技术特征：
1.一种基于地形地貌及遥感数据进行森林火灾预测的方法，其特征在于，包括如下步骤：步骤(1)、数据特征选取将预测森林火灾使用的数据特征划分为静态数据和动态数据两类，所谓静态数据即如地形地貌、人类影响指数等不会随着时间变动的数据，该部分数据不会因短期时间的变化而变化，可作为森林火灾预测的基础数据；静态特征数据主要包括地形地貌数据、土地覆盖类型(mod12q1)以及人类影响指数；动态数据为每日的气象数据、每日地表反射率等描述当日气候或植被、土地情况的数据，具有一定的时效性；步骤(2)、数据预处理地形数据、地形矢量数据及遥感数据一般为空间数据，其包含着空间地理坐标信息，而获取的数据往往不仅仅包含着待预测区域的数据；因此需要对空间数据进行范围等的相关处理；步骤(3)、森林火灾预测针对上述步骤(2)处理完成的栅格数据构建森林火灾预测模型，对待预测区域的每个网格进行预测。2.根据权利要求1中所述的一种基于地形地貌及遥感数据进行森林火灾预测的方法，其特征在于，步骤(1)中具体选取的数据特征描述如下：气象数据：待预测日前一日的降水量、蒸发量、待预测日预报的降水量、风速、风向等气象数据；地形地貌数据：待预测区域的dem高程数据、待预测区域坡度、坡向数据；遥感数据：(1)、土地覆盖类型：森林火灾的发生概率与土地的类型密不可分，如城镇与建成区、冰雪、水体、湿地等非草木类土地不可能发生森林火灾，而不同的自然植被类型的易燃情况也不相同；因此土地覆盖类型的使用十分有必要；modis数据产品将土地覆盖类型划分为17个类别，其中包括11个自然植被类型、3个土地开发和镶嵌的地类以及3个非草木土地的地类；本发明采用mod12q1地表覆盖类型96天合成数据；(2)、地表温度数据：地表温度对森林火灾的预测是十分重要的，采用每日mod11a1的地表温度数据；(3)、地表各波段反射率：火险因子指数通常是根据森林中分布的气象站点来计算的，但受到地形、经济等因素的制约，这些信息往往不够全面或难以获取；因此，通过遥感数据来计算实时火险因子指数就十分有意义；火险因子指数可以采用每日地表各波段的反射率计算得到；垂直水分指数(pmi)：该指数意义为计算活可燃物含水量；植被的含水量与森林火灾的发生具有极高的相关性；pmi作为反演植被含水量的重要指标之一；可见大气指数(vari)：该指数通过植被的相对绿色度来测量植被的含水量，其可以有效的监测森林火险情况；归一化火灾指数(mndfi)：该指数根据植被的活性而建立的，植被活性越高，其叶绿素含量越高，地表反射率第2波段与叶绿素成高度正相关，第7波段与温度相关，随着气温上升
第7波段的反射率值也随之上升，综合考虑下得到归一化火灾指数；采用mod09ga每日地表反射数据；该遥感数据集中包含许多波段的地表反射情况；具体计算公式如公式(1-1)至公式(1-3)所示：pmi＝-0.73(λ
5-0.94λ
2-0.028)
ꢀꢀꢀꢀꢀꢀꢀ
(1-1)1)其中λ
i
为某一波段的地表反射率；其他数据：人类影响指数数据；人类影响指数是由野生动物保护协会(wcs)和哥伦比亚大学国际地球科学信息网络中心共同提出的；该数据根据人口密度、道路、建成区、土地使用类型等综合要素建立的，其目的是对自然资源规划、人与自然的相互影响等方面进行研究；该数据范围为0～100，表示人类活动的密集性；值越大，表示该处人类活动越频繁，反之亦然；对于森林火灾而言，人类活动越频繁，虽人为产生火灾的风险会增大，但易于被人发现并及时扑灭，不易引发更大范围灾害，而人类活动较少的地区出现火点后难以及时发现，反而更容易引起森林火灾；因此该指数也被纳入森林火灾预测的特征中。3.根据权利要求1中所述的一种基于地形地貌及遥感数据进行森林火灾预测的方法，其特征在于，步骤(2)中具体步骤如下：2.1、数据掩膜：掩膜是一种图像滤镜的模板，采用待预测区域的行政区划模板对遥感图像、dem数据进行提取，就可以得到待预测区域的数据，去除冗余数据；数据处理的第一步分别将地形矢量数据、遥感数据；及人类影响指数等分别进行掩膜处理，得到待预测区域的数据集，完成数据处理的第一步；2.2、像元统一：对完成掩膜的数据进行像素大小统一；为了使森林火灾风险预测范围精确，方便找到易发生火灾的具体地理位置，我们将待预测区域采用大小为n*n的方格进行划分，预测时对每个方格依次进行分析，这样就可以把预测结果精确至每一个网格中，从而对每个网格都能进行精准的风险预警预报；本模型采用500m*500m的方格进行划分，因此，需要对数据进行像元大小统一处理；将2.1掩膜后的数据按照500m*500m的像元大小转化为栅格数据，即每个格子代表500m*500m的空间范围，每一个空间范围都有其自己的特征数据，方便进行建模预测；2.3、数据归一化及分类处理：不同的数据类型有着自己的量纲，或者不同的分类；需要对数据进行转换，以方便计算；结合相关文献，将森林火险按照危险情况划分为5个等级，数字越小则发生火灾的可能性越低，反之亦然；将所有特征参考相关文献，对每一个特征数据分别进行风险大小分类，根据类别或引起森林火灾的容易程度将其映射至1～5区间内；进行标量化及数据离散化处理；如对天气而言，大雨对应风险等级为1；对坡向而言，朝南的坡向更易发生火灾，划分为5，东南的坡向划分为4；将2.2的栅格数据转化为统一的离散化标量数据，即完成了数据的预处理工作。4.根据权利要求1中所述的一种基于地形地貌及遥感数据进行森林火灾预测的方法，其特征在于，步骤(3)中具体方法如下：3.1训练集选取：选取待预测区域历史mod14a1火点遥感数据作为火灾数据，其中类别7
为低置信度火点、8为中置信度火点、9为高置信度火点，其他类别为没有火的裸地、未处理像元、云或水域等像元；将类别7～类别9分为有火点，将没有火的裸地、水域等其他类别划分为无火点数据，并选取对应日期的动态特征数据作为森林火灾风险预测的训练集，即将风险预测问题转化为像元的二分类问题；采用训练集对模型进行训练；3.2模型选取：采用逻辑回归模型对栅格数据进行森林火灾风险分类；逻辑回归因其简单、可并行化、可解释性强深受工业界喜爱；逻辑回归是一种连续型概率分布模型，其分布函数如公式(3-1)其中，μ为位置参数，γ>0为形状参数；二分类情况下，输出y＝1的对数几率由输入x的线性函数表示，其公式如(3-2)所示采用极大似然估计来对模型进行求解，即找到一组参数，使得在这组参数下，数据的概率最大，设：p(y＝1|x)＝p(x)
ꢀꢀꢀꢀꢀꢀꢀꢀ
3-3)p(y＝0|x)＝1-p(x)
ꢀꢀꢀꢀꢀꢀ
(3-4)似然函数为：对等式两边同时取对数可得：l(ω)＝∑[y
i
ln p(x
i
)+(1-y
i
)ln(1-p(x
i
))]
ꢀꢀꢀꢀꢀꢀ
(3-6)由于火点数据较少，存在严重的数据不平衡问题，因此对于不同的类别引入不同的加权因子，增大对火点数据的误差惩罚；该模型的损失函数如公式(3-7)所示l(ω)＝-∑[λ1·
y
i
ln p(x
i
)+λ0·
(1-y
i
)ln(1-p(x
i
))]
ꢀꢀꢀ
(3-7)其中λ0，λ1分别表示是否为火点的加权因子，采用火点与非火点占比的倒数作为参考值；以损失函数最小为目标即为似然函数最大化；二分类逻辑回归的输出概率值代表了输出类别的置信度，概率值越高则置信度越高，我们将森林火灾的发生分为5个等级，因此在逻辑回归输出类别及概率后，根据概率值的大小将其映射至风险等级中；具体如下：当p(y＝0|x)>0.8时，认为该网格森林火灾风险等级为1；当0.5<p(y＝0|x)≤0.8时，认为该网格森林火灾风险等级为2；当0.5<p(y＝1|x)≤0.65时，认为该网格森林火灾风险等级为3；当0.65≤p(y＝1|x)≤0.8时，认为该网格森林火灾风险等级为4；当p(y＝1|x)>0.8时，认为该网格森林火灾风险等级为5；即完成了每个网格的森林火灾风险等级的预测工作。
技术总结
本发明提供一种基于地形地貌及遥感数据进行森林火灾预测的方法，包括如下步骤：(1)、数据特征选取：静态特征数据主要包括地形地貌数据、土地覆盖类型以及人类影响指数；(2)、数据预处理：地形数据、地形矢量数据及遥感数据一般为空间数据，其包含着空间地理坐标信息，而获取的数据往往不仅仅包含着待预测区域的数据；因此需要对空间数据进行范围等的相关处理；(3)、森林火灾预测：针对上述步骤(2)处理完成的栅格数据构建森林火灾预测模型，对待预测区域的每个网格进行预测。本发明根据遥感数据，人类影响指数及DEM高程地形等数据，通过一系列的数据处理、分类，对网格化的待预测区域依次进行森林火灾风险等级的预测。依次进行森林火灾风险等级的预测。依次进行森林火灾风险等级的预测。
技术研发人员：李华松 尹书娟 朱安安
受保护的技术使用者：杭州叙简科技股份有限公司
技术研发日：2022.03.24
技术公布日：2022/8/12