CN112712275A - 基于Maxent和GIS的森林火灾风险评估方法 - Google Patents
基于Maxent和GIS的森林火灾风险评估方法 Download PDFInfo
- Publication number
- CN112712275A CN112712275A CN202110018921.0A CN202110018921A CN112712275A CN 112712275 A CN112712275 A CN 112712275A CN 202110018921 A CN202110018921 A CN 202110018921A CN 112712275 A CN112712275 A CN 112712275A
- Authority
- CN
- China
- Prior art keywords
- forest fire
- forest
- maxent
- model
- fire
- 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
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000007613 environmental effect Effects 0.000 claims abstract description 54
- 230000000694 effects Effects 0.000 claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000013316 zoning Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000001556 precipitation Methods 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000002485 combustion reaction Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 description 10
- 230000002265 prevention Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000000452 restraining effect Effects 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001983 electron spin resonance imaging Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000001772 Wald test Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000003415 peat Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
- 239000009137 wuling Substances 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Computer Security & Cryptography (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Maxent和GIS的森林火灾风险评估方法,包括以下步骤:S1、采集森林火点事件的点位分布数据并对数据进行转换、筛选、过滤和验证,获得森林火点的有效分布点位;S2、采集环境因子变量:包括地貌形态、气候条件、植被属性和人类活动变量;S3、利用GIS技术对环境因子进行筛选、预处理,选出对森林火灾贡献率最大的环境因子;S4、对森林火灾事件和环境因子构建基于Maxent模型的森林火灾风险评估模型;S5、对待测地区的森林火灾风险进行精度评估;S6、可视化评估区域的森林火灾风险等级和区划结果。本发明运用Maxent模型开展森林火灾风险评估,提高森林火灾防护的效率,加强了森林火灾防护的效果。
Description
技术领域
本发明涉及森林火灾预警技术领域,尤其涉及基于Maxent和GIS的森林火灾风险评估方法。
背景技术
森林火灾是森林生态系统最重要的扰动因子之一,也是全球自然、生物、生态环境过程面临的最迫切的潜在自然灾害。目前,全球平均每年林火发生达数十万起,超过百万公顷的森林被烧毁,严重破坏了生态平衡,对社会经济发展和人身安全造成了巨大威胁;林火摧毁了地表植被和干物质蓄积,释放了大量温室气体、颗粒物和痕迹气体,改变了区域小气候、土壤结构与养分,破坏了动植物生存环境,加剧了水土流失和空气污染,是全球气候变化的重要驱动因子。科学的预报和监测森林火灾对遏制林火发生、减轻林火损失具有重要的现实意义。其中,森林火灾风险评价和区划为构建森林火险防御体系、部署防火力量和指导森林防火工作提供了重要的科学依据,越来越受到众多学者和国际组织的高度重视。
作为林火监测和预测的重要研究内容,森林火险评价和区划方法是一项重要的森林防火预警技术,能为林火的防护、监测和扑救工作提供科学依据。经近百年不懈努力,林火风险评价与预测模型研究成果十分丰富。学者基于森林火灾发生次数或过火面积与环境因子等数据集,通过案例区实证分析建立了统计学分析方法如LR(Logistic Regression,Deng et al.,2012),GWLR(Geographically Weighted Logistic Regression,Liang etal.,2017)和Gompit(Su et al.,2019),人工神经网络模型如Back-Propagation neuralnetwork(Yang and Ma.2005),机器学习方法如Random Forest model(Breiman,2001;Panet al.,2018)和Bayesian Network(Gao and Liao,2017)。上述已有方法对森林火灾风险评估研究提供了丰富的经验和算法。
但现有模型整体来看准确性不高、森林防火工作指导性不强,没有形成系统的森林火灾风险评估模型。除了加密已知林火样本密度和提高相关环境因子时空分辨率外,定量评价模型是影响森林火险区划结果可信度的关键要素。近年来,深度学习的相关理论和算法考虑了样本事件与响应变量之间的复杂非线性关系,能通过机器学习和智能算法预测事件的发生概率,已在经济社会发展的各行各业迅速应用。因此,现在亟需研制一种利用遥感卫星火点数据与环境因子数据,基于深度学习算法的森林火灾风险评价模型,以研究环境变量对森林火灾的贡献度、重要性和响应关系,希冀更好地在指导森林防火工作、遏制林火发生、减缓林火环境效应等方面提供有效的参考。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的一个目的在于提出基于Maxent和GIS的森林火灾风险评估方法,本发明运用Maxent模型开展森林火灾风险评估,进而对森林火灾风险等级进行划分,能更好地在指导森林防火工作、遏制林火发生、减缓林火环境效应等方面提供有效的参考,提高森林火灾防护的效率,加强了防护的效果。
根据本发明实施例的一种基于Maxent和GIS的森林火灾风险评估方法,其构建流程包括以下步骤:
S1、采集森林火点事件的点位分布数据并对数据进行转换、筛选、过滤和验证,获得森林火点的有效分布点位;
S2、采集环境因子变量:包括地貌形态、气候条件、植被属性和人类活动变量;
S3、利用GIS技术对环境因子进行筛选、预处理,选出对森林火灾贡献率最大的环境因子;
S4、对森林火灾事件和环境因子构建基于Maxent模型的森林火灾风险评估模型;
S5、对待测地区的森林火灾风险进行精度评估;
S6、可视化评估区域的森林火灾风险等级和区划结果。
优选的,所述S1具体包括以下步骤:
S11、利用陆地卫星遥感观测数据,根据高温火点在近红外和短波红外波段的波谱特征,采用归一化燃烧植被指数结果自适应地确定阈值提取的异常高温点;
S12、异常高温点数据转绘为矢量点数据,定义为兰伯特投影,并将信度低于阈值的疑似火点剔除;
S13、剔除火点数据集中稳定火点,即同一地点不同时点出现多个相似高温火点,主要是烟囱火点;
S14、以评估区域的林地图斑作为掩膜,提取出落入林地范围内的火点,并与地面收集到的森林火灾调查数据进行精度验证,构建评估区森林火点空间数据集。
优选的,所述S2具体包括以下步骤:
S21、从地貌形态选择高程和坡度,利用ArcGIS中的分析工具生产出森林火灾风险评估区域的坡度变量;
S22、从气候条件中选择年均温度、年均降水、年均风速、年均干燥度;
S23、从植被属性中选择林地比例、植被覆盖度、植被类型,将植被类型进行转换,即建设用地及其他土地区赋值为1,耕地植被区赋值为2、草地植被赋值为3、灌丛植被赋值为4,森林植被赋值为5;
S24、从人类活动中选择人口密度、距道路距离、GDP密度,人口密度和GDP密度要求是网格化密度数据,利用ArcGIS中的距离分析工具计算评估区域每个格网距离最近道路的距离。
优选的,所述S3具体包括以下步骤:
S31、为避免影响因子间存在多重共线对模型结果产生影响,将所有环境变量进行主成分分析,检查环境变量中是否存在相关性>0.8的影响因子;
S32、将环境变量因子在ArcGIS中绘制成具有统一投影系统和网格的栅格图层,并与步骤S1中生产的森林火灾样本数据空间关联,生成Maxent模型所需要的林火样本数据和环境变量。
优选的,所述S4具体包括以下步骤:
S41、使用Maxent将森林火灾空间分布和环境因子建立了基于Maxent模型的林火风险评估模型;
S42、将已知森林火点样本集的75%作为训练数据集用于模型参数建立,剩下的25%作为测试数据用于模型检验,进行模型运算;
S43、Maxent模型运算后得到的输出结果在ArcGIS中进行可视化转换,输出的栅格像元值介于0-1,代表森林火灾的风险系数,值越大时火灾的风险可能性更高。
优选的,所述S5具体包括以下步骤:
S51、采用ROC中的AUC指标判断Maxent模型的建模精度;
S52、利用Maxent模型的输出结果,分析环境变量对森林火灾的贡献度、重要性和响应关系;
S53、采用已知的预留样本数据集对待评估区域的初划森林火灾风险等级结果进行评价,得出最适宜划分等级阈值。
优选的,所述AUC是ROC曲线与横坐标之间所围合的面积,取值为0.5-1,所述AUC精度判断标准具体为:
所述AUC为0.5时等同于一个完全随机的预测;
所述AUC为1时即为完美预测;
所述AUC值介于0.5-0.6之间,意味着模型失败,模型本身不具有预测能力;
所述AUC值介于0.6-0.7之间表示较差的预测;
所述AUC值介于0.7-0.9之间表示中等程度的预测;
所述AUC值介于0.9-1时则表示模型的预测精度非常高。
优选的,所述S6具体包括以下步骤:
S61、将森林火灾风险等级划分为5个等级,借助等级阈值、自然断点法或风险等级标准,对评估区域的森林火险等级进行划分;
S62、依据风险等级划定阈值,对评估区域的森林火险等级进行区划。
优选的,所述环境因子选取从地貌形态、气候条件、植被属性和人类活动四个方面作为森林火险的影响因子。
优选的,所述地貌形态包括地貌的高程、地貌的坡度,所述气候条件包括年均温度、年均降水、年均风速、年均干燥度,所述植被属性包括林地比例、植被覆盖度、植被类型,所述人类活动包括人口密度、距道路距离、GDP密度。
与现有技术相比,本发明的有益效果是:
本发明运用Maxent模型开展森林火灾风险评估,进而对森林火灾风险等级进行划分,相对于现有的森林火灾风险评估方法来说能更好地在指导森林防火工作、遏制林火发生、减缓林火环境效应等方面提供有效的参考,提高森林火灾防护的效率,加强了森林火灾防护的效果。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明提出的基于Maxent和GIS的森林火灾风险评估方法的森林火灾点位的构建思路;
图2为本发明提出的基于Maxent和GIS的森林火灾风险评估方法的2014-2020年湖南省森林火点空间分布;
图3为本发明提出的基于Maxent和GIS的森林火灾风险评估方法的利用本发明方法得到的湖南省森林火灾风险分区图;
图4为本发明提出的基于Maxent和GIS的森林火灾风险评估方法的利用本发明方法得到的2020年观测到的森林火灾图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
参考图1-4,一种基于Maxent和GIS的森林火灾风险评估方法,其构建流程包括以下步骤:
S1、采集森林火点事件的点位分布数据并对数据进行转换、筛选、过滤和验证,获得森林火点的有效分布点位;
S11、利用Landsat-7/8、Sentinel-2陆地卫星遥感观测数据,根据高温火点在近红外和短波红外波段的波谱特征,采用归一化燃烧植被指数(NBRS)结果自适应地确定阈值提取的异常高温点;
S12、异常高温点数据转绘为矢量点数据,定义为兰伯特投影,并将信度低于阈值的疑似火点剔除;
S13、剔除火点数据集中稳定火点,即同一地点不同时点出现多个相似高温火点,主要是烟囱火点;
S14、以评估区域的林地图斑作为掩膜,提取出落入林地范围内的火点,并与地面收集到的森林火灾调查数据进行精度验证,构建评估区森林火点空间数据集。
已知森林火点事件要求研究时段尽量长、时间分辨率尽量精细、空间分辨率尽量高,过低的时空分辨率会影响模型的评估精度。
S2、采集环境因子变量:包括地貌形态、气候条件、植被属性和人类活动变量;
S21、从地貌形态选择高程(DEM)和坡度(Slope),利用ESRI公司的ArcGIS10.3软件的slope分析工具,生产出森林火灾风险评估区域的坡度变量;
S22、从气候条件中选择年均温度(AT)、年均降水(AP)、年均风速(AS)、年均干燥度(AA);
S23、从植被属性中选择林地比例(FD)、植被覆盖度(VD)、植被类型(VT),将植被类型进行转换,即建设用地及其他土地区赋值为1,耕地植被区赋值为2、草地植被赋值为3、灌丛植被赋值为4,森林植被赋值为5;
S24、从人类活动中选择人口密度(PD)、距道路距离(DR)、GDP密度(GD),人口密度和GDP密度要求是网格化密度数据;利用ArcGIS 10.3的欧式距离分析工具计算评估区域每个格网距离最近道路的距离。
S3、利用GIS技术对环境因子进行筛选、预处理,选出对森林火灾贡献率最大的环境因子;
S31、为避免影响因子间存在多重共线对模型结果产生影响,将所有环境变量进行主成分分析,检查环境变量中是否存在相关性>0.8的影响因子;
S32、将环境变量因子在ArcGIS 10.3中绘制成具有统一投影系统和网格(1km*1km)的栅格图层,并与S1生产的森林火灾样本数据空间关联,生成Maxent模型所需要的林火样本数据(.shp)和环境变量(.csv)。
Maxent模型构造简单实用、所需输入数据少,其利用单个时点的环境变量和已知样本信息,从各个环境变量中选择熵最大的分布作为最优分布,构建模型并预测样本事件的空间分布;Maxent模型能进一步反映环境因子与森林火灾的量化相关性情况,能详尽地掌握不同分级或分值的环境因子与森林火灾的对应关系。
S4、对森林火灾事件和环境因子构建基于Maxent模型的森林火灾风险评估模型;
S41、使用Maxent 3.4.1版本将森林火灾空间分布和环境因子建立了基于Maxent模型的林火风险评估模型;
S42、将已知森林火点样本集的75%作为训练数据集用于模型参数建立,剩下的25%作为测试数据用于模型检验,进行模型运算;
S43、Maxent模型运算后得到的输出结果在ArcGIS 10.3中进行可视化转换,输出的栅格像元值介于0-1,代表森林火灾的风险系数,值越大时火灾的风险可能性更高。
S5、对待测地区的森林火灾风险进行精度评估;
S51、采用ROC(Relative Operating Characteristics)中的AUC(Area under ROCcurve)指标判断Maxent模型的建模精度;
S52、利用Maxent模型的输出结果,分析环境变量对森林火灾的贡献度、重要性和响应关系;
S53、采用已知的预留样本数据集对待评估区域的初划森林火灾风险等级结果进行评价,得出最适宜划分等级阈值。
所述AUC是ROC曲线与横坐标之间所围合的面积,取值为0.5-1,所述AUC精度判断标准具体为:
所述AUC为0.5时等同于一个完全随机的预测;
所述AUC为1时即为完美预测;
所述AUC值介于0.5-0.6之间,意味着模型失败,模型本身不具有预测能力;
所述AUC值介于0.6-0.7之间表示较差的预测;
所述AUC值介于0.7-0.9之间表示中等程度的预测;
所述AUC值介于0.9-1时则表示模型的预测精度非常高。
S6、可视化评估区域的森林火灾风险等级和区划结果;
S61、将森林火灾风险等级划分为5个等级,借助等级阈值、自然断点法或风险等级标准,对评估区域的森林火险等级进行划分;
S62、依据风险等级划定阈值,对评估区域的森林火险等级进行区划。
所述环境因子选取从地貌形态、气候条件、植被属性和人类活动四个方面作为森林火险的影响因子,所述地貌形态包括地貌的高程、地貌的坡度,所述气候条件包括年均温度、年均降水、年均风速、年均干燥度,所述植被属性包括林地比例、植被覆盖度、植被类型,所述人类活动包括人口密度、距道路距离、GDP密度。
实施例1:
实验区介绍:湖南省位于中国中部、长江中游地区,地理坐标介于24°38′-30°08′N、108°47′-114°15′E之间,全省面积21.18*104km2。湖南省地处云贵高原向江南丘陵、南岭山脉向江汉平原的过渡地带,省域海拔介于37-2056m,地势呈三面环山、北部平原,东以武功山为界,西以武陵山与重庆市为界,南以南岭山脉与广东为界,区内包含平原、盆地、丘陵和山地等地貌类型;属于亚热带季风气候区,年均降水量1063-1979mm,年活动积温达5600-6800℃。地形和水热条件适宜森林生长,湖南省的森林资源丰富,以常绿阔叶林为主,集中分布在怀化、邵阳、郴州、张家界等地区。统计资料显示,2019年底,湖南省森林面积达1300*104ha,森林覆盖率达59.90%,全省林业产值达5029.77*108元;活立木蓄积量5.95*108m3,占全国活立木蓄积量的3.28%,湖南省在全国森林面积和活立木蓄积量中均占有重要地位;受森林分布广泛、人类活动剧烈影响,湖南省的森林火灾年受害率为0.06‰,是全国森林防火的重点省份之一。
研究中所用已知样本数据集:森林火点数据源自中科院遥感与数字地球研究所发布的近实时地表高温异常点查询服务系统(SatSee-Fire),数据时段为1/1/2014至12/31/2020(前3年缺12月份数据);该数据集利用Landsat-7/8和Sentinel-2等陆地卫星遥感观测数据,根据高温火点在近红外和短波红外波段的波谱特征,采用归一化燃烧植被指数(NBRS)结果自适应地确定阈值提取的异常高温点,其属性信息包括了高温点ID、经度和纬度、捕获日期、反演温度、反演面积、可信度等。原始火点数据集包含了近6年亚洲区森林火灾、工业烟囱火点、油田火点、田间秸秆火点和野火等高温异常点,数据为文本格式。
提取森林火点前须进行数据预处理:首先,将2014—2020年逐日亚洲地区异常高温点文本数据转绘为矢量点数据,定义为兰伯特投影,并将信度低于阈值的疑似火点剔除,提取湖南省陆域范围内的高温异常点位信息。而后,针对火点数据集中稳定火点(即同一地点不同时点出现多个相似高温火点,主要是烟囱火点),采用Python编程依次将稳定火点予以剔除。最后,以湖南省林地图斑作为掩膜,提取出落入林地范围内的火点,即构建了湖南省森林火点空间数据集。由此识别得到的近7年内湖南省森林火点共计8146个,分布在2501个网格内。
研究中所用的环境因子数据集:森林火灾具有极高的突发性和不确定性。综述已有研究可知,森林火灾的起火原因可归纳为自然雷火、人为纵火、过失致火和其他等四个方面。从森林火灾的发生机制来看,除了火灾诱发因子外,孕灾因子自身属性及其周围环境状况是导致火灾能蔓延、重大损失的主要驱动力。其中,地貌类型、气候条件、植被属性和人类活动是诱发森林火灾的重要火灾风险因子。
具体来看:地形地貌可通过多方面影响森林火灾的发生和发展。一方面,不同地形、海拔、坡度、坡向、地形起伏度的地理单元,通过重新分配水光热等气候要素的空间分布,影响了地表森林植被的覆盖度、蓄积量和干湿度,而这为森林火灾提供了不同的易燃物储备和干物质类型;另一方面,在发生森林火灾后,不同地貌类型对人类控制过火面积、扑灭火源造成了不同程度的干扰和困难,由此可能助长森林火势,耽误灭火时机。气候条件随时空尺度发生变化,具有较强的空间异质性,却是森林火灾最重要的致灾因子。研究表明,温度、湿度、风速、干度对森林火灾的影响显著。气温升高可提高可燃物自身温度,降低了可燃物达到燃点所需的热量,大大提高了森林火险指数;降水量与可燃物的含水率呈正相关性,同时降水增多可增加空气的相对湿度,降低了可燃物的干度,可燃物达到燃点所需的热量大幅增加,故降低了森林火险可能性;风速是决定森林火灾过火面积和火势的主控因子,风速越大,火灾次数越多、火情越险峻。
森林火灾发生的必要条件之一是可燃物,其数量和性质会很大程度影响火灾的发生和发展,森林植被作为火灾的主要燃料,是影响森林火灾分布的重要环境因子。植被类型、植被覆盖度、可燃物干湿度和可燃物类型等属性差异对可燃物蓄积量、林火蔓延速度和能量释放潜力均不同。
人类活动通过影响地表植被类型、可燃物状态、主动生产火源和扑灭灾害性大火等行为,显著地影响了森林火灾的产生。目前,常被用于表征人类活动对森林火灾影响的因子主要有人口密度、耕地面积、人均国民生产总值、载畜量、道路密度和距道路距离等。
本研究从地貌形态(高程、坡度)、气候条件(年均温度、年均降水、年均风速、年均干燥度)、植被属性(林地比例、植被覆盖度、植被类型)和人类活动(人口密度、距道路距离、GDP密度)四个方面选择了12个因子作为森林火险影响因子,所需数据分别源自Resourceand environment science and data center(http://www.resdc.cn/),National earthsystem science data center(http://www.geodata.cn/)和Google map,数据描述见下表1。
表1引发森林火灾的环境因子分类及描述:
为避免影响因子间存在多重共线对模型结果产生影响,将所有环境变量进行主成分分析,结果表明环境因子之间不存在相关性>0.8的影响因子。在ESRI公司的ArcGIS 10.3中绘制成具有统一投影系统和网格(1km*1km)的栅格图层,并与前文生产的2014—2019年湖南省森林火灾数据空间关联(2020年的林火点位用于模型精度检验),最后生成Maxent模型所需要的林火变量(.shp)和环境变量(.csv)。
Maxent模型是以最大熵理论为基础的密度估计和事件分布预测模型,具有运算结果稳定、运算时间短等优点。在预测事件的适宜分布区间时,Maxent模型通过收集事件的已知地理分布信息和相关环境影子,但不对未知信息进行假设和揣测,即使事件有部分缺失或样本量较少的情况下,依旧可以模拟出较为合理的结果。森林火灾空间分布受环境变量的分布适宜性影响,因此可利用Maxent模型进行评价和预测分区。森林火险评价需要两类数据,一类是待预测森林火灾X的已知真实分布样点,以经纬度表示;一类是森林火灾分布范围内的各种环境变量Y,环境变量数据要求网格分辨率彼此相同,否则模型将无法正常运算。假设待预测的森林火灾X的取值为X=(x1,x2,…,xn),那么X的信息熵计算如下:
森林火灾X的空间分布受到环境变量Y的影响,将环境变量Y与已知的森林火灾X的空间位置叠加,便可获得由环境变量Y和森林火灾X构成的训练样本集(X|Y),而引入环境变量Y后,Y对X的空间分布影响概率和信息量会发生变化,此时X的信息熵变为受环境变量Y影响的条件概率,见下式:
Maxent模型认为满足全部已知的条件,并对未知的情况不做假设的概率信息熵最大,分布将最均匀,此时预测的结果风险最小。Maxent模型最终根据输入的已知样本数据库和目标函数进行训练:
X*=argmaxH(X|Y)
模型通过随机种子生成算法不断训练并获取最大熵中的参数,使得其计算值与实际值数据接近。为了获取更好的结果,将这些原始样本拆分成两类不同的样本(训练样本与测试样本)以方便交叉验证。模型单次训练的适宜性概率往往有一定的偶然性,多次训练的平均值作为最终结果更为合理。
模型精度检验与运算:采用ROC(Relative Operating Characteristics)中的AUC(Area under ROC curve)指标判断Maxent模型的建模精度。AUC是ROC曲线与横坐标之间所围合的面积,通常取值为0.5-1.0,值越大时表征所构建的模型预测能力越强;AUC取0.5时等同于一个完全随机的预测,取1时即为完美预测。当AUC值介于0.5-0.6之间,意味着模型失败,模型本身不具有预测能力;在0.6-0.7之间表示较差的预测,在0.7-0.9之间表示中等程度的预测,如果>0.9时则表示模型的预测精度非常高。
根据上述森林火灾空间分布和环境因子建立了基于Maxent模型的林火风险评估模型,本研究使用Maxent 3.4.1版本进行模型运算,将湖南省森林火点的75%作为训练数据集用于模型参数建立,剩下的25%作为测试数据用于模型检验,软件运行时的设置选项选择系统默认的组合参数,随机抽取样本数据。Maxent模型运算后得到的输出结果在ArcGIS 10.3中进行可视化转换,输出的栅格像元值介于0-1,代表森林火灾的风险系数,值越大时火灾的风险可能性更高。
环境因子对森林火灾的重要性和贡献性:
采用ROC曲线对模型的运行结果进行检验,得到训练数据和检验数据的AUC值分别为0.816和0.802,均高于0.8,表明基于Maxent构建的森林火灾预测模型达到了较高预测精度,可以满足模型使用的精度要求。Maxent模型输出结果如表2,环境变量贡献性表征了不同环境变量间的相互影响,由高到低依次是气候条件(43.03%)、植被(34.69%)、地形地貌(12.19%)和人类活动(10.09%);而环境变量重要性表征了单个环境变量对模型结果的影响程度,由高到低依次是气候条件(54.64%)、植被(25.40%)、人类活动(12.11%)和地形地貌(7.86%)。可以看出,气候条件和人类活动的重要性值高于变量贡献性分值,而地形地貌和植被因素正好相反,这表明环境因子的相互影响降低了气候条件和人类活动在模型中的重要性,而相反地形地貌和植被变量的重要性被提高了。从单因子来看,年均降水、年均温度和植被覆盖密度对森林火灾重要性的排序居于前三位,这说明气候因子和可燃物的累积量对森林火灾的发生具有重要影响;此外,高程、年均温度、年均降水、风速和森林密度的因子贡献率均高于10%,且合计达到了71.60%,仅有年均温度、年均降水的因子重要性高于10%,而高程、风速、森林密度的因子贡献率高于因子重要性,表明在环境因子的相互影响下提高了三者的重要性,而年均温度、年均降水的重要性在因子相互作用下削弱的较为明显。
表2Maxent模型中环境因子对森林火灾的重要性和贡献性:
森林火灾对环境因子的响应:
依据各个环境变量值和对应的森林火灾发生概率,可获得湖南省森林火灾的环境变量响应关系曲线。可知,环境变量对森林火灾的影响机理是复杂多变的,森林火灾对所有环境变量的响应曲线并非呈线性关系,而是呈现复杂的非线性关系;多年温度(AT)、干燥度(AA)、土地利用类型(VT)、GDP密度(GD)和距道路距离(DR)对森林火灾的影响大体呈非线性的正相关性,而其余环境变量的相关性变化显著,在不同区间内呈不同的相关性。
通常认为,当存在概率大于0.5时,其对应的环境变量区间值将有助于森林火灾的发生。就单个因子而言,不同环境变量引发森林火灾的可能概率都具有其适宜区间。
1)随海拔的增加林火发生概率呈先增大后减小态势,林火更易分布在低海拔区域,适宜区间在40-780m,620m处为最适宜值,这可能与人类活动较少涉及高海拔区有关。坡度在0-9°时,林火发生的概率显著增加,峰值约在5°,之后随着坡度增加林火发生的概率急剧降低,平坡和缓坡处更易发生火灾,而陡坡处由于可达性较差发生林火的可能概率较低。
2)年均温度对林火起着正向促进作用,随着温度增加林火的发生概率不断增大,当温度高于11.7℃时,林火发生的可能概率大于0.5,而年均温度高于14℃时,此时林火的发生概率变化不太显著;温度过低时,可燃物的累积温较低,达到着火点所需要的热量较多,故林火发生概率理应较低,而当温度不断升高时,制约可燃物着火的限制性因子可能由气温转变为火源、可燃物状态、降水等因子。
3)森林火灾发生概率对干燥度(AA)、土地利用类型(VT)、GDP密度(GD)和距道路距离(DR)的响应与年均温度基本类似,干燥度越高时林火发生的可能性越大;土地利用类型以森林、灌丛等植被类为主时,可燃物的累积量较多,此时林火发生的可能性增大;GDP密度越高,经济活动将愈加剧烈,导致林火的可能性也就大;森林火灾对距道路距离的响应机理与以往的大众认识向左,即距道路越远的区域发生火灾的可能性越大,这可能与初始火源不易被发现或扑灭有关。
4)森林火灾发生的年均降水量适宜区间在1000-1830mm,年降水量1580mm是林火发生的最适宜峰值,当年降水量高于1830mm时,林火发生概率小于0.5,降水量一方面决定了森林生长速度和蓄积量的累积,过低的降水量不适宜森林生长,而过高的年降水会降低可燃物的累积温,此时所需的着火点将更高,由此会降低林火发生的可能性。
5)林火发生概率对风速、植被覆盖度的响应曲线呈现单峰值态势,当风速低于0.9m/s或高于4.8m/s时,林火发生概率显著低于0.5,风速在1.1m/s时林火发生概率最大;植被覆盖度介于32%-85%时,林火发生概率显著高于0.5,峰值在67%,在此之外的区间不适宜林火发生。
6)林火发生概率对林地密度的响应呈U型变化态势,林地密度过高或过低均将促进林火的发生,林地密度低于41%或高于52%时,林火发生概率显著增加。
7)林火发生概率对人口密度的响应与大众认识基本相符,即人口密度越高时林火发生的几率越大;具体来看,人口密度低于100人/km2时,林火发生概率不断下降,而高于100人/km2时却逐步上升,当人口密度达9500人/km2时保持不变,这种响应态势可能跟天然火源或人为火源相关,人口密度<100人/km2时,人类活动干扰的区域较少,此时发生林火更多的可能是雷电火、泥炭自燃、滚石火花等自然火源导致,而随着人口密度不断增加,人类活动涉及的区域和干扰强度不断增大,此时释放出人为火源的可能性大幅增加,由此提高了林火发生的可能性。
森林火灾风险分区:
利用自然断点法将湖南省森林火灾评估风险值分成五级,得到不同风险等级的五个分区,分别为低、中、高、显著高和极度高风险区,分别占湖南省辖区面积的6.08%、34.09%、34.31%、18.43%和7.09%,处于高风险及以下等级的区域占总面积的74.48%,而显著高和极度高风险区的占了25.52%,由此可知湖南省的森林火灾显著高风险及以上的区域占比较低。
从空间分布格局来看,湖南省森林火险地域分异显著,极度高风险区主要分布在南岭、阳明山、大围山和沅江中游,该区域地形以中低山和丘陵为主,森林覆盖率高、林木蓄积量较大,是湖南省的森林密集区和集中保护区;显著高风险区集中分布在洞庭湖沿岸的益阳、岳阳、长株潭地区,这部分区域人口众多、交通发达、经济密度大,人为诱发火灾的可能性高;高、中风险区占的比例最大,但空间分布集聚度不明显,在各个行政区内均由分布;低风险区集中在武夷山和雪峰山,这些区域虽然森林郁密度较高,但山体的海拔高、地形变化较为复杂,且人口分布稀疏,人为森林火源的可能性较低,故火灾风险较低。
模型精度验证:
采用2020年湖南省的森林火灾点位数据对森林火灾风险区划成果进行验证,分析发现观测到的263个森林火点落入低、中、高、显著高和极度高风险区的比例分别为8.37%、18.63%、23.57%、33.46%和15.97%,也即有近半数的森林火灾发生在显著、极度高风险区范围内,且森林火灾在各个风险区呈偏右侧的正态分布态势,这表明基于Maxent模型的森林火灾风险区划定能较为准确的模拟出森林火灾的高发和易发区,一定程度的验证了模型分区结果的可靠性。
精度比较分析:
森林火灾风险评估的模型十分丰富,其中Binary Logistics Regression(BLR)是应用最为广泛的模型。为进一步评估Maxent模型的合理性,利用前述的森林火灾和环境因子数据作为输入数据,采用BLR模型对湖南省森林火灾风险进行评估。此处,以森林火灾的发生与否作为因变量,分别取值为1(发生林火)或0(未发生林火),以前述的地貌形态、气候条件、植被属性和人类活动四个方面12个环境因子作为森林火险的自变量(采用极值标准化方法对部分因变量降维),构建BLR回归模型。将抽取的样本数据导入Soft SPSS 26中进行回归处理,计算得到森林火灾风险评估的回归模型参数见下表3。
表3模型变量及测试结果:
据表可知,在0.05的显著性水平下,森林火灾的环境影响因子相应的Significantvalue均低于0.05,通过了Wald检验,表明了环境因子对森林火灾的发展都具有显著性影响。Exp(B)是森林火灾的发生频数与不发生频数的比值,表示自变量每增加1个单位,因变量森林火灾发生的变化情况,值越大表征该环境变量对森林火灾的影响越大。由此可知,年均降水、干燥度、经济密度、距道路距离、年均温度和土地覆被类型的回归参数均为正数且Exp(B)值均大于1,表明这些环境变量对森林火灾的发生具有正向促进作用和较高的贡献率,在很大程度上影响了森林火灾的发生。对比Maxent模型的输出结果可知,在两个模型中年均降水、年均温度因子对森林火灾的发生均表现出较高的贡献率,而其余因子的贡献程度和效果各异;此外,Maxent模型能进一步反映环境因子与森林火灾的量化相关性情况,能详尽地掌握不同分级或分值的环境因子与森林火灾的对应关系,而并非BLR模型所得出的较为粗略的正相关或负相关性关系。
在SPSS的ROC分析模块中计算得到BLR模型的AUC值为0.738,表明BLR模型的预测结果基本合理,这也间接说明该模型被广泛用于森林火灾风险评估分区的优势所在。但Maxent模型的AUC值为0.816,高于BLR模型,这说明Maxent模型的预测精度要略好于BLR模型。两个模型对森林火灾与环境变量拟合的差异可能与模型的实现机理相关。BLR模型并不考虑环境变量的空间相关性和异质性,提前假设了解释变量及其对应系数间存在线性函数关系,只能得出自变量和因变量之间的正负相关性情况,而对较强空间自相关的自变量拟合时会存在过拟合现象;此外,BLR模型在拟合之先需单独对自变量进行共线性检测,存在将显著变量提前剔除的风险。Maxent模型是机器学习方法,能充分考虑预测变量与响应变量之间的复杂非线性关系,但缺点是不能得到林火与解释变量的量化关系,只能将这种关系以响应曲线方式表达。
结合Maxent模型与GIS技术,利用已知森林火点和环境变量构建林火风险评价模型,可为林火风险评价与林火风险区划定提供直观、详细和高精度的技术手段。本研究利用2016-2020年湖南省森林火点数据集和12个环境变量,在GIS技术支持下构建了Maxent森林火灾风险评价模型,开展了省域尺度森林火险评价和区划研究,结果表明:
(1)针对森林火灾而言,环境变量重要性由高到低依次是气候条件、植被、人类活动和地形地貌,而环境变量贡献性由高到低依次是气候条件、植被、地形地貌和人类活动,环境因子之间的相互影响降低了气候条件和人类活动在模型中的重要性,相反地形地貌和植被变量的重要性被提高了。
(2)环境变量对森林火灾的影响机理是复杂多变的。森林火灾对所选择的12个环境变量的响应曲线并非呈线性关系,而是呈复杂的非线性关系,年均温度、干燥度、土地利用类型、GDP密度、距道路距离和人口密度对森林火灾发生概率呈正非线性的正相关性,而适宜区间内的海拔、坡度、降水、风速、植被覆盖度对森林火灾发生概率具有正向促进作用,适宜区间之外的环境状态会抑制林火发生,林火发生概率对森林密度的响应呈U型变化态势,过高或过低的森林密度均将促进林火的发生。
(3)湖南省森林火险地域分异明显,处于高风险及以下等级的区域占总面积的74.48%,而显著高风险及以上区域占比较低,仅为25.52%。从空间分布格局来看,极度高风险区主要分布在南岭、阳明山、大围山和沅江中游;显著高风险区集中分布在洞庭湖沿岸的益阳、岳阳、长株潭地区;高、中风险区占的比例最大,但空间分布集聚度不明显;低风险区集中在武夷山和雪峰山。
本发明运用Maxent模型开展森林火灾风险评估,进而对森林火灾风险等级进行划分,相对于现有的森林火灾风险评估方法来说能更好地在指导森林防火工作、遏制林火发生、减缓林火环境效应等方面提供有效的参考,提高森林火灾防护的效率,加强了森林火灾防护的效果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于Maxent和GIS的森林火灾风险评估方法,其特征在于,其构建流程包括以下步骤:
S1、采集森林火点事件的点位分布数据并对数据进行转换、筛选、过滤和验证,获得森林火点的有效分布点位;
S2、采集环境因子变量:包括地貌形态、气候条件、植被属性和人类活动变量;
S3、利用GIS技术对环境因子进行筛选、预处理,选出对森林火灾贡献率最大的环境因子;
S4、对森林火灾事件和环境因子构建基于Maxent模型的森林火灾风险评估模型;
S5、对待测地区的森林火灾风险进行精度评估;
S6、可视化评估区域的森林火灾风险等级和区划结果。
2.根据权利要求1所述的基于Maxent和GIS的森林火灾风险评估方法,其特征在于,所述S1具体包括以下步骤:
S11、利用陆地卫星遥感观测数据,根据高温火点在近红外和短波红外波段的波谱特征,采用归一化燃烧植被指数结果自适应地确定阈值提取的异常高温点;
S12、异常高温点数据转绘为矢量点数据,定义为兰伯特投影,并将信度低于阈值的疑似火点剔除;
S13、剔除火点数据集中稳定火点,即同一地点不同时点出现多个相似高温火点,主要是烟囱火点;
S14、以评估区域的林地图斑作为掩膜,提取出落入林地范围内的火点,并与地面收集到的森林火灾调查数据进行精度验证,构建评估区森林火点空间数据集。
3.根据权利要求1所述的基于Maxent和GIS的森林火灾风险评估方法,其特征在于,所述S2具体包括以下步骤:
S21、从地貌形态选择高程和坡度,利用ArcGIS中的分析工具生产出森林火灾风险评估区域的坡度变量;
S22、从气候条件中选择年均温度、年均降水、年均风速、年均干燥度;
S23、从植被属性中选择林地比例、植被覆盖度、植被类型,将植被类型进行转换,即建设用地及其他土地区赋值为1,耕地植被区赋值为2、草地植被赋值为3、灌丛植被赋值为4,森林植被赋值为5;
S24、从人类活动中选择人口密度、距道路距离、GDP密度,人口密度和GDP密度要求是网格化密度数据,利用ArcGIS中的距离分析工具计算评估区域每个格网距离最近道路的距离。
4.根据权利要求1所述的基于Maxent和GIS的森林火灾风险评估方法,其特征在于,所述S3具体包括以下步骤:
S31、为避免影响因子间存在多重共线对模型结果产生影响,将所有环境变量进行主成分分析,检查环境变量中是否存在相关性>0.8的影响因子;
S32、将环境变量因子在ArcGIS中绘制成具有统一投影系统和网格的栅格图层,并与步骤S1中生产的森林火灾样本数据空间关联,生成Maxent模型所需要的林火样本数据和环境变量。
5.根据权利要求1所述的基于Maxent和GIS的森林火灾风险评估方法,其特征在于,所述S4具体包括以下步骤:
S41、使用Maxent将森林火灾空间分布和环境因子建立了基于Maxent模型的林火风险评估模型;
S42、将已知森林火点样本集的75%作为训练数据集用于模型参数建立,剩下的25%作为测试数据用于模型检验,进行模型运算;
S43、Maxent模型运算后得到的输出结果在ArcGIS中进行可视化转换,输出的栅格像元值介于0-1,代表森林火灾的风险系数,值越大时火灾的风险可能性更高。
6.根据权利要求1所述的基于Maxent和GIS的森林火灾风险评估方法,其特征在于,所述S5具体包括以下步骤:
S51、采用ROC中的AUC指标判断Maxent模型的建模精度;
S52、利用Maxent模型的输出结果,分析环境变量对森林火灾的贡献度、重要性和响应关系;
S53、采用已知的预留样本数据集对待评估区域的初划森林火灾风险等级结果进行评价,得出最适宜划分等级阈值。
7.根据权利要求6所述的基于Maxent和GIS的森林火灾风险评估方法,其特征在于,所述AUC是ROC曲线与横坐标之间所围合的面积,取值为0.5-1,所述AUC精度判断标准具体为:
所述AUC为0.5时等同于一个完全随机的预测;
所述AUC为1时即为完美预测;
所述AUC值介于0.5-0.6之间,意味着模型失败,模型本身不具有预测能力;
所述AUC值介于0.6-0.7之间表示较差的预测;
所述AUC值介于0.7-0.9之间表示中等程度的预测;
所述AUC值介于0.9-1时则表示模型的预测精度非常高。
8.根据权利要求1所述的基于Maxent和GIS的森林火灾风险评估方法,其特征在于,所述S6具体包括以下步骤:
S61、将森林火灾风险等级划分为5个等级,借助等级阈值、自然断点法或风险等级标准,对评估区域的森林火险等级进行划分;
S62、依据风险等级划定阈值,对评估区域的森林火险等级进行区划。
9.根据权利要求1所述的基于Maxent和GIS的森林火灾风险评估方法,其特征在于,所述环境因子选取从地貌形态、气候条件、植被属性和人类活动四个方面作为森林火险的影响因子。
10.根据权利要求9所述的基于Maxent和GIS的森林火灾风险评估方法,其特征在于,所述地貌形态包括地貌的高程、地貌的坡度,所述气候条件包括年均温度、年均降水、年均风速、年均干燥度,所述植被属性包括林地比例、植被覆盖度、植被类型,所述人类活动包括人口密度、距道路距离、GDP密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110018921.0A CN112712275B (zh) | 2021-01-07 | 2021-01-07 | 基于Maxent和GIS的森林火灾风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110018921.0A CN112712275B (zh) | 2021-01-07 | 2021-01-07 | 基于Maxent和GIS的森林火灾风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712275A true CN112712275A (zh) | 2021-04-27 |
CN112712275B CN112712275B (zh) | 2023-09-29 |
Family
ID=75548447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110018921.0A Active CN112712275B (zh) | 2021-01-07 | 2021-01-07 | 基于Maxent和GIS的森林火灾风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712275B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052503A (zh) * | 2021-04-29 | 2021-06-29 | 北京大学 | 基于psr模型的森林城市交接区森林火灾风险评估方法 |
CN113360585A (zh) * | 2021-06-04 | 2021-09-07 | 广州澳盾智能科技有限公司 | 森林火灾致灾因子数据系统构建方法、系统、介质及设备 |
CN113592355A (zh) * | 2021-08-16 | 2021-11-02 | 广东省安全生产科学技术研究院 | 一种森林的安全风险评估方法及评估设备 |
CN113592022A (zh) * | 2021-08-11 | 2021-11-02 | 中国科学院空天信息创新研究院 | 一种考虑植被类型的森林火灾危险地形识别方法 |
CN113706028A (zh) * | 2021-08-31 | 2021-11-26 | 广东省林业科学研究院 | 森林火灾风险隐患分析方法、系统、设备及介质 |
CN114038149A (zh) * | 2021-11-09 | 2022-02-11 | 北京林业大学 | 一种火险3s&3d实景智能区划方法 |
CN114067545A (zh) * | 2021-11-15 | 2022-02-18 | 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 |
CN114781859A (zh) * | 2022-04-20 | 2022-07-22 | 广东省科学院广州地理研究所 | 坡度映射的森林火灾风险评估方法、装置、介质和设备 |
CN115205675A (zh) * | 2022-06-29 | 2022-10-18 | 中国科学院地理科学与资源研究所 | 一种基于多源遥感数据的森林变化驱动力分类方法 |
CN115331117A (zh) * | 2022-10-13 | 2022-11-11 | 青岛浩海网络科技股份有限公司 | 基于先验知识修正参数的GK-2a遥感火情监测方法 |
CN115690773A (zh) * | 2022-12-26 | 2023-02-03 | 武汉天际航信息科技股份有限公司 | Dem分区及重建方法、计算设备和存储介质 |
CN116935238A (zh) * | 2023-07-07 | 2023-10-24 | 滁州学院 | 基于深度学习的森林扰动监测方法、系统、设备及介质 |
CN117077558A (zh) * | 2023-07-18 | 2023-11-17 | 西南林业大学 | 一种时空精细化的风速场构建方法 |
CN117575320A (zh) * | 2023-11-29 | 2024-02-20 | 中国科学院空天信息创新研究院 | 一种基于图卷积神经网络的森林火灾风险预测方法 |
CN117668040A (zh) * | 2024-01-30 | 2024-03-08 | 北京江河惠远科技有限公司 | 高压输电线杆塔区域的地质数据的处理方法及相关产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100256977A1 (en) * | 2009-04-01 | 2010-10-07 | Microsoft Corporation | Maximum entropy model with continuous features |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
CN111768105A (zh) * | 2020-06-29 | 2020-10-13 | 中南林业科技大学 | 基于空间Logistic的森林火灾风险评估方法 |
-
2021
- 2021-01-07 CN CN202110018921.0A patent/CN112712275B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100256977A1 (en) * | 2009-04-01 | 2010-10-07 | Microsoft Corporation | Maximum entropy model with continuous features |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
CN111768105A (zh) * | 2020-06-29 | 2020-10-13 | 中南林业科技大学 | 基于空间Logistic的森林火灾风险评估方法 |
Non-Patent Citations (1)
Title |
---|
HAMID EBRAHIMY等: "Development of a Web GIS System Based on the MaxEnt Approach for Wildfire Management: A Case Study of East Azerbaijan", 《ECOPERSIA》, vol. 5, no. 2, pages 1859 - 1873 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052503A (zh) * | 2021-04-29 | 2021-06-29 | 北京大学 | 基于psr模型的森林城市交接区森林火灾风险评估方法 |
CN113052503B (zh) * | 2021-04-29 | 2023-10-24 | 北京大学 | 基于psr模型的森林城市交接区森林火灾风险评估方法 |
CN113360585A (zh) * | 2021-06-04 | 2021-09-07 | 广州澳盾智能科技有限公司 | 森林火灾致灾因子数据系统构建方法、系统、介质及设备 |
CN113592022A (zh) * | 2021-08-11 | 2021-11-02 | 中国科学院空天信息创新研究院 | 一种考虑植被类型的森林火灾危险地形识别方法 |
CN113592355A (zh) * | 2021-08-16 | 2021-11-02 | 广东省安全生产科学技术研究院 | 一种森林的安全风险评估方法及评估设备 |
CN113592355B (zh) * | 2021-08-16 | 2024-04-05 | 广东省安全生产科学技术研究院 | 一种森林的安全风险评估方法及评估设备 |
CN113706028A (zh) * | 2021-08-31 | 2021-11-26 | 广东省林业科学研究院 | 森林火灾风险隐患分析方法、系统、设备及介质 |
CN114038149A (zh) * | 2021-11-09 | 2022-02-11 | 北京林业大学 | 一种火险3s&3d实景智能区划方法 |
CN114067545A (zh) * | 2021-11-15 | 2022-02-18 | 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 |
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 |
CN114781859A (zh) * | 2022-04-20 | 2022-07-22 | 广东省科学院广州地理研究所 | 坡度映射的森林火灾风险评估方法、装置、介质和设备 |
CN115205675A (zh) * | 2022-06-29 | 2022-10-18 | 中国科学院地理科学与资源研究所 | 一种基于多源遥感数据的森林变化驱动力分类方法 |
CN115205675B (zh) * | 2022-06-29 | 2023-05-16 | 中国科学院地理科学与资源研究所 | 一种基于多源遥感数据的森林变化驱动力分类方法 |
CN115331117A (zh) * | 2022-10-13 | 2022-11-11 | 青岛浩海网络科技股份有限公司 | 基于先验知识修正参数的GK-2a遥感火情监测方法 |
CN115331117B (zh) * | 2022-10-13 | 2023-02-10 | 青岛浩海网络科技股份有限公司 | 基于先验知识修正参数的GK-2a遥感火情监测方法 |
CN115690773A (zh) * | 2022-12-26 | 2023-02-03 | 武汉天际航信息科技股份有限公司 | Dem分区及重建方法、计算设备和存储介质 |
CN115690773B (zh) * | 2022-12-26 | 2023-04-07 | 武汉天际航信息科技股份有限公司 | Dem分区及重建方法、计算设备和存储介质 |
CN116935238A (zh) * | 2023-07-07 | 2023-10-24 | 滁州学院 | 基于深度学习的森林扰动监测方法、系统、设备及介质 |
CN116935238B (zh) * | 2023-07-07 | 2024-02-23 | 滁州学院 | 基于深度学习的森林扰动监测方法、系统、设备及介质 |
CN117077558A (zh) * | 2023-07-18 | 2023-11-17 | 西南林业大学 | 一种时空精细化的风速场构建方法 |
CN117575320A (zh) * | 2023-11-29 | 2024-02-20 | 中国科学院空天信息创新研究院 | 一种基于图卷积神经网络的森林火灾风险预测方法 |
CN117575320B (zh) * | 2023-11-29 | 2024-04-30 | 中国科学院空天信息创新研究院 | 一种基于图卷积神经网络的森林火灾风险预测方法 |
CN117668040A (zh) * | 2024-01-30 | 2024-03-08 | 北京江河惠远科技有限公司 | 高压输电线杆塔区域的地质数据的处理方法及相关产品 |
Also Published As
Publication number | Publication date |
---|---|
CN112712275B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112712275A (zh) | 基于Maxent和GIS的森林火灾风险评估方法 | |
US11169678B2 (en) | Fire management tool with versatile user interface | |
Russo et al. | NO2, PM10 and O3 urban concentrations and its association with circulation weather types in Portugal | |
Podur et al. | Spatial patterns of lightning-caused forest fires in Ontario, 1976–1998 | |
Kanga et al. | Forest fire hazards vulnerability and risk assessment in Bhajji forest range of Himachal Pradesh (India): a geospatial approach | |
Pereira et al. | Statistical models of vegetation fires: Spatial and temporal patterns | |
Marinho et al. | Temporal record and spatial distribution of fire foci in State of Minas Gerais, Brazil | |
Suthar et al. | Prediction of maximum air temperature for defining heat wave in Rajasthan and Karnataka states of India using machine learning approach | |
Yang et al. | Spatial layout siting method for fire stations based on comprehensive forest fire risk distribution | |
Baranovskiy | Predicting, Monitoring, and Assessing Forest Fire Dangers and Risks | |
Kouassi et al. | Exploring spatio‐temporal trends and environmental drivers of wildfire occurrence and impacts in Côte d'Ivoire, West Africa | |
Zhang et al. | Burned vegetation recovery trajectory and its driving factors using satellite remote-sensing datasets in the Great Xing’An forest region of Inner Mongolia | |
Trucchia et al. | Experiences and Lessons Learnt in Wildfire Management with PROPAGATOR, an Operational Cellular‐Automata‐Based Wildfire Simulator | |
Dolui | Forest fire susceptibility mapping and risk assessment using integrated AHP and DEMATEL method for Purulia District, West Bengal (India) | |
Su et al. | A novel framework for identifying causes of forest fire events using environmental and temporal characteristics of the ignition point in fire footprint | |
Nainggolan et al. | Utilisation of nasa-gfwed and firms satellite data in determining the probability of hotspots using the fire weather index (fwi) in ogan komering ilir regency, south sumatra | |
Bolouk Heidari et al. | Wildfire Susceptibility Mapping using NBR Index and Frequency Ratio Model | |
de Souza Camargo et al. | Geotechnologies as decision support strategies for the identification of fire-susceptible areas in Rio de Janeiro State | |
Liu et al. | High resolution land cover datasets integration and application based on Landsat and Globcover data from 1975 to 2010 in Siberia | |
Ningombam et al. | Aerosol classification by application of machine learning spectral clustering algorithm | |
Guo et al. | A time-dependent stochastic grassland fire ignition probability model for Hulun Buir Grassland of China | |
Heo et al. | Would the Kalimantan Islands of Indonesia be secure against droughts and forest fires in a changing climate? | |
Neto et al. | Evaluation and quantification of heat hotspots in the Chapada dos Guimarães-MT National Park. | |
Nyatondo | Fire Spread Modelling in Majella National Park, Italy | |
He | Understanding Environmental Factors Driving Wildland Fire Ignitions in Alaskan Tundra |
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 |