CN114898138A - 一种基于地形地貌及遥感数据进行森林火灾预测的方法 - Google Patents

一种基于地形地貌及遥感数据进行森林火灾预测的方法 Download PDF

Info

Publication number
CN114898138A
CN114898138A CN202210297269.5A CN202210297269A CN114898138A CN 114898138 A CN114898138 A CN 114898138A CN 202210297269 A CN202210297269 A CN 202210297269A CN 114898138 A CN114898138 A CN 114898138A
Authority
CN
China
Prior art keywords
data
fire
forest
grid
predicted
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
Application number
CN202210297269.5A
Other languages
English (en)
Inventor
李华松
尹书娟
朱安安
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.)
Hangzhou Xujian Science And Technology Co ltd
Original Assignee
Hangzhou Xujian Science And Technology Co ltd
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 Hangzhou Xujian Science And Technology Co ltd filed Critical Hangzhou Xujian Science And Technology Co ltd
Priority to CN202210297269.5A priority Critical patent/CN114898138A/zh
Publication of CN114898138A publication Critical patent/CN114898138A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Graphics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于地形地貌及遥感数据进行森林火灾预测的方法，包括如下步骤：(1)、数据特征选取：静态特征数据主要包括地形地貌数据、土地覆盖类型以及人类影响指数；(2)、数据预处理：地形数据、地形矢量数据及遥感数据一般为空间数据，其包含着空间地理坐标信息，而获取的数据往往不仅仅包含着待预测区域的数据；因此需要对空间数据进行范围等的相关处理；(3)、森林火灾预测：针对上述步骤(2)处理完成的栅格数据构建森林火灾预测模型，对待预测区域的每个网格进行预测。本发明根据遥感数据，人类影响指数及DEM高程地形等数据，通过一系列的数据处理、分类，对网格化的待预测区域依次进行森林火灾风险等级的预测。

Description

一种基于地形地貌及遥感数据进行森林火灾预测的方法
技术领域
本发明涉及火灾预测技术领域，具体涉及一种基于地形地貌及遥感数据进行森林火灾预测的方法。
背景技术
森林是人类最宝贵的财富之一，森林不仅调节着自然界中空气与水的循环，影响着气候的变化，还为人类提供着生产生活所需要的各种资源，而高强度、大面积的森林火灾对森林资源乃至整个生态系统都会造成毁灭性的损害。我国森林火灾发生率很高，森林火灾发生区域往往存在较大的不确定性，森林所在区域范围大人员少，往往难以监测，因此，如何精准的预防森林火灾已是全球所需要解决的问题之一。
目前常用的森林火灾预测模型，通常采用历史时期内发生的森林火灾的时间、次数等相关数据进行统计分析，采用数学方法对未来森林火灾次数进行预测；或采用历史森林火灾发生位置、次数及人工报警数据，并依靠天气、降雨等信息对未来森林火灾发生概率进行预测。存在着准确率低、预测范围模糊、历史着火数据难以获取等诸多问题。并不能有效的对森林火灾发生的可能性及发生地点做出更为精准的预测并提供预警。
发明内容
本发明要解决的问题是现有森林火灾预测范围模糊、没有充分使用环境及遥感数据的实时监测信息对森林火灾的发生做出预测并进行预警。
为解决上述问题。本发明采用一种基于地形地貌及遥感数据进行森林火灾预测的方法，包括如下步骤：
步骤(1)、数据特征选取
森林火灾的预测常常使用气象因素进行分析预测，如美国国家火险危害等级系统、加拿大火险气候指数等均是采用气象因素为主要数据进行预测分析。而地形地貌以及基于遥感数据的多种火险因子往往对森林火灾的发生与否也起到了十分关键的作用，使用这些数据进行分析建模也是十分有必要的。遥感数据能够体现出待预测区域较为实时的植被、地表情况，在气象资料不完备与历史火灾数据较少的情况下，这些数据具有更强的使用价值。
将预测森林火灾使用的数据特征划分为静态数据和动态数据两类，所谓静态数据即如地形地貌、人类影响指数等不会随着时间变动的数据，该部分数据不会因短期时间的变化而变化，可作为森林火灾预测的基础数据；
静态特征数据主要包括地形地貌数据、土地覆盖类型(MOD12Q1)以及人类影响指数；
动态数据为每日的气象数据、每日地表反射率等描述当日气候或植被、土地情况的数据，具有一定的时效性；
具体选取的数据特征描述如下：
气象数据：待预测日前一日的降水量、蒸发量、待预测日预报的降水量、风速、风向等气象数据；
地形地貌数据：待预测区域的DEM高程数据、待预测区域坡度、坡向数据。
遥感数据：
1.土地覆盖类型：森林火灾的发生概率与土地的类型密不可分，如城镇与建成区、冰雪、水体、湿地等非草木类土地不可能发生森林火灾，而不同的自然植被类型的易燃情况也不相同。因此土地覆盖类型的使用十分有必要。MODIS数据产品将土地覆盖类型划分为17个类别，其中包括11个自然植被类型、3个土地开发和镶嵌的地类以及3个非草木土地的地类。本发明采用MOD12Q1地表覆盖类型96天合成数据。
2.地表温度数据：地表温度对森林火灾的预测是十分重要的，本发明采用每日MOD11A1的地表温度数据。MOD11A1为每日陆地温度产品，该产品中包含多个数据集，采用其中的LST_Day_1km数据集，该数据集为1km分辨率的白天地表温度，作为每日待预测区域的地表温度。
3.地表各波段反射率：火险因子指数通常是根据森林中分布的气象站点来计算的，但受到地形、经济等因素的制约，这些信息往往不够全面或难以获取。
因此，通过遥感数据来计算实时火险因子指数就十分有意义。火险因子指数可以采用每日地表各波段的反射率计算得到。
垂直水分指数(PMI)：该指数意义为计算活可燃物含水量。植被的含水量与森林火灾的发生具有极高的相关性。PMI作为反演植被含水量的重要指标之一。
可见大气指数(VARI)：该指数通过植被的相对绿色度来测量植被的含水量，其可以有效的监测森林火险情况。
归一化火灾指数(MNDFI)：该指数根据植被的活性而建立的，植被活性越高，其叶绿素含量越高，地表反射率第2波段与叶绿素成高度正相关，第7波段与温度相关，随着气温上升第7波段的反射率值也随之上升，综合考虑下得到归一化火灾指数。
本发明采用MOD09GA每日地表反射数据。MODIS反射率产品是计算地球地表反照率过程中最常用的数据，分为MOD09GA与MYD09GA两种，分别对应terra与aqua卫星。MOD09GA产品的时间分辨率为天，地理分辨率为1km，反射率空间分辨率为500m。每幅影像的500m反射率数据集中提供了1-7波段的反射率、质量评估等级、观测范围、观测数和250m扫描信息等。1km地理信息数据集中提供了观测次数、质量评估等级、传感器方位角天顶角、太阳方位角高度角、轨道指针等信息。
采用该遥感数据集中的各波段反射率对相关特征进行计算。具体计算公式如公式(1-1)至公式(1-3)所示：
PMI＝-0.73(λ5-0.94λ2-0.028) (1-1)
Figure BDA0003563960760000031
Figure BDA0003563960760000032
其中λi为某一波段的地表反射率。
其他数据：人类影响指数数据。人类影响指数是由野生动物保护协会(WCS)和哥伦比亚大学国际地球科学信息网络中心共同提出的。该数据根据人口密度、道路、建成区、土地使用类型等综合要素建立的，其目的是对自然资源规划、人与自然的相互影响等方面进行研究。该数据范围为0～100，表示人类活动的密集性。值越大，表示该处人类活动越频繁，反之亦然。对于森林火灾而言，人类活动越频繁，虽人为产生火灾的风险会增大，但易于被人发现并及时扑灭，不易引发更大范围灾害，而人类活动较少的地区出现火点后难以及时发现，反而更容易引起森林火灾。因此该指数也被纳入森林火灾预测的特征中。
步骤(2)、数据预处理
地形数据、地形矢量数据及遥感数据一般为空间数据，其包含着空间地理坐标信息，而获取的数据往往不仅仅包含着待预测区域的数据。因此需要对空间数据进行范围等的相关处理。
具体步骤如下：
步骤2.1数据掩膜。掩膜是一种图像滤镜的模板，采用待预测区域的行政区划模板对遥感图像、DEM数据进行提取，就可以得到待预测区域的数据，去除冗余数据。数据处理的第一步分别将地形矢量数据、遥感数据。及人类影响指数等分别进行掩膜处理，得到待预测区域的数据集，完成数据处理的第一步。
步骤2.2像元统一。对完成掩膜的数据进行像素大小统一。为了使森林火灾风险预测范围精确，方便找到易发生火灾的具体地理位置，我们将待预测区域采用大小为n*n的方格进行划分，预测时对每个方格依次进行分析，这样就可以把预测结果精确至每一个网格中，从而对每个网格都能进行精准的风险预警预报。本模型采用500m*500m的方格进行划分，因此，需要对数据进行像元大小统一处理。将2.1掩膜后的数据按照500m*500m的像元大小转化为栅格数据，即每个格子代表500m*500m的空间范围，每一个空间范围都有其自己的特征数据，方便进行建模预测。
步骤2.3数据归一化及分类处理。不同的数据类型有着自己的量纲，或者不同的分类。需要对数据进行转换，以方便计算。结合相关文献，本发明中将森林火险按照危险情况划分为5个等级，数字越小则发生火灾的可能性越低，反之亦然。将所有特征参考相关文献，对每一个特征数据分别进行风险大小分类，根据类别或引起森林火灾的容易程度将其映射至1～5区间内。进行标量化及数据离散化处理。如对天气而言，大雨对应风险等级为1；对坡向而言，朝南的坡向更易发生火灾，划分为5，东南的坡向划分为4。将上述步骤2.2的栅格数据转化为统一的离散化标量数据，即完成了数据的预处理工作。
步骤(3)、森林火灾预测
针对上述步骤(2)处理完成的栅格数据构建森林火灾预测模型，对待预测区域的每个网格进行预测。
具体方法如下：
步骤3.1训练集选取。选取待预测区域历史MOD14A1火点遥感数据作为火灾数据，其中类别7为低置信度火点、8为中置信度火点、9为高置信度火点，其他类别为没有火的裸地、未处理像元、云或水域等像元。我们将类别7～类别9分为有火点，将没有火的裸地、水域等其他类别划分为无火点数据，并选取对应日期的动态特征数据作为森林火灾风险预测的训练集，即将风险预测问题转化为像元的二分类问题。采用训练集对模型进行训练。
步骤3.2模型选取。采用逻辑回归模型对栅格数据进行森林火灾风险分类。逻辑回归因其简单、可并行化、可解释性强深受工业界喜爱。逻辑回归是一种连续型概率分布模型，其分布函数如公式(3-1)。
Figure BDA0003563960760000041
其中，μ为位置参数，γ>0为形状参数。
二分类情况下，输出Y＝1的对数几率由输入x的线性函数表示，其公式如(3-2)所示。
Figure BDA0003563960760000051
采用极大似然估计来对模型进行求解，即找到一组参数，使得在这组参数下，数据的概率最大，设：
P(Y＝1|x)＝p(x) (3-3)
P(Y＝0|x)＝1-p(x) (3-4)
似然函数为：
Figure BDA0003563960760000052
对等式两边同时取对数可得：
L(ω)＝∑[yilnp(xi)+(1-yi)ln(1-p(xi))] (3-6)
由于火点数据较少，存在严重的数据不平衡问题，因此对于不同的类别引入不同的加权因子，增大对火点数据的误差惩罚。该模型的损失函数如公式(3-7)所示。
L(ω)＝-∑[λ1·yilnp(xi)+λ0·(1-yi)ln(1-p(xi))] (3-7)
其中λ0，λ1分别表示是否为火点的加权因子，采用火点与非火点占比的倒数作为参考值。以损失函数最小为目标即为似然函数最大化。二分类逻辑回归的输出概率值代表了输出类别的置信度，概率值越高则置信度越高，我们将森林火灾的发生分为5个等级，因此在逻辑回归输出类别及概率后，根据概率值的大小将其映射至风险等级中。具体如下：
当P(Y＝0|x)>0.8时，认为该网格森林火灾风险等级为1；
当0.5<P(Y＝0|x)≤0.8时，认为该网格森林火灾风险等级为2；
当0.5<P(Y＝1|x)≤0.65时，认为该网格森林火灾风险等级为3；
当0.65≤P(Y＝1|x)≤0.8时，认为该网格森林火灾风险等级为4；
当P(Y＝1|x)>0.8时，认为该网格森林火灾风险等级为5；
即完成了每个网格的森林火灾风险等级的预测工作。
与现有技术相比，本发明的有益效果为：
本发明提供了一种基于地形地貌及遥感数据的森林火灾预测模型，根据遥感数据，人类影响指数及DEM高程地形等数据，通过一系列的数据处理、分类，对网格化的待预测区域依次进行森林火灾风险等级的预测。将森林火灾的风险预测精确至每一个像元范围，明确森林火灾风险预测的空间范围，便于进行精准预警预防，提高森林防火的处置效率，尽可能的降低伤害与损失。
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，下面将对实施例或现有技术描述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为本发明一种基于地形地貌及遥感数据进行森林火灾预测的方法的整体流程图。
具体实施方式
下面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，都属于本发明的保护范围。
本发明实施例中提供一种基于地形地貌及遥感数据进行森林火灾预测的方法，如图1所示，其主要包括如下步骤：
特征选取模块(1)：森林火灾的预测常常使用气象因素进行分析预测，如美国国家火险危害等级系统、加拿大火险气候指数等均是采用气象因素为主要数据进行预测分析。而地形地貌以及基于遥感数据的多种火险因子往往弟弟森林火灾的发生与否也起到了十分关键的作用，使用这些数据进行分析建模也是十分有必要的。遥感数据能够体现出待预测区域较为实时的植被、地表情况，在气象资料不完备与历史火灾数据较少的情况下，这些数据具有更强的使用价值。本发明将预测森林火灾使用的数据特征划分为静态数据和动态数据两类，所谓静态数据即如地形地貌、人类影响指数等不会随着时间变动的数据，该部分数据不会因短期时间的变化而变化，可作为森林火灾预测的基础数据。静态特征数据主要包括地形地貌数据、土地覆盖类型(MOD12Q1)以及人类影响指数。动态数据为每日的气象数据、每日地表反射率等描述当日气候或植被、土地情况的数据，具有一定的时效性。具体选取的数据特征描述如下：
气象数据：待预测日前一日的降水量、蒸发量、待预测日预报的降水量、风速、风向等气象数据；
地形地貌数据：待预测区域的DEM高程数据、待预测区域坡度、坡向数据。
遥感数据：
1.土地覆盖类型：森林火灾的发生概率与土地的类型密不可分，如城镇与建成区、冰雪、水体、湿地等非草木类土地不可能发生森林火灾，而不同的自然植被类型的易燃情况也不相同。因此土地覆盖类型的使用十分有必要。MODIS数据产品将土地覆盖类型划分为17个类别，其中包括11个自然植被类型、3个土地开发和镶嵌的地类以及3个非草木土地的地类。本发明采用MOD12Q1地表覆盖类型96天合成数据。
2.地表温度数据：地表温度对森林火灾的预测是十分重要的，本发明采用每日MOD11A1的地表温度数据。
3.地表各波段反射率：火险因子指数通常是根据森林中分布的气象站点来计算的，但受到地形、经济等因素的制约，这些信息往往不够全面或难以获取。因此，通过遥感数据来计算实时火险因子指数就十分有意义。火险因子指数可以采用每日地表各波段的反射率计算得到。
垂直水分指数(PMI)：该指数意义为计算活可燃物含水量。植被的含水量与森林火灾的发生具有极高的相关性。PMI作为反演植被含水量的重要指标之一。
可见大气指数(VARI)：该指数通过植被的相对绿色度来测量植被的含水量，其可以有效的监测森林火险情况。
归一化火灾指数(MNDFI)：该指数根据植被的活性而建立的，植被活性越高，其叶绿素含量越高，地表反射率第2波段与叶绿素成高度正相关，第7波段与温度相关，随着气温上升
第7波段的反射率值也随之上升，综合考虑下得到归一化火灾指数。
本发明采用MOD09GA每日地表反射数据。该遥感数据集中包含许多波段的地表反射情况。具体计算公式如公式(1-1)至公式(1-3)所示：
PMI＝-0.73(λ5-0.94λ2-0.028) (1-1)
Figure BDA0003563960760000071
Figure BDA0003563960760000072
其中λi为某一波段的地表反射率。
其他数据：人类影响指数数据。人类影响指数是由野生动物保护协会(WCS)和哥伦比亚大学国际地球科学信息网络中心共同提出的。该数据根据人口密度、道路、建成区、土地使用类型等综合要素建立的，其目的是对自然资源规划、人与自然的相互影响等方面进行研究。该数据范围为0～100，表示人类活动的密集性。值越大，表示该处人类活动越频繁，反之亦然。对于森林火灾而言，人类活动越频繁，虽人为产生火灾的风险会增大，但易于被人发现并及时扑灭，不易引发更大范围灾害，而人类活动较少的地区出现火点后难以及时发现，反而更容易引起森林火灾。因此该指数也被纳入森林火灾预测的特征中。
数据预处理模块(2)：地形数据、地形矢量数据及遥感数据一般为空间数据，其包含着空间地理坐标信息，而获取的数据往往不仅仅包含着待预测区域的数据。因此需要对空间数据进行范围等的相关处理。具体步骤如下：
步骤2.1数据掩膜。掩膜是一种图像滤镜的模板，采用待预测区域的行政区划模板对遥感图像、DEM数据进行提取，就可以得到待预测区域的数据，去除冗余数据。数据处理的第一步分别将地形矢量数据、遥感数据。及人类影响指数等分别进行掩膜处理，得到待预测区域的数据集，完成数据处理的第一步。
步骤2.2像元统一。对完成掩膜的数据进行像素大小统一。为了使森林火灾风险预测范围精确，方便找到易发生火灾的具体地理位置，我们将待预测区域采用大小为n*n的方格进行划分，预测时对每个方格依次进行分析，这样就可以把预测结果精确至每一个网格中，从而对每个网格都能进行精准的风险预警预报。本模型采用500m*500m的方格进行划分，因此，需要对数据进行像元大小统一处理。将2.1掩膜后的数据按照500m*500m的像元大小转化为栅格数据，即每个格子代表500m*500m的空间范围，每一个空间范围都有其自己的特征数据，方便进行建模预测。
步骤2.3数据归一化及分类处理。不同的数据类型有着自己的量纲，或者不同的分类。需要对数据进行转换，以方便计算。结合相关文献，本发明中将森林火险按照危险情况划分为5个等级，数字越小则发生火灾的可能性越低，反之亦然。将所有特征参考相关文献，对每一个特征数据分别进行风险大小分类，根据类别或引起森林火灾的容易程度将其映射至1～5区间内。进行标量化及数据离散化处理。如对天气而言，大雨对应风险等级为1；对坡向而言，朝南的坡向更易发生火灾，划分为5，东南的坡向划分为4。将2.2的栅格数据转化为统一的离散化标量数据，即完成了数据的预处理工作。
森林火灾预测模块(3)：针对数据预处理模块(2)处理完成的栅格数据构建森林火灾预测模型，对待预测区域的每个网格进行预测。具体方法如下：
步骤3.1训练集选取。选取待预测区域历史MOD14A1火点遥感数据作为火灾数据，其中类别7为低置信度火点、8为中置信度火点、9为高置信度火点，其他类别为没有火的裸地、未处理像元、云或水域等像元。我们将类别7～类别9分为有火点，将没有火的裸地、水域等其他类别划分为无火点数据，并选取对应日期的动态特征数据作为森林火灾风险预测的训练集，即将风险预测问题转化为像元的二分类问题。采用训练集对模型进行训练。
步骤3.2模型选取。采用逻辑回归模型对栅格数据进行森林火灾风险分类。逻辑回归因其简单、可并行化、可解释性强深受工业界喜爱。逻辑回归是一种连续型概率分布模型，其分布函数如公式(3-1)。
Figure BDA0003563960760000091
其中，μ为位置参数，γ>0为形状参数。
二分类情况下，输出Y＝1的对数几率由输入x的线性函数表示，其公式如(3-2)所示。
Figure BDA0003563960760000092
采用极大似然估计来对模型进行求解，即找到一组参数，使得在这组参数下，数据的概率最大，设：
P(Y＝1|x)＝p(x) (3-3)
P(Y＝0|x)＝1-p(x) (3-4)
似然函数为：
Figure BDA0003563960760000093
对等式两边同时取对数可得：
L(ω)＝∑[yiln p(xi)+(1-yi)ln(1-p(xi))] (3-6)
由于火点数据较少，存在严重的数据不平衡问题，因此对于不同的类别引入不同的加权因子，增大对火点数据的误差惩罚。该模型的损失函数如公式(3-7)所示。
L(ω)＝-∑[λ1·yiln p(xi)+λ0·(1-yi)ln(1-p(xi))] (3-7)
其中λ0，λ1分别表示是否为火点的加权因子，采用火点与非火点占比的倒数作为参考值。以损失函数最小为目标即为似然函数最大化。二分类逻辑回归的输出概率值代表了输出类别的置信度，概率值越高则置信度越高，我们将森林火灾的发生分为5个等级，因此在逻辑回归输出类别及概率后，根据概率值的大小将其映射至风险等级中。具体如下：
当P(Y＝0|x)>0.8时，认为该网格森林火灾风险等级为1；
当0.5<P(Y＝0|x)≤0.8时，认为该网格森林火灾风险等级为2；
当0.5<P(Y＝1|x)≤0.65时，认为该网格森林火灾风险等级为3；
当0.65≤P(Y＝1|x)≤0.8时，认为该网格森林火灾风险等级为4；
当P(Y＝1|x)>0.8时，认为该网格森林火灾风险等级为5。
即完成了每个网格的森林火灾风险等级的预测工作。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (4)

1.一种基于地形地貌及遥感数据进行森林火灾预测的方法，其特征在于，包括如下步骤：
步骤(1)、数据特征选取
将预测森林火灾使用的数据特征划分为静态数据和动态数据两类，所谓静态数据即如地形地貌、人类影响指数等不会随着时间变动的数据，该部分数据不会因短期时间的变化而变化，可作为森林火灾预测的基础数据；
静态特征数据主要包括地形地貌数据、土地覆盖类型(MOD12Q1)以及人类影响指数；
动态数据为每日的气象数据、每日地表反射率等描述当日气候或植被、土地情况的数据，具有一定的时效性；
步骤(2)、数据预处理
地形数据、地形矢量数据及遥感数据一般为空间数据，其包含着空间地理坐标信息，而获取的数据往往不仅仅包含着待预测区域的数据；因此需要对空间数据进行范围等的相关处理；
步骤(3)、森林火灾预测
针对上述步骤(2)处理完成的栅格数据构建森林火灾预测模型，对待预测区域的每个网格进行预测。
2.根据权利要求1中所述的一种基于地形地貌及遥感数据进行森林火灾预测的方法，其特征在于，步骤(1)中具体选取的数据特征描述如下：
气象数据：待预测日前一日的降水量、蒸发量、待预测日预报的降水量、风速、风向等气象数据；
地形地貌数据：待预测区域的DEM高程数据、待预测区域坡度、坡向数据；
遥感数据：
(1)、土地覆盖类型：森林火灾的发生概率与土地的类型密不可分，如城镇与建成区、冰雪、水体、湿地等非草木类土地不可能发生森林火灾，而不同的自然植被类型的易燃情况也不相同；因此土地覆盖类型的使用十分有必要；MODIS数据产品将土地覆盖类型划分为17个类别，其中包括11个自然植被类型、3个土地开发和镶嵌的地类以及3个非草木土地的地类；本发明采用MOD12Q1地表覆盖类型96天合成数据；
(2)、地表温度数据：地表温度对森林火灾的预测是十分重要的，采用每日MOD11A1的地表温度数据；
(3)、地表各波段反射率：火险因子指数通常是根据森林中分布的气象站点来计算的，但受到地形、经济等因素的制约，这些信息往往不够全面或难以获取；
因此，通过遥感数据来计算实时火险因子指数就十分有意义；火险因子指数可以采用每日地表各波段的反射率计算得到；
垂直水分指数(PMI)：该指数意义为计算活可燃物含水量；植被的含水量与森林火灾的发生具有极高的相关性；PMI作为反演植被含水量的重要指标之一；
可见大气指数(VARI)：该指数通过植被的相对绿色度来测量植被的含水量，其可以有效的监测森林火险情况；
归一化火灾指数(MNDFI)：该指数根据植被的活性而建立的，植被活性越高，其叶绿素含量越高，地表反射率第2波段与叶绿素成高度正相关，第7波段与温度相关，随着气温上升第7波段的反射率值也随之上升，综合考虑下得到归一化火灾指数；
采用MOD09GA每日地表反射数据；该遥感数据集中包含许多波段的地表反射情况；具体计算公式如公式(1-1)至公式(1-3)所示：
PMI＝-0.73(λ5-0.94λ2-0.028) (1-1)
Figure FDA0003563960750000021
Figure FDA0003563960750000022
其中λi为某一波段的地表反射率；
其他数据：人类影响指数数据；人类影响指数是由野生动物保护协会(WCS)和哥伦比亚大学国际地球科学信息网络中心共同提出的；该数据根据人口密度、道路、建成区、土地使用类型等综合要素建立的，其目的是对自然资源规划、人与自然的相互影响等方面进行研究；该数据范围为0～100，表示人类活动的密集性；值越大，表示该处人类活动越频繁，反之亦然；对于森林火灾而言，人类活动越频繁，虽人为产生火灾的风险会增大，但易于被人发现并及时扑灭，不易引发更大范围灾害，而人类活动较少的地区出现火点后难以及时发现，反而更容易引起森林火灾；因此该指数也被纳入森林火灾预测的特征中。
3.根据权利要求1中所述的一种基于地形地貌及遥感数据进行森林火灾预测的方法，其特征在于，步骤(2)中具体步骤如下：
2.1、数据掩膜：掩膜是一种图像滤镜的模板，采用待预测区域的行政区划模板对遥感图像、DEM数据进行提取，就可以得到待预测区域的数据，去除冗余数据；数据处理的第一步分别将地形矢量数据、遥感数据；及人类影响指数等分别进行掩膜处理，得到待预测区域的数据集，完成数据处理的第一步；
2.2、像元统一：对完成掩膜的数据进行像素大小统一；为了使森林火灾风险预测范围精确，方便找到易发生火灾的具体地理位置，我们将待预测区域采用大小为n*n的方格进行划分，预测时对每个方格依次进行分析，这样就可以把预测结果精确至每一个网格中，从而对每个网格都能进行精准的风险预警预报；本模型采用500m*500m的方格进行划分，因此，需要对数据进行像元大小统一处理；将2.1掩膜后的数据按照500m*500m的像元大小转化为栅格数据，即每个格子代表500m*500m的空间范围，每一个空间范围都有其自己的特征数据，方便进行建模预测；
2.3、数据归一化及分类处理：不同的数据类型有着自己的量纲，或者不同的分类；需要对数据进行转换，以方便计算；结合相关文献，将森林火险按照危险情况划分为5个等级，数字越小则发生火灾的可能性越低，反之亦然；将所有特征参考相关文献，对每一个特征数据分别进行风险大小分类，根据类别或引起森林火灾的容易程度将其映射至1～5区间内；进行标量化及数据离散化处理；如对天气而言，大雨对应风险等级为1；对坡向而言，朝南的坡向更易发生火灾，划分为5，东南的坡向划分为4；将2.2的栅格数据转化为统一的离散化标量数据，即完成了数据的预处理工作。
4.根据权利要求1中所述的一种基于地形地貌及遥感数据进行森林火灾预测的方法，其特征在于，步骤(3)中具体方法如下：
3.1训练集选取：选取待预测区域历史MOD14A1火点遥感数据作为火灾数据，其中类别7为低置信度火点、8为中置信度火点、9为高置信度火点，其他类别为没有火的裸地、未处理像元、云或水域等像元；将类别7～类别9分为有火点，将没有火的裸地、水域等其他类别划分为无火点数据，并选取对应日期的动态特征数据作为森林火灾风险预测的训练集，即将风险预测问题转化为像元的二分类问题；采用训练集对模型进行训练；
3.2模型选取：采用逻辑回归模型对栅格数据进行森林火灾风险分类；逻辑回归因其简单、可并行化、可解释性强深受工业界喜爱；逻辑回归是一种连续型概率分布模型，其分布函数如公式(3-1)
Figure FDA0003563960750000031
其中，μ为位置参数，γ>0为形状参数；
二分类情况下，输出Y＝1的对数几率由输入x的线性函数表示，其公式如(3-2)所示
Figure FDA0003563960750000041
采用极大似然估计来对模型进行求解，即找到一组参数，使得在这组参数下，数据的概率最大，设：
P(Y＝1|x)＝p(x) 3-3)
P(Y＝0|x)＝1-p(x) (3-4)
似然函数为：
Figure FDA0003563960750000042
对等式两边同时取对数可得：
L(ω)＝∑[yiln p(xi)+(1-yi)ln(1-p(xi))] (3-6)
由于火点数据较少，存在严重的数据不平衡问题，因此对于不同的类别引入不同的加权因子，增大对火点数据的误差惩罚；该模型的损失函数如公式(3-7)所示
L(ω)＝-∑[λ1·yiln p(xi)+λ0·(1-yi)ln(1-p(xi))] (3-7)
其中λ0，λ1分别表示是否为火点的加权因子，采用火点与非火点占比的倒数作为参考值；以损失函数最小为目标即为似然函数最大化；二分类逻辑回归的输出概率值代表了输出类别的置信度，概率值越高则置信度越高，我们将森林火灾的发生分为5个等级，因此在逻辑回归输出类别及概率后，根据概率值的大小将其映射至风险等级中；
具体如下：
当P(Y＝0|x)>0.8时，认为该网格森林火灾风险等级为1；
当0.5<P(Y＝0|x)≤0.8时，认为该网格森林火灾风险等级为2；
当0.5<P(Y＝1|x)≤0.65时，认为该网格森林火灾风险等级为3；
当0.65≤P(Y＝1|x)≤0.8时，认为该网格森林火灾风险等级为4；
当P(Y＝1|x)>0.8时，认为该网格森林火灾风险等级为5；
即完成了每个网格的森林火灾风险等级的预测工作。
CN202210297269.5A 2022-03-24 2022-03-24 一种基于地形地貌及遥感数据进行森林火灾预测的方法 Pending CN114898138A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210297269.5A CN114898138A (zh) 2022-03-24 2022-03-24 一种基于地形地貌及遥感数据进行森林火灾预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210297269.5A CN114898138A (zh) 2022-03-24 2022-03-24 一种基于地形地貌及遥感数据进行森林火灾预测的方法

Publications (1)

Publication Number Publication Date
CN114898138A true CN114898138A (zh) 2022-08-12

Family

ID=82714757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210297269.5A Pending CN114898138A (zh) 2022-03-24 2022-03-24 一种基于地形地貌及遥感数据进行森林火灾预测的方法

Country Status (1)

Country Link
CN (1) CN114898138A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115638767A (zh) * 2022-11-07 2023-01-24 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 地面沉降监测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115638767A (zh) * 2022-11-07 2023-01-24 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 地面沉降监测方法
CN115638767B (zh) * 2022-11-07 2023-10-03 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 地面沉降监测方法

Similar Documents

Publication Publication Date Title
CN107463901B (zh) 多尺度区域洪涝灾害危险性遥感评估方法和系统
Zhu et al. Flood disaster risk assessment based on random forest algorithm
Oñate-Valdivieso et al. Application of GIS and remote sensing techniques in generation of land use scenarios for hydrological modeling
CN111737651B (zh) 基于多源数据的空间网格化干旱灾情风险评估方法及系统
Essery et al. Radiative transfer modeling of a coniferous canopy characterized by airborne remote sensing
CN113222283B (zh) 一种基于数字孪生的山洪预报预警方法及系统
Ayet et al. Nowcasting solar irradiance using an analog method and geostationary satellite images
CN114091756B (zh) 一种基于泰森多边形的乡镇级海啸风险评估方法
Lê et al. Multiscale framework for rapid change analysis from SAR image time series: Case study of flood monitoring in the central coast regions of Vietnam
Fan et al. A comparative study of four merging approaches for regional precipitation estimation
Tran et al. Improving hydrologic modeling using cloud-free modis flood maps
Landgrebe Analysis technology for land remote sensing
CN114898138A (zh) 一种基于地形地貌及遥感数据进行森林火灾预测的方法
Yost Probabilistic modeling and mapping of plant indicator species in a Northeast Oregon industrial forest, USA
Tatishvili et al. The Use of Structured Data for Drought Evaluation in Georgia
CN114511061A (zh) 基于深度神经网络的岸滨地区海雾能见度预报方法
Cánibe et al. Assessing the uncertainty arising from standard land‐cover mapping procedures when modelling species distributions
Liu et al. CALC-2020: A new baseline land cover map at 10 m resolution for the circumpolar Arctic
Walawender et al. Geospatial predictive modelling for climate mapping of selected severe weather phenomena over Poland: a methodological approach
Handayani et al. Modelling of land use change in indramayu district, west Java Province
MODEL et al. ISTANBUL TECHNICAL UNIVERSITY★ GRADUATE SCHOOL
CN116229285B (zh) 融合物联网数据和空间场景的土壤含水量监测方法
CN117826112B (zh) 一种基于sar的土壤含水量的反演方法
Yang et al. Post-earthquake spatio-temporal landslide analysis of Huisun Experimental Forest Station.
Horton et al. Using snow depth observation to provide insight into the quality of regional-scale snowpack simulations for avalanche forecasting

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