细粒度的森林火灾概率预报系统的制作方法
【技术领域】
[0001] 本发明涉及一种林火预测预报系统，特别是涉及一种基于数据驱动方法建模的林 火预测预报系统。
【背景技术】
[0002] 森林是重要的资源之一，森林火灾是影响森林发展的主要灾害，不仅直接影响森 林生态平衡，造成经济和生态资源流失，而且危及到人民生命财产的安全[1 ]。设计简单实 用的林火预测预报系统，是降低森林火灾危害的重要措施。
[0003] 国外对林火预测预报的研究工作开展得较早。美国开发出国家火险等级系统 (NFDRS)[2]，以气象、地形、可燃物等多种因素作为输入，基于燃烧原理和实验室试验发展 建立物理模型，计算森林火险指标。但NFDRS组成结构极为复杂，在实际应用中较难实施
[3] ;且其预报模型是基于物理的方法，需要进行大量的实验。
[0004] 加拿大开发出加拿大森林火险天气指数(FWI)系统[4]，其结构如图1所示。该系统 从可燃物含水率平衡理论出发，以4种基本的气象观测数据作为输入，通过大量点火试验建 立计算模型，经过一系列推导、计算，最终以火险天气指标来进行火险预报。但其仅考虑气 象因素对林火发生的影响，忽略了可燃物和地形等因素的空间变化[3]。
[0005] 韩国针对本国森林火灾的特点，开发出适用于韩国地区的国家森林火险等级预报 系统(KFFDRI) [5]，如图2所示。KFFDRI以韩国1997-2001年之间的森林火灾历史数据及同期 气象数据和126次火灾现场调查数据为基础，建立基于气象因子、可燃物因子和地形因子的 半机理半统计模型进行林火等级预报。但KFFDRI仅适用于韩国地区，不易推广[6]。
[0006] 澳大利亚于19世纪50年代后期构建了本国的森林火险等级系统(McArthur) [3]。 该系统以野外点火实验为基础，研究并制定了四个子模型：干旱因子模型、可燃物湿度模 型、蔓延速度模型和扑救困难模型，用于火险等级的评定。该系统的输入因子包括长期的干 旱指数，以及近期的降水量、温度、湿度和风速，根据火灾的扑救困难程度制定森林火险等 级。
[0007] 我国对林火预测的研究起步较晚，且主要是在美国、加拿大等国家的成果基础上， 结合我国的实际情况进行的，如由中国气象局发布并于2007年10月1日实施的《中国气象行 业标准(QX/T77-2007)--森林火险气象等级》。该方法的输入包括5种当期气象因子和7种 前期气象因子，首先利用计算公式计算各气象因子对森林火险的贡献度，然后计算当期因 子指数和前期因子指数，最后利用上一步的结果计算森林火险气象指数。目前我国应用于 林火监测的系统较多，但用于林火预测的成型系统较少。虽然我国已研制和发展出数十种 火险预报方法，但到目前为止还没有建立一套综合考虑气象、植被、地理以及人类活动等影 响因素的国家级林火预测预报系统[7]。
[0008] 导致林火发生的因素众多，机制复杂，并且因果之间呈非线性关系，传统的林火预 测预报系统旨在通过将多种气象因素通过一定的组合建立线性模型进行林火预测[8]，但 各林场所处的地形各不相同，各因素对林火的影响程度各不相同，林火的发生也不只受气 象因素的影响，从而导致预测效果并不理想[9];且传统林火预测预报系统的空间粒度较 为粗略，时效性较差，不能满足各级森林防火工作的实际需求。
【发明内容】
[0009] 为克服现有技术的不足，针对传统林火预测预报系统预测精度不高、空间粒度较 粗等问题，设计并实现实用的林火概率预报系统以达到如下目标：
[0010] (1)考虑多种因素对林火发生的综合影响关系，提高系统的预测精度；
[0011] (2)构建贝叶斯网络模型，将贝叶斯网络的相关理论应用到林火预测预报领域，发 挥贝叶斯网络在处理此类不确定性问题的优势，提高系统的预测精度；
[0012] (3)构建概率分配模型，将大范围的林火概率进行分配，细化系统的空间粒度；
[0013] (4)制定林火风险等级并将之可视化，直观地表征林火发生的难易程度。
[0014] 本发明采用的技术方案是，细粒度的森林火灾概率预报系统，包括：
[0015] 关系型数据库模块，关系型数据库模块进一步包括气象观测数据库、气象预报数 据库、模型输入因子数据库、模型数据库和林火概率数据库;气象观测数据库存储当日的气 象观测数据，用于更新模型输入因子数据库中的数据;气象预报数据库存储用于贝叶斯网 络推理的气象预报数据;模型输入因子数据库存储用于构建贝叶斯网络模型和概率分配模 型的历史数据和空间数据，包括气象历史数据、林火历史数据、地理数据、地表覆盖数据、人 口分布数据;林火概率数据库存储系统的计算结果，包括由贝叶斯网络推理得到的县级林 火概率，由概率分配模型计算得到的300m X 300m粒度林火概率，以及相应的林火风险等级； 模型数据库存储系统的模型文件，为每个地区的林火概率提供计算模型；
[0016] 数据库管理模块，提供对数据库中基础信息的处理，实现数据的导入、数据格式转 换、数据编辑、修改、查询；
[0017] 数据采集模块完成对系统输入数据的采集工作，其中气象历史数据需要编写网络 爬虫程序进行采集;包括地表覆盖、海拔的栅格数据借助地理信息系统工具进行提取；
[0018] FWI指数计算模块完成森林火险天气指数计算功能，首先由午时气温、午时相对湿 度、午时风速、24小时降水量计算得到5个中间指数，再由5个中间指数计算得出当日的FWI 指数，数据规整模块完成对连续型数据的离散化功能，以生成用于贝叶斯网络模型训练及 预测的样本数据；
[0019] 贝叶斯网络推理模块完成贝叶斯网络建模和推理功能，首先根据专家经验，主观 确定贝叶斯网络的节点和网络结构;然后，基于样本数据进行网络参数学习，建立用于林火 概率预测的贝叶斯网络模型;最后，应用联合树算法进行推理，预测出县级林火概率；
[0020] 概率分配模块完成将县级林火概率分配至300m X 300m粒度功能，首先对林火历史 记录进行统计分析，得到各林火因子的取值权重，然后基于空间数据和县级林火概率计算 300m X 300m粒度的林火概率，并通过显示模块显示。
[0021] 贝叶斯网络建模和推理功能与预测出县级林火概率的具体步骤：
[0022] 林火概率预测的贝叶斯网络中的节点分为两类:一类是林火发生节点，表征结果； 另一类是林火诱因节点，表征原因；节点间的有向连接弧表示林火及其诱因之间的因果关 系，每个节点的参数值表征了林火及其诱因之间的概率依赖关系；
[0023] 基于时态数据和空间数据进行贝叶斯网络建模：贝叶斯网络模型的空间参照为县 或区；模型的时间参照为一天;每一个节点有若干个离散、互斥的取值状态，这意味着观测 到的连续型数包括海拔、人口密度的连续型数必须预先做离散化处理，应用等频率离散化 方法[17]对数据进行离散化；
[0024] 海拔节点、地表覆盖节点和人口密度节点的条件概率表由先验知识确定，即：每个 县的平均海拔、地表覆盖和人口密度短时间内是不变的；
[0025] 其余除林火发生节点外的节点的条件概率表，应用最大似然估计方法进行学习， 最大似然估计基于传统的统计分析思想，依据样本与参数的似然程度来评判样本与模型的 拟合程度，设数据D由样本组成，则节点Xi的参数Θ,的对数似然函数的一般形 式为:L(Θi | D) = 1 ogP(D | Θi)，Θi的最大似然估计，就是令L(Θi | D)达到最大的那个取值< s即
[0026]
[0027] 设节点Xi共有ri个取值，其父节点JiUi)的取值共有qi个组合，根据独立同分布假 设和贝叶斯网络的结构特征，有：
[0028] 1.-:1
[0029] 其中Di为一个观测样本，niijk为D中满足Xi = k且3i(Xi) = j的样本的数量，记
，则Θ,的最大似然估计为：
[0030]
[0031] 对于林火发生节点，其父节点集合中包含地表覆盖节点，由于模型的空间参照为 县或区，实际数据中该节点的取值不是确定的，而是一个概率分布：当县名已知的情况下， 每一种地表覆盖类型的取值概率为该类型在该县内的覆盖面积与该县面积的比例，故林火 节点需要基于"碎权样本"进行最大似然估计[18]，假设X:。为地表覆盖节点，X fire3为林火节 点，由于Χι。有13种取值状态，故将Di拆分为13个碎权样本：
[0032]
[0033] 其中Xi为Χι。的某种取值，％为样本（DiX^zxi)的权重，满足约束条件： f；H· =1，w在实际数据中是已知的，其值为样本Di所属县内地表覆盖类型&的覆盖面积 ,=1 T' 、 与该县总面积的比值，在林火节点Xfire的参数学习过程中，每个观测样本〇:都被13个完整的 碎权样本所替代，记Μ为全部的碎权完整数据，则Xfira的参数估计方法为：
[0034]
[0035] 其中mfire,jk为Dt中所有满足Xfire = k且Ji(Xfire) = j的样本的权重之和，mfire,j为Dt中 所有满足:π (Xf ire) = j的样本的权重之和；
[0036] 构建贝叶斯网络模型之后，需要进行贝叶斯网络推理计算县级林火概率即后验概 率分布，即：已知网络中县名节点、FWI指数节点和月份节点的取值，月份节点的取值为证据 变量，记为Xe，计算林火发生节点查询变量Xf ire的后验概率分布，进行从原因到结果的预测 推理，应用精确推理方法中的联合树算法(Junction Tree Algorith