文章信息
- 杨广斌, 刘鹏举, 唐小明
- Yang Guangbin, Liu Pengju, Tang Xiaoming
- 动态数据驱动的林火蔓延模型适宜性选择
- Application of Automatic Selection System of Forest Fire Spread Models Driven by Dynamic Data
- 林业科学, 2011, 47(1): 107-112.
- Scientia Silvae Sinicae, 2011, 47(1): 107-112.
-
文章历史
- 收稿日期:2009-08-07
- 修回日期:2010-08-18
-
作者相关文章
2. 中国林业科学研究院资源信息研究所 北京 100091
2. Institute of Forest Resource Information Techniques, CAF Beijing 100091
森林火灾一旦发生,就必须根据影响林火行为的各项因素确定林火蔓延的趋势,实时有效地预测、模拟林火行为,以便科学、及时地做出林火指挥扑救决策。林火行为预测的重要途径是依据林火蔓延模型,预测其实时蔓延速度、火线长度或火场面积(肖化顺等,2006)。
目前,美国的Rothermel模型、中国的王正非林火蔓延模型、澳大利亚的McArthur模型、加拿大的国家林火蔓延模型,以及在这些模型基础上的修正模型,都有其特殊的应用范围和适用条件,尤其是林火蔓延的自然条件与模型本身的假定差距较大时,往往会因累积作用而产生较大误差(唐晓燕等,2002)。而建立一个与林火发生地区相适宜的模型又需要很长的周期和大量的试验,这就需要在已有林火蔓延模型中选择出一个较适宜的模型,进而根据本地实际情况对模型进行修正。
对于林火蔓延模型的适宜性评价,一些学者提出基于模糊数据挖掘技术的林火蔓延模型选择与燃烧不同阶段基于产生式规则的模型选择策略,利用环境相似性匹配的最大贴近度或经验知识辅助模型选择(肖化顺等,2006;田勇臣等,2007)。有些学者基于BP神经网络建立了林火风险预测模型以及森林火环境预测模型(曾孝平,2005;Mandel et al., 2005),利用神经网络在智能决策支持系统中研究了模型的自动选择(Sohl et al., 1995;郭煌等,2007;冯玉强等,2001)。动态数据驱动模拟系统(dynamic data driven application system, DDDAS)是一种全新的模拟应用模式,旨在将模拟和试验有机结合起来,使模拟可以在执行过程中动态地从实际系统接收新数据并做出响应,模拟结果也可以动态地控制实际系统的运行,指导测量的进行。模拟和实际系统之间构成一个相互协作的共生的动态反馈控制系统(韩守鹏等,2006)。动态数据驱动的林火蔓延模拟强调在林火蔓延模拟过程中依据实时监测的火场数据改进模拟精度,同时对前期模拟结果做出评价,以达到消除累积误差与动态模型选择,提高模拟精度。因此需要研究利用模拟结果与历史数据对模型进行适宜性评价,为模拟过程模型动态选择提供依据(Mandel et al., 2005;杨广斌,2008)。
本研究以动态数据驱动的林火蔓延自适应模拟为应用环境,选择BP人工神经网络方法作为工具,设计林火模型选择的方法与流程,并以北京市林火历史数据为基础进行实例验证,证明该方法可有效实现模型的智能化选择,从而支持动态数据驱动的林火蔓延自适应模拟,为林火蔓延模拟精度的提高奠定基础。
1 林火模型选择的框架结构林火蔓延模型选择属于模型结构的选择,可以看成是一种特殊的模式识别,即模型对林火环境数据特征的识别。基于历史火场记录知识和系统模拟过程中自动生成的模型知识,利用人工神经网络技术,建立林火模型适宜性选择模型,可以实现模型的自动选择。
基于BP人工神经网络的林火模型适宜性选择过程及其框架结构如图 1所示,它包括2部分内容:知识学习和模型选择。知识学习就是通过样本进行学习得到模型选择知识库,包括确定网络框架、学习样本和神经元学习3部分内容。模型选择过程由5部分组成:火场环境参数(动态数据)、输入模式转换、模型选择(推理机制)、模型知识库(神经网络权值)和输出模式转换。
神经元表示各个不同的变量和不同的值,即神经网络的输入和输出变量,本研究中输入变量为火场环境因子,输出变量是林火模型。神经元网络层次一般包括输入层和输出层,对于较复杂的系统引入一层或多层隐含层,本研究采用3层神经网络结构,即1个输入层、1个输出层和1个隐含层。网络单元的连接采用分层全连接结构,即相邻2层之间都要连接。神经元作用函数用得较多的有2种:阶梯函数和S型函数。阈值的选取可为定值或者进行迭代计算。
1.1.2 学习样本学习样本包括历史样本和在线生成样本,历史样本是根据历史火场记录经过数据处理形成的;在线生成样本是指在林火模型选择过程中,根据输入参数和输出结果自动形成的样本。
1.1.3 神经网络学习神经网络学习就是选择学习算法并实现学习过程,在本研究中采用BP神经网络(误差反向传播算法)来实现学习过程。
1.2 动态数据驱动的模型自动选择动态数据驱动模型选择的核心是实现基于变化环境的模型的选择与模型参数的实例化,也就是不同的林火环境选择不同的模型,并确定适宜的参数。
1.2.1 模型选择模型选择的过程就是基于神经元的信息处理过程,根据模型选择知识和输入参数在模型库中推理(选择)出适宜的林火模型。
1.2.2 知识库模型选择知识库主要存放各个神经元之间的连接权值,由于上下2层间各神经元都有关系,用二维数组表示为W(i,j),i行对应上层结点,j列对应下层结点。
1.2.3 输入与输出模式转换实际问题的输入与输出,一般以概念形式表示; 而神经元的输入,要求以(-∞,+∞)间的数值形式表示,输出是在[0,1]间的数值形式。这需要将物理概念转换成数值或者将数值向物理概念转换。比如将不同的植被类型用不同的数值加以区分,林火模型选择输出的结果是[0,1]间的数值,不能直接表示选择出的是哪个模型,需要将数值转化为实际选出的模型概念。
2 林火模型选择的神经网络结构设计 2.1 确定输入输出结点以X表示林火模型选择神经网络的输入向量,即
(1) |
式中: xj为植被、坡度和风速等向量。
以O表示林火模型选择神经网络的输出向量,即
(2) |
式中:Ol为Rothermel模型、王正非模型和加拿大林火模型等向量。
X和O之间的关系可用一般函数表示:
(3) |
X和O之间的关系可通过实际火场蔓延速度和模型计算速度来确定,也可通过实际林火蔓延面积和模型模拟计算面积来确定。
2.2 确定隐含层的层数和结点数关于隐含层及其结点数的选择比较复杂,一般原则是在能正确反映输入输出关系的基础上,应选用较少的结点数,以使网络结构尽量简单。具体确定方法目前还无理论指导,通常是靠经验和试凑,有些研究通过输入和输出层结点数来确定隐含层结点数,用输入层和输出层结点的平均值来确定隐含层结点数取得了较好的计算效果。一般情况下,1个隐含层和一定量的隐含层结点构成的3层神经网络就可获得复杂的非线性处理能力,因此本研究主要用3层网络构建林火模型选择的神经网络结构。
2.3 构建神经网络结构建立一个3层的BP神经网络,网络结构如图 2所示。图中xj为输入结点,yi为隐结点的输出,Ol为输出结点,Wji为输入结点与隐结点之间的网络权值,Tli为隐结点与输出结点之间的网络权值。
影响林火蔓延速度的因素很多(Rothermel,1972;Fujioka,1985;Hanson et al., 2000;Bak et al., 1990),而且每个林火蔓延模型的输入因子也各不相同,经综合分析评价几种模型,选择对林火蔓延速度影响最大、最直接的5种因子作为模型适宜性选择的指标因子,并对每一指标因子进行分类和编码。指标因子的分类并不表示等级差异,而只代表不同的类别,因此在用代码表示时,不用表示等级差异的数值,而是采用0,1编码的方式进行区别,如表 1所示。
神经网络的输出因子就是要选择的适宜林火蔓延模型。对于历史林火,可以根据过火面积和当时火场环境因子计算出它的平均蔓延速度作为实际林火蔓延速度以验证模型可适宜性,计算过程如下:
1) 火场面积计算方法及公式 林火初期蔓延模型包括3种:静风型、强风型和风向摆动型,无论那种情况下火场边缘廓线对起火点均呈抛物线形状(宋志杰,1991)。
依据抛物线形状的火场蔓延面积坐标图(图 3),横轴x为火的前进方向,纵轴y为火向侧方蔓延方向,y′为向另一侧蔓延方向,x′为火沿逆风方向蔓延的分量,这样BOB′所包括的面积S即为火场面积。
(4) |
式中:l1为由火尾点到火头的直线OC的距离;l2为火翼的长度即直线BB′的距离。
2) 火场蔓延速度计算方法 设蔓延时间为t,火头蔓延速度为v,在不同风速下可测得火头与火翼的蔓延速度比,比值用R表示,则林火蔓延面积与蔓延速度的关系可表示为:
(5) |
至此,就可以根据火场面积S、火场蔓延时间t和火翼与火头蔓延速度比R(R由风速决定)计算出火头的蔓延速度,即火场实际蔓延速度。
3) 确定输出因子 火场实际蔓延速度确定之后,同时还可以将火场环境因子值输入到待选的每个林火蔓延模型中,模拟出每个模型理论上的林火蔓延速度,然后将每个模型计算的理论值与实际蔓延速度相比,误差最小的就是适宜于这场林火蔓延模拟的模型,这样就确定了输出因子。
4 林火模型选择实现与验证 4.1 林火选择模型建立以本京市为例,从1986—2006年518场历史火场中选择出有详细火场情况记录的72场林火作为试验样本(图 4)。选择样本时将植被及地形变化不大,火灾发生过程风向稳定,时间较短作为选择条件,这样以保证模型模拟结果更接近实际运行,验证结果更有说服力。其中60条记录作为学习样本集,12条记录作为验证样本。
根据北京火场环境情况,同时为了简化计算,选取美国的Rothermel模型和中国的王正非模型作为输出因子,并根据火场环境数据计算出各模型的理论蔓延速度,然后与实际林火蔓延速度对比,选择出适宜该场火模拟的林火蔓延模型。
依据选择因子,学习样本记录格式如表 2所示。
通过对网络的隐层结点数、学习率、动量因子和训练次数的大量训练,当网络隐层节点为4、学习率η=0.1、动量因子α=0.7和训练次数8 750次时,该网络达到了预先确定的精度95%。把网络权值以知识的形式存入知识库,利用此知识便可以进行林火模型的适宜性选择了。学习结果形成的网络权值和阈值为:
4.2 模型选择精度验证为了验证以上网络学习的效果,将整理好的12场历史火场记录作为网络输入因子,预测其输出值。并将通过神经网络选择的林火模型结果与通过模型计算选择的结果进行对比(表 3),评估神经网络的预测精度。
在表 3预测的12条记录中,其中9条与模型计算结果相符,2条选择错误,另1条没有做出明确选择,这与计算结果也是相符的,因为这条记录通过计算也很难比较出选择哪个模型。因此,通过历史火场数据建立网络学习知识,其预测(模型选择)精度可达到80%以上。
5 结论本研究利用神经网络技术实现了林火蔓延模型的自动化和智能化选择,解决了动态数据驱动的林火蔓延模拟关键技术。研究中用到的试验和验证数据都是历史火场记录数据,或者是根据历史火场记录数据计算出的间接数据,目的在于说明技术的实现方法和实现过程,不代表系统建成以后的实际运行精度。目前系统研究仍处于初步探索和试验阶段,还没有将研究成果与业务化运行系统进行集成。系统建设的目的是真正与实践结合,提高林火扑救的指挥决策能力,最终使研究成果真正应用到林火扑救的实践工作当中。
冯玉强, 潘启树. 2001. 基于神经网络与专家系统结合的模型自动选择[J]. 哈尔滨工业大学学报, 33(1): 24-27, 123. |
郭煌, 赵海岩, 张晓丰, 等. 2007. 基于BP神经网络的模型结构自动选择[J]. 弹箭与制导学报, (5): 214-216. |
韩守鹏, 邱晓刚, 黄柯棣. 2006. 动态数据驱动的适应性建模与仿真[J]. 系统仿真学报, 18(增刊2)): 147-151. |
宋志杰. 1991. 林火原理和林火预报[M]. 北京: 气象出版社.
|
唐晓燕, 孟宪宇, 易浩若. 2002. 林火蔓延模型及蔓延模拟的研究进展[J]. 北京林业大学学报, 24(1): 87-91. |
田勇臣, 刘少刚, 赵刚, 等. 2007. 森林火灾蔓延多模型预测系统研究[J]. 北京林业大学学报, 29(4): 49-53. |
肖化顺, 张贵, 刘大鹏, 等. 2006. 模糊数据挖掘技术支持下的林火蔓延模型选择研究[J]. 北京林业大学学报, 28(6): 94-96. |
杨广斌. 2008. 动态数据驱动的林火蔓延模拟系统关键技术研究. 中国林业科学研究院博士学位论文.
|
曾孝平, 刘敬, 刘德, 等. 2005. 基于BP神经网络的森林火环境预测方法[J]. 重庆大学学报:自然科学版, 28(1): 73-76. |
Bak P, Tang C. 1990. A forest-fire model and some thoughts on turbulence[J]. Physical Letters A, 147(5/6): 297-300. |
Fujioka F M. 1985. Estimating wildland fire rate of spread in a spatially nonuniform environment[J]. Forest Science, 31(1): 21-29. |
Hanson H P, Bradley M M, Bossert J E, et al. 2000. The potential and promise of physics-based wildfire simulation[J]. Environmental Science & Policy, 3(4): 161-172. |
Mandel J, Bennethum L S, Chen M, et al. 2005. Towards a dynamic data driven application system for wildfire simulation[J]. Computer Science, 3515: 632-639. |
Rothermel R C. 1972. A mathematical model for predicting fire spread in wildland fuels[J]. USDA Forest Service Research Paper INT, (115): 40. |
Sohl J E, Venkatachalam A R. 1995. A neural network approach to forecasting model selection[J]. Information & Management, 29(6): 297-303. |