基于自适应模糊神经网络的滇中灌木林火灾发生预测研究

doi:10.13466/j.cnki.lyzygl.2022.02.015

林业资源管理 ›› 2022, Vol. 0 ›› Issue (2): 109-116.doi: 10.13466/j.cnki.lyzygl.2022.02.015

基于自适应模糊神经网络的滇中灌木林火灾发生预测研究

魏建珩¹(), 赵恒¹, 高仲亮¹(), 王何晨阳¹, 马泽南¹, 王秋华¹, 舒立福², 杨红梅³

1.西南林业大学土木工程学院,昆明 650224
2.中国林业科学研究院森林生态环境与保护研究所,北京 100091
3.陕西省林业科学院,陕西榆林 710082

收稿日期:2022-01-09 修回日期:2022-03-22 出版日期:2022-04-28 发布日期:2022-06-13
通讯作者: 高仲亮
作者简介:魏建珩(1996-),女,重庆人,在读硕士,主要从事林火管理方面的研究。Email: jheng_w@163.com
基金资助:
国家自然科学基金项目(31860214);国家自然科学基金项目(301660210);国家自然科学基金项目(31960318);云南省教育厅科学研究基金项目(2021Y227);北京林业大学中央高校基本科研专项基金(BFUKF202107)

Prediction of Shrubbery Fire in Central Yunnan Province Based on the Adaptive NeuroFuzzy Inference System

WEI Jianheng¹(), ZHAO Heng¹, GAO Zhongliang¹(), WANG Hechenyang¹, MA Zenan¹, WANG Qiuhua¹, SHU lifu², YANG Hongmei³

1. Civil Engineering College,Southwest Forestry University,Kunming 650224,China
2. Institute of Forest Ecological Environment and Protection,Chinese Academy of Forestry,Beijing 100091,China
3. Shaanxi Academy of Forestry,Yulin,Shaanxi 710082,China

Received:2022-01-09 Revised:2022-03-22 Online:2022-04-28 Published:2022-06-13
Contact: GAO Zhongliang

摘要/Abstract

摘要：

滇中地区原植被破坏严重,易燃灌木连片生长。全球气候变暖加剧,以灌木林为主的森林火灾频发,因此预测灌木林火对保护滇中地区森林资源有着重要作用。以云南省滇中地区1999—2019年灌木林火发生及其对应的气象数据为基础,选择自适应模糊神经网络推理系统(Adaptive Neuro Fuzzy Inference System,ANFIS)、逻辑斯蒂回归模型(Logistic Regression,LR),利用MATLAB、SPSS 25等软件,建立基于气象因子的滇中地区灌木林火发生预测模型,其中70%数据用于建立模型,30%用于模型检验。研究结果表明:通过主成分分析,将9个气象因子形成3个主成分作为ANFIS模型输入因子,3个主成分能解释9个气象因子77.663%的信息;LR模型经过多重共线性检验,依据VIF<10,得出24小时降水量、平均2分钟风速、日平均相对湿度、日最小相对湿度为LR模型的自变量输入。由2种模型的气象因子筛选结果可知,影响滇中地区灌木林火发生的主要影响因子为温度、风速、湿度。对比ANFIS,LR模型拟合结果,ANFIS模型训练集准确率大于LR模型12%,测试集准确率高于LR模型10%。ANFIS模型训练集、测试集AUC值分别为0.961,0.884;LR模型训练集、测试集AUC值分别为0.875,0.816。对比2种模型拟合结果,利用ANFIS模型建立滇中地区气象因子与灌木林火发生模型具有更好的适应性。研究结果能可为滇中地区灌木林火灾预测提供一定的科学依据。

关键词: 气象因子, 逻辑斯蒂回归模型, 自适应模糊神经网络算法, 灌木林火, 滇中地区

Abstract:

The original vegetation in central Yunnan has been seriously damaged,leading to the continuous growth of flammable shrubbery. With the intensification of global warming,forest fires occur frequently,mainly in shrubs. Therefore,the prediction of forest fires is of great importance to the protection of forest resources in central Yunnan. Based on the data of shrubbery fire and its corresponding meteorological data from 1999 to 2019 in central Yunnan,China.Adaptive Neuro Fuzzy Inference System (ANFIS) and Logistic Regression (LR) were selected,using MATLAB,SPSS 25 and other software to establish a prediction model of forest fire in central Yunnan based on meteorological factors(70% of the data),then the remaining 30% of the data was tested.The results showed that nine meteorological factors were formed into three principal components by principal component analysis. As the input factors of ANFIS model,3 principal components could explain 77.663% of the information of 9 meteorological factors. According to the multicollinearity test,the VIF of the LR model was less than 10,and the precipitation at 24 o'clock,the average 2-minute wind speed,the average daily relative humidity and the daily minimum relative humidity could be obtained,then they were inputted into the model as independent variables of the LR model. According to the screening results of meteorological factors of the two models,the main influencing factors of shrubbery fire in central Yunnan were temperature,wind speed and humidity. By comparing the results of ANFIS and LR model,the accuracy of ANFIS training set was 12% higher than that of LR model,and the accuracy of test set was 10% higher than that of LR model. The ANFIS training set value was 0.96,the test set AUC value was 0.88,and the LR model AUC values were 0.875 and 0.816,respectively. The results showed that the ANFIS model had better adaptability to the model of forest fire in central Yunnan. Results of the research can provide some scientific basis for shrubbery fire prediction in central Yunnan.

Key words: meteorological factors, logistic regression, Adaptive Neuro Fuzzy Inferences System, shrubbery fire, central Yunnan Province

中图分类号:

S711
S762.2

魏建珩, 赵恒, 高仲亮, 王何晨阳, 马泽南, 王秋华, 舒立福, 杨红梅. 基于自适应模糊神经网络的滇中灌木林火灾发生预测研究[J]. 林业资源管理, 2022, 0(2): 109-116.

WEI Jianheng, ZHAO Heng, GAO Zhongliang, WANG Hechenyang, MA Zenan, WANG Qiuhua, SHU lifu, YANG Hongmei. Prediction of Shrubbery Fire in Central Yunnan Province Based on the Adaptive NeuroFuzzy Inference System[J]. FOREST RESOURCES WANAGEMENT, 2022, 0(2): 109-116.

图/表 8

图1

表1

表2

图2

表3

表4

表5

图3

参考文献 25

[1]	魏书精, 罗斯生, 罗碧珍, 等. 气候变化背景下森林火灾发生规律研究[J]. 林业与环境科学, 2020, 36(2):133-143.
[2]	高超, 林红蕾, 胡海清, 等. 我国林火发生预测模型研究进展[J]. 应用生态学报, 2020, 31(9):3227-3240.
[3]	陈岱. 基于Logistic回归模型的大兴安岭林火预测研究[J]. 林业资源管理, 2019(1):116-122.
[4]	蔡奇均, 曾爱聪, 苏漳文, 等. 基于Logistic回归模型的浙江省林火发生驱动因子分析[J]. 西北农林科技大学学报:自然科学版, 2020, 48(2):102-109.
[5]	苏漳文, 刘爱琴, 梁慧玲, 等. 基于气象因子的福建省森林火险预测模型[J]. 森林与环境学报, 2015, 35(4):370-376.
[6]	苏漳文, 曾爱聪, 蔡奇均, 等. 基于Gompit回归模型的大兴安岭林火预测模型及驱动因子研究[J]. 林业工程学报, 2019, 4(4):135-142.
[7]	潘登, 郁培义, 吴强. 基于气象因子的随机森林算法在湘中丘陵区林火预测中的应用[J]. 西北林学院学报, 2018, 33(3):169-177
[8]	孙立研, 刘美玲, 周礼祥, 等. 基于气象因子深度学习的森林火灾预测方法[J]. 林业工程学报, 2019, 4(3):132-136.
[9]	Jang J S R. ANFIS:adaptive-network-based fuzzy inference system[J]. IEEE Transactions on Systems,Man,and Cybernetics, 1993, 23(3):665-685 doi: 10.1109/21.256541
[10]	黄庆键, 欧周, 林佳亮. 关于空间电力负荷预测方法综述与展望[J]. 自动化应用, 2017(2):79-81.
[11]	林涛, 刘航鹏, 赵参参, 等. 基于SSA-PSO-ANFIS的短期风速预测研究[J]. 太阳能学报, 2021, 42(3):128-134.
[12]	尹宝全, 曹闪闪, 傅泽田, 等. 水产养殖水质检测与控制技术研究进展分析[J]. 农业机械学报, 2019, 50(02):1-13.
[13]	Jaafari A, Termeh S, Bui D T. Genetic and firefly metaheuristic algorithms for an optimized neuro-fuzzy prediction modeling of wildfire probability[J]. Journal of Environmental Management, 2019, 243:358-369. doi: 10.1016/j.jenvman.2019.04.117
[14]	王秋华, 赵凤君, 肖慧娟, 等. 滇中安宁地区火烧迹地光叶石栎灌木林的火行为模拟[J]. 沈阳农业大学学报, 2015, 46(1):105-109.
[15]	李世友, 王少名, 年有春, 等. 落叶灌木南烛在防火戒严期的燃烧性动态[J]. 江西农业大学学报, 2008(5):845-849.
[16]	林向东. 昆明市石林县“2·7”森林火灾扑火战例评析[J]. 森林防火, 2012(1):38-41.
[17]	吉哲鹏. 云南安宁“5·21”森林火灾明火全部扑灭[EB/OL].(2014-05-26)[2022-01-07]. http://society.workercn.cn/2/201405/26/140526143837598.shtml .
[18]	张瑞坤, 昆明市禄劝县突发森林火灾 800余人紧急扑救[EB/OL].(2020-03-31) [2022-01-07] http://www.cnr.cn/yn/ynkx/20200331/t20200331_525037181.shtml
[19]	郭福涛, 苏漳文, 王光玉, 等. 我国北方针叶林人为火发生的预测模型[J]. 应用生态学报, 2015, 26(7):2099-2106.
[20]	郑凌蔚, 刘士荣, 毛军科, 等. 一种综合ANFIS和PCA的光伏发电功率预测新方法[J]. 太阳能学报, 2012, 33(6):993-1001.
[21]	李娜, 周维博, 王金凤, 等. 基于主成分分析法的ANFIS模型及其应用[J]. 人民黄河, 2014, 36(6):80-83.
[22]	王学民. 应用多元分析[M]. 上海: 上海财经大学出版社, 2010:251-280.
[23]	梁慧玲, 林玉蕊, 杨光, 等. 基于气象因子的随机森林算法在塔河地区林火预测中的应用[J]. 林业科学, 2016, 52(1):89-98.
[24]	Zhang Guoli, Wang Ming, Liu Kai. Deep neural networks for global wildfire susceptibility modelling[J]. Ecological Indicators, 2021, 127(2):107735. doi: 10.1016/j.ecolind.2021.107735
[25]	孙瑜, 史明昌, 彭欢, 等. 基于MAXENT模型的黑龙江大兴安岭森林雷击火火险预测[J]. 应用生态学报, 2014, 25(4):1100-1106.

主成分	特征值	方差贡献率/%	累计方差贡献率/%
1	3.978	44.199	44.199
2	1.922	21.354	65.554
3	1.090	12.109	77.663

变量指标	荷载值			特征向量
变量指标	1	2	3	1	2	3
x₁	-0.470	0.439	0.400	-0.236	0.317	0.383
x₂	0.352	-0.422	0.552	0.176	-0.304	0.529
x₃	0.828	0.542	0.096	0.415	0.391	0.092
x₄	-0.803	0.403	0.028	-0.403	0.291	0.027
x₅	0.809	-0.341	-0.158	0.406	-0.246	-0.151
x₆	0.612	0.700	0.256	0.307	0.505	0.245
x₇	0.868	0.434	-0.038	0.435	0.313	-0.036
x₈	0.147	-0.435	0.687	0.074	-0.314	0.658
x₉	-0.706	0.334	0.226	-0.354	0.241	0.216

因变量	变量指标	共线性统计
因变量	变量指标	容忍度	方差膨胀因子(VIF)
火灾是否发生	x₁	0.768	1.303
	x₂	0.570	1.755
	x₃	0.020	50.719
	x₄	0.287	3.487
	x₅	0.364	2.744
	x₆	0.063	15.825
	x₇	0.047	21.140
	x₈	0.828	1.208
	x₉	0.445	2.248

变量指标	样本1	样本2	样本3	样本4	样本5	全样本	样本显著量
x₁	1	1	1	0	1	1	4
x₂	1	1	1	1	1	1	5
x₄	1	1	1	1	1	1	5
x₅	0	0	1	0	0	0	1
x₈	0	0	0	0	0	0	0
x₉	1	1	1	1	1	1	5

变量指标	估计系数	标准误差	显著性(Sig)	Exp(B)
x₁	-1.557	0.693	0.025	0.211
x₂	-0.377	0.165	0.023	0.686
x₄	-0.072	0.021	0.001	0.930
x₉	-0.040	0.016	0.013	0.961
常量	6.727	1.383	0.000	835.057

基于自适应模糊神经网络的滇中灌木林火灾发生预测研究

Prediction of Shrubbery Fire in Central Yunnan Province Based on the Adaptive NeuroFuzzy Inference System

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 25

相关文章 10

编辑推荐

Metrics

本文评价

[1]	魏安超, 张大为. 云南松单木材积生长率模型研究[J]. 林业资源管理, 2020, 0(6): 40-46.
[2]	郭子豪, 孙晶琦, 巩合德. 滇中地区主要灌丛生物量空间分布格局特征[J]. 林业资源管理, 2019, 0(6): 55-61.
[3]	王敏华, 傅伟聪, 黄淑萍, 朱志鹏, 陈梓茹, 董建文. 清源山风景区大气颗粒物浓度变化特征分析[J]. 林业资源管理, 2017, 0(6): 131-136.
[4]	黄田, 张超, 吉一涛, 余哲修, 罗恒春, 张一. 基于端元提取的滇中典型森林类型识别研究[J]. 林业资源管理, 2017, 0(4): 110-116.
[5]	王秋华, 肖慧娟, 徐盛基, 仝艳民, 李世友, 钱斌, 杨潇. 滇中地区紫茎泽兰的燃烧性研究[J]. 林业资源管理, 2014, 0(2): 130-133.
[6]	陈英, 杨华, 李伟, 许俊利, 王金增. 北京地区侧柏生长与气象因子的典型相关分析[J]. 林业资源管理, 2012, 0(4): 86-90.
[7]	张乃静, 鞠洪波, 纪平. 基于气象因子的森林病虫鼠害发生率预测模型研究[J]. 林业资源管理, 2012, 0(4): 96-101.
[8]	马旺, 谷建才, 陈平, 谭绪泉, 赵上. 辽河源地区油松生长与气象因子的相关分析[J]. 林业资源管理, 2010, 0(5): 65-69.
[9]	肖云丹, 鞠洪波, 张乃静, 刘改平, 纪平. 黔南州森林春季防火期主要气象因子与林火时空动态[J]. 林业资源管理, 2010, 0(2): 26-32.
[10]	赵奕兵, 徐军昶, 窦慎, 张雅维, 白昊 . 基于气象因子的咸阳市飞播造林播期确定[J]. 林业资源管理, 2007, 0(1): 83-86.