一种基于三维闪电感知的雷击火风险预测方法及系统与流程

1.本发明涉及森林火灾预测技术领域，具体涉及一种基于三维闪电感知的雷击火风险预测方法及系统。


背景技术：

2.雷击火是由干雷暴形成的闪电与地面具备燃烧条件的可燃物接触所引起的森林火灾。雷击火是自然对森林生态系统进行干扰的一种重要途径，具有随机性、并发性强、扑救难度大等特点。我国森林中的雷击火主要发生在黑龙江省大兴安岭地区。雷击火的发生次数和过火面积在森林火灾中都占很大比重。在全球气候变化的大背景下，由于加强火源管控使人为火明显减少，雷击火发生比率显著上升。雷击火已经对我国林业生态安全造成严重威胁。
3.目前进行林火发生危险性预报的主要手段包括：利用卫星遥感对火情进行监测或logistic回归、神经网络、泊松分布等方法构建数学模型并对林火发生概率进行预测。现有相关技术中：申请号cn202010856353.7一种基于土壤水分的森林火灾预测方法、装置及存储介质，其公开的森林火灾预测方法仅考虑土壤水分和气象因素，缺少对引燃因素的分析，无法对雷击火进行准确预测；申请号cn201811406095.1一种构建森林火险预测模型的方法及装置，其公开的构建森林火险预测模型的方法，没有分析可燃物和火源对林火发生的影响，且未对模型预测精度进行评价；申请号n201710815724.5面向modis林火探测的亮温预测方法和系统，其公开的预测方法难以发现初期在腐殖层中阴燃的雷击火，并且有较大的延时处理时间。
4.综上所述，现有林火发生预测方法准确率偏低、误报率高，影响因子选取受主观因素影响较大；没有重视天然火源对林火发生的影响，不能在雷击火发生早期进行预报。


技术实现要素：

5.鉴于以上问题，本发明提出一种基于三维闪电感知的雷击火风险预测方法及系统，用以解决现有林火预测方法对于雷击火的发生不能准确有效地预测的问题。
6.根据本发明的一方面，提供一种基于三维闪电感知的雷击火风险预测方法，该方法包括以下步骤：
7.步骤1、根据雷击火历史数据获取待预测区域内的历史火点信息，所述历史火点信息包括每个火点的位置数据和时间数据；
8.步骤2、根据雷击火发生影响因素获取影响因子数据集，所述影响因子数据集包括闪电因子数据集、可燃物因子数据集和环境因子数据集；
9.步骤3、根据待预测区域内的历史火点信息和闪电因子数据集计算获得待预测区域内每个火点对应的引燃闪电和非引燃闪电；
10.步骤4、根据所述引燃闪电和非引燃闪电、可燃物因子数据集和环境因子数据集，训练获取雷击火风险预测模型；
11.步骤5、利用雷击火风险预测模型对待预测区域内某一闪电引燃雷击火的风险进行预测，获取预测结果。
12.进一步地，步骤2中获取影响因子数据集的具体步骤包括：
13.步骤21、建立闪电因子数据集：获取闪电定位数据集并对其进行筛选，保留与待预测区域位置相符且类型为地闪的闪电定位数据；根据待预测区域的日降水量数据获得日降水量栅格数据；将保留的闪电定位数据和日降水量栅格数据进行叠加分析，按照预设阈值筛选类型为干雷暴的闪电定位数据，获得闪电因子数据集；所述闪电因子数据集包括每个闪电的发生时间、位置、类型和闪电强度；
14.步骤22、建立可燃物因子数据集：根据待预测区域的地面气象站日值观测数据，计算待预测区域的可燃物湿度指数日值，所述可燃物湿度指数日值包括土壤表层可燃物湿度指数和土壤10cm深度可燃物湿度指数，获得可燃物因子数据集；
15.步骤23、建立环境因子数据集：获取待预测区域的海拔高度和坡度数据作为环境因子数据集。
16.进一步地，步骤3的具体步骤包括：
17.步骤31、计算闪电因子数据集中每个闪电的邻近指数，获得临近指数集；
18.步骤32、在所述临近指数集中选取值在(0,1)之间的临近指数所对应的闪电，以获得每个火点对应的一组闪电；取值在(0,1)之外的临近指数所对应的闪电的定义为未引燃闪电；
19.步骤33、对于每个火点对应的一组闪电，计算该组闪电中每个闪电引燃该火点的引燃概率；
20.步骤34、根据所述引燃概率和闪电强度计算每个火点的引燃闪电强度；
21.步骤35、利用每个火点的引燃闪电强度、位置数据和时间数据建立闪电数据，定义为引燃闪电；在闪电因子数据集中，用引燃闪电替换每个火点对应的一组闪电。
22.进一步地，步骤31中临近指数的计算公式为：
[0023][0024]
式中，a表示闪电的临近指数；t表示火点与闪电发生的时间差；s表示火点与闪电的最短距离；t
max
表示预设的以火点发生时间向前计算的时间阈值；s
max
表示预设的以火点为中心的缓冲区半径。
[0025]
进一步地，步骤33中所述引燃概率计算公式为：
[0026][0027]
式中，ak表示一组闪电中第k个闪电的临近指数；表示一组闪电中所有闪电的临近指数的和。
[0028]
进一步地，步骤34中所述引燃闪电强度的计算公式为：
[0029]
l＝l1p
k1
+l2p
k2
+......+lnp
kn
[0030]
式中，l表示引燃闪电强度；l1、l2、
……
、ln表示每个火点对应的一组闪电中每个闪
电的闪电强度；p
k1
、p
k2
、
……
、p
kn
表示每个火点对应的一组闪电中每个闪电的引燃概率。
[0031]
进一步地，步骤4中所述雷击火风险预测模型为二元logistic回归模型，将闪电发生时的强度、可燃物因子和环境因子作为自变量，将闪电是否引燃雷击火作为因变量，则获取的雷击火风险预测模型为：
[0032][0033]
式中，p
(fire)
表示雷击火发生的概率；intens表示闪电强度，包括引燃闪电强度和未引燃闪电强度；smi表示土壤表层可燃物湿度指数；hmi表示土壤10cm深度可燃物湿度指数；elev表示海拔高度；slope表示坡度；β0,β1,β2,β3,β4,β5表示回归系数。
[0034]
根据本发明的另一方面，提供一种基于三维闪电感知的雷击火风险预测系统，该系统包括：
[0035]
历史火点信息获取模块，其配置成根据雷击火历史数据获取待预测区域内的历史火点信息，所述历史火点信息包括每个火点的位置数据和时间数据；
[0036]
影响因子获取模块，其配置成根据雷击火发生影响因素获取影响因子数据集，所述影响因子数据集包括闪电因子数据集、可燃物因子数据集和环境因子数据集；具体包括：
[0037]
建立闪电因子数据集：获取闪电定位数据集并对其进行筛选，保留与待预测区域位置相符且类型为地闪的闪电定位数据；根据待预测区域的日降水量数据获得日降水量栅格数据；将保留的闪电定位数据和日降水量栅格数据进行叠加分析，按照预设阈值筛选类型为干雷暴的闪电定位数据，获得闪电因子数据集；所述闪电因子数据集包括每个闪电的发生时间、位置信息、类型和闪电强度；
[0038]
建立可燃物因子数据集：根据待预测区域的地面气象站日值观测数据，计算待预测区域的湿度指数日值，所述湿度码日值包括包括土壤表层可燃物湿度指数和土壤10cm深度可燃物湿度指数，获得可燃物因子数据集；
[0039]
建立环境因子数据集：获取待预测区域的海拔高度和坡度数据作为环境因子数据集；
[0040]
引燃闪电强度计算模块，其配置成根据待预测区域内的历史火点信息和闪电因子数据集计算获得待预测区域内每个火点对应的引燃闪电和非引燃闪电；
[0041]
模型训练模块，其配置成根据所述引燃闪电和非引燃闪电、可燃物因子数据集和环境因子数据集，训练获取雷击火风险预测模型；
[0042]
风险预测模块，其配置成利用雷击火风险预测模型对待预测区域内某一闪电引燃雷击火的风险进行预测，获取预测结果。
[0043]
进一步地，所述引燃闪电强度计算模块中计算获得待预测区域内每个火点对应的引燃闪电强度的具体过程包括：
[0044]
步骤31、计算闪电因子数据集中每个闪电的邻近指数，获得临近指数集；其中，所述临近指数的计算公式为：
[0045][0046]
式中，a表示闪电的临近指数；t表示火点与闪电发生的时间差；s表示火点与闪电
的最短距离；t
max
表示预设的以火点发生时间向前计算的时间阈值；s
max
表示预设的以火点为中心的缓冲区半径；
[0047]
步骤32、在所述临近指数集中选取值在(0,1)之间的临近指数所对应的闪电，以获得每个火点对应的一组闪电；取值在(0,1)之外的临近指数所对应的闪电的定义为未引燃闪电；
[0048]
步骤33、对于每个火点对应的一组闪电，计算该组闪电中每个闪电引燃该火点的引燃概率；其中，所述引燃概率计算公式为：
[0049][0050]
式中，ak表示一组闪电中第k个闪电的临近指数；表示一组闪电中所有闪电的临近指数的和；
[0051]
步骤34、根据所述引燃概率和闪电强度计算每个火点的引燃闪电强度；其中，所述引燃闪电强度的计算公式为：
[0052]
l＝l1p
k1
+l2p
k2
+......+lnp
kn
[0053]
式中，l表示引燃闪电强度；l1、l2、
……
、ln表示每个火点对应的一组闪电中每个闪电的闪电强度；p
k1
、p
k2
、
……
、p
kn
表示每个火点对应的一组闪电中每个闪电的引燃概率；
[0054]
步骤35、利用每个火点的引燃闪电强度、位置数据和时间数据建立闪电数据，定义为引燃闪电；在闪电因子数据集中，用引燃闪电替换每个火点对应的一组闪电。
[0055]
进一步地，所述模型训练模块中所述雷击火风险预测模型为二元logistic回归模型，将闪电发生时的强度、可燃物因子和环境因子作为自变量，将闪电是否引燃雷击火作为因变量，则获取的雷击火风险预测模型为：
[0056][0057]
式中，p
(fire)
表示雷击火发生的概率；intens表示闪电强度，包括引燃闪电强度和未引燃闪电强度；smi表示土壤表层可燃物湿度指数；hmi表示土壤10cm深度可燃物湿度指数；elev表示海拔高度；slope表示坡度；β0,β1,β2,β3,β4,β5表示回归系数。
[0058]
本发明的有益技术效果是：
[0059]
本发明利用气象数据和闪电定位监测数据就能实现雷击火风险的预测，因此应用成本较低；综合考虑了影响雷击火发生的火源因子、可燃物因子和环境因子，因此预测精确度较高。本发明基于三维闪电感知对闪电引燃雷击火的风险进行预测，有效克服了现有技术不能进行早期雷击火预报的缺点，提高了预测效率；且能输出可视化的雷击火风险预测结果，能够为森林消防部门合理调配防火资源提供科学依据，为林火预测预报及森林防灾减灾提供决策依据，因而拥有广泛的应用前景。
附图说明
[0060]
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。
[0061]
图1是本发明实施例一种基于三维闪电感知的雷击火风险预测方法的流程示意图；
[0062]
图2是本发明另一实施例一种基于三维闪电感知的雷击火风险预测方法的步骤流程图；
[0063]
图3是本发明实施例中雷击火风险预测模型的roc曲线分析图；
[0064]
图4是本发明实施例中预测结果的可视化图；
[0065]
图5是本发明另一实施例一种基于三维闪电感知的雷击火风险预测系统的结构示意图。
具体实施方式
[0066]
为了使本技术领域的人员更好地理解本发明方案，在下文中将结合附图对本发明的示范性实施方式或实施例进行描述。显然，所描述的实施方式或实施例仅仅是本发明一部分的实施方式或实施例，而不是全部的。基于本发明中的实施方式或实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式或实施例，都应当属于本发明保护的范围。
[0067]
本发明实施例提供一种基于三维闪电感知的雷击火风险预测方法，如图1所示，该方法包括以下步骤：
[0068]
步骤1、根据雷击火历史数据获取待预测区域内的历史火点信息，历史火点信息包括每个火点的位置数据和时间数据；
[0069]
步骤2、根据雷击火发生影响因素获取影响因子数据集，影响因子数据集包括闪电因子数据集、可燃物因子数据集和环境因子数据集；
[0070]
步骤3、根据待预测区域内的历史火点信息和闪电因子数据集计算获得待预测区域内每个火点对应的引燃闪电和非引燃闪电；
[0071]
步骤4、根据引燃闪电和非引燃闪电、可燃物因子数据集和环境因子数据集，训练获取雷击火风险预测模型；
[0072]
步骤5、利用雷击火风险预测模型对待预测区域内某一闪电引燃雷击火的风险进行预测，获取预测结果。
[0073]
本实施例中，可选地，步骤2中获取影响因子数据集的具体步骤包括：
[0074]
步骤21、建立闪电因子数据集：获取闪电定位数据集并对其进行筛选，保留与待预测区域位置相符且类型为地闪的闪电定位数据；根据待预测区域的日降水量数据获得日降水量栅格数据；将保留的闪电定位数据和日降水量栅格数据进行叠加分析，按照预设阈值筛选类型为干雷暴的闪电定位数据，获得闪电因子数据集；闪电因子数据集包括每个闪电的发生时间、位置、类型和闪电强度；
[0075]
步骤22、建立可燃物因子数据集：根据待预测区域的地面气象站日值观测数据，计算待预测区域的湿度指数日值，湿度指数日值包括土壤表层可燃物湿度指数和土壤10cm深度可燃物湿度指数，获得可燃物因子数据集；
[0076]
步骤23、建立环境因子数据集：获取待预测区域的海拔高度和坡度数据作为环境因子数据集。
[0077]
本实施例中，可选地，步骤3的具体步骤包括：
[0078]
步骤31、计算闪电因子数据集中每个闪电的邻近指数，获得临近指数集；
[0079]
步骤32、在所述临近指数集中选取值在(0,1)之间的临近指数所对应的闪电，从而获得每个火点对应的一组闪电，该组闪电被视为有可能引燃雷击火的闪电；取值在(0,1)之外的临近指数所对应的闪电的定义为未引燃闪电；
[0080]
步骤33、对于每个火点对应的一组闪电，计算该组闪电中每个闪电引燃该火点的引燃概率；
[0081]
步骤34、根据所述引燃概率和闪电强度计算每个火点的引燃闪电强度；
[0082]
步骤35、利用每个火点的引燃闪电强度、位置数据和时间数据建立闪电数据，定义为引燃闪电；在闪电因子数据集中，用引燃闪电替换每个火点对应的一组闪电。
[0083]
本实施例中，可选地，步骤31中临近指数的计算公式为：
[0084][0085]
式中，a表示闪电的临近指数；t表示火点与闪电发生的时间差；s表示火点与闪电的最短距离；t
max
表示预设的以火点发生时间向前计算的时间阈值；s
max
表示预设的以火点为中心的缓冲区半径。优选地，t
max
为168h，s
max
为10km，均为经验性参数，可根据实际情况调整。
[0086]
本实施例中，可选地，步骤33中引燃概率计算公式为：
[0087][0088]
式中，ak表示一组闪电中第k个闪电的临近指数；表示一组闪电中所有闪电的临近指数的和。
[0089]
本实施例中，可选地，步骤34中引燃闪电强度计算公式为：
[0090]
l＝l1p
k1
+l2p
k2
+......+lnp
kn
[0091]
式中，l表示引燃闪电强度；l1、l2、
……
、ln表示每个火点对应的一组闪电中每个闪电的闪电强度；p
k1
、p
k2
、
……
、p
kn
表示每个火点对应的一组闪电中每个闪电的引燃概率。
[0092]
本实施例中，可选地，步骤4中雷击火风险预测模型为二元logistic回归模型，将闪电发生时的闪电强度、可燃物因子和环境因子作为自变量，将闪电是否引燃雷击火作为因变量，则获取的雷击火风险预测模型为：
[0093][0094]
式中，p
(fire)
表示雷击火发生的概率；intens表示闪电强度，包括引燃闪电强度和未引燃闪电强度；smi表示土壤表层可燃物湿度指数；hmi表示土壤10cm深度可燃物湿度指数；elev表示海拔高度；slope表示坡度；β0,β1,β2,β3,β4,β5表示回归系数。
[0095]
将需要预测的闪电数据代入上述模型可得到预测值即p
(fire)
，p
(fire)
介于0～1之间，p
(fire)
与雷击火风险成正比。由roc曲线分析可知，模型的最佳分类阈值为0.002，当p
(fire)
大于分类阈值时，判定雷击火发生。
[0096]
需要说明的是，雷击火风险预测模型也可以为其他模型，例如：贝叶斯模型，泊松
回归模型等，其他模型均以闪电是否引燃雷击火作为因变量，闪电强度、可燃物因子和环境因子作为自变量输入模型获得风险预测结果。
[0097]
本发明另一实施例提供一种基于三维闪电感知的雷击火风险预测方法，该方法基于闪电引燃雷击火的概率，综合考虑闪电强度、可燃物湿度、地形等影响因素，使用二元logistic回归模型建立了雷击火风险预测模型。
[0098]
如图2所示，该方法具体包括以下步骤：
[0099]
步骤1、建立待预测区域雷击火历史数据集；
[0100]
根据本发明实施例，获取待预测区域雷击火历史数据，保留具有经纬度坐标和发现时间的火点。导入arcgis系统(一种地理信息系统)对火点的地理坐标进行核对，筛选有效火点数据后，输出雷击火数据。
[0101]
步骤2、确定雷击火发生的影响因子，建立影响因子数据集；
[0102]
步骤2.1闪电因子数据集的构建：获取闪电定位数据进行检验，保留与预测区域地理空间相符的地闪数据，获取预测区域地面气象站日降水量数据进行空间插值处理，将插值结果与地闪数据进行叠加分析，按照闪电发生前48小时降水量低于5mm/日的阈值筛选干闪电，建立闪电因子数据集。
[0103]
步骤2.2可燃物因子数据集的构建：基于中国地面气象站日值观测资料，计算预测区域湿度指数日值，包括土壤表层可燃物湿度指数(smi)和土壤10cm深度可燃物湿度指数(hmi)。对可燃物湿度码进行空间插值处理，建立可燃物集因子数据集。
[0104]
步骤2.3环境因子数据集的构建：基于aster gdemv3数字高程数据，获取海拔高度和坡度数据，建立环境因子数据集。
[0105]
步骤3、计算闪电引燃雷击火概率；
[0106]
由于雷击火点和闪电定位数据存在空间误差，且雷击火的发生具有延迟性，导致闪电与其引燃的雷击火间存在一定的延迟时间。为确定可能引燃雷击火的闪电，通过临近指数a在闪电因子数据集中筛选可能引发雷击火的闪电。则每个火点有一组与其对应的闪电数据。
[0107][0108]
式(1)中，a为闪电的临近指数，t为雷击火点与闪电发生的时间差(h)，s为雷击火点与闪电的最短距离(km)，t
max
为以雷击火发现时间向前计算的时间范围(h)，s
max
为以雷击火点为中心的缓冲区半径(km)。
[0109]
单个闪电引燃雷击火的概率，即闪电k引燃雷击火的概率，为闪电k的临近指数与一组闪电中所有闪电的临近指数之和的比值。
[0110][0111]
式(2)中，式中，ak表示一组闪电中第k个闪电的临近指数；表示一组闪电中所有闪电的临近指数的和。
[0112]
将可能引燃某一火点的所有闪电定义为引燃闪电。每个火点有一个且只有一个对
应的引燃闪电，则引燃闪电强度可通过以闪电引燃概率为权数，对闪电强度进行加权平均计算得到。
[0113]
l＝l1p
k1
+l2p
k2
+......+lnp
kn
ꢀꢀꢀ
(3)
[0114]
式(3)中l表示引燃闪电强度；l1、l2、
……
、ln表示每个火点对应的一组闪电中每个闪电的闪电强度；p
k1
、p
k2
、
……
、p
kn
表示每个火点对应的一组闪电中每个闪电的引燃概率。
[0115]
将该火点的经纬度坐标和发现时间赋值到引燃闪电l。在闪电因子数据集中，用引燃闪电l替换与该火点对应的闪电数据。
[0116]
步骤4、建立雷击火风险预测logistic模型；
[0117]
步骤4.1建立回归分析数据集：从可燃物因子数据和环境因子数据中提取闪电发生时的强度、smi、hmi、海拔和坡度，作为自变量；将闪电是否引燃雷击火作为因变量。
[0118]
步骤4.2多重共线性分析：为减少多重共线性对模型预测精度的影响，利用方差膨胀因子(vif)对自变量进行共线性检验。
[0119]
步骤4.3二元logistic回归分析；
[0120]
利用二元logistic回归模型对雷击火风险进行预测，将闪电是否引燃雷击火作为因变量，雷击火发生的影响因子作为自变量构建二元logistic回归模型。
[0121][0122]
式(4)中，p
(fire)
为闪电引燃雷击火的概率，β0为常数项，xn为雷击火发生影响因子，βn为影响因子的回归系数。
[0123]
本发明另一实施例提供一种基于三维闪电感知的雷击火风险预测方法的具体实施例，以我国雷击火高发地区大兴安岭(包括黑龙江大兴安岭和内蒙古大兴安岭)为例，建立雷击火风险预测模型。
[0124]
步骤1、建立待测区域雷击火历史数据集；
[0125]
根据本实施例，雷击火历史数据来自大兴安岭森林防火部门提供的大兴安岭2015-2020年森林火灾统计表。在森林火灾统计表中筛选起火原因为雷击火，且具有发现时间和经纬度坐标的火点。将筛选后的火点数据导入arcgis中进行检验，得到大兴安岭2015-2020年逐日雷击火点。
[0126]
步骤2、确定雷击火发生的影响因子，建立影响因子数据集；
[0127]
根据本实施例，雷击火的发生的基本条件包括：闪电、可燃物和利于火蔓延的环境。由此构建影响雷击火发生的关键因子数据集，具体包含闪电强度(intens)、土壤表层可燃物湿度指数(smi)、土壤10cm深度可燃物湿度指数(hmi)、海拔(elev)和坡度(slope)5个因子。
[0128]
(1)闪电因子数据集的构建：雷击火是由干雷暴产生的云地闪电所引起，因此需要通过降水量对闪电定位数据中的干雷暴进行筛选，降水量数据来自国家科学气象科学数据中心提供的中国地面气象站日值观测资料。闪电定位数据来自大兴安岭(包括adtd闪电定位监测网和vlf/lf三维闪电监测网)，包含闪电的发生时间、经纬度坐标、类型、强度和极性。首先对大兴安岭地面气象站的日降水量数据进行空间插值处理，得到大兴安岭日降水量栅格数据。选择类型为地闪的闪电与日降水量栅格数据进行叠加分析，得到闪电发生前每日降水量，按照闪电发生前48h降水量低于5mm/日的阈值筛选干雷暴，输出筛选结果并建
立空间投影，建立闪电因子数据集。
[0129]
(2)可燃物因子数据集的构建：湿度码是反映林内可燃物含水量的指标，可通过气象数据计算，包括细小可燃物湿度码(smi)和腐殖质湿度码(hmi)。气象数据来自中国地面气象站日值观测资料，计算方法来自《equations and fortran program for the canadian forest fire weather index system》，删除气象数据缺省值后计算大兴安岭各地面气象站的湿度码日值，对地面气象站的湿度码日值进行反比例插值处理，得到大兴安岭湿度码日值，建立可燃物集因子数据集。
[0130]
(3)环境因子数据集的构建：数据来源于nasa提供的aster gdem v3高程数据分别提取大兴安岭的海拔高度、坡度，建立环境因子数据集。
[0131]
步骤3、计算闪电引燃雷击火概率；
[0132]
根据本实施例，雷击火发生初期多在腐殖层或植被中隐蔽燃烧，常规监测不易发现，雷击火点数据的记录收到主观因素影响，使得雷击火发生时间和位置与实际值存在一定偏差。同时，受闪电定位监测网定位精度和探测效率的影响，闪电定位数据同样存在一定的测量误差。
[0133]
考虑到火点和闪电在和时间和空间上的误差，首先建立一个以雷击火点为中心的缓冲区，以考虑到火点和闪电数据的空间误差，首先建立一个以雷击火点为中心的缓冲区，并定义一个以雷击火发现时间向前计算的时间阈值。并确定两个经验性参数t
max
和s
max
，t
max
表示以雷击火发现时间向前计算的时间阈值，s
max
代表以雷击火点为中心的缓冲区半径。构建闪电的临近指数a在闪电因子数据集中筛选可能引发雷击火的闪电。则每个火点有一组与其对应的闪电数据。
[0134]
通过闪电的邻近指数计算单个闪电引燃雷击火的概率，即闪电k引燃雷击火的概率，为闪电k的临近指数与一组闪电中所有闪电的临近指数之和的比值。
[0135]
由于闪电达到一定的强度才能引燃林内可燃物进而引发雷击火，可假设闪电强度与引燃概率存在相关关系。将可能引燃某一火点的一组闪电定义为引燃闪电，每个火点有一个且只有一个对应的引燃闪电。引燃闪电的强度l通过以闪电引燃概率为权数，对闪电强度进行加权平均计算。将该火点的经纬度坐标和发现时间赋值到引燃闪电。在闪电因子数据集中，用引燃闪电替换与该火点对应的闪电数据。
[0136]
步骤4、建立雷击火风险logistic预测模型；
[0137]
步骤4.1建立回归分析数据集：将闪电是否引燃雷击火作为因变量。对闪电因子数据、可燃物因子数据和环境因子数据分别进行叠加分析，提取闪电发生时的强度(intens)、土壤表层可燃物湿度指数(smi)、土壤10cm深度可燃物湿度指数(hmi)、海拔(elev)和坡度(slope)，作为自变量。
[0138]
步骤4.2多重共线性分析：为减少多重共线性对模型预测精度的影响，利用方差膨胀因子(vif)对自变量进行共线性检验。检验结果如下表1所示。
[0139]
表1多重共线性检验
[0140][0141]
一般地，如果容忍度小于0.1或方差膨胀因子(vif)大于10，则表示有共线性存在。根据表1结果可知，变量间不存在多重共线性。
[0142]
步骤4.3二元logistic回归分析；
[0143]
利用二元logistic回归模型对雷击火风险进行预测，将闪电是否引燃雷击火作为因变量，将影响雷击火发生的可燃物因子和环境因子作为自变量构建二元logistic回归模型。
[0144]
具体地，对回归分析数据集进行二元logistic回归分析，构建雷击火风险预测模型。模型参数及检验参数见表2。
[0145]
表2模型参数和检验结果
[0146][0147]
则雷击火风险预测概率模型为：
[0148][0149]
步骤4.4模型准确性检验
[0150]
对雷击火风险预测模型进行roc曲线分析，得到roc曲线和检验变量的曲线下面积(area under the curve,auc)，auc值越高说明预测准确率越高。auc接近0.5预测无意义，auc＜0.7表示模拟准确率较低，auc介于0.7～0.9表示预测准确性中等，auc＞0.9时表示预测有较高的准确性。以模型的预测值作为检验变量，以雷击火是否发生作为状态变量进行roc曲线分析，如图3所示，预测值的auc为0.815，说明模型的预测效果较好。通过roc曲线分析可知，模型的最佳分类阈值为0.002，当p
(fire)
大于分类阈值时，判定雷击火发生。
[0151]
将2020年闪电的强度、smi、hmi、海拔和坡度数据代入上述雷击火风险预测模型，对模型预测的精确度进行检验。检验结果如下表3所示。
[0152]
表3精确度检验
[0153]
[0154]
步骤5、预测结果可视化处理；
[0155]
根据待预测闪电的坐标和发生时间分别提取强度、可燃物因子和环境因子，计算闪电引燃雷击火的概率，将预测结果导入arcgis系统转换为带有预测值字段的坐标点文件，以预测值为权重进行点密度分析，根据预测的概率值将雷击火风险平均划分为5个等级：极低、低、中、高和极高；输出预测结果的可视化数据。以2020年7月12日为例进行可视化处理，如图4所示。
[0156]
本发明另一实施例提供一种基于三维闪电感知的雷击火风险预测系统，如图5所示，该系统包括：
[0157]
历史火点信息获取模块110，其配置成根据雷击火历史数据获取待预测区域内的历史火点信息，历史火点信息包括每个火点的位置数据和时间数据；
[0158]
影响因子获取模块120，其配置成根据雷击火发生影响因素获取影响因子数据集，影响因子数据集包括闪电因子数据集、可燃物因子数据集和环境因子数据集；具体包括：
[0159]
建立闪电因子数据集：获取闪电定位数据集并对其进行筛选，保留与待预测区域位置相符且类型为地闪的闪电定位数据；根据待预测区域的日降水量数据获得日降水量栅格数据；将保留的闪电定位数据和日降水量栅格数据进行叠加，按照预设阈值筛选类型为干雷暴的闪电定位数据，获得闪电因子数据集；闪电因子数据集包括每个闪电的发生时间、位置、类型和闪电强度；
[0160]
建立可燃物因子数据集：根据待预测区域的日值观测数据，计算待预测区域的湿度指数日值，湿度指数日值包括土壤表层可燃物湿度指数和土壤10cm深度可燃物湿度指数，获得可燃物因子数据集；
[0161]
建立环境因子数据集：获取待预测区域的海拔高度和坡度数据作为环境因子数据集；
[0162]
引燃闪电强度计算模块130，其配置成根据待预测区域内的历史火点信息和闪电因子数据集计算获得待预测区域内每个火点对应的引燃闪电和非引燃闪电；
[0163]
模型训练模块140，其配置成根据引燃闪电和非引燃闪电、可燃物因子数据集和环境因子数据集，训练获取雷击火风险预测模型；
[0164]
风险预测模块150，其配置成利用雷击火风险预测模型对待预测区域内某一闪电引燃雷击火的风险进行预测，获取预测结果。
[0165]
本实施例中，可选地，引燃闪电强度计算模块130中计算获得待预测区域内每个火点对应的引燃闪电强度的具体过程包括：
[0166]
步骤31、计算闪电因子数据集中每个闪电的邻近指数，获得临近指数集；其中，临近指数的计算公式为：
[0167][0168]
式中，a表示闪电的临近指数；t表示火点与闪电发生的时间差；s表示火点与闪电的最短距离；t
max
表示预设的以火点发生时间向前计算的时间阈值；s
max
表示预设的以火点为中心的缓冲区半径；
[0169]
步骤32、在所述临近指数集中选取值在(0,1)之间的临近指数所对应的闪电，以获
得每个火点对应的一组闪电，这组闪电被视为有可能引燃雷击火的闪电；取值在(0,1)之外的临近指数所对应的闪电的定义为未引燃闪电；
[0170]
步骤33、对于每个火点对应的一组闪电，计算该组闪电中每个闪电引燃该火点的引燃概率；其中，引燃概率计算公式为：
[0171][0172]
式中，ak表示一组闪电中第k个闪电的临近指数；表示一组闪电中所有闪电的临近指数的和；
[0173]
步骤34、根据引燃概率和闪电强度计算每个火点的引燃闪电强度；其中，引燃闪电强度的计算公式为：
[0174]
l＝l1p
k1
+l2p
k2
+......+lnp
kn
[0175]
式中，l表示引燃闪电强度；l1、l2、
……
、ln表示每个火点对应的一组闪电中每个闪电的闪电强度；p
k1
、p
k2
、
……
、p
kn
表示每个火点对应的一组闪电中每个闪电的引燃概率；
[0176]
步骤35、利用每个火点的引燃闪电强度、位置数据和时间数据建立闪电数据，定义为引燃闪电；在闪电因子数据集中，用引燃闪电替换每个火点对应的一组闪电。
[0177]
本实施例中，可选地，模型训练模块140中雷击火风险预测模型为二元logistic回归模型，将闪电发生时的强度、可燃物因子和环境因子作为自变量，将闪电是否引燃雷击火作为因变量，则获取的雷击火风险预测模型为：
[0178][0179]
式中，p
(fire)
表示雷击火发生的概率；intens表示闪电强度；smi表示土壤表层可燃物湿度指数；hmi表示土壤10cm深度可燃物湿度指数；elev表示海拔高度；slope表示坡度；β0,β1,β2,β3,β4,β5表示回归系数。
[0180]
本实施例所述的一种基于三维闪电感知的雷击火风险预测系统的功能可以由前述一种基于闪电引燃概率的雷击火预测方法实施例说明，因此本实施例未详述部分，可参见以上方法实施例，在此不再赘述。
[0181]
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。