基于机器学习的森林火险预测模型

doi:10.16265/j.cnki.issn1003-3033.2022.09.2729

中国安全科学学报 ›› 2022, Vol. 32 ›› Issue (9): 152-157.doi: 10.16265/j.cnki.issn1003-3033.2022.09.2729

基于机器学习的森林火险预测模型

朱馨¹^,²(), 李建微¹^,^**(), 郭伟³, 毕胜¹^,², 伍跃飞¹^,²

1 福州大学物理与信息工程学院,福建福州 350116
2 福州大学数字中国研究院(福建), 福建福州 350116
3 福建省气象局气象服务中心,福建福州 350028

收稿日期:2022-03-20 修回日期:2022-07-11 出版日期:2022-10-19 发布日期:2023-03-28
通讯作者: 李建微
作者简介:
朱馨 (1997—),男,福建莆田人,硕士研究生,主要研究方向为数字地球与智慧社会。E-mail: 870325687@qq.com。
李建微副研究员
基金资助:
国家自然科学基金资助(32071776); 国家自然科学基金资助(41571490); 福建省自然科学基金资助(2020J01465); 中国博士后基金资助(2018M640597)

Forest fire risk prediction model based on machine learning

ZHU Xin¹^,²(), LI Jianwei¹^,^**(), GUO Wei³, BI Sheng¹^,², WU Yuefei¹^,²

1 Academy of Digital China(Fujian),Fuzhou University, Fuzhou Fujian 350116, China
2 College of Physics and Information Engineering, Fuzhou University, Fuzhou Fujian 350116, China
3 Fujian Meteorological Service Center, Fuzhou Fujian 350028, China

Received:2022-03-20 Revised:2022-07-11 Online:2022-10-19 Published:2023-03-28
Contact: LI Jianwei

摘要/Abstract

摘要：

为减少森林火灾带来的损害,通过文献回顾,对森林火险进行建模和预测预报。归纳基于机器学习方法的森林火险预测研究现状,并从森林火灾影响因子的选取、选择合适的火险预测模型以及模型检验方法3个主要方面进行分析阐述。结果表明:森林火险的主要影响因素包括可燃物特征、气象因子、地形、人类活动等;在森林火险预测模型中,反向传播(BP)神经网络方法需要改进后运用,支持向量机(SVM)方法对数据要求高,随机森林(RF)方法通用性强且精度较高,深度学习方法的研究较少,但精度都很高;模型常用的检验方法是准确度、受试者工作特征(ROC)曲线和曲线下的面积(AUC)值等。

关键词: 机器学习, 森林火险预测, 森林火灾, 气象因子, 支持向量机(SVM)

Abstract:

In order to reduce the damage caused by forest fires, the forest fire risk was modeled and predicted through a literature review. This paper summarizes the research status of forest fire risk prediction based on the machine learning method, and analyzes and expounds on the selection of forest fire impact factors, the selection of appropriate fire risk prediction models and the model test methods. The results show that the main influencing factors of forest fire risk include the characteristics of combustibles, meteorological factors, terrain, human activities, etc. In the forest fire risk prediction model, the back propagation(BP) neural network method needs to be improved and applied. The SVM method requires high data, the random forest(RF) method has strong universality and high accuracy, and the deep learning method has less research, but the accuracy is high. The commonly used test methods of the model are accuracy, receiver operating characteristic(ROC) curve and area under curve(AUC) value.

Key words: machine learning, forest fire risk prediction, forest fire, meteorological factors, support vector machine(SVM)

朱馨, 李建微, 郭伟, 毕胜, 伍跃飞. 基于机器学习的森林火险预测模型[J]. 中国安全科学学报, 2022, 32(9): 152-157.

ZHU Xin, LI Jianwei, GUO Wei, BI Sheng, WU Yuefei. Forest fire risk prediction model based on machine learning[J]. China Safety Science Journal, 2022, 32(9): 152-157.

图/表 2

参考文献 30

[1]	龙腾腾, 殷继艳, 欧朝蓉, 等. 云南省森林火灾风险综合评价及空间格局研究[J]. 中国安全科学学报, 2021, 31(9):167-173. doi: 10.16265/j.cnki.issn1003-3033.2021.09.023
	LONG Tengteng, YIN Jiyan, OU Zhaorong, et al. Comprehensive assessment and spatial pattern study on forest fire risk in Yunnan Province[J]. China Safety Science Journal, 2021, 31(9):167-173. doi: 10.16265/j.cnki.issn1003-3033.2021.09.023
[2]	舒立福, 张小罗, 戴兴安, 等. 林火研究综述(Ⅱ):林火预测预报[J]. 世界林业研究, 2003(4):34-37.
[3]	田晓瑞, DOUGLAS J, 张有慧. 森林火险等级预报系统评述[J]. 世界林业研究, 2006(2):39-46.
[4]	曹姗姗. 小尺度森林火险等级预报模型研究[D]. 北京: 中国林业科学研究院, 2014.
	CAO Shanshan. Small-scale forest fire danger rating prediction model[D]. Beijing: Chinese Academy of Forestry, 2014.
[5]	GIGOVIC L, POURGHASEMI H, DROBNJAK S, et al. Testing a new ensemble model based on SVM and random forest in forest fire susceptibility assessment and its mapping in Serbia's tara national park[J]. Forests, 2019, 10(5):408-429. doi: 10.3390/f10050408
[6]	高超, 林红蕾, 胡海清, 等. 我国林火发生预测模型研究进展[J]. 应用生态学报, 2020, 31(9):3227-3240. doi: 10.13287/j.1001-9332.202009.014
	GAO Chao, LIN Honglei, HU Haiqing, et al. A review of models of forest fire occurrence prediction in China[J]. Chinese Journal of Applied Ecology, 2020, 31(9):3227-3240. doi: 10.13287/j.1001-9332.202009.014
[7]	王璠. 基于改进BP神经网络的林火预测研究[D]. 南昌: 江西科技师范大学, 2016.
	WANG Fan. Study on forest fire prediction based in improved BP neural network[D]. Nanchang: Jiangxi Science and Technology Normal University, 2016.
[8]	马文苑. 大尺度林火驱动因子及预测模型研究[D]. 北京: 北京林业大学, 2019.
	MA Wenyuan. Study on driving factors and forecast models of forest fire in large-scale areas[D]. Beijing: Beijing Forestry University, 2019.
[9]	蒋琴, 钟少波, 朱伟. 京津冀地区森林火灾综合风险评估[J]. 中国安全科学学报, 2020, 30(10):119-125. doi: 10.16265/j.cnki.issn 1003-3033.2020.10.017
	JIANG Qin, ZHONG Shaobo, ZHU Wei. Research on comprehensive risk assessment of forest fire in Beijing-Tianjin-Hebei region[J]. China Safety Science Journal, 2020, 30(10): 119-125. doi: 10.16265/j.cnki.issn 1003-3033.2020.10.017
[10]	汤静. 基于BP神经网络的森林火险预测系统[D]. 重庆: 重庆大学, 2002.
	TANG Jing. The foerst fire size class forecasting system on BP neural net[D]. Chongqing: Chongqing University, 2002.
[11]	胡超. 基于BP人工神经网络的区域森林火灾预测研究[D]. 舟山: 浙江海洋学院, 2015.
	HU Chao. The regional forest fire research based on BP neural network[D]. Zhoushan: Zhejiang Ocean University, 2015.
[12]	王亚琴. BPNN-DIOC网络优化理论及其森林火险预测研究[D]. 太原: 太原理工大学, 2018.
	WANG Yaqin. Reseach on BPNN-DIOC network optimization theory and its forest fire rest prediction[D]. Taiyuan: Taiyuan University of Technology, 2018.
[13]	丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述[J]. 电子科技大学学报, 2011, 40(1):2-10.
	DING Shifei, QI Bingjuan, TAN Hongyan. An overview on theory and algorithm of support vector machines[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(1):2-10.
[14]	黄玉霞, 许东蓓, 蒲肃. SVM方法在森林火险预测中的应用[J]. 林业科学, 2007(10):77-82.
	HUANG Yuxia, XU Dongbei, PU Su. Application of SVM method on the prediction of forest fire danger[J]. Scientia Silvae Sinicae, 2007(10):77-82.
[15]	李娴. LS-SVM模型选择及其在森林火灾预测中的应用[J]. 统计与决策, 2011(21):163-164.
[16]	许志卿, 苏喜友, 张颐. 基于支持向量机方法的森林火险预测研究[J]. 中国农学通报, 2012, 28(13):126-131.
	XU Zhiqing, SU Xiyou, ZHANG Yi. Forest fire prediction based on support vector machine[J]. Chinese Agricultural Science Bulletin, 2012, 28(13):126-131.
[17]	SINGH K R, NEETHU K P, MADHUREKAA K, et al. Parallel SVM model for forest fire prediction[J]. Soft Computing Letters, 2021, 3:DOI: 10.1016/J.SOCL.2021.100014. doi: 10.1016/J.SOCL.2021.100014
[18]	梁慧玲, 林玉蕊, 杨光, 等. 基于气象因子的随机森林算法在塔河地区林火预测中的应用[J]. 林业科学, 2016, 52(1):89-98.
	LIANG Huiling, LIN Yurui, YANG Guang, et al. Application of random forest algorithm on the forest fire prediction in Tahe area based on meteorological factors[J]. Scientia Silvae Sinicae, 2016, 52(1):89-98.
[19]	GUO Futao, WANG Guangyu, SU Zhangwen, et al. What drives forest fire in Fujian, China? evidence from logistic regression and random forests[J]. International Journal of Wildland Fire, 2016,25, 505-519.
[20]	潘登, 郁培义, 吴强. 基于气象因子的随机森林算法在湘中丘陵区林火预测中的应用[J]. 西北林学院学报, 2018, 33(3):169-177.
	PAN Deng, YU Peiyi, WU Qiang. Application of random forest algorithm on the forest fire prediction based on meteorological factors in the Hilly area,central Hunan peovince[J]. Journal of Northwest Forestry University, 2018, 33(3):169-177.
[21]	侯晓静, 明金科, 秦荣水, 等. 基于随机森林模型的交界域火灾风险分析[J]. 林业科学, 2019, 55(8):194-200.
	HOU Xiaojing, MING Jinke, QIN Rongshui, et al. Analysis of the fire risk in wildland-urban interface with random forest model[J]. Scientia Silvae Sinicae, 2019, 55(8):194-200.
[22]	马文苑, 冯仲科, 成竺欣, 等. 山西省林火驱动因子及分布格局研究[J]. 中南林业科技大学学报, 2020, 40(9):57-69.
	MA Wenyuan, FENG Zhongke, CHENG Zhuxin, et al. Study on driving factors and distribution pattern of forest fires in Shanxi province[J]. Journal of Central South University of Forestry & Technology, 2020, 40(9):57-69.
[23]	尹宝才, 王文通, 王立春. 深度学习研究综述[J]. 北京工业大学学报, 2015, 41(1):48-59.
	YIN Baocai, WANG Wentong, WANG Lichun. Review of deep learning[J]. Journal of Beijing University of Technology, 2015, 41(1):48-59.
[24]	南玉龙, 张慧春, 郑加强, 等. 深度学习在林业中的应用[J]. 世界林业研究, 2021, 34(5):87-90.
	NAN Yulong, ZHANG Huichun, ZHENG Jiaqiang, et al. Research progress of deep learning in forestry application[J]. World Forestry Research, 2021, 34(5):87-90.
[25]	张荣, 李伟平, 莫同. 深度学习研究综述[J]. 信息与控制, 2018, 47(4):385-397,410.
	ZHANG Rong, LI Weiping, MO Tong. Review of deep learning[J]. Information and Control, 2018, 47(4):385-397,410.
[26]	孙立研, 刘美玲, 周礼祥, 等. 基于气象因子深度学习的森林火灾预测方法[J]. 林业工程学报, 2019, 4(3):132-136.
	SUN Liyan, LIU Meiling, ZHOU Lixiang, et al. Research on forest fire prediction method based on deep learning[J]. Journal of Forestry Engineering, 2019, 4(3):132-136.
[27]	ZHANG Guoli, WANG Ming, LLU Kai. Forest fire susceptibility modeling using a convolutional neural network for Yunnan province of China[J]. International Journal of Disaster Risk Science, 2019, 10(3):386-403. doi: 10.1007/s13753-019-00233-1
[28]	张萌. 基于深度学习的森林火险预测研究[D]. 北京: 北京林业大学, 2020.
	ZHANG Meng. Forest fire risk prediction based on deeplearning[D]. Beijing: Beijing Forestry University, 2020.
[29]	LI Yudong, FENG Zhongke, CHEN Shilin, et al. Application of the artificial neural network and support vector machines in forest fire prediction in the Guangxi autonomous region, China[J]. Discrete Dynamics in Nature and Society, 2020, 2020,1-14.
[30]	MOHAJANE M, COSTACHE R, KARIMI F, et al. Application of remote sensing and machine learning algorithms for forest fire mapping in a Mediterranean area[J]. Ecological Indicators, 2021, 129:107869-107 886.

影响因素	自变量	单位
可燃物特征	可燃物类型	类
	可燃物含水量	kg/m²
	植被覆盖率	%
	腐殖质湿度	kg/m²
	NDVI	—
地形	坡度	(°)
	坡向	(°)
	高程	m
	海拔	m
气象	温度	℃
	相对湿度	%
	风速	m/s
	降水量	mm/h
	干旱时间	d
人类活动	与道路网距离	m
	与居民点距离	m
	人口密度	人/km²

预测模型		优点		缺点		适用性
BP神经网络		具备神经网络的普遍优点,非线性映射能力和抗干扰能力		学习时间过长,容易陷入局部最小值,评价结果不确定		不适应与少量林火数据,适合气象因子的预测
SVM		可将输入向量映射到高维空间,解决最优分类问题		当林火因子数增加时,计算速度降低,难以多分类和大规模数据进行处理		适合火险因子较少的样本
RF	无需进行多重共线性检验,具有独立的模型检验方法,能避免过拟合和欠拟合		无法得知内部如何运行,没有函数表达式		普遍适用
深度学习	优秀的图像处理能力,可以考虑相邻空间的相关性		需要大量的训练样本,计算效率低下		适合矢量与栅格图像数据的处理

基于机器学习的森林火险预测模型

Forest fire risk prediction model based on machine learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 2

参考文献 30

相关文章 15

编辑推荐

Metrics

本文评价

[1]	陈永强, 吴志鹏, 杨湘娟, 陈璞, 孙树立. 区域地震分析软件研究综述[J]. 中国安全科学学报, 2022, 32(9): 126-136.
[2]	姜文宇, 王飞, 苏国锋, 李鑫, 孟庆祥, 王冠宁. 面向森林火灾的应急管理信息化关键技术[J]. 中国安全科学学报, 2022, 32(9): 182-191.
[3]	张凯, 张科. 基于LightGBM算法的边坡稳定性预测研究[J]. 中国安全科学学报, 2022, 32(7): 113-120.
[4]	刘坤, 焦钰博, 张晓明, 陈晓宇, 蒋朝哲. 基于心电的铁路列车驾驶压力检测研究[J]. 中国安全科学学报, 2022, 32(6): 31-37.
[5]	刘全义, 朱博, 邓力, 石航, 梁光华. 基于机器学习的双参数火灾探测方法[J]. 中国安全科学学报, 2022, 32(5): 90-96.
[6]	杨文臣, 周燕宁, 田毕江, 郭凤香, 胡澄宇. 基于聚类分析和SVM的二级公路交通事故严重度预测[J]. 中国安全科学学报, 2022, 32(5): 163-169.
[7]	丁茜, 赵晓东, 吴鑫俊, 张泰丽, 徐振涛. 基于RBF核的多分类SVM滑塌易发性评价模型[J]. 中国安全科学学报, 2022, 32(3): 194-200.
[8]	吴孟龙, 叶义成, 胡南燕, 王其虎, 李文, 江慧敏. 基于模糊信息粒化的矿业安全生产态势区间预测^*[J]. 中国安全科学学报, 2021, 31(9): 119-127.
[9]	龙腾腾, 殷继艳, 欧朝蓉, 杨强, 李勇, 王秋华. 云南省森林火灾风险综合评价及空间格局研究^*[J]. 中国安全科学学报, 2021, 31(9): 167-173.
[10]	赵挺生, 庞奇志, 姜雯茜. 基于数据库与支持向量机的施工升降机安全风险预测[J]. 中国安全科学学报, 2021, 31(4): 11-17.
[11]	刘阳, 张建经, 罗宏森, 于海莹, 向波. 基于贝叶斯网络的Fuzzy-SVM路基震害预测模型^*[J]. 中国安全科学学报, 2021, 31(11): 171-178.
[12]	郑晓亮, 来文豪, 薛生. MI和SVM算法在煤与瓦斯突出预测中的应用[J]. 中国安全科学学报, 2021, 31(1): 75-80.
[13]	马辉, 吕航, 栾瑞斌. 基于空间单元分析的装配式建筑施工安全预警模型[J]. 中国安全科学学报, 2020, 30(5): 27-32.
[14]	武琳玉, 梁伟, 沙夺林. 油气站场典型设备的焊缝缺陷检测与识别方法[J]. 中国安全科学学报, 2020, 30(11): 108-113.
[15]	蒋琴, 钟少波副, 朱伟. 京津冀地区森林火灾综合风险评估[J]. 中国安全科学学报, 2020, 30(10): 119-125.