森林火灾具有难以预测、着火面积大、难以控制和扑灭等特点, 防患于未“燃”是林火防治综合措施的根本(姚树人等, 2002)。对林火的发生和蔓延进行预报和预测的研究是林火研究的难点和热点(舒立福等, 2003), 林火预测与预报又是林火的预防和灭火指挥决策的基础, 因而林火预测预报就成为迫切需要解决的一个重要课题(徐爱俊等, 2003)。目前林火的预测预报方法大多是基于统计的方法建立的, 对于林火的先验分布有很强的依赖性。神经网络方法, 能够对非线性进行良好的拟合, 且可以不依赖于数据的先验分布(高洪深等, 1999)。温广玉等(2001)应用神经网络方法预测林火的发生, 曾孝平等(2005)运用神经网络开展了大气环流对林火环境影响的研究, 黎粤华等(2001)论述了神经网络在林火重灾年的预测应用的前景。本文在总结上述研究成果的基础上, 以北京市房山区林火发生的历史数据为研究对象, 用神经网络的方法研究了林火发生风险的预测模型。

1 研究方法 1.1 区域概况

北京市房山区位于115°25′—116°15′E, 39°30′—39°55′N。全区总面积2 019 km², 西北部为山区, 东南部为平原, 山区、丘陵和平原各占1/3, 在地形上具有很强的代表性。气候属北温带大陆性季风气候, 夏季炎热多雨, 冬季寒冷干燥, 春季干旱多风, 秋季凉爽、光照强, 形成了以秋冬季节多林火发生的格局。

1.2 材料来源

1986年下半年—2004年上半年, 共17个防火期的全部记录以及森林资源二类调查资料; 1986—2004年共18年的气温、相对湿度、风速、日降水量; 1986—2004年统计年鉴。

1.3 研究方法

林火时空模型的研建, 着重反应林火在不同时间和不同地域由于各种影响林火发生和蔓延的因子的不同组成而产生了不同的结果。因而, 只要在林火的模型中包含影响林火的因子, 就可以对不同时空状态下的林火发生和蔓延进行预测。

用GIS建立应用地域的DEM文件及相关的其他文件, 提取高程信息、坡度、坡位、距离道路的距离、人口密度等相关数据, 取当时的气象资料并进行修正。经过与林火的历史记录进行计算后, 拟合出计算公式。将某一特定位置下的这些值相加, 经标准化后的数值写入特定的表格, 实现可视化后形成了林火的预测图。选取不同时间尺度的因子, 就可以对不同尺度下的林火风险进行预测和预报。

用一般的统计方法, 必须考虑其统计特性, 特别是概率分布参数。神经网络的方法独立于数据的统计情况, 因而本文采用了神经网络的方法确定模型的系数。

模型中主要包括了高程、坡向、坡度、距离道路的距离、人口密度、相对湿度等。为了便于GIS的可视化表达, 采用加权分层的方法建立其通用模型

其中:k为系数, a为与林火相关的各种相关因子。P表示林火的概率, 下标ig (ignition)表示点火。

模型中主要包括了高程、坡向、坡度、树种和风速等, 其模型的通用形式可表示为

式中:下标fs (fire spread)表示林火的蔓延。

研究流程概括为图 1。

2 结果与讨论 2.1 林火相关环境因子信息的提取

以ArcView GIS为平台, 制作房山林火的林火分布图、林相图、道路、地形、坡向、坡度等专题图层, 并在ArcView GIS中进行分析。用叠置分析的方法, 获取林火点的空间环境因子的数值。表 1是数据的一部分, 其中X、Y是火点坐标, 海拔单位为m, 坡度为0~90°, 坡向按0~360°分为8个方向, 加上平地共9个值, 1为平地, 2为北坡, 3为东北坡, 4为东坡, 5为东南坡, 6为南坡, 7为西南坡, 8为西坡, 9为西北坡。距离道路的距离为m, 树种一栏中, 1为白桦(Betula platyphylla), 2为山杨(Populus davidiana), 3为刺槐(Robinia pseudoacacia), 4为其他阔叶树, 5为杨树(Populus spp.), 6为山杏(Prunus armeniaca var. pendula), 7为侧柏(Platycladus orientalis), 8为柞树(Quercus spp.), 9为油松(Pinus tabulaeformis), 10为落叶松(Larix gmelinii)。

2.2 模型的建立

在以往的应用中发现, BP算法在迭代计算过程中存在易陷入局部最小值和收敛速度慢的问题, 为克服以上2个问题, 可采用自适应学习率VLBP (variable learning rate)算法和基于数值优化技术的LMBP (levenberg-marquardt)算法。这2种算法是Matlab中神经网络工具箱中的算法。

自适应学习率VLBP算法通过改变学习率的方法提高收敛速度。学习速率决定每1次循环训练中所产生的权值变化量, 大的学习速率可能导致系统的不稳定, 小的学习速率会导致较长的训练时间, 收敛速度很慢, 学习速率通常是靠多次试算或靠经验决定。自适应学习速率是在循环训练中根据权值的变化做调整, 它检查权值的修正值是否真正降低了误差函数, 如果确实如此, 则说明所选取的学习速率值小了, 可以对其增加1个量; 若不是这样而产生了过调, 那么就应该减小学习速率值。

在本文中, 把人工神经网络技术引入模型参数的求解中, 通过对给定样本的学习, 不断调整网络的权值以实现在变量与自变量之间的非线性映射, 当网络输出与期望之间的误差越来越小并达到要求时, 神经网络的各个权值达到最佳, 从而达到确定模型参数的目的。

本文中神经网络的训练数据是将房山区的历史林火数据(表 1)经过标准化后(即求出各列的平均值与标准差, 然后以列中的数值减去平均数, 再除以标准差)直接建立模型, 即在点火模型中神经网络中输入的节点为6, 输出节点为1, 隐含节点按系统默认值。方法用VLBP方法, 训练函数选traingda, 转换函数选purelin, 隐含层1层。经过376步训练后, 误差收敛到期望值(图 2), 得到最佳权值。以最小的权值作为系数1, 以其他权值和它的比作为其他因子的系数。在蔓延风险模型中输入节点数为5, 其他选项相同。最终得到以下的公式:

(1)

(2)

式(1)中:y₁表示林火的点火风险值, x₁坡向, x₂表示高程, x₃表示坡度, x₄表示树种, x₅表示人口密度, x₆表示相对湿度。式(2)中:y₂表示林火的蔓延风险值, x₁表示坡度, x₂表示坡向, x₃表示高程, x₄表示树种, x₅表示风速。

将房山区1988年和2004年的数据进行采集, 输入以上的林火风险模型中, 预测为高风险区域的, 实际有69.2%的林火发生在该区域; 预测为低风险区域的, 实际有26.4%的林火发生在该区域, 预测为安全的区域有4.4%的林火发生在该区域, 说明该模型具有较为准确的预测率。可为林火区划, 防火物资的配置优化等林火管理工作提供基础资料。

3 结论与讨论

传统林火风险的预测预报, 一直是以气象因子作为主要的因子进行的, 是一种理想化的模型。实际上气象因子受到山地地形的影响会产生较大的变化。我国的气象台网建设比较滞后, 对小地域的气象还很难做到准确地预测, 尤其是在山区。因此仅仅以气象因子作为林火预测预报的因子, 其准确性难以得到保证, 必须结合地形及其他因子进行分析, 才有可能得到较为可靠的结果。林火的分布呈现很强的地带性, 是不均匀的, 这在不同尺度下的林火研究中均有报道(张玉红, 2002, 王明玉等, 2003, 王荷秀等, 1998)。对于林火的分布存在不同的观点, 有泊松分布(岳金柱等, 2002), 韦伯分布、正态分布(张映堂等, 1996)或聚集分布¹⁾等。由此可以认为林火在不同地域的发生概率模式是不同的。而传统的统计方法是基于概率分布的, 如果不考虑其分布, 建立林火的预测公式是难以在实际应用上推广的。由于各地自然条件的差异, 林火的发生及蔓延受到各自然因子的影响程度不同(Floyd et al., 2004), 呈现不同的关系, 即包含了线性的关系, 也包含了非线性的关系, 将多种因子放在同一个公式中用传统的统计方法进行拟合时, 往往表现为非常复杂的数学关系式, 无法解释其物理含义。随着3S技术发展的成熟, 在林火研究中的应用也起来越多, 但是, 由于在其中的各个环节都带来很多的误差, 在采集的数据中难免加入了相当多的噪声(Jones et al., 2004)。本文运用了神经网络的方法, 可以解决以上的各种问题。但是, 由于人工神经网络方法是一种黑箱算法, 其算法的选择上难以说明其理由, 因而对于在林火预测预报上应用神经网络的方法, 还有待于进一步研究。

1) 聂玉藻. 2005. 林火时空分析方法与风险模型研建. 北京林业大学学位论文