i1ity propagation[J].Annals of Mathematics and Artificial Intelligence，1990，2(1-4):327-351〇
【主權項】
1. 一種細粒度的森林火災概率預報系統(tǒng)，其特征是，包括： 關系型數(shù)據(jù)庫模塊，關系型數(shù)據(jù)庫模塊進一步包括氣象觀測數(shù)據(jù)庫、氣象預報數(shù)據(jù)庫、 模型輸入因子數(shù)據(jù)庫、模型數(shù)據(jù)庫和林火概率數(shù)據(jù)庫;氣象觀測數(shù)據(jù)庫存儲當日的氣象觀 測數(shù)據(jù)，用于更新模型輸入因子數(shù)據(jù)庫中的數(shù)據(jù);氣象預報數(shù)據(jù)庫存儲用于貝葉斯網絡推 理的氣象預報數(shù)據(jù);模型輸入因子數(shù)據(jù)庫存儲用于構建貝葉斯網絡模型和概率分配模型的 歷史數(shù)據(jù)和空間數(shù)據(jù)，包括氣象歷史數(shù)據(jù)、林火歷史數(shù)據(jù)、地理數(shù)據(jù)、地表覆蓋數(shù)據(jù)、人口分 布數(shù)據(jù);林火概率數(shù)據(jù)庫存儲系統(tǒng)的計算結果，包括由貝葉斯網絡推理得到的縣級林火概 率，由概率分配模型計算得到的300mX 300m粒度林火概率，以及相應的林火風險等級;模型 數(shù)據(jù)庫存儲系統(tǒng)的模型文件，為每個地區(qū)的林火概率提供計算模型； 數(shù)據(jù)庫管理模塊，提供對數(shù)據(jù)庫中基礎信息的處理，實現(xiàn)數(shù)據(jù)的導入、數(shù)據(jù)格式轉換、 數(shù)據(jù)編輯、修改、查詢； 數(shù)據(jù)采集模塊完成對系統(tǒng)輸入數(shù)據(jù)的采集工作，其中氣象歷史數(shù)據(jù)需要編寫網絡爬蟲 程序進行采集;包括地表覆蓋、海拔的柵格數(shù)據(jù)借助地理信息系統(tǒng)工具進行提取； FWI指數(shù)計算模塊完成森林火險天氣指數(shù)計算功能，首先由午時氣溫、午時相對濕度、 午時風速、24小時降水量計算得到5個中間指數(shù)，再由5個中間指數(shù)計算得出當日的FWI指 數(shù)，數(shù)據(jù)規(guī)整模塊完成對連續(xù)型數(shù)據(jù)的離散化功能，以生成用于貝葉斯網絡模型訓練及預 測的樣本數(shù)據(jù)； 貝葉斯網絡推理模塊完成貝葉斯網絡建模和推理功能，首先根據(jù)專家經驗，主觀確定 貝葉斯網絡的節(jié)點和網絡結構;然后，基于樣本數(shù)據(jù)進行網絡參數(shù)學習，建立用于林火概率 預測的貝葉斯網絡模型;最后，應用聯(lián)合樹算法進行推理，預測出縣級林火概率； 概率分配模塊完成將縣級林火概率分配至300m X 300m粒度功能，首先對林火歷史記錄 進行統(tǒng)計分析，得到各林火因子的取值權重，然后基于空間數(shù)據(jù)和縣級林火概率計算300m X 300m粒度的林火概率，并通過顯示模塊顯示。2. 如權利要求1所述的細粒度的森林火災概率預報系統(tǒng)，其特征是，貝葉斯網絡建模和 推理功能與預測出縣級林火概率的具體步驟： 林火概率預測的貝葉斯網絡中的節(jié)點分為兩類:一類是林火發(fā)生節(jié)點，表征結果；另一 類是林火誘因節(jié)點，表征原因；節(jié)點間的有向連接弧表示林火及其誘因之間的因果關系，每 個節(jié)點的參數(shù)值表征了林火及其誘因之間的概率依賴關系； 基于時態(tài)數(shù)據(jù)和空間數(shù)據(jù)進行貝葉斯網絡建模：貝葉斯網絡模型的空間參照為縣或 區(qū)；模型的時間參照為一天;每一個節(jié)點有若干個離散、互斥的取值狀態(tài)，這意味著觀測到 的連續(xù)型數(shù)包括海拔、人口密度的連續(xù)型數(shù)必須預先做離散化處理，應用等頻率離散化方 法對數(shù)據(jù)進行離散化； 海拔節(jié)點、地表覆蓋節(jié)點和人口密度節(jié)點的條件概率表由先驗知識確定，即：每個縣的 平均海拔、地表覆蓋和人口密度短時間內是不變的； 其余除林火發(fā)生節(jié)點外的節(jié)點的條件概率表，應用最大似然估計方法進行學習，最大 似然估計基于傳統(tǒng)的統(tǒng)計分析思想，依據(jù)樣本與參數(shù)的似然程度來評判樣本與模型的擬合 程度，設數(shù)據(jù)D由樣本(〇1，〇 2，~，〇")組成，則節(jié)點&的參數(shù)01的對數(shù)似然函數(shù)的一般形式為： L( 0i | D) = log P(D | ，0冊最大似然估計，就是令L( | D)達到最大的那個取值4，即設節(jié)點Xi共有η個取值，其父節(jié)點31(?)的取值共有qi個組合，根據(jù)獨立同分布假設和貝 葉斯網絡的結構特征，有：其中Di為一個觀測樣本，mijk為D中滿足Xi = k且3T(Xi) = j的樣本的數(shù)量 則91的最大似然估計為：對于林火發(fā)生節(jié)點，其父節(jié)點集合中包含地表覆蓋節(jié)點，由于模型的空間參照為縣或 區(qū)，實際數(shù)據(jù)中該節(jié)點的取值不是確定的，而是一個概率分布：當縣名已知的情況下，每一 種地表覆蓋類型的取值概率為該類型在該縣內的覆蓋面積與該縣面積的比例，故林火節(jié)點 需要基于"碎權樣本"進行最大似然估計，假設Xi。為地表覆蓋節(jié)點，Xf^為林火節(jié)點，由于Xi。 有13種取值狀態(tài)，故將Di拆分為13個碎權樣本：其中xi為Χι。的某種取值，為樣本(Di，Xlc； = Xi)的權重，滿足約束條件： 在實際數(shù)據(jù)中是已知的，其值為樣本Di所屬縣內地表覆蓋類型^的覆蓋面積與該縣總面積 的比值，在林火節(jié)點Xf ire的參數(shù)學習過程中，每個觀測樣本Dl都被13個完整的碎權樣本所替 代，記Dt為全部的碎權完整數(shù)據(jù)，則Xfira的參數(shù)估計方法為：其中mfire,jk為Dt中所有滿足Xfire = k且3T(Xfire) = j的樣本的權重之和，賄re,j為Dt中所有 滿足π (Xf ire3) = j的樣本的權重之和； 構建貝葉斯網絡模型之后，需要進行貝葉斯網絡推理計算縣級林火概率即后驗概率分 布，即：已知網絡中縣名節(jié)點、FWI指數(shù)節(jié)點和月份節(jié)點的取值，月份節(jié)點的取值為證據(jù)變 量，記為Xe，計算林火發(fā)生節(jié)點查詢變量Xfm的后驗概率分布，進行從原因到結果的預測推 理，應用精確推理方法中的聯(lián)合樹算法(Junction Tree Algorithm,JTA)計算縣級林火概 率。3.如權利要求2所述的細粒度的森林火災概率預報系統(tǒng)，其特征是，應用聯(lián)合樹算法進 行推理，預測出縣級林火概率具體步驟是，首先將貝葉斯網絡結構圖G轉換為一個輔助的數(shù) 據(jù)結構，即聯(lián)合樹T，然后通過在T上的初始化定義和信息傳遞來進行后驗概率計算：4.如權利要求1所述的細粒度的森林火災概率預報系統(tǒng)，其特征是，概率分配模型與計 算300m X 300m粒度林火概率的具體步驟： 概率分配以縣為單位進行，根據(jù)貝葉斯網絡預報出的縣級林火概率，對該縣內每個 300m X 300m的區(qū)域進行概率分配，主要在縣級林火概率基礎上，考慮地形和地表覆蓋對林 火的影響度，模型輸入為某縣平均林火概率I，所需計算的300mX300m區(qū)域內的平均海拔 Η，坡度S，坡位T，地表覆蓋L，共4種影響因子;輸出為該小塊的林火概率； 首先計算上述4種林火因子的影響度。記海拔因子的影響度為Ph，坡位因子的影響度為 Pt，坡度因子的影響度為Ps，地表覆蓋因子的影響度為Pi。依據(jù)整個縣內所有300mX 300m區(qū) 域的林火因子影響度和縣林火概率，計算規(guī)則化系數(shù)，每個小塊4種因子影響度相乘，再乘 以規(guī)則化系數(shù)，得到該小塊的林火概率。計算公式如下：其中，NA表示地表覆蓋的一些特殊取值，比如水體、冰川等，這些地方林火概率為0，其 他地方林火概率為每種林火因子的影響度乘以規(guī)則化系數(shù)； 影響因子影響度采用統(tǒng)計方法進行計算:對每種影響因子在林火歷史記錄出現(xiàn)進行統(tǒng) 計分析，將每種影響因子的取值作為自變量，其對林火的影響度作為因變量，應用正態(tài)分布 對二者進行擬合，并對相應的系數(shù)值進行微調，分別統(tǒng)計每種因子在林火歷史記錄中的充 分統(tǒng)計量； 依據(jù)正態(tài)分布擬合出海拔與林火影響度之間的關系，林火歷史記錄中，林火點平均海 拔為2257,樣本方差為624,依據(jù)正態(tài)分布得到海拔對林火影響度與海拔之間的關系如下：依據(jù)已有林火歷史記錄的統(tǒng)計特征和韓國國家森林火險等級預報系統(tǒng)，Pt取值與所求 小塊實際坡位對照如下： 山腳:Pt = 0.5， 山谷：Pt = 0.25， 中下坡:Pt = 〇.l， 中上坡:Pt = 0.05. 上述規(guī)律依據(jù)林火歷史記錄中林火發(fā)生地點的坡位統(tǒng)計得到，其中林火有半數(shù)發(fā)生在 山腳，有四分之一發(fā)生在山谷，有十分之一發(fā)生在中下坡，剩余林火發(fā)生地點為中上坡，中 上坡的林火次數(shù)較少； 同樣，坡度因子影響度與坡度之間關系通過正態(tài)分布擬合得到，計算公式如下：其中，S表示小塊內的平均坡度； 地表覆蓋分為32種，依據(jù)中國氣象行業(yè)標準對每一種地表覆蓋類型設置影響度，其中， 冰川、農田、水體、城市等超出森林范圍的地表覆蓋值為NA，其余的每種覆蓋類型賦值為0到 1之間的實數(shù)； 計算各因子貢獻度后，還需計算標準化系數(shù):計算方法如下：其中η為縣內300m X 300m的小塊數(shù)，Pi為每個小塊的林火概率。5.如權利要求1所述的細粒度的森林火災概率預報系統(tǒng)，其特征是，制定林火風險等級 的具體步驟： 根據(jù)林火概率所對應的林火產出比進行林火風險等級的制定，令Pfm表示某個確定的 林火概率，Nfire3表示預測結果中林火概率大于Pfire3的林火樣本數(shù)，Ntcitai表示預測結果中林 火概率大于Pf ire樣本總數(shù)，則Pf ire對應的林火產出比計算方法為：首先計算所有觀測樣本的林火概率，選定若干個閾值，將林火概率的值域劃分為若干 個區(qū)間，對于每個閾值，計算其對應的產出比，依據(jù)產出比的相對大小，制定林火風險等級。
【專利摘要】本發(fā)明涉及林火預測預報，針對傳統(tǒng)林火預測預報系統(tǒng)預測精度不高、空間粒度較粗等問題，設計并實現(xiàn)新的林火概率預報系統(tǒng)：本發(fā)明采用的技術方案是，細粒度的森林火災概率預報系統(tǒng),包括:關系型數(shù)據(jù)庫模塊，關系型數(shù)據(jù)庫模塊進一步包括氣象觀測數(shù)據(jù)庫、氣象預報數(shù)據(jù)庫、模型輸入因子數(shù)據(jù)庫、模型數(shù)據(jù)庫和林火概率數(shù)據(jù)庫；氣象觀測數(shù)據(jù)庫存儲當日的氣象觀測數(shù)據(jù)，用于更新模型輸入因子數(shù)據(jù)庫中的數(shù)據(jù)；氣象預報數(shù)據(jù)庫存儲用于貝葉斯網絡推理的氣象預報數(shù)據(jù)；模型輸入因子數(shù)據(jù)庫存儲用于構建貝葉斯網絡模型和概率分配模型的歷史數(shù)據(jù)和空間數(shù)據(jù)；模型數(shù)據(jù)庫存儲系統(tǒng)的模型文件，為每個地區(qū)的林火概率提供計算模型。本發(fā)明主要應用于林火預測預報。
【IPC分類】G06Q10/04
【公開號】CN105678419
【申請?zhí)枴緾N201610010997
【發(fā)明人】胡清華, 廖士中, 高學攀, 李子達
【申請人】天津大學
【公開日】2016年6月15日
【申請日】2016年1月5日