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