China Safety Science Journal ›› 2022, Vol. 32 ›› Issue (9): 152-157.doi: 10.16265/j.cnki.issn1003-3033.2022.09.2729
• Technology and engineering of disaster prevention and mitigation • Previous Articles Next Articles
ZHU Xin1,2(), LI Jianwei1,**(), GUO Wei3, BI Sheng1,2, WU Yuefei1,2
Received:
2022-03-20
Revised:
2022-07-11
Online:
2022-10-19
Published:
2023-03-28
Contact:
LI Jianwei
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.
Add to citation manager EndNote|Ris|BibTeX
URL: http://www.cssjj.com.cn/EN/10.16265/j.cnki.issn1003-3033.2022.09.2729
Tab.2
Comparison of several forest fire risk prediction models
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 |
[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 |
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,
|
[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.
|
|
|
[5] |
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 |
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.
|
|
|
[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.
|
|
|
[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 |
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.
|
|
|
[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.
|
|
|
[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.
|
|
|
[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.
|
|
|
[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.
|
|
|
[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.
|
|
|
[17] |
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.
|
|
|
[19] |
|
[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.
|
|
|
[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.
|
|
|
[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.
|
|
|
[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.
|
|
|
[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.
|
|
|
[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.
|
|
|
[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.
|
|
|
[27] |
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.
|
|
|
[29] |
|
[30] |
|
[1] | CHEN Yongqiang, WU Zhipeng, YANG Xiangjuan, CHEN Pu, SUN Shuli. Review on regional seismic analysis software [J]. China Safety Science Journal, 2022, 32(9): 126-136. |
[2] | JIANG Wenyu, WANG Fei, SU Guofeng, LI Xin, MENG Qingxiang, WANG Guanning. Key technologies of emergency management informatization for forest fires [J]. China Safety Science Journal, 2022, 32(9): 182-191. |
[3] | ZHANG Kai, ZHANG Ke. Prediction study on slope stability based on LightGBM algorithm [J]. China Safety Science Journal, 2022, 32(7): 113-120. |
[4] | LIU Kun, JIAO Yubo, ZHANG Xiaoming, CHEN Xiaoyu, JIANG Chaozhe. Test of railway train drivers' stress by using ECG signal [J]. China Safety Science Journal, 2022, 32(6): 31-37. |
[5] | LIU Quanyi, ZHU Bo, DENG Li, SHI Hang, LIANG Guanghua. Double parameters fire detection method based on machine learning [J]. China Safety Science Journal, 2022, 32(5): 90-96. |
[6] | YANG Wenchen, ZHOU Yanning, TIAN Bijiang, GUO Fengxiang, HU Chengyu. Traffic accident severity prediction for secondary highways based on cluster analysis and SVM model [J]. China Safety Science Journal, 2022, 32(5): 163-169. |
[7] | WU Menglong, YE Yicheng, HU Nanyan, WANG Qihu, LI Wen, JIANG Huimin. Interval prediction of mining work safety situation based on fuzzy information granulation [J]. China Safety Science Journal, 2021, 31(9): 119-127. |
[8] | LONG Tengteng, YIN Jiyan, OU Zhaorong, YANG Qiang, LI Yong, WANG Qiuhua. Comprehensive assessment and spatial pattern study on forest fire risk in Yunnan Province [J]. China Safety Science Journal, 2021, 31(9): 167-173. |
[9] | WU Linyu, LIANG Wei, SHA Duolin. Weld defect detection and identification method of typical equipment in oil-gas station [J]. China Safety Science Journal, 2020, 30(11): 108-113. |
[10] | 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. |
[11] | MA Yingnan, LYU Ziyang, GAO Xing, WANG Yongyi. Research on fall prediction method for elderly at home based on SVM [J]. China Safety Science Journal, 2019, 29(6): 43-48. |
[12] | MA Jie, LIU Qi, ZHANG Chunwei, LIU Kezhong, ZHANG Yu. A method for extracting ship encounter situation based on spatio-temporal analysis of AIS data [J]. China Safety Science Journal, 2019, 29(5): 111-116. |
[13] | WANG Yantao, ZHAO Yifei. Research on flight operations risk identification based on multi-algorithm collaboration [J]. China Safety Science Journal, 2018, 28(6): 166-172. |
[14] | SHAO Liangshan, ZHOU Yu. Application of QGA-RFR model in prediction of height of water flowing fractured zone [J]. China Safety Science Journal, 2018, 28(3): 19-24. |
[15] | WANG Jie, LUO Zhouquan, QIN Yaguang, ZHAO Shuang. Prediction of stope stability based on random forest [J]. China Safety Science Journal, 2018, 28(3): 155-160. |
Viewed | ||||||
Full text |
|
|||||
Abstract |
|
|||||