首页|基于多源数据和机器学习方法的大兴安岭地区雷击火驱动因子及火险预测模型

基于多源数据和机器学习方法的大兴安岭地区雷击火驱动因子及火险预测模型

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
[目的]基于长时间序列多源数据，开展雷击火驱动因子分析，采用机器学习方法构建动态、高分辨率雷击火火险预测模型，为雷击火防控提供支撑。[方法]分析大兴安岭地区 2010-2020年雷击火时空分布规律，基于闪电监测数据、卫星遥感数据、气象再分析资料、DEM等多源数据选取闪电、气象、植被、地形 4类 18个雷击火潜在驱动因子，研究其特征及与雷击火发生的关系;提取历史雷击火点和随机生成的非雷击火点对应的驱动因子，构建原始样本集，计算各驱动因子的重要性和相关性矩阵进行驱动因子挑选;基于优化后的训练样本集，采用梯度提升决策树(GBDT)、随机森林(RF)和极端随机树(ERT)3种集成学习模型进行雷击火火险预测能力评估，选择表现最优的方法用于构建大兴安岭地区雷击火火险预测模型并应用。[结果]2010―2020年大兴安岭雷击火出现次数最多和最少的年份分别为 2015和 2012年，主要集中于 5―7月，发生时段主要集中于 10:00―17:00;雷击火高发区为漠河县、塔河县、新林区和呼中区。闪电与雷击火的空间分布基本一致，但闪电越多雷击火发生次数不一定越多，2011年闪电次数最多，为114632次，雷击火仅出现 11次。在闪电强度为‒20～‒40 kA、陡度为‒4～‒8 kA·µs‒1、相对湿度小于 40%、降水量小于4 mm、气温大于 29℃、大气压为 91～95 kPa且风速为 1～3 m·s-1 的气象条件下更易发生雷击火。NDVI(归一化植被指数)、GPP(总初级生产力)、Et(蒸散量)、NPP(净初级生产力)大小与雷击火发生呈正相关。雷击火在海拔 300～900 m、坡度 0～12°范围内出现次数较多，坡向对雷击火发生影响不大。特征选择后剩余 13个特征参量分别参与 3种集成学习算法模型构建，其中，ERT模型预测能力最好，其AUC达 0。97，查准率、查全率和F1 Score均高于GBDT和RF模型。ERT模型预测的高风险区与实际雷击火点分布区的空间一致性很好。[结论]利用多源大数据，尤其是卫星观测数据，获取更多与雷击火发生有关的潜在驱动因子，并依靠机器学习，能够较好体现因子间非线性关系及自行学习参数间复杂关系能力的优势，本研究构建的雷击火火险预测模型具备很好的泛化性、自适应性和较高的空间分辨率。
Driving Factors and Forecasting Model of Lightning-Caused Forest Fires in Daxing'anling Mountains Based on Multi-Sources Data and Machine Learning Method

lightning-caused firefire forecastingmachine learningremote sensinglightning

焦强英、韩宗甫、王炜烨、刘迪、潘鹏旭、李博、张念慈、王萍、陶金花、范萌

展开 >

山东科技大学测绘与空间信息学院 青岛 266590

中国科学院空天信息创新研究院 遥感科学国家重点实验室 北京 100101

黑龙江省应急航空救援幸福站 哈尔滨 150000

南京森林警察学院 南京 210023

黑龙江省森林草原防火预警监测中心 哈尔滨 150036

大兴安岭地区气象局 加格达奇 165000

黑龙江省森林保护研究所 哈尔滨 150040

展开 >

雷击火 火险预测 机器学习 遥感 闪电

黑龙江省应用技术研究与开发计划国家自然科学基金面上项目

GA20C01341871254

2023

10.11707/j.1001-7488.LYKX20220553

林业科学
中国林学会

林业科学

CSTPCDCSCD北大核心
影响因子：1.272
ISSN：1001-7488
年,卷(期)：2023.59(6)
  • 42