲线的云南松地表可燃物含水率预测模型；2016年胡海清等从可燃物含水率的影响因子、理论算法、预测模型3个方面阐述了森林可燃物含水率及其预测模型研究进展，指出了研究存在的问题，提出了可燃物含水率研究展望；2017年刘金波等选取昆明六块样地，建立气象要素回归模型，并对其精度进行评估。
目前国内对于森林可燃物含水率预测研究，已在研究方法、模型对不同层次、类型的可燃物做出了大量的研究，预测模型建立的自变量数据选择主要是林内气象因子，少有地形因子作为预测模型影响因素，但由于林内海拔、坡度、坡向是森林内长期不变的立地因素，能从含水率蒸发速率、接收辐射能量值、植被生长条件等多方面对可燃物含水率变化产生影响，对林内地形要素因子的忽略会导致森林云南松地表可燃物含水率预测模型结果的偏差。
云南不仅是我国的四大林区之一，同时也是我国的重点火险地区。林火作为森林生态系统重要影响因素之一，一方面维持着森林群落的自我更新、另一方面却严重的破坏了森林的结构和功能。清明节前后，云南香格里拉、大理、楚雄、迪庆、丽江等多个地区发生了森林火灾，不仅对森林资源、环境、气候造成了严重的影响，林火更是蔓延到周边村庄，严重威胁着人类的生命财产安全。虽然人为因素影响较大，但近期天气干旱，大部分可燃物含水率较低也是火灾多发的主要因素。在森林火灾中多为地表火，地表可燃物为其主要载体。而云南松作为云南分布最为广泛的树种，其地表枯枝、针叶、腐殖质、灌木丛等可燃物更是林火发生时的主要可燃物，其含水率影响着林火的发生、蔓延以及火行为。
可燃物含水率、降水量、干旱天数、相对湿度、温度以及风速等是林火的预报影响的主要因子。通过对云南松地表可燃物含水率数据进行整理分析，对火灾多发地区云南松地表可燃物含水率进行预测，并以此为主要因素对该地区进行林火预报，为林火的预防及扑救提供重要依据，减少森林火灾的发生及破坏。
云南省平均海拔在2000米左右，地形地貌复杂多样，立体气候明显，东西方向的跨度为885km，南北方向的跨度910km，整个区域的面积是39万km2。位于著名的云贵高原，山脉众多，山地面积占全省总面积的88.64％。滇中地区的主要植被类型为红壤孕育而成的半湿润常绿阔叶林。该地区因特定的社情、林情和地理、气候、植被类型而成为云南省森林火灾的高发区和敏感区。全省年温差一般在11℃左右，气候按照季节更替，其气候特点主要表现在地区差异、年温变化小，昼夜温差大以及干湿分明、分布不均等多种方面。5～10月为湿季(雨季)，集中了85％的降雨量；干季(旱季)为11月至次年4月，降水量只占全年的15％。
滇中做为云南火灾敏感区，仅在昆明周边就发生过多起较大火灾：1986年3月28日6时许，距离安宁县47km的青龙乡发生山火，过火面积153hm2，其中森林面积133hm2，造成扑火人员56人牺牲、3人受伤；2006年安宁发生重大森林火灾，过火面积将近2000hm2，投入工作人员6500余人历经10昼夜才扑灭；2010年2月17日，昆明市石林县发生较大森林火灾，过火面积92hm2，投入工作人员4900余人，历经66个小时才扑灭；2014年5月21日16时，昆明市安宁县禄脿街道发生森林火灾，投入军民9525名，历经7天6也才彻底扑灭。
发明内容
本发明的目的是提供一种云南松地表可燃物含水率确定方法及系统，能够快速精确地确定云南松地表可燃物含水率。
为实现上述目的，本发明提供了如下方案：
一种云南松地表可燃物含水率确定方法，包括：
选取设定数量样地，并从所述样地中选取可燃物样本；
在设定时间内分别对所述样地的相关数据进行记录和整理，得到整理后的数据，所述整理后的数据包括因变量和自变量；
根据所述因变量和所述自变量采用多元逐步回归分析法，构建云南松地表可燃物含水率预测模型；
结合误差分析和数据归一化处理结果确定调整系数；
根据所述调整系数对所述云南松地表可燃物含水率预测模型进行调整，确定云南松地表最终可燃物含水率预测模型；
根据所述云南松地表最终可燃物含水率预测模型，预测云南松地表可燃物含水率。
可选地，所述选取设定数量样地，并从所述样地中选取可燃物样本，具体包括：
综合考虑地形、林型、郁闭度因子选取了25个20m×20m样地；
在各所述样地对脚线两个顶端和中间位置各选取0.5m*0.5m的可燃物样本，所述可燃物样本包括树枝、松针和灌木枯草。
可选地，所述在设定时间内分别对所述样地的相关数据进行记录和整理，得到整理后的数据，所述整理后的数据包括因变量和自变量，具体包括：
在设定时间内对设定数量的可燃物样本轮流进行植被类型、海拔、坡度、坡向、坡形、坡位、郁闭度或盖度及经纬度的记录；
分别采取200g左右树枝、松针、灌木枯草等样品分别至于网兜，于10:00--17:30，每隔30分钟记录其鲜重，并记录其对应的实时林内气温、空气湿度及风速，每日结束后将采取的样品带回实验室测量其干重，最后通过含水率计算公式计算实验样品含水率，并记录，得到收集数据；
采用Excel及MATLAB数据处理软件，对所述收集数据进行整理分析，得到整理后的数据。
可选地，所述根据所述因变量和所述自变量采用多元逐步回归分析法，构建云南松地表可燃物含水率预测模型，具体包括：
应用多元逐步回归分析法，以所述可燃物样本含水率为因变量，以林内温度、空气湿度、风速为自变量，构建云南松地表可燃物含水率预测模型：
y＝a+b*x1+c*x2+d*x3
其中，y表示可燃物的含水率，x1、x2、x3分别表示温度、湿度、风速，a、b、c、d分别表示常数项、温度系数、湿度系数、风速系数。
可选地，所述方法还包括：
对所述云南松地表可燃物含水率预测模型通过决定系数、剩余标准差RMSE、回归系数的显著性检验和假设检验的方法进行评价。
可选地，所述方法还包括：
对所述云南松地表可燃物含水率预测模型选用平均绝对误差、平均相对误差和卡方检验进行验证。
一种云南松地表可燃物含水率确定系统，包括：
可燃物样本确定模块，用于选取设定数量样地，并从所述样地中选取可燃物样本；
记录整理模块，用于在设定时间内分别对所述样地的相关数据进行记录和整理，得到整理后的数据，所述整理后的数据包括因变量和自变量；
云南松地表可燃物含水率预测模型构建模块，用于根据所述因变量和所述自变量采用多元逐步回归分析法，构建云南松地表可燃物含水率预测模型；
调整系数确定模块，用于结合误差分析和数据归一化处理结果确定调整系数；
云南松地表最终可燃物含水率预测模型确定模块，用于根据所述调整系数对所述云南松地表可燃物含水率预测模型进行调整，确定云南松地表最终可燃物含水率预测模型；
含水率预测模块，用于根据所述云南松地表最终可燃物含水率预测模型，预测云南松地表可燃物含水率。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种云南松地表可燃物含水率确定方法及系统。该方法包括：选取设定数量样地，并从所述样地中选取可燃物样本；在设定时间内分别对所述样地的相关数据进行记录和整理，得到整理后的数据，所述整理后的数据包括因变量和自变量；根据所述因变量和所述自变量采用多元逐步回归分析法，构建云南松地表可燃物含水率预测模型；结合误差分析和数据归一化处理结果确定调整系数；根据所述调整系数对所述云南松地表可燃物含水率预测模型进行调整，确定云南松地表最终可燃物含水率预测模型；根据所述云南松地表最终可燃物含水率预测模型，预测云南松地表可燃物含水率。本发明能够快速精确地确定云南松地表可燃物含水率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明坡向对含水率的影响示意图；
图2为本发明温度对含水率的影响示意图；
图3为本发明湿度对含水率的影响示意图；
图4为本发明风速对含水率的影响示意图；
图5为本发明树枝各时段含水率示意图；
图6为本发明松针各时段含水率示意图；
图7为灌木枯草各时段含水率示意图；
图8为本发明云南松地表可燃物含水率确定方法流程图；
图9为本发明云南松地表可燃物含水率确定系统流程图。
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做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。
本发明的目的是提供一种云南松地表可燃物含水率确定方法及系统，能够快速精确地确定云南松地表可燃物含水率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图8为本发明云南松地表可燃物含水率确定方法流程图。如图8所示，一种云南松地表可燃物含水率确定方法包括：
步骤101：选取设定数量样地，并从所述样地中选取可燃物样本，具体包括：
综合考虑地形、林型、郁闭度因子选取了25个20m×20m样地；
在各所述样地对脚线两个顶端和中间位置各选取0.5m*0.5m的可燃物样本，所述可燃物样本为树枝、松针和灌木枯草。
步骤102：在设定时间内分别对所述样地的相关数据进行记录和整理，得到整理后的数据，所述整理后的数据包括因变量和自变量，具体包括：
在设定时间内对设定数量的可燃物样本轮流进行植被类型、海拔、坡度、坡向、坡形、坡位、郁闭度或盖度及经纬度的记录。
分别采取200g左右树枝、松针、灌木枯草等样品分别至于网兜，于10:00--17:30，每隔30分钟记录其鲜重，并记录其对应的实时林内气温、空气湿度及风速，每日结束后将采取的样品带回实验室测量其干重，最后通过含水率计算公式计算实验样品含水率，并记录，得到收集数据。
采用Excel及MATLAB数据处理软件，对所述收集数据进行整理分析，得到整理后的数据。
步骤103：根据所述因变量和所述自变量采用多元逐步回归分析法，构建云南松地表可燃物含水率预测模型，具体包括：
应用多元逐步回归分析法，以所述可燃物样本含水率为因变量，以林内温度、空气湿度、风速为自变量，构建云南松地表可燃物含水率预测模型：
y＝a+b*x1+c*x2+d*x3
其中，y表示可燃物的含水率，x1、x2、x3分别表示温度、湿度、风速，a、b、c、d分别表示常数项、温度系数、湿度系数、风速系数。
通常影响因变量的因素有多个，这种多个自变量影响一个因变量的问题可以通过多元回归分析来解决。云南松地表可燃物含水率不仅与其初始含水率有关，还受到温度、湿度、风速等因素，且各影响因素相互之间依然存在影响。想要研究可燃物含水率就需要将变量逐步引入，在线性分析基础上能够变换成线性回归的曲线回归模型。
设因变量为Y，影响因变量的k个自变量分别为X1,X2，...Xk假设每一个自变量对因变量Y的影响都是线性的，也就是说，在其他自变量不变的情况下，Y的均值随着自变量Xi的变化均匀变化，这时我们把
Y＝β0+β1X1+β2X2+...+βkXk+ε
称为总体回归模型，把β0，β1，β2，...,βk称为回归参数。而我们所需逐步达到的条件便是：利用实测数据对模型参数进行拟合；对拟合模型进行检验分析；利用拟合模型对研究变量进行预测。
各因子对可燃物含水率的影响：
云南松地表可燃物含水率的变化受多种因素相互作用的综合影响。在这里我们主要将其分为稳定因子、缓变因子、易变因子三类。本发明中主要选取了稳定因子坡向，易变因子温度、相对湿度及风速对其进行研究分析。
1坡向对可燃物含水率的影响
将各类可燃物含水率阳坡和阴坡进行对比分析，通过图1我们可以看出三种可燃物的含水率阴坡均普遍高于阳坡，说明坡向对可燃物含水率具有较为显著的影响。坡向直接影响太阳对地表的辐射，阳坡辐射一般高于阴坡，从而导致阳坡水分蒸发率高于阴坡，且温度相对较高、湿度相对较低，因此，一般情况下，阳坡可燃物含水率低于阴坡可燃物。
2温度对可燃物含水率的影响
温度对水分的蒸发有着重要的影响作用，温度越高，水分蒸发的速度越快，可燃物的含水率便会随之降低。正如图2三类可燃物含水率随温度的变化表，我们可以看出，随着温度的升高，即便会出现个别突变的点，但整体趋势上，可燃物含水率均在逐渐的下降。
3湿度对可燃物含水率的影响
从图3中我们可以看出：将个别突变的点排除后，从整体趋势来看，随着相对湿度的逐渐增加，可燃物的含水率基本也在逐渐上升，当空气湿度高于可燃物含水率时，会从空气当中吸取水分补充自身，且可燃物水分蒸发速度较低；反之则蒸发速度较快。
4风速对可燃物含水率的影响
从图4各类含水率随风速的变化表来看，可燃物含水率虽然受到风速的一定影响，但影响相对较弱，且其正负相关不确定。一般来说，可燃物水分蒸发速度会受到风速的影响，但风速的变化往往伴随着其他几种影响因素的变化，且风速对可燃物含水率的影响较弱，因此风速对可燃物含水率的影响具有不确定性。
5各时段含水率变化
从图5中我们可以看出，无论是哪一种可燃物，其早中晚的含水率曲线均极为相似，这说明，可燃物初始含水率对可燃物的含水率起着决定性作用、含水率的变化具有一定的时滞性。
为了能够更有效的表现出因子对含水的的影响，我们分别对温度、湿度、风速及坡向进行了相关性分析。
表1可燃物含水率与其影响因子相关性分析
Figure BDA0002727805470000091
由表1可知：
云南松地表可燃物含水率与温度呈负相关，温度增加，空气湿度减低，水分蒸发加快，地表可燃物含水率减低；与相对湿度度呈正相关，相对湿度越大，可燃物吸收的水分越多或者蒸发的水分越少；与风速呈正相关，伴随着风速的加快，空气中的水分能随着风的流动从其他地方带来而增加，从而减低了可燃物含水率的蒸发；从此表可以看出可燃物含水率与坡向呈正相关，此处我将阳坡定义为-1、阴坡定义为1，阳坡太阳辐射高于阴坡，因此阳坡可燃物含水率的蒸发速度高于阴坡。
据我们所了解的理论知识来看，可燃物含水率理应与风速呈负相关，风速越大，水分蒸发的越快，因此含水率降低；但由此表可以看出，该组数据中可燃物含水率与风速呈正比。据此可以推出，可燃物含水率与风速相关性有正相关也有负相关，受其他影响因子影响较大，具有不确定性。一般情况下，风速与含水率呈负相关，风速越大，水分蒸发的越快，含水率降低；但在许多特殊情况下，风速会在其他因素影响下与含水率呈正相关，如暴风雨天气下，空气湿度大，且伴随着狂风，但含水率会随着可燃物吸收狂风带来的大量水分而增加。
实际上在构建云南松地表可燃物含水率预测模型的过程中，还包括：
1、对所述云南松地表可燃物含水率预测模型通过决定系数、剩余标准差RMSE、回归系数的显著性检验和假设检验的方法进行评价。
通过模型的检验及评价，决定着模型是否正确以及能否运用到实际当中，是建模一项核心过程。本研究通过决定系数R2、剩余标准差RMSE(S)、回归系数的显著性F检验、假设检验P等，根据以上多个参数的值来衡量模型的优劣。
Figure BDA0002727805470000101
Figure BDA0002727805470000102
Figure BDA0002727805470000103
以上各式中：n为含水率样本容量；yi为含水率实际测量值；
Figure BDA0002727805470000104
为模型预估值；
Figure BDA0002727805470000105
为样本平均值；k为模型中自变量的个数。
表2云南松地表可燃物含水率实时预测模型
Figure BDA0002727805470000111
注：x1、x2、x3分别为温度、相对湿度、风速。
本发明检验都是在置信水平0.95上进行计算的，根据统计学知识，决定系数R与1相差越少，所能解释的范围也越广，模型的准确率也越高；剩余标注差RMSE越小，F值与查表所得出的给定值之间的差越大，该模型的精度越高；P值表示的是因为抽样误差而导致样本之间存在的差异性的概率，以P<0.05为显著，P值越小，模型的显著性越高。
表3预测模型检验
Figure BDA0002727805470000112
由表3可以看出，该模型中决定系数分别为0.839087、0.839168、0.846324，三类模型的决定系数均在83.9％以上，说明该模型具有了较高的可信度，可以对83.9％以上的数据结果进行解释。而通过模型的剩余标注差分析，由表3-3可以看出树枝、松针、灌木枯草含水率预测模型的剩余标注差分别为0.00994593、0.0290794、0.05011286，灌木枯草的剩余标注差最大，但结合实测数据来看，该剩余标注差还是在可以接受的范围内，说明该模型还是可取的。F检验中，表中三类模型F值分别为20.8581、20.8707、22.0288，均大于F表＝2.60，且P值分别为4.72658e-05、4.7125e-05、3.59907e-05均无穷接近于零，远小于0.05，说明出现不符合模型情况发生的概率很小。
由表2可以看出该组模型中温度、湿度及风速的系数均为正，而通过表1我们对可燃物含水率与其影响因子相关性分析，我们所得到可燃物含水率与温度呈负相关、与湿度、风速呈正相关。因此我们判断该模型存在一定的局限性。查看原始数据我们可以看出：
结合实际数据我们可以得出温度(17.87℃-25.61℃)、湿度(52.42％-73.43％)、风速(0.83m/s-1.52m/s)的预测范围，但以上均为不同样地在同一时段的平均值，结合云南实际情况来看，以上模型还是可以对夏季云南松地表可燃物含水率进行预测的。
2、对所述云南松地表可燃物含水率预测模型选用平均绝对误差、平均相对误差和卡方检验进行验证。
模型在构建中会出现多种相似性从而导致模型误差，若这种误差对参数的影响在可容许的范围内，则认为所建立的模型正确；若模型误差对参数的影响较大而不在可容许的范围内，则会大大影响模型的预估能力。本研究选用平均绝对误差MAE、平均相对误差MRE、卡方检验X2。
平均绝对误差：
Figure BDA0002727805470000121
平均相对误差：
Figure BDA0002727805470000122
卡方检验：
Figure BDA0002727805470000123
以上各式中：yi为实际测量值；
Figure BDA0002727805470000124
为模型预估值；n为样本容量。
云南松地表可燃物含水率实时预测模型验证：
根据表4及5模型预测值与实测值对比及各模型验证参数来看，我们可以直观的看出可燃物实测值与预测值，将其进行对比并计算，我们可以得出云南松地表可燃物含水率预测模型的误差范围及各类误差。其中树枝含水率预测模型误差范围：0.14％-9.69％、平均绝对误差：0.70％、平均相对误差：4.15％；松针含水率预测模型误差范围：0.83％-14.55％、平均绝对误差：1.93％、平均相对误差：5.53％；灌木枯草含水率预测模型误差范围：0.83％-56.98％、平均绝对误差：3.38％、平均相对误差：17.89％；其中灌木枯草含水率预测模型误差较高，最大误差为56.98％，其原始数据为：实测值：0.0939、预测值：0.1474，误差值为0.0535。三种模型的卡方值更是接近于0；通过以上几种不同的模型检验，以上模型对可燃物含水率预测都较为准确，精度较高，可以应用于云南松地表可燃物含水率的预测。
表4模型预测值与实测值
Figure BDA0002727805470000131
Figure BDA0002727805470000141
表5预测模型误差分析
Figure BDA0002727805470000142
步骤104：结合误差分析和数据归一化处理结果确定调整系数；
模型的建立过程中会选取影响较大、相关性较高的影响因子作为自变量，而无法代入影响较小的因子。为了使模型的精度更为准确，区分不同影响因子对所求值的影响，合理的确定调整系数，对模型的研建具有较高的意义。
数据的标准化(normalization)是将数据按比例缩放，使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值,便于不同单位或量级的指标能够进行比较和加权。
其中最典型的就是数据的归一化处理，即将数据统一映射到[0,1]区间上，常见的数据归一化的方法有多种。此处我们选择min-max标准化方法，也叫离差标准化。
Figure BDA0002727805470000143
式中，max、min分别为样本数据中该属性的最大值及最小值；x为需归一化处理值；x*为归一化系数。
步骤105：根据所述调整系数对所述云南松地表可燃物含水率预测模型进行调整，确定云南松地表最终可燃物含水率预测模型。
通过模型的验证我们可以得出模型的平均误差分别为，树枝：4.15％、松针：5.53％、灌木枯草：17.89％；因此，我们在此范围内结合数据的标准化处理对模型进行系数调整。如下式：
k＝1±MRE×x*
式中k为调整系数；MRE为平均相对误差；x*为归一化系数或坡向系数；其正负由相关性确定，正相关为正，反之为负。
通过以上方法将各因子调整系数确定，结果如下：表6至表9。
表6坡向调整系数的确定
Figure BDA0002727805470000151
表7坡度调整系数的确定
Figure BDA0002727805470000152
表8海拔调整系数的确定
Figure BDA0002727805470000153
1
Figure BDA0002727805470000161
调整系数的验证：
通过表10可以看出通过系数调整后，平均误差均有所下降，说明调整系数的引入对模型的预测精度具有提高作用，可以应用于实际预测中。
表10模型加调整系数预测值与实测值
Figure BDA0002727805470000162
Figure BDA0002727805470000171
从不同坡向对云南松地表可燃物含水率在温度、相对湿度、风速影响因子下进行了预测模型研建。通过影响因子与三类含水率的相关性分析，我们可以简单地看出地表可燃物含水率与温度呈负相关且相关显著；与湿度呈正相关且相关显著；与风速呈正相关且相关显著；与坡向呈正相关且相关显著。
以下为云南松地表可燃物含水率以温度x1、相对湿度x2、风速x3为自变量下的云南松地表最终可燃物含水率预测模型：
树枝：y＝-0.203889+0.00407577x1+0.00369727x2+0.0469459x3
松针：y＝-0.467567+0.0050885x1+0.00852604x2+0.152061x3
灌木枯草：y＝-1.40476+0.0138147x1+0.0175865x2+0.215208x3
含水率调整：Y＝k1×k2×k3×k4×y
以上模型通过模型检验来看，其决定系数R在0.839087至0.94353之间；通过F检验来看，F值与F表均有较高的差；而通过P检验来看，其值均无穷接近于零；说明以上模型均有较高的精度。结合误差分析来看，可以对绝大部分数据进行解释，将各因子调整系数引入预测模型，模型的精度提高(各调整系数我们可以通过其因子对应系数查表3-6至表3-9)，说明以上模型还是可以在对应条件下应用于实际预测中。
步骤106：根据所述云南松地表最终可燃物含水率预测模型，预测云南松地表可燃物含水率。
对应于本发明的一种云南松地表可燃物含水率确定方法，本发明还提供一种云南松地表可燃物含水率确定系统，如图9所示，该系统包括：
可燃物样本确定模块201，用于选取设定数量样地，并从所述样地中选取可燃物样本。
记录整理模块202，用于在设定时间内分别对所述样地的相关数据进行记录和整理，得到整理后的数据，所述整理后的数据包括因变量和自变量。
云南松地表可燃物含水率预测模型构建模块203，用于根据所述因变量和所述自变量采用多元逐步回归分析法，构建云南松地表可燃物含水率预测模型。
调整系数确定模块204，用于结合误差分析和数据归一化处理结果确定调整系数。
云南松地表最终可燃物含水率预测模型确定模块205，用于根据所述调整系数对所述云南松地表可燃物含水率预测模型进行调整，确定云南松地表最终可燃物含水率预测模型。
含水率预测模块206，用于根据所述云南松地表最终可燃物含水率预测模型，预测云南松地表可燃物含水率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种云南松地表可燃物含水率确定方法，其特征在于，包括：
选取设定数量样地，并从所述样地中选取可燃物样本；
在设定时间内分别对所述样地的相关数据进行记录和整理，得到整理后的数据，所述整理后的数据包括因变量和自变量；
根据所述因变量和所述自变量采用多元逐步回归分析法，构建云南松地表可燃物含水率预测模型；
结合误差分析和数据归一化处理结果确定调整系数；
根据所述调整系数对所述云南松地表可燃物含水率预测模型进行调整，确定云南松地表最终可燃物含水率预测模型；
根据所述云南松地表最终可燃物含水率预测模型，预测云南松地表可燃物含水率。
2.根据权利要求1所述的云南松地表可燃物含水率确定方法，其特征在于，所述选取设定数量样地，并从所述样地中选取可燃物样本，具体包括：
综合考虑地形、林型、郁闭度因子选取了25个20m×20m样地；
在各所述样地对脚线两个顶端和中间位置各选取0.5m*0.5m的可燃物样本，所述可燃物样本为18个云南松林、1个栎树林或6个云南松与栎树混交林。
3.根据权利要求1所述的云南松地表可燃物含水率确定方法，其特征在于，所述在设定时间内分别对所述样地的相关数据进行记录和整理，得到整理后的数据，所述整理后的数据包括因变量和自变量，具体包括：
在设定时间内对设定数量的可燃物样本轮流进行植被类型、海拔、坡度、坡向、坡形、坡位、郁闭度或盖度及经纬度的记录；
分别采取200g左右树枝、松针、灌木枯草样品分别至于网兜，于10:00--17:30，每隔30分钟记录其鲜重，并记录其对应的实时林内气温、空气湿度及风速，每日结束后将采取的样品带回实验室测量其干重，最后通过含水率计算公式计算实验样品含水率，并记录，得到收集数据；
采用Excel及MATLAB数据处理软件，对所述收集数据进行整理分析，得到整理后的数据。
4.根据权利要求1所述的云南松地表可燃物含水率确定方法，其特征在于，所述根据所述因变量和所述自变量采用多元逐步回归分析法，构建云南松地表可燃物含水率预测模型，具体包括：
应用多元逐步回归分析法，以所述可燃物样本含水率为因变量，以林内温度、空气湿度、风速为自变量，构建云南松地表可燃物含水率预测模型：
y＝a+b*x1+c*x2+d*x3
其中，y表示可燃物的含水率，x1、x2、x3分别表示温度、湿度、风速，a、b、c、d分别表示常数项、温度系数、湿度系数、风速系数。
5.根据权利要求1所述的云南松地表可燃物含水率确定方法，其特征在于，所述方法还包括：
对所述云南松地表可燃物含水率预测模型通过决定系数、剩余标准差、回归系数的显著性检验和假设检验的方法进行评价。
6.根据权利要求1所述的云南松地表可燃物含水率确定方法，其特征在于，所述方法还包括：
对所述云南松地表可燃物含水率预测模型选用平均绝对误差、平均相对误差和卡方检验进行验证。
7.一种云南松地表可燃物含水率确定系统，其特征在于，包括：
可燃物样本确定模块，用于选取设定数量样地，并从所述样地中选取可燃物样本；
记录整理模块，用于在设定时间内分别对所述样地的相关数据进行记录和整理，得到整理后的数据，所述整理后的数据包括因变量和自变量；
云南松地表可燃物含水率预测模型构建模块，用于根据所述因变量和所述自变量采用多元逐步回归分析法，构建云南松地表可燃物含水率预测模型；
调整系数确定模块，用于结合误差分析和数据归一化处理结果确定调整系数；
云南松地表最终可燃物含水率预测模型确定模块，用于根据所述调整系数对所述云南松地表可燃物含水率预测模型进行调整，确定云南松地表最终可燃物含水率预测模型；
含水率预测模块，用于根据所述云南松地表最终可燃物含水率预测模型，预测云南松地表可燃物含水率。
CN202011108614.3A 2020-10-16 2020-10-16 一种云南松地表可燃物含水率确定方法及系统 Active CN112213230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011108614.3A CN112213230B (zh) 2020-10-16 2020-10-16 一种云南松地表可燃物含水率确定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011108614.3A CN112213230B (zh) 2020-10-16 2020-10-16 一种云南松地表可燃物含水率确定方法及系统

Publications (2)

Publication Number Publication Date
CN112213230A true CN112213230A (zh) 2021-01-12
CN112213230B CN112213230B (zh) 2022-09-02

Family

ID=74055495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011108614.3A Active CN112213230B (zh) 2020-10-16 2020-10-16 一种云南松地表可燃物含水率确定方法及系统

Country Status (1)

Country Link
CN (1) CN112213230B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222237A (zh) * 2021-05-06 2021-08-06 中国科学技术大学 森林可燃物含水率动态预测方法、系统、设备及介质
CN114459945A (zh) * 2021-12-28 2022-05-10 贵州茅台酒股份有限公司 一种大曲贮存过程中的含水量检测方法
CN117557914A (zh) * 2024-01-08 2024-02-13 成都大学 一种基于深度学习的农作物病虫害识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2147253C1 (ru) * 1999-05-28 2000-04-10 Московский государственный университет леса Способ контроля лесопожарной опасности
CN108090707A (zh) * 2018-02-06 2018-05-29 吉林大学 一种基于突变理论的山洪灾害风险性评价方法与预警系统
US20190057171A1 (en) * 2017-02-10 2019-02-21 Guangxi Institute of Meteorlogical Disaster- Reducing Research Novel nonlinear method for area-wide near surface air temperature precision retrieval
CN109387452A (zh) * 2018-10-15 2019-02-26 东北林业大学 基于人工神经网络的森林地表死可燃物含水率预测系统
CN110633846A (zh) * 2019-09-02 2019-12-31 北京市燃气集团有限责任公司 燃气负荷预测方法和装置
WO2020015326A1 (zh) * 2018-07-19 2020-01-23 山东科技大学 一种地表类型数据支持的遥感图像云阴影检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2147253C1 (ru) * 1999-05-28 2000-04-10 Московский государственный университет леса Способ контроля лесопожарной опасности
US20190057171A1 (en) * 2017-02-10 2019-02-21 Guangxi Institute of Meteorlogical Disaster- Reducing Research Novel nonlinear method for area-wide near surface air temperature precision retrieval
CN108090707A (zh) * 2018-02-06 2018-05-29 吉林大学 一种基于突变理论的山洪灾害风险性评价方法与预警系统
WO2020015326A1 (zh) * 2018-07-19 2020-01-23 山东科技大学 一种地表类型数据支持的遥感图像云阴影检测方法
CN109387452A (zh) * 2018-10-15 2019-02-26 东北林业大学 基于人工神经网络的森林地表死可燃物含水率预测系统
CN110633846A (zh) * 2019-09-02 2019-12-31 北京市燃气集团有限责任公司 燃气负荷预测方法和装置

Non-Patent Citations (18)

* Cited by examiner, † Cited by third party
Title
XINGWEN QUAN ET AL.: "Retrieval of forest fuel moisture content using a coupled radiative transfer model", 《ENVIRONMENTAL MODELLING & SOFTWARE》 *
XINGWEN QUAN ET AL.: "Retrieval of forest fuel moisture content using a coupled radiative transfer model", 《ENVIRONMENTAL MODELLING & SOFTWARE》, 27 June 2017 (2017-06-27) *
唐荣逸等: "云南松可燃物载量预测模型研究", 《山东林业科技》 *
唐荣逸等: "云南松可燃物载量预测模型研究", 《山东林业科技》, no. 01, 28 April 2007 (2007-04-28) *
曹姗姗: "小尺度森林火险等级预报模型研究", 《中国优秀博硕士学位论文全文数据库（博士）农业科技辑》, 15 November 2014 (2014-11-15), pages 75 *
李鹏飞等: "基于多变量灰色预测的长沙市房地产市场研究", 《黑龙江科技信息》 *
李鹏飞等: "基于多变量灰色预测的长沙市房地产市场研究", 《黑龙江科技信息》, 25 September 2008 (2008-09-25) *
杜秀文: "几种森林类型可燃物含水率与", 《东北林业大学学报》 *
杜秀文: "几种森林类型可燃物含水率与", 《东北林业大学学报》, vol. 16, no. 3, 31 May 1988 (1988-05-31), pages 88 - 89 *
林果: "基于地形的普通公路造价快速预测模型", 《VALUE ENGINEERING》 *
林果: "基于地形的普通公路造价快速预测模型", 《VALUE ENGINEERING》, 28 May 2015 (2015-05-28) *
王栋: "森林可燃物含水率与森林火灾危险性的研究", 《林业科学研究》, 30 September 1992 (1992-09-30) *
田甜等: "森林地表可燃物含水率变化机理及影响因子研究概述", 《森林工程》 *
田甜等: "森林地表可燃物含水率变化机理及影响因子研究概述", 《森林工程》, vol. 29, no. 2, 31 March 2013 (2013-03-31) *
胡海清等: "大兴安岭典型林型地表可燃物含水率预测模型", 《中南林业科技大学学报》 *
胡海清等: "大兴安岭典型林型地表可燃物含水率预测模型", 《中南林业科技大学学报》, vol. 38, no. 11, 31 December 2018 (2018-12-31), pages 3 - 5 *
高永刚等: "森林可燃物含水率气象预测模型在森林火险预报中的应用", 《中国农学通报》 *
高永刚等: "森林可燃物含水率气象预测模型在森林火险预报中的应用", 《中国农学通报》, no. 09, 5 September 2008 (2008-09-05) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222237A (zh) * 2021-05-06 2021-08-06 中国科学技术大学 森林可燃物含水率动态预测方法、系统、设备及介质
CN113222237B (zh) * 2021-05-06 2024-05-17 中国科学技术大学 森林可燃物含水率动态预测方法、系统、设备及介质
CN114459945A (zh) * 2021-12-28 2022-05-10 贵州茅台酒股份有限公司 一种大曲贮存过程中的含水量检测方法
CN117557914A (zh) * 2024-01-08 2024-02-13 成都大学 一种基于深度学习的农作物病虫害识别方法
CN117557914B (zh) * 2024-01-08 2024-04-02 成都大学 一种基于深度学习的农作物病虫害识别方法

Also Published As

Publication number Publication date
CN112213230B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN112213230B (zh) 一种云南松地表可燃物含水率确定方法及系统
McDonald et al. Variability in springtime thaw in the terrestrial high latitudes: Monitoring a major control on the biospheric assimilation of atmospheric CO2 with spaceborne microwave remote sensing
Sun et al. Wetland-atmosphere methane exchange in Northeast China: A comparison of permafrost peatland and freshwater wetlands
Zhang et al. Interaction of aerodynamic roughness length and windflow conditions and its parameterization over vegetation surface
Kousari et al. An investigation of near surface wind speed trends in arid and semiarid regions of Iran
Nguyen et al. Downscaling over Vietnam using the stretched-grid CCAM: verification of the mean and interannual variability of rainfall
Gao et al. Comparison of three evapotranspiration models with eddy covariance measurements for a Populus euphratica Oliv. forest in an arid region of northwestern China
Zeng et al. Sap flow and plant water sources for typical vegetation in a subtropical humid karst area of southwest China
Yu et al. Terrestrial laser scanning‐derived canopy interception index for predicting rainfall interception
Gao et al. Actual evapotranspiration of subalpine meadows in the Qilian Mountains, Northwest China
Guan et al. The relationship between sap flow of intercropped young poplar trees (Populus× euramericana cv. N3016) and environmental factors in a semiarid region of northeastern China
Tanaka et al. Energy balance and its closure over a young larch forest in eastern Siberia
Emery et al. Fog and live fuel moisture in coastal California shrublands
Reddy et al. Observational analysis and numerical simulation of sea breeze using WRF model over the Indian southeast coastal region
CN112986045A (zh) 一种沼泽湿地边界的判定方法
Jiao et al. Canopy conductance and gas exchange of a Japanese cypress forest after rainfall‐induced wetness
Oltean et al. Carbon isotope discrimination by Picea glauca and Populus tremuloides is related to the topographic depth to water index and rainfall
Aalto et al. Tropospheric methane in northern Finland: seasonal variations, transport patterns and correlations with other trace gases
Aizhi et al. Modern pollen-vegetation relationships and two new pollen-climate indices in the Yarlung Zangbo River basin in southern Tibetan Plateau
Gaponov et al. Analysis of trends in annual time series of precipitation in the Republic of Bashkortostan, Russian Federation
Shobairi et al. Vegetation Fractional Coverage (VFC) Estimation of Planted and Natural Zones Based on Remote Sensing
Ding et al. A comparison between energy transfer and atmospheric turbulent exchanges over alpine meadow and banana plantation
Xiao et al. Characteristics and simulation of snow interception by the canopy of primary spruce‐fir Korean pine forests in the Xiaoxing'an Mountains of China
Shi et al. Applying the revised gash analytical model of precipitation interception to Pinus sylvestris var. mongolica in horqin sandy land, northeastern China
Zhang et al. Evapotranspiration in the Meso‐Scale Forested Watersheds in Minjiang Valley, West China 1

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
OL01 Intention to license declared
OL01 Intention to license declared