文章信息
- 杨景标, 马晓茜.
- Yang Jingbiao, Ma Xiaoqian.
- 基于人工神经网络预测广东省森林火灾的发生
- On the Basis of Artificial Neural Network to Forecast the Forest Fire in Guangdong Province
- 林业科学, 2005, 41(4): 127-132.
- Scientia Silvae Sinicae, 2005, 41(4): 127-132.
-
文章历史
- 收稿日期:2003-06-02
-
作者相关文章
森林火灾具有自组织临界性,国内外学者研究发现林火面积和林火发生频率存在幂律分布等自组织行为(Drossel et al., 1992;宋卫国等,2001)。对森林火灾的研究,仅有长期的预测不足以达到减灾防灾的目的,还要对林火发生的规律、林火蔓延规律等进行预测研究(马晓茜等,2002)。林火的相关因素很多,是气候、地形、火源和可燃物诸因子相互作用形成的复杂现象,通常具有复杂的随机性和非线性行为; 而人工神经网络是高度非线性动力学系统,可以对林火等非线性动力学现象的任意非线性函数进行逼近和模拟,容错能力强。本文选取适当的影响因子并结合林火历史数据,用人工神经网络模型对森林火灾的发生情况进行学习和训练,并对其作出预测。通过对林火模型进行神经网络自学习和训练后得到模拟仿真结果,旨在寻求用神经网络技术能将林火行为统一起来的方法,并分析其可行性,为建立简化的有效的森林火灾预测预报系统提供理论和技术支持。
1 人工神经网络模型的选择人工神经网络既是高度的非线性动力学系统,又是自适应组织系统,可用来描述认知、决策及预测控制的智能行为(胡耀波等,2002;徐俊波等,2003;Fraser et al., 2002)。神经网络主要有前馈神经网络、反馈神经网络和混沌神经网络等。神经网络主要有收敛、振荡和混沌3种动力学行为(Kate et al., 2003;Yasar et al., 2003;Stringer et al., 2003)。反馈神经网络分为全反馈网络和部分反馈网络,由动力学系统和能量函数可以证明部分反馈网络最终收敛于某个平衡点。混沌神经网络(石园丁等,2002)、混沌同步和混沌控制等技术广泛被用于混沌现象的研究。
1.1 前馈神经网络BP神经网络是目前应用最广泛的神经网络模型。BP网络具有强大的非线性映射能力、泛化功能和联想及抗干扰能力,任一连续函数或映射均可使用3层BP网络得以实现。应用BP网络进行预测可以避免模糊评价中的主观性。这样就有望应用BP神经网络来对林火进行网络预测研究,所以本文重点介绍前馈神经网络。前馈神经网络有BP神经网络和环路BP神经网络等。一般的BP前馈神经网络结构(Jiang et al., 2003;Dillon et al., 2002)如图 1。输入层单元数为L,隐层单元数为M,输出层单元数为N。
式中:yk为神经网络的输出,w′jk为隐层到输出层的连接权,hj为隐层的输出,θ′k为输出单元的阈值,wij为输入层到隐层的连接权,xi为网络输入,θj为隐层单元的阈值,f(s)为隐层单元的输出函数,取为Sigmoid函数,满足原式。
典型的梯度下降学习算法的过程为
能量函数
网络的权值和阈值初始化;给定输入样本和目标输出;从输入层开始至输出层计算网络输出,并计算相应的误差;根据期望输出修正输入层到输出层的权和阈值,使网络误差达到期望最小值;输入其他输入样本,对模型进行预测和模型仿真。
2 BP人工神经网络预测林火的发生和发展选取适当的并与林火密切相关的影响因子作为网络的输入变量,对林火数据进行训练和预测。气候、地形、火源和可燃物诸因子是林火的主要影响因素。本文选取了热带地区广东省的林火作为研究对象,可以得到广东省气候、地形、可燃物等因子的特征数据。这样就可以着重以与林火最密切相关的气象因子作为网络输入,以林火发生与否、次数和规模等作为输出,从而建立人工神经网络。
2.1 林火发生情况预测以广东省2000年每天的平均气温、日平均相对湿度、日平均风速和日降水量作为输入,林火是否发生作为输出(发生的输出值为1,不发生输出为0)。以广东省2000年(全年)每天的有关数值作为训练样本(除去预测样本36 d),以广东省2000年每月的第1日、第15日和最后1日的有关数值作为预测样本。限于篇幅,表 1仅给出广东省2000年3月份的训练样本值,表 2为有关训练样本值和预测值。气象资料来自广东省气象局广州站(站号:59287, 海拔6.6 m,113°19′E,23°8′N)。
经多次试算比较后确定输入单元数为4,隐层单元数为8,输出层单元数为1的4-8-1BP网络,采用动量自适应学习法训练函数,隐层的作用函数为logsig,输出函数为tansig,训练误差为0.001,表 2中相对误差最大为2%,从工程角度可以对林火进行有效的预测。
2.2 林火月变化预测为了对林火月变化进行预测,以广东省的月平均气温、月平均相对湿度、月平均风速和月降水量作为输入,林火次数或过火面积作为输出。以广东省1961—2000年多年月平均标准气候值作为训练样本,气象资料来自广东省气象局,表 3为广州站(站号:59287, 海拔6.6 m,113°19′E,23°8′N)1961—2000年多年月平均标准气候值的部分资料。表 4为对广东省2000年林火的月变化预测值。
经多次试算比较后确定输入单元数为4,隐层单元数为12,输出层单元数为1的4-12-1的BP网络,采用标准BP学习法训练函数,隐层的作用函数为logsig型,输出函数为purelin型,训练误差为0.01,表 4中相对误差最大值为4.4%,从工程角度可以对林火进行有效的预测。
2.3 林火年变化预测在对林火的发生和林火的月变化进行预测后,基本上可以有效地预测林火的发生。为了对林火规模有定量的预测,从而宏观上起到减灾防灾的指导作用,需对林火的年变化进行定量的预测研究。经过多次的尝试,以广东省的年降水量和年日照时数作为输入,过火面积作为输出,广东省1981—1997年平均标准气候值和林火数据作为训练样本,数据如表 5所示。
经多次试算比较后确定输入单元数为2,隐层单元数为20,输出层单元数为1的2-20-1BP网络,采用标准BP学习法训练函数,隐层的作用函数为logsig型,输出函数为purelin型,训练误差为0.01。以1998、1999、2000年的过火面积作为预测,网络输出值分别为9 052 hm2、12 650 hm2、5 368 hm2,相对误差分别为3.5%、4.5%、3.3%。
3 分析与讨论广东省的森林火灾主要发生在每年9月到次年4月间(吕晋文等,1994)。这段时期降水少,相对湿度小,容易酿成火灾。广东省林火一般都发生在最高气温11 ℃以上的天气,其中92%的林火发生在最高气温高于15 ℃。林火发生与相对湿度呈反相关关系,绝大多数的大森林火灾发生在相对湿度 < 60%情况下。当日降雨量>0.2 mm时,一般无林火发生,广东省90%的林火发生在晴天或少云的情况下。风对林火发生的影响权数不大,但有利于林火的蔓延,特别是秋冬季节,风使得空气和地面干燥,有可能酿成重大森林火灾。广东省气温呈上升趋势,其中20世纪90年代增温尤为明显,降水量也有所增加,日照时数呈下降趋势(汤海燕,2003)。由于以上原因,广东省的林火发生情况的年变化也就非常复杂。采用广州市的气象资料对广东全省进行林火的预测,因气候的区域差异带来的误差需作进一步的研究。
BP网络可以自动调整各结点的权数,使平均气温、平均相对湿度、平均风速和降水量的连接权与它们各自和林火的相关度相符合,使得训练最终达到预期目标。对于林火是否发生的情形,采取了足够多的样本进行训练,预测的结果非常好。而对于林火月变化的训练,由于统计了多年的月平均数据,虽然训练样本较少,仍然可以达到较好的效果。从表 2和表 4可以看出,训练相对误差小于5%,从工程角度来看达到了对林火预测的目标。
由于森林火灾不仅与气象因子有关,它还与火源、可燃物和人为因素也有一定的关系(王婷等,2000),同时气象资料本身也具有预测的性质,所以预测会存在一定的误差。人工神经网络可以应用不同的输入来训练而达到预定的目标,但寻求适合的输入至关重要。对于林火日变化和月变化的预测精度较高,但由于林火年变化的复杂性,即使相对误差小,但绝对误差也可能很大。这是因为气候的月变化规律性很强,而它的年变化有一定的周期性,但周期比较长,所以样本的选取存在局部缺陷就会导致误差较大。对于林火的月和年变化的预测虽然存在滞后性,但可以总结出与之相关的气候等因素,对林火的宏观预测有指导意义。
4 结论以平均气温、平均相对湿度、平均风速和平均降水量等作为样本输入,建立起来的多层前馈人工神经网络,可以对林火是否发生、林火月变化作出准确度较高的预测。以年降雨量和年日照时数作为样本输入,可以对林火的年变化作出有效的预测。对于不同的预测内容,在应用中就需要选择合适的网络和算法才能取得理想的效果。利用气象因子对林火进行预测,基于人工神经网络的方法表现出非常优越的模拟效果,对于寻求用神经网络技术对林火进行预测的可行性提供了强有力的理论和技术支持。应用人工神经网络建立简化的有效的森林火灾预测预报系统展现了很好的应用前景。
胡耀波, 李鹏, 熊憔皓. 2002. BP神经网络的实现及应用. 机械工程材料, 26(6): 16-18. DOI:10.3969/j.issn.1000-3738.2002.06.005 |
吕晋文, 卢柏威. 1994. 广东省森林火险天气预报系统简介. 森林防火, 3: 29-30. |
马晓茜, 杨景标, 管霖. 2002. 热带森林火灾产生的特点分析. 火灾科学, 11(2): 92-97. DOI:10.3969/j.issn.1004-5309.2002.02.007 |
石园丁, 王建华. 2002. 混沌神经网络的研究进展. 微机发展, 6: 33-39. |
宋卫国, 范维澄, 汪秉宏. 2001. 中国森林火灾的自组织临界性. 科学通报, 46(6): 521-525. DOI:10.3321/j.issn:0023-074X.2001.06.019 |
汤海燕. 2003. 广东省近40年来气候变化初探. 广东气象, 1: 37-39. |
王婷, 许琪. 2000. 最新火灾事故防范与查处全书. 北京: 中国对外翻译出版公司.
|
徐俊波, 许庆国, 周传光, 等. 2003. 反馈神经网络进展. 化工自动化及仪表, 30(1): 6-10. DOI:10.3969/j.issn.1000-3932.2003.01.002 |
Al-Khaleefi A M, Terro M J, Alex A p, et al. 2002. Prediction of resistance of concrete filled tubular steel columns using neural networks. Fire Safety Journal, 37: 339-352. DOI:10.1016/S0379-7112(01)00065-0 |
Dillon J D, O'Malley M J. 2002. A Lagrangian augmented hopfield network for mixed integer non-linear programming problems. Neurocomputing, 42: 323-330. DOI:10.1016/S0925-2312(01)00585-9 |
Drossel B, Schwabl F. 1992. Self-organized critical forest fire model. Phys Rev Lett, 69(11): 1629-1992. DOI:10.1103/PhysRevLett.69.1629 |
Fraser R H, Li Z. 2002. Estimating fire-related parameters in boreal forest using SPOT VEGTATION. Remote Sensing of Environment, 82: 95-110. DOI:10.1016/S0034-4257(02)00027-5 |
Jiang Nan, Zhao Zhiye, Ren Liqun. 2003. Design of structural modular neural networks with genetic algorithm. Advances in Engineering Software, 34: 17-24. DOI:10.1016/S0965-9978(02)00107-2 |
Smith K A, Abramson D, Duke D, et al. 2003. Hopfield neural networks for timetabling:formulations, methods. Computers & Industrial Engineering, 44: 283-305. |
Stefan P N. 2003. Artificial neural networks and genetic algorithms in QSAR. Journal of Molecular Structure, 622: 71-83. DOI:10.1016/S0166-1280(02)00619-X |
Stringer S M, Rolls E T, Trappenberg T P, et al. 2003. Self-organizing continuous attractor networks and motor function. Neural Networks, 16: 161-182. DOI:10.1016/S0893-6080(02)00237-X |
Yasar B, Ahmet F K, Taryq S. 2003. Intelligent optimal control with dynamic neural networks. Neural Networks, 16: 251-259. DOI:10.1016/S0893-6080(02)00232-0 |