一种基于时间衰减降水算法的森林火灾预警模型构建方法

1.本发明涉及火险预测领域，尤其涉及一种基于时间衰减降水算法的森林火灾预警模型构建方法。


背景技术：

2.在前人构建的大部分森林火灾预警模型中，降水量被选作一个重要的特征因子，同时在许多的特征因子中名列前茅，说明降水数值对森林火灾预警起着重要的作用。但是在前人大多数的模型中，降水量的计算以月平均降水量或区域平均降水量的方式来取等权重平均值。采用平均降水量作为降水数值没有考虑到不同时间节点降水的衰减效应，只考虑到了平均权重。采用这种方法来计算降水数值不能很好地表达出降水数值对森林火灾的影响效果。


技术实现要素：

3.为了解决上述技术问题，本发明的目的是提供一种基于时间衰减降水算法的森林火灾预警模型构建方法，使用时间衰减算法来计算综合降水数值，以更好的地表达出降水数值对森林火灾的影响效果，提高森林火灾预警的准确率。
4.本发明所采用的第一技术方案是：一种基于时间衰减降水算法的森林火灾预警模型构建方法，包括以下步骤：
5.s1、获取降水数据并基于时间衰减算法计算综合降水值；
6.s2、获取历史火灾数据并基于二维高斯卷积函数将森林火点转化为森林火点密度；
7.s3、获取气象数据、遥感数据和高程数据并数据进行预处理，得到预处理后的数据；
8.s4、将综合降水值、森林火点密度和预处理后的数据作为训练集，对svm回归模型进行训练，得到训练完成的svm回归模型；
9.s5、基于训练完成的svm回归模型预测森林火灾密度数据；
10.s6、根据森林火灾密度数据划分火灾等级，结合训练完成的svm回归模型得到森林火灾预警模型。
11.进一步，所述综合降水值的计算公式如下：
[0012][0013]
上式中，d
precipitation
表示综合降水值，a表示待定常数，n表示前n天，t表示时间，d
t
表示t天前降水数值。
[0014]
进一步，所述二维高斯卷积函数的公式表示如下：
[0015][0016]
上式中，σ表示卷积范围，x表示距离中心点的横坐标差，y表示距离中心点的纵坐标差。
[0017]
进一步，所述预处理后的数据包括当日相对湿度、当日最大风速、当日最高气温、归一化植被指数、植被供水指数和海拔高度。
[0018]
进一步，所述获取气象数据、遥感数据和高程数据并数据进行预处理，得到预处理后的数据这一步骤，其具体包括：
[0019]
s31、获取森林区域的气象数据、遥感数据和高程数据；
[0020]
s32、基于克里金插值法对气象数据进行插值，得到森林区域内均匀的网格气象数据；
[0021]
s33、根据遥感数据计算归一化植被指数和植被供水指数；
[0022]
s34、根据高程数据得到海拔高度数据。
[0023]
进一步，所述将综合降水值、森林火点密度和预处理后的数据作为训练集，对svm回归模型进行训练，得到训练完成的svm回归模型这一步骤，其具体包括：
[0024]
s41、将综合降水值、森林区域内均匀的网格气象数据、归一化植被指数、植被供水指数和海拔高度数据作为自变量，森林火点密度作为因变量，结合目标函数对svm回归模型进行训练，得到训练完成的svm回归模型；
[0025]
s42、所述svm回归模型对自变量进行归一化处理，同时使用选用高斯核。
[0026]
进一步，所述目标函数的公式表示如下：
[0027][0028][0029]
ξ
1i
≥0,ξ
2i
≥0(i＝1,2,
…
m)
[0030]
上式中，ω表示输出空间的权向量，表示从输入空间到输出空间的非线性映射，ξ
1i
,ξ
2i
表示松弛变量,b表示偏移值，ε表示损失值的不敏感范围，m表示维度，t表示矩阵的转置。
[0031]
进一步，所述根据森林火灾密度数据划分火灾等级，结合训练完成的svm回归模型得到森林火灾预警模型这一步骤，其具体包括：
[0032]
s61、基于自然断点法将森林火灾密度数据分为五个不同等级的森林火险区域；
[0033]
s62、判断到该森林火险区域的等于高于预设等级，发出预警；
[0034]
s63、结合训练完成的svm回归模型得到森林火灾预警模型。
[0035]
本发明方法的有益效果是：本发明通过时间衰减算法来计算出综合降水指数，再结合其他特征因子作为森林火灾预警模型的自变量，同时将离散的森林火点卷积为森林密度作为模型的因变量，在进行数据预处理后，结合svm回归模型，构建出准确性高的森林火灾预警模型。
附图说明
[0036]
图1是本发明一种基于时间衰减降水算法的森林火灾预警模型构建方法的步骤流程图。
具体实施方式
[0037]
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0038]
参照图1，本发明提供了一种基于时间衰减降水算法的森林火灾预警模型构建方法，该方法包括以下步骤：
[0039]
s1、获取降水数据并基于时间衰减算法计算综合降水值；
[0040]
具体地，在时间衰减模型中，数值的变化幅度与其时间成正比的，符合不同天数降水量对森林火灾发生的影响程度。在时间衰减模型中，将上述映射关系转化为数学公式可表达为：
[0041][0042]
上式中，n表示数值，t表示时间，γ表示衰减常数。
[0043]
应用于本专利，该时间衰减方程的解可以表示为：
[0044]
n(t)＝d
t
e-γt
ꢀꢀ
(2)
[0045]
上式中，n(t)是与时间t相关的量，表示t天前降水影响数值，d
t
表示t天前降水数值。
[0046]
接着，将前n天的降水影响数值进行相加得出综合降水数值，综合降水值的计算公式为：
[0047][0048]
上式中，d
prcipitation
表示综合降水值，a表示待定常数，t表示时间，d
t
表示t天前降水数值。现在需要确定待定常数a的值和选取前n天降水数值。互信息能够表示一个随机变量被另一个随机变量所包含的信息量，可以用来度量它们之间的相关性，并且不局限于线性关系。互信息的计算公式为：
[0049][0050]
其中p(x,y)是x和y的联合概率分布函数，而p(x)和p(y)分别是x和y的边缘概率分布函数。根据待定常数项a值和前n天降水数值的不同组合所得的综合降水量数据，选取出综合降水量数据与森林火点密度互信息值最大的常数项a值和前n天降水数值。经过迭代计算后，当a取0.1657，n取6时计算出来的综合降水数值最能代表降水数值对本发明中火灾预测的影响。
[0051]
s2、获取历史火灾数据并基于二维高斯卷积函数将森林火点转化为森林火点密度；
[0052]
具体地，本发明所采用的历史火灾数据是来自于nasa所提供的全球森林火灾历史数据网站。该网站所提供的数据是美国国家航空航天局和美国农业部林务局所提供的从卫星图像上所记录下来的低延迟火灾活动数据。森林火点的数据形式是森林区域内的散点图，在本发明中将离散的森林火点通过二维高斯卷积转化为连续的森林火点密度，将分类问题转化为回归问题。每个离散的森林火点都代表着周边发生森林火灾的情况，通过二维高斯卷积后，森林火点密度数值越高，说明周边森林火灾越严重。
[0053]
二维高斯卷积的表达式如下所示：
[0054][0055]
上式中，σ表示卷积范围。本发明中以十公里作为卷积半径。
[0056]
s3、获取气象数据、遥感数据和高程数据并数据进行预处理，得到预处理后的数据；
[0057]
s3.1、获取森林区域的气象数据、遥感数据和高程数据；
[0058]
具体地，本发明还选取森林区域当日相对湿度、当日最大风速、当日最高气温、归一化植被指数(ndvi)、植被供水指数(vswi)、海拔高度作为特征因子。其中当日相对湿度、当日最大风速、当日最高气温是通过当地气象局所提供的数据来获取。
[0059]
s3.2、基于克里金插值法对气象数据进行插值，得到森林区域内连续的气象数据。
[0060]
具体地，上述的气象数据在森林区域中是离散的，不连续的；而本发明需要得到森林区域内连续的气象数据，因此需要对数据进行线性插值，使得森林区域内每个数据点都有其气象数据，故本发明利用克里金插值法算法对气象数据进行插值。
[0061]
s3.3、根据遥感数据计算归一化植被指数和植被供水指数；
[0062]
森林的植被覆盖率则是用ndvi模型数据来表示，ndvi是归一化植被指数，它反映了植被的生长状态、植被覆盖度。ndvi是利用近红外波段的反射值和红光波段的反射值计算得到的，而在本篇论文中，ndvi是利用mod021km遥感数据中波段1和波段2的反射率数据所计算得到的，其公式为：
[0063][0064]
ndvi的值位于[-1,1]，当为负值时，表示地面覆盖为云、水、雪等，对可见光高反射；当为正值时，表示有植被覆盖，且随覆盖度增加而增加。
[0065]
vswi指数也称为植被供水指数，在一定程度上能反映作物生长状况、植被的含水率。其公式为：
[0066][0067]
其中ndvi是归一化植被指数，ts代表地表温度，ts数据从mod11a2遥感数据中获取，该遥感数据记录了八天的综合地表温度值。vswi值越大，表明植被含水量越高。
[0068]
s3.4、根据高程数据得到海拔高度数据。
[0069]
海拔高度数据是通过sptmdem 90m高程数据中获取的。
[0070]
s4、将综合降水值、森林火点密度和预处理后的气象数据作为训练集，对svm回归模型进行训练，得到训练完成的svm回归模型；
[0071]
具体地，将综合降水值和预处理后的气象数据作为自变量，森林火点密度作为因变量，接着svm核函数选用高斯核，对自变量中的数据进行归一化处理，另外在svm模型训练中会使用gram矩阵，gram矩阵的意义是当两个样本距离近的时候，令值为1，当距离很远时，值为0。而核尺度是一个缩放参数，用于评估适当gram矩阵的缩放大小，在经过筛选计算后指定核尺度为3，并使用训练集数据在svm回归模型中进行训练。接着在测试集中使用训练好的svm回归模型，获取预测集内的森林火灾密度数据。其中svm回归模型的目标函数表达式如下所示：
[0072][0073]
s5、基于训练完成的svm回归模型预测森林火灾密度数据；
[0074]
s6、根据森林火灾密度数据划分火灾等级，结合训练完成的svm回归模型得到森林火灾预警模型。
[0075]
s6.1、基于自然断点法将森林火灾密度数据分为多个不同等级的森林火险区域；
[0076]
在得到预测集内的森林火灾密度数据后，通过自然断点法来将森林区域划分为五个火灾预警等级，等级越高的区域发生火灾的风险越大。自然断点法通过计算每类的方差，再计算这些方差之和，用方差和的大小来比较分类的好坏，其值最小的就是最优的分类结果。其中计算方法如下所示：
[0077]
gvf＝(sdam-scdm)/sdam
ꢀꢀ
(9)
[0078]
其中gvf为方差拟合优度，sdam为平均值的偏差平方和，其计算方式如下所示：
[0079][0080]
其中为均值，xi为森林火点密度。而scdm为类别均值的平方偏差平方和。其计算方式如下所示：
[0081][0082]
利用自然断点法，本发明按照以下数值区域划分为了五个不同等级的森林火险区域，将森林火点密度为(-∞,0)划分为等级一，[0,0.08)划分为等级二，[0.08,0.27)划分为等级三，[0.27,0.45)划分为等级四，[0.45,∞)划分为等级五。
[0083]
s6.2、判断到该森林火险区域的等于高于预设等级，发出预警，其中预设等级为等级三；
[0084]
s6.3、结合训练完成的svm回归模型得到森林火灾预警模型。
[0085]
至此森林火灾预警模型构建完成，将火险等级三以上的森林区域用于预测森林火灾的发生，则在测试集中的森林区域其预测的准确率分别为90.13％，93.04％和87.5％。若用平均降水数值来代表降水对森林火灾的影响，其他因素不变，则在测试集中的森林区域其预测的准确率分别为85.17％，89.50％和84.90％。通过对比可知用时间衰减算法计算得
到的综合降水数值作为特征因子能提高森林火灾预警模型的准确性，约提高了5％。表明模型结果能更好地预测森林火灾风险情况。
[0086]
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。