套 隧醺 誊 ０ 基于径向基网络和气象因子的森林火灾预测系统 杨久红，王小增 （嘉应学院，广东梅州５１４０１８） 摘要：根据森林火灾的历史资料，利用径向基函数网络 的自学习、自适应能力，建立了基于径向基网络的森林火灾预 测系统。针对气象条件对森林火灾发生的影响，提取了温度、 相对湿度、风速、降水量几个特征参数作为样本，对网络进行了 训练和测试。结果表明，该系统的预测精度高，对森林火灾预 测技术的发展具有一定的推动作用，同时也为其他自然灾害的 预测提供了参考。 关键词：森林火灾；预测；径向基网络；气象因子 中图分类号：Ｘ９２４．４。ＴＰ２７７ 文献标志码：Ａ 文章编号：１００９～００２９（２０１０）０７～０６０２—０４ 森林火灾是指森林起火失去控制，给森林生态系统 和人类造成危害和损失的现象。全世界每年发生森林火 灾几十万起，受灾面积达几百万公顷，约占森林总面积的 ０．１ 。随着全球气候持续变暖，林火呈上升趋势。据 ２００３年《中华人民共和国年鉴》统计，我国共发生森林火 灾１０ ４６３起，其中包括重大森林火灾１４起，特大森林火 灾７起，受灾森林面积达４５．１万ｈｍ ，因扑救森林火灾 死亡３９人。 森林火灾预报技术研究已有近１００ ａ的历史，其中 发展最早的是美国和加拿大，始于２０世纪初期，预报方 法主要来源于野外观测或人们对环境的经验判断。我国 １９５５年开始林火预报研究，主要借鉴美国、加拿大、前苏 联等国家的预报方法，并结合我国某一林区特点进行修 正，如三指标法。 影响森林火灾发生的因素众多，机制复杂，因素之间 相互交织，因果之间呈非线性关系，用一般的统计方法建 立的预测模型常常不能有效地预测森林火灾。ＲＢＦ神经 网络为解决森林火灾的预测提供了一条新途径。借助于 ＲＢＦ神经网络，可充分利用森林火灾发生的历史信息，有 效预测其未来的发展动态，克服了传统控制方法中过程 复杂、结果不准确、抗干扰和抗抑制能力差等不足。 １森林火灾与气象因子 森林火灾与气象条件关系密切，掌握气象信息，就可 以了解森林火灾的征兆，更加密切地进行森林防火工作， 消除许多火灾隐患。 决定森林火灾的主要气象因子有以下方面： （１）晴雨状况。经统计，９３ 的林火发生在晴天或 少云情况下。 基金项目：广东省梅州市自然科学基金资助项目（Ｏ８ＫＪＺＯ２） ６０２ （２）空气湿度。林火发生与最小相对湿度呈反相 关，９８ 的林火发生在最小相对湿度≤６０ 时。 （３）气温。林火发生与气温日较差成正相关，９１ 的林火发生在气温日较差≥７℃时。 （４）风速。风对林火的发生没有直接影响，但林火 发生后，风会助长火势的蔓延 ２ 森林火灾预测系统总体结构 森林火灾预测系统总体结构如图１所示。数据采集 模块采用ＬＰＣ２１Ｏ３作为处理器，根据需要放置在林区各 处。采集点的温度、湿度、风速和日降水量数据经过调理 电路送到数据采集模块，然后经无线发送和接收模块到 达远程数据处理终端即可得出预测结果。 数据采集模块（Ｎ个） 堡竺 卜— 至 数 无 无 神经 据 线 线 网络 采 发 接 预测 集 送 收 量Ｈ 模块 模 块 模 模块 传感器 ｌ 一 块 （ＰＣ） 图１森林火灾预测系统总体结构图 ３预测系统硬件电路设计 ３．１ 温度采集硬件电路设计 温度检测电路如图２所示，ＡＤ５９Ｏ输出与开氏温度成 正比的电流信号，每Ｋ温度对应电流１ Ａ，测温范围一５５ ～１５０。Ｃ。Ａ、Ｃ两点电压的计算分别见式（１）、式（２）。 图２温度检测电路 Ｆｉｒｅ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｊｕｌｙ ２０１０，Ｖｏｌ ２９，Ｎｏ．７ ＶＡ一１０（２７３．２４－了、）（ＩＴＩＶ） （１） 使用的电源是隔离的，当开关节点断开时，输出为高电 ｃ一一（ Ａ一２．７３２）一一丁／１００（Ｖ） （２） 平，当节点闭合时为低电平。图中Ｒ。电阻起到旁路由潮 湿引起的泄漏电流的作用，Ｒ。、Ｒ 、Ｒ 、Ｄ。、ｃ起到防抖动 调整Ｒ ，使 电压为１．３６６ Ｖ。温度１００℃时，ｃ 点电压一１ Ｖ，调整Ｒ ，使Ｄ点电压在１００℃时为３．３ Ｖ。 输入电压３．３ Ｖ对应１Ｏ位ＡＤ读数１ ０２３，由此得到温度 Ｔ的计算公式： Ｔ一（Ｄａｔａ＊１００）／１ ０２３（℃） （３） 式中：Ｄａｔａ为１０位ＡＤ读数。 ３．２湿度信号采集硬件电路设计 ３．２．１湿度检测电路 湿度检测电路如图３所示。采用ＳＨＴ７５湿度传感 器，适用于要求测量速度极高或者功耗极低的情况，默认 分辨率为１４ ｂｉｔ（温度）和１２ ｂｉｔ（湿度），可分别降为ｌ２ ｈｉｔ和８ ｂｉｔ。引脚ＳＣＫ为串行时钟输入口，引脚ＶＤＤ为 电源，引脚ＧＮＤ为地，引脚ＤＡＴＡ为双向串行数据输入 输出，ＳＨＴ７５与ＬＰＣ２１０３的Ｉ。Ｃ接口。 Ｖｒ（、 图３湿度检测电路图 ３．２．２相对湿度计算 相对湿度计算见式（４），温度计算见式（５），相对湿度 的温度补偿见式（６）。 ＲＨ：一２．０４６ ８＋０．０３６ ７Ｍ一１．５９５ ５×１０ Ｍ （４） Ｔ一一３９．６＋０．０１Ｎ （５） ＲＨＴ一（Ｔ一２５）（０．０１＋０．０００ ０８Ｍ）＋ＲＨ （６） 式中：Ｍ为Ｉ ｃ串口总线湿度读数；Ｎ为温度读数。若Ｍ 为１ ０７３，代入式（４），得到ＲＨ一３５．５；若Ｎ一７ ９６０，代 入式（５），Ｔ一４０ Ｃ，结果代人式（６）得到温度补偿后相 对湿度为３６．９４ ＲＨ。 ３．３雨量采集硬件电路设计 雨量信号采集电路如图４所示。选用我国气象系统 通用的翻斗雨量传感器。当降雨量累积０．１ Ｆｉｌｍ时，翻 斗动作一次，干簧管的两个节点闭合一次（时间约几百毫 秒），通过电路处理，变为一个低脉冲信号由ｓ１引入，经 光电隔离送至ＬＰＣ２１Ｏ３的外部中断０（Ｐ０．１６）引脚，进行 数据采集并处理成对应的雨量数据。雨量脉冲数据通过 电缆引入ＬＰＣ２１０３。为防电磁干扰、提高系统的可靠性， 系统设计采用了防雷和光电隔离措施。４Ｎ２５光耦两侧 消防科学与技术２０１０年７月第２９卷第７期 和抗干扰的作用。 ＶＣＣ１ ＶＣＣ ＧＮＤ 图４雨量信号采集原理图 ３．４风速采集硬件电路设计 风速采集硬件电路如图５所示。选用某气象仪器厂 生产的Ｉ ＶＦｓｃ一１１风速传感器，输出的脉冲信号范围是 线性可调、可选的，选用频率范围０～１ ２００ Ｈｚ，对应的风 速为０～１２级，风速精度为０．１级。风速传感器的脉冲 信号由Ｓ２引入，经过４Ｎ２５光耦及施密特触发器送到 ＬＰＣ２１０３的外部中断１引脚，每来一个脉冲信号计数１ 次，再由处理器ＬＰＣ２１０３转换为对应的风速信号发送到 远程数据处理终端。系统设计采用光电隔离措施防止电 磁干扰，提高了系统的可靠性。 Ｖ（、Ｃ１ ｖｃｃ 图５风速采集硬件电路 ３．５射频无线数据收发模块电路设计 无线数据收发模块采用ＳｍａｒｔＮｏｄｅ Ｎ６０８，是超低功 耗、中短距离（２ ０００ ｍ内）、支持路由及自组网络的无线 通信模块，使用频段４３４ ＭＨｚ，无线传输速率２．４～１２８ ｋｂｐｓ，发射功率８～１８ ｄＢｍ可调。无线数据发送模块 ＳｍａｒｔＮｏｄｅ Ｎ６０８与ＬＰＣ２１０３的串口０通信，并把采集到 的数据发送到远程数据处理终端进行火灾预测。无线数 据接收模块引脚输出为ＴＴＬ电平，经ＳＰ３２３２Ｅ电平转换 后与ＰＣ机通信，并将接收到的数据送到ＰＣ机，进行运 算和处理。 ４预测系统软件设计 预测系统软件采用人工神经网络模型。由于ＢＰ （Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ）网络是全局逼近神经网络，学习速度 ６０３ 很慢，因此在一些实时性较强的场合应用受到限制。而 ＲＢＦ（Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ，径向基函数）网络是局部逼 隐层中的神经元采用ＲＢＦ型传递函数，节点数ｚ是在网 络训练过程中依据误差指标由软件自动确定的。输出层 的神经元采用线性传递函数。 ４．３ ＲＢＦ网络输出的计算 设网络输入为７＂／维向量“，输出为ｍ维向量Ｙ，输入／ 输出样本长度为Ｌ。 近网络，训练速度快。此设计采用基于ＲＢＦ的神经网络 进行预测。 ４．１ ＲＢＦ网络训练样本的建立 选取广东省每月１日、１５日的数据作为训练样本，如 表１所示。 表１训练样本 序号 日期 气温 相对 风速 日降水 林火发 ｒｅ 湿度 ／ｍ／ｓ 量／ｍｍ 生与否 １ Ｏ１一Ｏ１ １５．３ ６６ １．３ Ｏ １ ２ ０３一ｌ５ １９．９ ９５ １．３ ０．３ Ｏ ３ ０２—０１ １１．２ ６８ ２．８ ３．９ Ｏ ４ ０２—１５ ｌ８．２ ７５ ０．５ Ｏ Ｏ ５ ０３——０１ ２２．０ ７４ ２．Ｏ Ｏ １ ６ ０３—１５ ２２，５ ９３ １．３ Ｏ Ｏ ７ ０４——０１ ２３．５ ７９ １．３ Ｏ Ｏ ８ ０４——１５ ２５．１ ８Ｏ ３．Ｏ Ｏ Ｏ ９ Ｏ５一Ｏｌ ２７．７ ７１％ ｌ＿５ ０ １ ｔ０ ０５—１５ ２５．３ ７８ １．８ ０ Ｏ １１ ０６—０１ ２９．２ ７３ １．５ Ｏ Ｏ １２ Ｏ６—１５ ２９．０ ７８ ２．０ Ｏ Ｏ １３ ０７——０１ ２６．０ ９２ １．０ ３３．０ ０ Ｉ４ Ｏ７—１５ ３Ｏ．７ ６９ ２．０ Ｏ １ １５ ０８——０１ ２８．５ ７８ Ｏ．５ Ｏ Ｏ １６ ０８—１５ ２９．７ ７２ ０．５ ０ １ ｌ７ Ｏ９一Ｏ１ ３０．３ ７Ｏ Ｏ．８ Ｏ １ １８ ０９—１５ ２４．９ ９１ ２．Ｏ Ｏ Ｏ １９ １Ｏ—Ｏ１ ２２．７ ８８ ０．８ Ｏ Ｏ ２０ １０——１５ ２７．５ ７０ １．８ Ｏ １ ２１ １１—０１ ２１．１ ７０％ ２．８ Ｏ １ ２２ ｌ１—１５ １７．２ ７５ ２．８ ０ １ 备注：“林火发生与否”栏中…１’表示林火发生，“Ｏ”表示未发生 对训练样本进行归一化，见式（７）。 ｙ一 ㈩ 式中：Ｘ、ｙ分别为归一化前后的数据；ＭＩＮ和ＭＡＸ为每 列数据的最小和最大值。 ４．２ ＲＢＦ网络控制结构 ＲＢＦ网络控制结构如图６所示。此网络采用４一 一１结构，即４个输入节点（分别为气温、相对湿度、风速、 日降水量）、 个隐层节点、１个输出节点（是否发生火灾）。 温度一 相对湿度一 风速一 日降水量一 输入层 隐层 输出层 图６ ＲＢＦ森林火灾神经网络预测结构 ６０４ （１）隐层是对作用函数的参数进行调整，采用的是非 线性优化策略和无导师的学习算法。ＲＢＦ网络隐层第ｉ 个节点的输出见式（８）。 ｑ ：Ｒ（１ｌ“一 ｌ１） （８） 式中：ｃ 为第ｉ个隐节点的中心，ｉ＝１，２，…，ｓ；Ｉｌ・ｌＩ为 欧式范数；Ｒ（・）为ＲＢＦ函数。 （２）输出层是对线性权进行调整，采用的是线性优化 策略和有导师的学习算法。网络输出层第正个节点的输 出为隐层节点输出的线性组合，见式（９）。 Ｙ 一 Ｗ ｑ 一 （９） ｌ 式中： 为ｑ 一Ｙ 的连接权； 为第五个输出节点阔值。 ４．４ ＲＢＦ网络的训练和验证 选取归一化后的前２０组样本作为训练样本对网络 进行训练。当扩展常数ＳＰＲＥＡＤ＝０．８时，只需迭代运 行２１次，误差已几乎为零，即达到目标误差平方和要求， 此时隐层单元数为２１。训练好的ＲＢＦ误差曲线如图７ 所示。 取归一化后的后２组数据对训练好的网络进行验证， 预测结果与实际相符，表明可以用该预测系统进行预测。 训练结果—～～ １０ 一 Ｈ标曲线 １ ０ ’ ｌ０ 、 １ ０ 。 ● ●＿ ● ＿ ＿● ＿ ０ ２ ４ ６ ８ ｌ０ ｌ２ ｌ４ ｌ６ ｌ８ ２Ｏ 迭代次数 图７基于ＲＢＦ网络的误差曲线 ５预测系统实验及分析 笔者以梅州市桐子洋林场为例，对整个森林火灾预 测系统进行测试。 梅州市位于广东省东北部，地处亚热带气候山区。 全市约８５ 的面积为海拔５００ ｍ以下的丘陵山地，林地 面积大，是森林火灾多发区。桐子洋林场位于丰顺、兴 宁、五华三县交界处，总面积为９９９．９ ｈｍ ，其中杉２４０ ｈｍ ，松１００ ｈｍ。，杂林１２Ｏ ｈｍ ，杂竹１６．９ ｈｍ。，灌木９３ ｈｍ ，油茶３３ ｈｍ。，毛竹１３ ｈｍ ，高山矮松２３３ ｈｍ。，非林 地１４９ ｈｍ 。 数据采集时间为３月１１—２Ｏ日。在林场中设置１０ 个采集点，每个点放置２个数据采集模块，实现系统冗余 设计。远程数据处理及预测终端放置在林场外的林业管 理处。数据采集频率为每小时一次。数据采集好后发送 给远程数据处理终端处理后即可得出预测结果。表２列 出了部分数据的预测值，与实际情况相符。 表２实测数据 序号 气温 相对 风速 日降水量 预测值 实际 ／。ｃ 湿度 ／ｍ／ｓ 情况 １ ２２．５ ７６ １．３ Ｏ Ｏ 未发生 ２ ２２．３ ８６ １．２ Ｏ Ｏ 未发生 ３ １ ７．９ ７９ ２．５ ６．７ Ｏ 未发生 ４ １７．８ ９６ １．５ ５８．７ Ｏ 未发生 １８．ｏ ８３ １．３ Ｏ Ｏ 未发生 ６ ２１．６ ８ｊ １．０ ０ Ｏ 末发生 ７ ２３．３ ８７ １．３ Ｏ Ｏ 未发生 ８ ２４．８ ８６ ２．０ Ｏ Ｏ 未发生 ９ ２２．１ ９Ｏ １．０ ７．３ Ｏ 未发生 １０ ２２．２ ７７ Ｏ．８ Ｏ Ｏ 未发生 有时预测结果与实际情况会发生偏差，称为过拟合， 也称为网络泛化能力差。为了提高网络泛化能力，达到 更好的预测效果，可以采取以下措施： （１）增加数据采集点个数，即缩小每个采集点的覆盖 范围。 （２）加大数据采集频率，提高实时预测精度，如秋冬 季节、持续晴朗无雨天气等都是森林火灾高发期，这时可 将数据采集频率设置为每分钟采集一次，从而达到更好 的预测效果。 （３）不断补充最新的采集数据作为训练样本，使预测 网络保持最新。一般要求为Ｍ≥３Ｎ，其中Ｍ为样本数， Ｎ为自变量数目。 （４）可以将其他影响森林火灾发生的因素作为输入 节点，如植被、地形因子、人为因素等。 ６ 结 语 该预测系统的特点是： （１）引用人工神经网络模型，提高了系统的自适应性 和容错能力； （２）提高了森林火灾预测的实时性，由传统的每天预 报一次可以改为每小时甚至每秒一次； （３）适用范围广，根据林区面积放置合适数量的数据 采集模块即可； （４）使用简单，只要给出气温、相对湿度、风速、日降 水量４个数据即可得出预测结果。 利用ＲＢＦ神经网络预测森林火灾是在假定未来系 统影响因素保持不变的情况下，依据反映森林火灾的历 消防科学与技术２０１０年７月第２９卷第７期 史资料建立的，模型预测精度取决于建模期间系统的稳 定状态。然而，随着时间的推移，影响森林火灾发生的因 素将会有一定的变化，系统状态将发生波动，预测结果有 可能失真。因此，需要不断补充新的资料，对模型进行修 正和优化，从而达到对森林火灾的短、中、长期预测。 参考文献 ［１］王丽涛，王世新，乔德军，等．火险等级评估方法与应用分析ＥＪ］．地 球信息科学，２００８，１（５）：５７８ ５８１． ［２］覃先林，张子辉，李增元，等．国家级森林火险等级预报方法研究 ［Ｊ］．遥感技术与应用，２００８，２３（５）：５００—５０３． ［３］韩宝玉．森林火灾的种类和特点ＥＪ］．消防科学与技术，１ ９８６，５（１）： ２１ ３２． ［４］阎登云．林火与人ＥＪ］．消防科学与技术，１９８８，７（４）：２０—２１． ［５］张子凡，李祖滨．惠州市森林火灾的气象分析和短期火险预报ＥＪ３． 广东气象，１ ９９８，２６（４）：１３ １４． Ｅ６３张义和，陈敌北．例说８０５１［Ｍ］．北京：人民邮电出版社，２００６． ［７］周立功．ＡＲＭ嵌入式系统基础教程［Ｍ］．北京：北京航空航天大学 出版社，２００８． Ｅ８３杨景标，马晓茜．基于人工神经网络预测广东省森林火灾的发生 ＥＪ］．林业科学，２００５，４１（４）：１２７ １ ３０． Ｅ９３周开利，康耀红．神经网络模型及其ＭＡＴＩ ＡＢ仿真程序设计［Ｍ］． 北京：清华大学出版社，２００７． ［１０３徐丽娜．神经网络控制［Ｍ］．北京：电子丁业出版社，２００９．～一哪 一 ＿～一耋 ～一 Ｆｏｒｅｓｔ ｆｉｒｅ ｆｏｒｅｃａｓｔ ｓｙｓｔｅｍ ｄｅｓｉｇｎ ｂａｓｅｄ ｏｎ ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉ一 ｏｎ ｎｅｔｗｏｒｋ ．一 ～一一ｍ； 一 一～～～一～作者简介：杨久红（１ ９７３一），女，满族，辽宁北镇 人，嘉应学院电子信息工程学院讲师，工程师，硕士，主 要从事ＢＰ神经网络的研究与应用，广东省梅州市梅 江区梅松路，５１４０１８。 收稿日期：２０１０ ０３ １５ ６ｏ５ ～一叭