CN117057497A - 一种森林火灾风险评估方法及其模型构建方法和装置 - Google Patents

一种森林火灾风险评估方法及其模型构建方法和装置 Download PDF

Info

Publication number
CN117057497A
CN117057497A CN202310883117.8A CN202310883117A CN117057497A CN 117057497 A CN117057497 A CN 117057497A CN 202310883117 A CN202310883117 A CN 202310883117A CN 117057497 A CN117057497 A CN 117057497A
Authority
CN
China
Prior art keywords
fire
forest
data
fire risk
climate
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
CN202310883117.8A
Other languages
English (en)
Inventor
孙睿
徐雨飞
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.)
Beijing Normal University
Original Assignee
Beijing Normal 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 Beijing Normal University filed Critical Beijing Normal University
Priority to CN202310883117.8A priority Critical patent/CN117057497A/zh
Publication of CN117057497A publication Critical patent/CN117057497A/zh
Pending legal-status Critical Current

Links

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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Emergency Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种森林火灾风险评估方法及其模型构建方法和装置。模型构建方法包括：基于已发生的多个森林火灾案例对随机森林模块进行训练和测试，对每个火灾案例区域分别获取从火灾发生前设定天数至火灾发生当天的每天的植被指数、气候因素和季节因素，并获取对应的地形因素和气候分区；将对应每天的数据作为一组火灾风险因子输入随机森林模块，并为每一组火灾风险因子事先标定好火灾风险值，以此对随机森林模块进行训练，测试时由随机森林模块输出火灾风险预测值，获取预测效果的ROC曲线下面积，并循环遍历参数n_etimators和random_state的取值找到ROC曲线下面积的最大值，若最大值大于设定阈值时，则完成模型构建。本发明可提高森林火灾风险评估的全面性、普适性和准确性。

Description

一种森林火灾风险评估方法及其模型构建方法和装置
技术领域
本发明涉及遥感图像处理技术领域，具体涉及一种森林火灾风险评估模型构建方法和装置、一种森林火灾风险评估方法和装置。
背景技术
森林火灾是一种比较常见而且危害比较大的自然灾害。森林火灾给自然和人类社会带来比较大的影响，火灾燃烧释放的碳会加剧全球气候变暖，同时火灾会影响当地的生态系统多样性，危害当地动植物的生存繁衍。如果发生森林火灾，与森林交界地带的房屋也会受到比较大的影响，严重危害人民群众的生命财产安全。因此，火灾风险的研究有重大意义。火灾风险研究可以帮助消防部门提前部署，或者是设计相应的扑救方案，可以很大程度上减少经济和生态损失。
遥感技术可以大范围同步观测，性价比比较高，可以实现对同一区域快速重复观测，目前利用遥感技术进行灾害的研究比较多，常用的卫星遥感数据有美国的陆地资源卫星系列(Landsat)、中分辨率成像光谱仪(MODIS，Moderate-resolution imagingspectroradiometer)、欧盟的哨兵卫星(Sentinel)等。灾害研究通常采用可见光影像，高光谱影像，微波遥感影像等。
森林火灾的发生通常是很多因素共同作用的结果，包括植被因素、地形因素、气候因素等。森林火灾风险涉及到的因素比较多，评估比较复杂，将诸多因素统一起来，需要使用相关数据分析方法，例如线性相关分析，机器学习方法等，在此基础上构建森林火灾风险评估模型。
图1是现有技术构建森林火灾风险评估模型的流程示意图。如图1所示，首先选取MODIS影像计算一种植被指数数据，例如归一化差值植被指数(Normalized DifferenceVegetation Index，NDVI)等，然后再选取地形因素数据和气候因素数据，将这些数据一并输入到数据评估模型中，例如逻辑回归(Logistic Regression)模型等，对火灾风险进行分析评估，最后由模型输出火灾风险估算结果。
图1中对森林火灾风险的研究只关注了归一化差值植被指数NDVI，未关注可燃物水分相关的植被指数。事实上，植被指数的种类很多，不同的植被指数利用的波段不同，反映的信息也不同，例如归一化差值植被指数NDVI可以很好地反映植被长势的信息，归一化差值红外指数NDII7(Normalized Difference Infrared Index band 7)则可以反映植被水分信息，显然选择多种植被指数可以更好地反映火灾风险信息。水分条件是反映火灾风险的重要指标，在火灾风险评估中考虑可燃物水分信息很重要。
此外图1中对森林火灾风险的研究只关注一个地区，对特定地区的数据进行训练与预测，模型的迁移性不强，存在着对一个地区适用性强，对别的地区适用性弱的问题，具有区域局限性问题。
由此可知，目前森林火灾风险的研究中考虑的相关指标比较少，不够全面，没有形成一个较综合全面的森林火灾风险评估模型。
发明内容
有鉴于此，本发明的目的在于提供一种森林火灾风险评估模型构建方法和装置、一种森林火灾风险评估方法和装置，用于提高森林火灾风险评估的全面性、普适性和准确性。
依据本发明的第一方面，提供了一种森林火灾风险评估模型构建方法，包括：
基于已发生的多个森林火灾案例，获取每个森林火灾案例的发生区域；
从获取的全部火灾案例区域中选取部分区域作为训练组，剩余部分区域作为测试组；
对每个火灾案例区域分别获取从火灾发生前设定天数至火灾发生当天的每天的植被指数数据、气候因素数据和按年内日序来表征的季节因素数据，并获取与每个火灾案例区域对应的地形因素数据和气候分区数据；
将训练组内的每个火灾案例区域对应每天的植被指数数据、气候因素数据和季节因素数据，连同其对应的地形因素数据和气候分区数据一起作为一组火灾风险因子输入待训练的随机森林模块，并为每一组火灾风险因子事先标定好火灾风险值，以此对所述随机森林模块进行训练，直至将训练组内的所有的火灾案例区域获取的每一组火灾风险因子全部输入至所述随机森林模块；
将测试组内的每个火灾案例区域获取的每一组火灾风险因子依次输入至所述随机森林模块，并为每一组火灾风险因子事先标定好火灾风险值，由所述随机森林模块输出火灾风险预测值；
获取用于检验测试组预测效果的ROC曲线下面积，在设定范围内循环遍历所述随机森林模块的参数n_et imators和random_state的取值找到ROC曲线下面积的最大值，如果所述ROC曲线下面积的最大值大于设定阈值，则将所述参数n_et imators和random_state的取值设置为当前参数值，并认为构建出符合要求的森林火灾风险评估模型。
依据本发明的第二方面，提供了一种森林火灾风险评估方法，包括：
获取待进行火灾风险评估的目标森林区域；
获取所述目标森林区域评估当天的植被指数数据、气候因素数据和按年内日序来表征的季节因素数据，并获取所述目标森林区域的地形因素数据和气候分区数据；
将获取的植被指数数据、气候因素数据和季节因素数据，连同地形因素数据和气候分区数据一起作为一组火灾风险因子输入森林火灾风险评估模型，得到所述森林火灾风险评估模型输出的火灾风险预测值；其中，所述森林火灾风险评估模型是根据前述的森林火灾风险评估模型构建方法构建得到。
依据本发明的第三方面，提供了一种森林火灾风险评估模型构建装置，包括：
发生区域获取单元，用于基于已发生的多个森林火灾案例，获取每个森林火灾案例的发生区域；
分组单元，用于从获取的全部火灾案例区域中选取部分区域作为训练组，剩余部分区域作为测试组；
历史数据获取单元，用于对每个火灾案例区域分别获取从火灾发生前设定天数至火灾发生当天的每天的植被指数数据、气候因素数据和按年内日序来表征的季节因素数据，并获取与每个火灾案例区域对应的地形因素数据和气候分区数据；
训练单元，用于将训练组内的每个火灾案例区域对应每天的植被指数数据、气候因素数据和季节因素数据，连同其对应的地形因素数据和气候分区数据一起作为一组火灾风险因子输入待训练的随机森林模块，并为每一组火灾风险因子事先标定好火灾风险值，以此对所述随机森林模块进行训练，直至将训练组内的所有的火灾案例区域获取的每一组火灾风险因子全部输入至所述随机森林模块；
测试单元，用于将测试组内的每个火灾案例区域获取的每一组火灾风险因子依次输入至所述随机森林模块，并为每一组火灾风险因子事先标定好火灾风险值，由所述随机森林模块输出火灾风险预测值；
预测效果检验单元，用于获取用于检验测试组预测效果的ROC曲线下面积，将所述随机森林模块的参数n_et imators和random_state的取值在设定范围内进行循环遍历找到ROC曲线下面积的最大值，如果所述ROC曲线下面积的最大值大于设定阈值，则将所述参数n_et imators和random_state的取值设置为当前参数值，并认为构建出符合要求的森林火灾风险评估模型。
依据本发明的第四方面，提供了一种森林火灾风险评估装置，包括：
目标区域获取单元，用于获取待进行火灾风险评估的目标森林区域；
当天数据获取单元，用于获取所述目标森林区域评估当天的植被指数数据、气候因素数据和按年内日序来表征的季节因素数据，并获取所述目标森林区域的地形因素数据和气候分区数据；
评估单元，用于将获取的植被指数数据、气候因素数据和季节因素数据，连同地形因素数据和气候分区数据一起作为一组火灾风险因子输入森林火灾风险评估模型，得到所述森林火灾风险评估模型输出的火灾风险预测值；其中，所述森林火灾风险评估模型是根据前述的森林火灾风险评估模型构建方法构建得到。
本发明的有益效果是：
本发明在构建森林火灾风险模型时，基于已发生的多个森林火灾案例，通过对这些火灾案例进行数据收集整理工作，获取每个森林火灾案例的发生区域，并将发生区域划分为训练组和测试组；对每个火灾案例区域考虑的指标因素包括：植被指数、气候因素、季节因素、地形因素和气候分区，将对应同一天的这些指标因素统一起来作为一组火灾风险因子，对每个火灾案例区域分别获取从火灾发生前设定天数至火灾发生当天的多组火灾风险因子，利用随机森林方法进行训练，通过向待训练的随机森林模块输入训练组的多组火灾风险因子，并为每一组火灾风险因子事先标定好火灾风险值，以此对随机森林模块进行训练；训练结束后对测试组内输入的多组火灾风险因子，由所述随机森林模块输出火灾风险预测值，并使用ROC曲线下面积检验测试组的预测效果，在设定范围内循环遍历随机森林模块的参数n_et imators和random_state的取值找到ROC曲线下面积的最大值，如果ROC曲线下面积的最大值大于设定阈值，则将参数n_et imators和random_state的取值设置为当前参数值，并认为构建出符合要求的森林火灾风险评估模型。由此可知，本发明构建的森林火灾风险评估模型涉及的火灾风险因子更加全面综合，可以更好地反应反映火灾风险的情况，保证了火灾风险评估的全面性和准确性；同时，由于已发生的多个森林火灾案例包括多个气候分区，且输入的火灾风险因子中也考虑了气候分区，因此使用不同气候分区的火灾风险因子构建出的森林火灾风险评估模型，可以对不同区域的火灾风险进行评估，解决了区域限制性的问题，保证了火灾风险评估的普适性。
附图说明
通过阅读下文优选实施方式的详细描述，各种所有的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是现有技术构建森林火灾风险评估模型的流程示意图；
图2示出了本发明的森林火灾风险评估模型构建方法的流程示意图；
图3示出了本发明的随机森林模块对火灾案例1的火灾风险值预测结果；
图4示出了本发明的随机森林模块对火灾案例2的火灾风险值预测结果；
图5示出了本发明的随机森林模块对火灾案例3的火灾风险值预测结果；
图6示出了本发明的随机森林模块对火灾案例4的火灾风险值预测结果；
图7示出了本发明对图3至图6这4个火灾案例的预测效果进行检验的ROC曲线；
图8示出了本发明的森林火灾风险评估方法的流程图；
图9为对应图8所示方法的森林火灾风险方法的框架图；
图10示出了本发明的森林火灾风险评估模型构建装置的框图；
图11示出了本发明的森林火灾风险评估装置的框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
首先说明的是，本发明方案的提出是以中国国内已发生的森林火灾作为研究背景，森林火灾风险评估模型是结合中国国内森林火灾案例数据，利用随机森林方法训练得到。然而很显然，本发明方案的应用区域并不局限于中国国内，只要基于的森林火灾案例足够多，这些森林火灾案例涉及到地球上不同的发生区域，且对应的气候分区类型也不局限于中国气候分区，那么采用本发明方案构建出的森林火灾风险评估模型，就可以普遍适用于中国领土之外的其他区域，能够对不同区域的火灾风险进行评估，解决区域限制性的问题，提高森林火灾风险评估的全面性、普适性和准确性。
图2示出了本发明的森林火灾风险评估模型构建方法的流程示意图。参见图2，本发明的模型构建方法包括如下步骤S210至步骤S260：
步骤S210，基于已发生的多个森林火灾案例，获取每个森林火灾案例的发生区域。
中国地区火灾事件通过中国森林草原防灭火网、国家森林草原防灭火指挥部办公室等网站进行查询获取。在获取火灾风险因子数据之前需要获取不同火灾事件的具体范围，火灾区域结合“火灾信息和资源管理系统(Fire Information for ResourceManagement System，FIRMS)”数据获取。
本步骤S210具体包括：获取每个已发生的森林火灾案例的FIRMS影像，所述影像的波段包括T21波段和confidence波段；选取confidence波段大于80％的火灾像素，并与每个森林火灾案例的可见光影像进行对比，查看实际地物类型是否为森林地带；然后在森林地带对火灾区域进行人工勾画，确定出森林火灾案例的发生区域。
该FIRMS数据上每个活跃的火灾位置代表着周围一公里像素的质心，该像素内包含着一起或者多起火灾。该影像的波段包括T21，conf idence。T21波段是指MODI S波段21和22测得的含有火的像素的亮温，confidence波段指的是探测火灾的置信度波段，分布范围在0％～100％之间，置信度越高，证明火灾像素质量越高，结果也越可信。本发明中选取conf idence波段大于80的火灾像素，根据可见光实际影像进行对比，查看实际地物类型是否为森林地带，在森林地带对火灾区域人工勾画。
获得了火灾事件的发生区域才可以计算该区域的火灾风险因子，进而进行训练和测试工作。测试数据也是基于中国发生过的森林火灾事件案例，且测试数据的火灾发生地有别于训练数据的火灾发生地。
步骤S220，从获取的全部火灾案例区域中选取部分区域作为训练组，剩余部分区域作为测试组。
例如，从已发生的中国国内森林火灾案例中，获取到48个火灾案例的发生区域，从这48个火灾案例区域中选取其中44个火灾区域作为训练组，剩余4个火灾发生区域作为测试组。
步骤S230，对每个火灾案例区域分别获取从火灾发生前设定天数至火灾发生当天的每天的植被指数数据、气候因素数据和按年内日序来表征的季节因素数据，并获取与每个火灾案例区域对应的地形因素数据和气候分区数据。
火灾风险评估模型的输入主要包含五个指标因素：植被指数、气候因素、季节因素、地形因素、气候分区。本步骤S230对获取的每个火灾案例区域，也将围绕这五个指标因素进行数据收集整理工作。
(1)植被指数
植被指数分为与植被长势有关的植被指数和与水分有关的植被指数。与植被长势有关的植被指数可以更好地反应反映植被的健康状况、生长信息等。与水分有关的植被指数可以更好反应反映植被的水分状况，包括可燃物含水量等。不同的指数使用的波段不同，反应反映的信息也不同。不同植被指数分类如表1所示。本发明对表格1中的植被指数逐一计算，将得到的全部植被指数值输入到火灾风险评估模型当中。
表1植被指数分类
表格1中的指数均是由MODIS影像的第1-7波段地表反射率数据(MCD43A4 V6)计算得到。不同的指数使用的影像波段也是不同的，表格中ρ右下角的数字代表使用的影像第几波段。该影像的1-7波段如表2所示。
表2 MCD43A4影像波段
波段 波长(nm)
Band1(red) 620-670
Band2(NIR) 841-876
Band3(blue) 459-479
Band4(green) 545-565
Band5(SWIR) 1230-1250
Band6(SWIR) 1628-1652
Band7(SWIR) 2105-2155
MCD43A4属于中分辨率成像光谱仪MODIS的三级产品的一种，目前MCD43A4影像最新的版本是MCD43A4 V6，它提供了空间分辨率为500米的MODIS地表波段1-7的反射率，使用双向反射分布函数来模拟传感器获取信息，时间分辨率为每天。根据表2中的波段对应的波长，可以通过查询MCD43A4V6产品影像查找到表1中相应的反射率数据。
由此本步骤S230中对每个火灾案例区域分别获取从火灾发生前设定天数至火灾发生当天的每天的植被指数数据，具体包括：获取每个火灾案例区域从火灾发生前设定天数至火灾发生当天的每天的MODIS地表反射率数据；根据每天的MODIS地表反射率数据计算每天的植被指数数据，计算的植被指数包括与植被长势有关的植被指数和与水分有关的植被指数；其中，所述与植被长势有关的植被指数包括但不限于：归一化差值植被指数NDVI、增强植被指数EVI、可见大气阻力指数VARI；所述与水分有关的植被指数包括但不限于：水分胁迫指数MSI、可燃物含水量LFMC、归一化差值水汽指数NDMI、归一化差值红外指数NDII7、归一化差值水体指数NDWI。
(2)气候因素
获取气候因素使用的数据是ERA5-land气候数据。ERA5-land气候数据是欧洲中期天气预报中心ECMWF(European Centre for Medium-Range Weather Forecasts)发布的第五代全球陆面再分析数据集，是将模型数据与来自世界各地的观测结果结合形成一个全球完整而且一致的数据集。它是逐小时的气象数据，降水量的数据由每小时数据加和得到全天数据，其余气候要素(风速、气温、露点温度)均是逐小时值求平均得到日均值数据。火灾风险评估模型中输入的气候因素为降水量、风速、气温和相对湿度，其中相对湿度(RH)通过气温和露点温度计算得到的。计算公式如下：
式中Td是露点温度(℃)，Ta是气温(℃)。
由此本步骤S230中对每个火灾案例区域分别获取从火灾发生前设定天数至火灾发生当天的每天的气候因素数据，具体包括：获取每个火灾案例区域从火灾发生前设定天数至火灾发生当天的每天的ERA5-land气候数据；对每天的ERA5-land气候数据中的每小时的降水量数据加和得到全天降水量，对每天的ERA5-land气候数据中的每小时的风速、气温、露点温度分别逐小时值求平均得到风速、气温、露点温度的日均值，并根据气温和露点温度的日均值计算得到日相对湿度；将全天降水量、风速日均值、气温日均值以及日相对湿度，作为每天的气候因素数据。
(3)季节因素
气象学上通常将3、4、5月份分为春季，6、7、8月分为夏季，9、10、11月分为秋季，12、1、2月分为冬季。我国的火灾发生大多集中在春秋季节。季节因素也是影响火灾风险的重要因素。不同季节植被的生长状况、气候条件、水分状况都有比较大的区别，而且不同区域(比如中国北方和南方)森林火灾发生的风险也有季节差异，不同季节植被指数的变化规律也有不同，这些都对火灾风险有很大的影响。
本发明的森林火灾风险评估模型中选择年内日序来表征季节因素，比如第1天，第2天，……，第365天等，可以认为这里的季节因素就是时间变量值。
(4)地形因素
地形也是影响火灾发生与蔓延的重要因素。输入模型当中的地形因素为海拔、坡度和坡向。坡向是坡度所面对的方向，通常是以顺时针为单位测量，值分布在0度(正北)到360度(正北)之间。坡度就是坡面垂直高度与坡面水平宽度比值，坡度越大，坡就越陡。海拔就是地面某点高出海平面的垂直距离。
地形因素是由SRTMDEM地形数据获得。其中，SRTM(Shuttle Radar TopographyMission)，即航天飞机雷达地形测绘使命，是一项国际研究工作，由美国航空航天局NASA(National Aeronautics and Space Administration)提供，DEM(Digital elevationmodel)即数字高程模型，DEM产品空间分辨率大约为30m。
由此本步骤S230中获取与每个火灾案例区域对应的地形因素数据，具体包括：获取每个火灾案例区域的SRTM DEM地形数据，根据所述SRTM DEM地形数据获取每个火灾案例区域的海拔、坡度和坡向，作为与每个火灾案例区域对应的地形因素数据。
(5)气候分区
森林火灾风险在不同区域区别比较大，这是由于植被指数、气候因素等因素在不同区域区别较大。气候分区是影响火灾风险的重要因素，因此将其作为火灾风险因子输入到模型中。中国气候分区主要分为五种，分别是高原山地气候、温带大陆性气候、温带季风气候、亚热带季风气候、热带季风气候。输入模型中时需要对不同气候分区类型编码，如表3所示。
表3中国气候分区类型
气候分区 代码
高原山地气候 1
温带大陆性气候 2
温带季风气候 3
亚热带季风气候 4
热带季风气候 5
由此本步骤S230中获取与每个火灾案例区域对应的气候分区数据，具体包括：预先将所有的气候分区类型编码；根据每个火灾案例区域对应的气候分区类型确定出其对应的气候分区编码，作为与每个火灾案例区域对应的气候分区数据。
步骤S240，将训练组内的每个火灾案例区域对应每天的植被指数数据、气候因素数据和季节因素数据，连同其对应的地形因素数据和气候分区数据一起作为一组火灾风险因子输入待训练的随机森林模块，并为每一组火灾风险因子事先标定好火灾风险值，以此对所述随机森林模块进行训练，直至将训练组内的所有的火灾案例区域获取的每一组火灾风险因子全部输入至所述随机森林模块。
本步骤S240是在火灾案例区域提取的植被指数、地形因素和气候因素等数据收集的基础上，利用随机森林方法训练，构建得到森林火灾风险评估模型。
随机森林是数据分析方法的一种，属于一种机器学习的方法，是基于分类回归树的一种算法，通常利用多棵决策树，对所收集到的样本进行训练，同时利用训练得到的模型进行预测。输入的训练数据进入根节点，之后对不同因素的重要性进行排序，将决策树之间进行组合，与内部节点之间不断进行对比，投票得到最后预测结果，输出结果从叶子节点中输出。
随机森林作为目前比较常用的机器学习方法，很多平台对这种方法进行了封装，例如R语言，Python等，可以直接调用，极大程度提升了工作效率。在不同的平台上，调用时只需要对部分参数进行调整使结果达到最优。本发明是利用Python对随机森林方法进行调用。Python中的机器学习算法库sklearn(Scikit-learn)模块包含着常见的机器学习方法，包括一些回归、分类、聚类、降维算法，例如线性回归、SVM回归分类、K-means聚类、PCA降维等。在进行运算时，首先导入sklearn包，再导入本发明中需要的随机森林模块RandomForest Regressor，然后更改参数进行数据的训练与测试。
森林火灾风险评估模型构建关注的是火灾风险的评估，考虑到火灾风险的变化不是瞬时过程，为了增加所构建模型的可靠性，一般选择较长时间段的数据。本发明选取的数据都是火灾发生前两个月至火灾发生当天，不关注火灾发生后的数据，因为火灾发生后的数据会影响对火灾风险的判断。在随机森林训练时，首先需要定义一个表征火灾风险的指标(火灾风险值)，将火灾发生或火灾风险极高标注为1，其余天数均标注为0。本发明中认为火灾发生前一周火灾风险比较高，因此训练与测试时就将火灾发生前6天和火灾发生当天标为1，其余天数均标为0。
也即是说，本发明对每个火灾案例区域分别获取从火灾发生前两个月至火灾发生当天的多组火灾风险因子，并对应每个火灾案例区域的火灾发生前6天和火灾发生当天输入的每一组火灾风险因子，将火灾风险值标定为1，其余天数均标定为0。
步骤S250，将测试组内的每个火灾案例区域获取的每一组火灾风险因子依次输入至所述随机森林模块，并为每一组火灾风险因子事先标定好火灾风险值，由所述随机森林模块输出火灾风险预测值。
训练组内的所有的火灾案例区域获取的每一组火灾风险因子全部输入至随机森林模块后，可以认为对随机森林模块的训练暂告一段落，进入下一测试阶段。测试过程中，将测试组内的每个火灾案例区域获取的每一组火灾风险因子依次输入至随机森林模块，此时同样需要为每一组火灾风险因子事先标定好火灾风险值，以便评估测试效果。测试阶段与训练阶段不同的地方在于，每输入一组火灾风险因子，需要由所述随机森林模块输出一个火灾风险预测值。
输出的火灾风险预测值与事先标定好的火灾风险值不同。事先标定好的火灾风险值为0或1的二值数，而火灾风险预测值相当于把一组火灾风险因子综合起来给出的一个变量指标，从0～1分布，表示火灾风险情况，接近1表示预测的火灾风险比较高，接近0表示预测的火灾风险比较低。
步骤S260，获取用于检验测试组预测效果的ROC曲线下面积，在设定范围内循环遍历所述随机森林模块的参数n_etimators和random_state的取值找到ROC曲线下面积的最大值，如果ROC曲线下面积的最大值大于设定阈值，则将参数n_etimators和random_state的取值设置为当前参数值，并认为构建出符合要求的森林火灾风险评估模型。
在测试完成后，使用ROC曲线来检验测试组的预测效果，对测试数据的火灾风险预测值进行评估。ROC曲线(receiver operating characteristic curve，受试者工作特征曲线)又叫感受性曲线。纵轴为真阳性率，横轴为假阳性率为横轴，在不同的阈值下得到不同的点，将点连接起来得到ROC曲线。需要说明的是，这个阈值是python自带的函数库自己运行确定的，一旦输入测试数据和预测结果，此处测试数据是指测试组内的事先标定好的火灾风险值，预测结果是指对应的火灾风险预测值，程序会自动输出ROC曲线，输出的过程相当于被封装了。
ROC曲线主要反映预测的情况，用来检验随机森林预测的准确性。ROC曲线表示的是预测值与真实值之间的差异情况，这是一种数学方法，从该曲线上并不能看出火灾风险值大小，只能看出火灾风险预测情况的好坏。ROC曲线下面积AUC(Area under the Curveof ROC)越大，说明预测越准确，火灾风险预测的情况越好。ROC曲线下面积AUC过小，说明预测越不准确。ROC曲线下面积AUC>0.5的情况下，越接近1，证明预测效果越好。AUC在0.9以上表示预测准确性较高，AUC在0.7～0.9之间有一定准确性，AUC≤0.5表示预测没有意义。ROC曲线的绘制也需要python中的sklearn包，导入sklearn包后，再导入绘制ROC曲线的模块roc_curve以及计算曲线下面积的模块AUC。
在本发明中，主要涉及的随机森林模块参数有n_etimators和random_state。其中n_estimators表示的是森林中树的数量，即评估器的数量。数量越多效果越好，但是数量过多可能会出现过拟合的问题。
random_state表示的是控制森林生成的模式，该值固定时，随机森林会生成一组固定的树，如果不固定该值，则每一次随机森林得到的结果都是不同的。这两个参数通常是在输入火灾风险因子之前有一个预设的初始值，例如n_est imators默认值为10，训练和测试完成之后可以通过循环遍历的方法找到一个预测效果最好的参数组合。当ROC曲线下面积AUC取最大值，此时的参数设置得到的预测效果和训练效果都是最好的，因此可以使用该参数组合设置这两个参数的取值，并认为构建出符合要求的森林火灾风险评估模型。
本发明在构建模型时，将参数n_et imators和random_state的取值范围设定在100至250之间，在该设定范围内进行循环遍历找到ROC曲线下面积AUC的最大值，如果该最大值大于设定阈值，例如0.8，则将这两个参数设置为当前参数值，例如最后将n_etimators设置为114，random_state设置为187。
本发明在构建森林火灾风险评估模型过程中，对中国地区已经发生的森林火灾事件进行了测试，选取了4个森林火灾案例，测试数据中的火灾事件分布在中国不同区域，发生地点有别于训练数据的火灾发生地点，测试结果均是火灾发生前几天火灾风险预测值达到峰值。这4个森林火灾案例的具体测试结果如下：
火灾案例1：2010年3月19日湖南岳阳临湘火灾
图3示出了本发明的随机森林模块对火灾案例1的火灾风险值预测结果。
火灾案例2：2009年11月2日广东英德火灾
图4示出了本发明的随机森林模块对火灾案例2的火灾风险值预测结果。
火灾案例3：2013年10月12日福建福清火灾
图5示出了本发明的随机森林模块对火灾案例3的火灾风险值预测结果。
火灾案例4：2011年4月16日山东莱芜火灾
图6示出了本发明的随机森林模块对火灾案例4的火灾风险值预测结果。
结合图3至图6这四副预测结果图，横坐标代表着时间，纵坐标代表着火灾风险值。纵坐标越大，代表火灾风险越高，反之，纵坐标越小，代表火灾风险越小。2009年11月2日广东英德火灾，2013年10月12日福建福清火灾，2011年4月16日山东莱芜火灾三者的变化规律都非常明显，火灾风险都是之前很低，在火灾发生前一周火灾风险会陡然升高，证明火灾风险评估的效果比较好，接近对测试数据中为每一组火灾风险因子事先标定好的火灾风险值。对于2010年3月19日湖南岳阳临湘火灾，虽然火灾发生前一周火灾风险也陡然升高，但是之前有一小段时间也出现火灾风险比较高的情况。这个案例说明火灾风险高，不一定就会发生火灾，只是发生火灾的概率更大，火灾风险低也有可能会发生火灾。对于2010年3月19日湖南岳阳临湘这次火灾，可能由于之前的天气和植被条件等因素适合火灾发生，所以随机森林模块输出的火灾风险值比较高。
本发明接着对上述这4个火灾案例的测试数据的预测效果进行了检验，图7示出了本发明对图3至图6这4个火灾案例的预测效果进行检验的ROC曲线。ROC曲线下面积的最大值AUC可以达到0.84，说明预测效果比较好。
综上所述，本发明在构建森林火灾风险模型时，基于已发生的多个森林火灾案例，通过对这些火灾案例进行数据收集整理工作，获取每个森林火灾案例的发生区域，并将发生区域划分为训练组和测试组；对每个火灾案例区域考虑的指标因素包括：植被指数、气候因素、季节因素、地形因素和气候分区，将对应同一天的这些指标因素统一起来作为一组火灾风险因子，对每个火灾案例区域分别获取从火灾发生前设定天数至火灾发生当天的多组火灾风险因子，利用随机森林方法进行训练，通过向待训练的随机森林模块输入训练组的多组火灾风险因子，并为每一组火灾风险因子事先标定好火灾风险值，以此对随机森林模块进行训练；训练结束后对测试组内输入的多组火灾风险因子，由所述随机森林模块输出火灾风险预测值，并使用ROC曲线下面积检验测试组的预测效果，在设定范围内循环遍历随机森林模块的参数n_etimators和random_state的取值找到ROC曲线下面积的最大值，如果ROC曲线下面积的最大值大于设定阈值，则将参数n_etimators和random_state的取值设置为当前参数值，并认为构建出符合要求的森林火灾风险评估模型。
由此可知，本发明构建的森林火灾风险评估模型涉及的火灾风险因子更加全面综合，可以更好地反应反映火灾风险的情况，保证了火灾风险评估的全面性和准确性；同时，由于已发生的多个森林火灾案例包括多个气候分区，且输入的火灾风险因子中也考虑了气候分区，因此使用不同气候分区的火灾风险因子构建出的森林火灾风险评估模型，可以对不同区域的火灾风险进行评估，解决了区域限制性的问题，保证了火灾风险评估的普适性。
基于前述的森林火灾风险评估模型构建方法，本发明还提供了一种森林火灾风险评估方法。图8示出了本发明的森林火灾风险评估方法的流程图，图9为对应图8所示方法的森林火灾风险方法的框架图。结合图8和图9，本发明的风险评估方法包括如下步骤S810至步骤S830：
步骤S810，获取待进行火灾风险评估的目标森林区域。
获取的方式可以是，对待进行火灾风险评估的目标森林结合其可见光影像，查看实际地物类型是否为森林地带，人工勾画出森林地带作为目标森林区域。
步骤S820，获取目标森林区域评估当天的植被指数数据、气候因素数据和按年内日序来表征的季节因素数据，并获取所述目标森林区域的地形因素数据和气候分区数据。
可参见前述的构建森林火灾风险模型的方法实施例，获取到目标森林区域评估当天的植被指数、气候因素、季节因素、地形因素和气候分区这些指标因素的数据。
例如，在获取植被指数数据时，先获取到目标森林区域评估当天的MODIS地表反射率数据，然后根据该MODIS地表反射率数据计算植被指数数据，计算的植被指数包括与植被长势有关的植被指数和与水分有关的植被指数；其中，与植被长势有关的植被指数包括：归一化差值植被指数NDVI、增强植被指数EVI、可见大气阻力指数VARI；与水分有关的植被指数包括：水分胁迫指数MSI、可燃物含水量LFMC、归一化差值水汽指数NDMI、归一化差值红外指数NDII7、归一化差值水体指数NDWI。
例如，在获取气候因素数据时，先获取到目标森林区域评估当天的ERA5-land气候数据，然后根据该ERA5-land气候数据，对每小时的降水量数据加和得到全天降水量，对每小时的风速、气温、露点温度分别逐小时值求平均得到风速、气温、露点温度的日均值，并根据公式由气温和露点温度的日均值计算得到日相对湿度，为此将计算得到的全天降水量、风速日均值、气温日均值以及日相对湿度作为气候因素数据。
再如，在获取季节因素数据时，直接使用评估当天的年内日序来表征。在获取地形因素数据时，先获取到目标森林区域的SRTM DEM地形数据，然后根据SRTM DEM地形数据获取到海拔、坡度和坡向作为地形因素数据。在获取气候分区数据时，直接使用目标森林区域所在的中国气候分区编码作为气候分区数据。
步骤S830，将获取的植被指数数据、气候因素数据和季节因素数据，连同地形因素数据和气候分区数据一起作为一组火灾风险因子输入森林火灾风险评估模型，得到所述森林火灾风险评估模型输出的火灾风险预测值；其中，所述森林火灾风险评估模型是根据图2所示的森林火灾风险评估模型构建方法构建得到。
将目标森林区域评估当天的植被指数数据、气候因素数据和季节因素数据，连同地形因素数据和气候分区数据一起作为一组火灾风险因子输入森林火灾风险评估模型，就可以得到森林火灾风险评估模型输出的一个火灾风险预测值，该预测值为0～1之间的值，表示的是火灾风险高低情况，接近1表示火灾风险比较高，接近0表示火灾风险比较低。在森林火灾风险评估模型输出的火灾风险预测值较大的情况下，可以提前部署相应的森林火灾预警和防范工作。
与前述的森林火灾风险评估模型构建方法同属于一个技术构思，本发明还提供了一种森林火灾风险评估模型构建装置。图10示出了本发明的森林火灾风险评估模型构建装置的框图，如图10所示，本发明的模型构建装置包括：
发生区域获取单元110，用于基于已发生的多个森林火灾案例，获取每个森林火灾案例的发生区域；
分组单元120，用于从获取的全部火灾案例区域中选取部分区域作为训练组，剩余部分区域作为测试组；
历史数据获取单元130，用于对每个火灾案例区域分别获取从火灾发生前设定天数至火灾发生当天的每天的植被指数数据、气候因素数据和按年内日序来表征的季节因素数据，并获取与每个火灾案例区域对应的地形因素数据和气候分区数据；
训练单元140，用于将训练组内的每个火灾案例区域对应每天的植被指数数据、气候因素数据和季节因素数据，连同其对应的地形因素数据和气候分区数据一起作为一组火灾风险因子输入待训练的随机森林模块，并为每一组火灾风险因子事先标定好火灾风险值，以此对所述随机森林模块进行训练，直至将训练组内的所有的火灾案例区域获取的每一组火灾风险因子全部输入至所述随机森林模块；
测试单元150，用于将测试组内的每个火灾案例区域获取的每一组火灾风险因子依次输入至所述随机森林模块，并为每一组火灾风险因子事先标定好火灾风险值，由所述随机森林模块输出火灾风险预测值；
预测效果检验单元160，用于获取用于检验测试组预测效果的ROC曲线下面积，将所述随机森林模块的参数n_et imators和random_state的取值在设定范围内进行循环遍历找到ROC曲线下面积的最大值，如果所述ROC曲线下面积的最大值大于设定阈值，则将所述参数n_et imators和random_state的取值设置为当前参数值，并认为构建出符合要求的森林火灾风险评估模型。
图10中各单元的具体实现可以参见前述的对森林火灾风险评估模型构建方法的步骤说明，在此不再赘述。
与前述的森林火灾风险评估方法同属于一个技术构思，本发明还提供了一种森林火灾风险评估装置。图11示出了本发明的森林火灾风险评估装置的框图，如图11所示，本发明的风险评估装置1100包括：
目标区域获取单元1110，用于获取待进行火灾风险评估的目标森林区域；
当天数据获取单元1120，用于获取所述目标森林区域评估当天的植被指数数据、气候因素数据和按年内日序来表征的季节因素数据，并获取所述目标森林区域的地形因素数据和气候分区数据；
评估单元1130，用于将获取的植被指数数据、气候因素数据和季节因素数据，连同地形因素数据和气候分区数据一起作为一组火灾风险因子输入森林火灾风险评估模型，得到所述森林火灾风险评估模型输出的火灾风险预测值；其中，所述森林火灾风险评估模型是根据图2所示的森林火灾风险评估模型构建方法构建得到。
图11中各单元的具体实现可以参见前述的对森林火灾风险评估方法的步骤说明，在此也不再赘述。
最后需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种森林火灾风险评估模型构建方法，其特征在于，包括：
基于已发生的多个森林火灾案例，获取每个森林火灾案例的发生区域；
从获取的全部火灾案例区域中选取部分区域作为训练组，剩余部分区域作为测试组；
对每个火灾案例区域分别获取从火灾发生前设定天数至火灾发生当天的每天的植被指数数据、气候因素数据和按年内日序来表征的季节因素数据，并获取与每个火灾案例区域对应的地形因素数据和气候分区数据；
将训练组内的每个火灾案例区域对应每天的植被指数数据、气候因素数据和季节因素数据，连同其对应的地形因素数据和气候分区数据一起作为一组火灾风险因子输入待训练的随机森林模块，并为每一组火灾风险因子事先标定好火灾风险值，以此对所述随机森林模块进行训练，直至将训练组内的所有的火灾案例区域获取的每一组火灾风险因子全部输入至所述随机森林模块；
将测试组内的每个火灾案例区域获取的每一组火灾风险因子依次输入至所述随机森林模块，并为每一组火灾风险因子事先标定好火灾风险值，由所述随机森林模块输出火灾风险预测值；
获取用于检验测试组预测效果的ROC曲线下面积，在设定范围内循环遍历所述随机森林模块的参数n_etimators和random_state的取值找到ROC曲线下面积的最大值，如果所述ROC曲线下面积的最大值大于设定阈值，则将所述参数n_etimators和random_state的取值设置为当前参数值，并认为构建出符合要求的森林火灾风险评估模型。
2.根据权利要求1所述的方法，其特征在于，所述基于已发生的多个森林火灾案例，获取每个森林火灾案例的发生区域包括：
获取每个已发生的森林火灾案例的FIRMS影像，所述影像的波段包括T21波段和confidence波段；
选取confidence波段大于80％的火灾像素，并与每个森林火灾案例的可见光影像进行对比，查看实际地物类型是否为森林地带；
在森林地带对火灾区域进行人工勾画，确定出所述森林火灾案例的发生区域。
3.根据权利要求1所述的方法，其特征在于，所述对每个火灾案例区域分别获取从火灾发生前设定天数至火灾发生当天的每天的植被指数数据，包括：
获取每个火灾案例区域从火灾发生前设定天数至火灾发生当天的每天的MODIS地表反射率数据；
根据每天的MODIS地表反射率数据计算每天的植被指数数据，计算的植被指数包括与植被长势有关的植被指数和与水分有关的植被指数；其中，
所述与植被长势有关的植被指数包括但不限于：归一化差值植被指数NDVI、增强植被指数EVI、可见大气阻力指数VARI；
所述与水分有关的植被指数包括但不限于：水分胁迫指数MSI、可燃物含水量LFMC、归一化差值水汽指数NDMI、归一化差值红外指数NDII7、归一化差值水体指数NDWI。
4.根据权利要求1所述的方法，其特征在于，所述对每个火灾案例区域分别获取从火灾发生前设定天数至火灾发生当天的每天的气候因素数据，包括：
获取每个火灾案例区域从火灾发生前设定天数至火灾发生当天的每天的ERA5-land气候数据；
对每天的ERA5-land气候数据中的每小时的降水量数据加和得到全天降水量，对每天的ERA5-land气候数据中的每小时的风速、气温、露点温度分别逐小时值求平均得到风速、气温、露点温度的日均值，并根据气温和露点温度的日均值计算得到日相对湿度；
将全天降水量、风速日均值、气温日均值以及日相对湿度，作为每天的气候因素数据。
5.根据权利要求1所述的方法，其特征在于，获取与每个火灾案例区域对应的地形因素数据，包括：
获取每个火灾案例区域的SRTM DEM地形数据，根据所述SRTM DEM地形数据获取每个火灾案例区域的海拔、坡度和坡向，作为与每个火灾案例区域对应的地形因素数据。
6.根据权利要求1所述的方法，其特征在于，获取与每个火灾案例区域对应的气候分区数据，包括：
预先将所有的气候分区类型编码；
根据每个火灾案例区域对应的气候分区类型确定出其对应的气候分区编码，作为与每个火灾案例区域对应的气候分区数据。
7.根据权利要求1-6任一项所述的方法，其特征在于，对每个火灾案例区域分别获取从火灾发生前两个月至火灾发生当天的多组火灾风险因子；
对应每个火灾案例区域的火灾发生前6天和火灾发生当天输入的每一组火灾风险因子，将火灾风险值标定为1，其余天数均标定为0。
8.一种森林火灾风险评估方法，其特征在于，包括：
获取待进行火灾风险评估的目标森林区域；
获取所述目标森林区域评估当天的植被指数数据、气候因素数据和按年内日序来表征的季节因素数据，并获取所述目标森林区域的地形因素数据和气候分区数据；
将获取的植被指数数据、气候因素数据和季节因素数据，连同地形因素数据和气候分区数据一起作为一组火灾风险因子输入森林火灾风险评估模型，得到所述森林火灾风险评估模型输出的火灾风险预测值；
其中，所述森林火灾风险评估模型是根据权利要求1～7任一项所述的森林火灾风险评估模型构建方法构建得到。
9.一种森林火灾风险评估模型构建装置，其特征在于，包括：
发生区域获取单元，用于基于已发生的多个森林火灾案例，获取每个森林火灾案例的发生区域；
分组单元，用于从获取的全部火灾案例区域中选取部分区域作为训练组，剩余部分区域作为测试组；
历史数据获取单元，用于对每个火灾案例区域分别获取从火灾发生前设定天数至火灾发生当天的每天的植被指数数据、气候因素数据和按年内日序来表征的季节因素数据，并获取与每个火灾案例区域对应的地形因素数据和气候分区数据；
训练单元，用于将训练组内的每个火灾案例区域对应每天的植被指数数据、气候因素数据和季节因素数据，连同其对应的地形因素数据和气候分区数据一起作为一组火灾风险因子输入待训练的随机森林模块，并为每一组火灾风险因子事先标定好火灾风险值，以此对所述随机森林模块进行训练，直至将训练组内的所有的火灾案例区域获取的每一组火灾风险因子全部输入至所述随机森林模块；
测试单元，用于将测试组内的每个火灾案例区域获取的每一组火灾风险因子依次输入至所述随机森林模块，并为每一组火灾风险因子事先标定好火灾风险值，由所述随机森林模块输出火灾风险预测值；
预测效果检验单元，用于获取用于检验测试组预测效果的ROC曲线下面积，将所述随机森林模块的参数n_etimators和random_state的取值在设定范围内进行循环遍历找到ROC曲线下面积的最大值，如果所述ROC曲线下面积的最大值大于设定阈值，则将所述参数n_etimators和random_state的取值设置为当前参数值，并认为构建出符合要求的森林火灾风险评估模型。
10.一种森林火灾风险评估装置，其特征在于，包括：
目标区域获取单元，用于获取待进行火灾风险评估的目标森林区域；
当天数据获取单元，用于获取所述目标森林区域评估当天的植被指数数据、气候因素数据和按年内日序来表征的季节因素数据，并获取所述目标森林区域的地形因素数据和气候分区数据；
评估单元，用于将获取的植被指数数据、气候因素数据和季节因素数据，连同地形因素数据和气候分区数据一起作为一组火灾风险因子输入森林火灾风险评估模型，得到所述森林火灾风险评估模型输出的火灾风险预测值；其中，所述森林火灾风险评估模型是根据权利要求1～7任一项所述的森林火灾风险评估模型构建方法构建得到。
CN202310883117.8A 2023-07-18 2023-07-18 一种森林火灾风险评估方法及其模型构建方法和装置 Pending CN117057497A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310883117.8A CN117057497A (zh) 2023-07-18 2023-07-18 一种森林火灾风险评估方法及其模型构建方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310883117.8A CN117057497A (zh) 2023-07-18 2023-07-18 一种森林火灾风险评估方法及其模型构建方法和装置

Publications (1)

Publication Number Publication Date
CN117057497A true CN117057497A (zh) 2023-11-14

Family

ID=88666934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310883117.8A Pending CN117057497A (zh) 2023-07-18 2023-07-18 一种森林火灾风险评估方法及其模型构建方法和装置

Country Status (1)

Country Link
CN (1) CN117057497A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117633632A (zh) * 2023-12-28 2024-03-01 浙江卡乐科技有限公司 一种基于bim的建筑智能化消防预警方法及系统
CN117633632B (zh) * 2023-12-28 2024-05-14 浙江卡乐科技有限公司 一种基于bim的建筑智能化消防预警方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117633632A (zh) * 2023-12-28 2024-03-01 浙江卡乐科技有限公司 一种基于bim的建筑智能化消防预警方法及系统
CN117633632B (zh) * 2023-12-28 2024-05-14 浙江卡乐科技有限公司 一种基于bim的建筑智能化消防预警方法及系统

Similar Documents

Publication Publication Date Title
Masek et al. North American forest disturbance mapped from a decadal Landsat record
Gonsamo et al. Circumpolar vegetation dynamics product for global change study
Li et al. Satellite-based mapping of Canadian boreal forest fires: evaluation and comparison of algorithms
CN111753900B (zh) 一种森林火灾的监测方法
CN113553764B (zh) 一种基于深度学习网络的山火预测方法
Cao et al. Evaluation of wildfire propagation susceptibility in grasslands using burned areas and multivariate logistic regression
Palharini et al. Assessment of extreme rainfall estimates from satellite-based: Regional analysis
Marinho et al. Temporal record and spatial distribution of fire foci in State of Minas Gerais, Brazil
Rahaman et al. Effect of vegetation and land surface temperature on NO2 concentration: A Google Earth Engine-based remote sensing approach
Valero et al. Sentinel’s classifier fusion system for seasonal crop mapping
Su et al. An improved spatio-temporal clustering method for extracting fire footprints based on MCD64A1 in the Daxing’anling Area of north-eastern China
CN117057497A (zh) 一种森林火灾风险评估方法及其模型构建方法和装置
Chaparro Danon Applications of L-band missions for environmental research
Gusso et al. Multitemporal analysis of thermal distribution characteristics for urban heat island management
Gatti et al. Amazon carbon emissions double mainly by dismantled in law enforcement
Das et al. Monitoring the Wildfire Activity and Ecosystem Response on Mt. Kilimanjaro Using Earth Observation Data and GIS
Aryal et al. Quantifying bushfire mapping uncertainty using single and multi-scale approach: a case study from Tasmania, Australia
Shahpurwala Conflict, narratives, and forest fires in eastern Turkey: A quantitative perspective with remote sensing and GIS
Rudianto et al. Canopy cover estimation of agroforestry based on airborne LiDAR and Landsat 8 OLI
Huang Forest Change Analysis Using Time-Series Landsat Observations
De Los Santos et al. Chile Disasters: Automating Wildfire Risk and Occurrence Mapping in Google Earth Engine to Improve Wildfire Detection and Response Time Efforts
Kanagasabapathi Spatiotemporal analysis for fire forecasting using deep learning techniques in google earth engine: a case study for the Indian state of Uttarakhand
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
Widya et al. Geospatial technologies for estimating post-wildfire severity through satellite imagery and vegetation types: a case study of the Gangneung Wildfire, South Korea
Hou et al. Comparative Analysis of Machine Learning-Based Predictive Models for Fine Dead Fuel Moisture of Subtropical Forest in China

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