基于智能決策樹和無線傳感網(wǎng)的林火預(yù)警模型研究

辛 潔，高德民，張 朔，孫 權(quán)

（南京林業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院，江蘇 南京 210037）

1 引言

森林火災(zāi)是一種突發(fā)性強(qiáng)、破壞性大、處置救助較為困難的自然災(zāi)害。林火不只燒毀成片的森林植被，傷害林內(nèi)動(dòng)物，引起空氣污染，影響森林演替，破壞森林在小氣候涵養(yǎng)水源上的作用，甚至導(dǎo)致生態(tài)環(huán)境失去平衡，同時(shí)也給人類的生存和生命財(cái)產(chǎn)造成了極大的威脅[1]。據(jù)統(tǒng)計(jì)，2003-2016年我國(guó)共發(fā)生森林火災(zāi)10萬余次，過火面積254.37萬hm2，損失折人民幣超過21億元[2]。

林火產(chǎn)生的偶然性大，原因復(fù)雜多變。但是，從林火火源類型來看，天然火源如雷擊火等占比重極小，更多的是人為火源，其中以燒荒燒炭、野外吸煙和上墳燒紙為主[3]。目前我國(guó)林火監(jiān)測(cè)措施主要是地面巡護(hù)、近地面監(jiān)測(cè)、航空監(jiān)測(cè)和衛(wèi)星監(jiān)測(cè)。由于地面巡護(hù)和近地面監(jiān)測(cè)耗費(fèi)大量人力物力且不能避免疏漏，也不能保證巡護(hù)人員的安全；航空監(jiān)測(cè)工作時(shí)間受限，只能用于撲救時(shí)監(jiān)測(cè)燃燒趨勢(shì)；衛(wèi)星監(jiān)測(cè)的監(jiān)測(cè)時(shí)間同樣受限，同時(shí)受云層的影響較大，數(shù)據(jù)精確度不高[4]。目前林火預(yù)測(cè)預(yù)警仍然面臨著很大的挑戰(zhàn)。

隨著機(jī)器學(xué)習(xí)和物聯(lián)網(wǎng)技術(shù)不斷發(fā)展，其應(yīng)用的領(lǐng)域越來越廣。物聯(lián)網(wǎng)將現(xiàn)實(shí)世界數(shù)字化，為森林防火行業(yè)低成本優(yōu)化策略提供更好的解決方案[5]。國(guó)家林業(yè)局在2015年發(fā)布《中國(guó)智慧林業(yè)發(fā)展指導(dǎo)意見》。林火是林業(yè)最大的威脅之一，預(yù)測(cè)和預(yù)警勢(shì)在必行。鑒于傳統(tǒng)林火監(jiān)測(cè)措施存在很多不足，新技術(shù)也在快速發(fā)展，本文介紹的森林火災(zāi)預(yù)測(cè)預(yù)警系統(tǒng)將機(jī)器學(xué)習(xí)和物聯(lián)網(wǎng)技術(shù)用到數(shù)據(jù)處理當(dāng)中，達(dá)到更好林火預(yù)測(cè)和預(yù)警效果。

2 相關(guān)文獻(xiàn)

到目前為止，林火預(yù)測(cè)和預(yù)警研究歷經(jīng)百年，國(guó)內(nèi)外研究機(jī)構(gòu)和學(xué)者進(jìn)行了大量研究。美國(guó)的森林火災(zāi)撲救指揮系統(tǒng)，兼?zhèn)渲笓]、行動(dòng)、計(jì)劃、后勤及行政管控五項(xiàng)功能[6]。加拿大林火危險(xiǎn)等級(jí)系統(tǒng)是世界上被廣泛應(yīng)用的火險(xiǎn)系統(tǒng)之一[7]。在國(guó)內(nèi)，除最原始的地面巡護(hù)和瞭望塔監(jiān)測(cè)外，紅外線技術(shù)借助于紅外熱成像原理和無線傳輸技術(shù)最先開始用于森林火災(zāi)的報(bào)警中[8]。遙感技術(shù)和地理信息系統(tǒng)、無人機(jī)等也陸續(xù)開始用在林火監(jiān)測(cè)中[9，10]；隨著物聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，也逐漸被用于林火的預(yù)測(cè)預(yù)警[11]。

物聯(lián)網(wǎng)是以互聯(lián)網(wǎng)、傳統(tǒng)電信網(wǎng)等信息承載體，讓所有能行使獨(dú)立功能的普通物體實(shí)現(xiàn)互聯(lián)互通的網(wǎng)絡(luò)。機(jī)器學(xué)習(xí)是計(jì)算機(jī)科學(xué)的一個(gè)分支，以人類智能相似的方式做出反應(yīng)的智能方式。隨著物聯(lián)網(wǎng)和機(jī)器學(xué)習(xí)技術(shù)不斷發(fā)展，應(yīng)用領(lǐng)域不斷擴(kuò)大，技術(shù)逐漸出現(xiàn)在林火預(yù)測(cè)預(yù)警方面。決策樹（Decision tree）是一類常見的機(jī)器學(xué)習(xí)方法，決策樹學(xué)習(xí)的目的是為了產(chǎn)生一顆泛化能力強(qiáng)，即處理新的示例能力強(qiáng)的決策樹，其基本流程遵循簡(jiǎn)單而直觀的“分而治之”策略。

目前，大部分林火監(jiān)測(cè)系統(tǒng)是用傳感器采集數(shù)據(jù)，用低功耗、低成本、近距離的ZigBee傳輸數(shù)據(jù)[11]。由于ZigBee傳輸距離太短，本文所介紹的系統(tǒng)數(shù)據(jù)傳輸采用LoRa技術(shù)。LoRa是一種基于擴(kuò)頻技術(shù)的遠(yuǎn)距離無線傳輸技術(shù)，具有遠(yuǎn)距離、低功耗、多節(jié)點(diǎn)、低成本的特性。在空曠環(huán)境下Lo-Ra通信距離可達(dá)15 km，采用自適應(yīng)數(shù)據(jù)速率策略，使其接收電流低達(dá)10 mA，休眠電流小于200 nA，從而使電池壽命有效延長(zhǎng)[12]。供電能源采用太陽能，綠色環(huán)保且可持續(xù)，同時(shí)也避免了頻繁更換電源等問題。

3 系統(tǒng)模型設(shè)計(jì)

3.1 系統(tǒng)監(jiān)測(cè)

由于森林火險(xiǎn)等級(jí)是通過處理終端采集的大量氣象數(shù)據(jù)所得到的，數(shù)據(jù)的采集、傳輸和數(shù)據(jù)的正確性對(duì)于林火預(yù)測(cè)預(yù)警極為重要。本系統(tǒng)主要包括數(shù)據(jù)采集模塊、數(shù)據(jù)傳輸模塊和數(shù)據(jù)處理模塊3部分。數(shù)據(jù)采集模塊負(fù)責(zé)獲取溫度、濕度、風(fēng)速、日降水量等氣象數(shù)據(jù)；數(shù)據(jù)傳輸模塊負(fù)責(zé)由服務(wù)器向終端發(fā)送命令和將終端獲取的數(shù)據(jù)返回服務(wù)器；數(shù)據(jù)處理模塊將返回的數(shù)據(jù)進(jìn)行處理并預(yù)測(cè)當(dāng)前林火發(fā)生情況。系統(tǒng)的工作流程如下：

1）服務(wù)器對(duì)終端節(jié)點(diǎn)發(fā)出數(shù)據(jù)采集命令；

2）終端節(jié)點(diǎn)的傳感器獲取當(dāng)前時(shí)刻氣象數(shù)據(jù)；

3）傳輸設(shè)備將數(shù)據(jù)返回到服務(wù)器；

4）服務(wù)器對(duì)返回的數(shù)據(jù)進(jìn)行處理，根據(jù)決策樹模型得出當(dāng)前的火險(xiǎn)等級(jí)。

系統(tǒng)采用太陽能電池供能。太陽能是可再生和無污染的資源。實(shí)驗(yàn)結(jié)果表明，一個(gè)節(jié)點(diǎn)即使不充電，也可以一次工作超過15天。

3.2 火險(xiǎn)氣候指數(shù)

加拿大森林火險(xiǎn)等級(jí)系統(tǒng)（CFFDRS）是當(dāng)前世界上發(fā)展最完善、應(yīng)用最廣泛的系統(tǒng)之一，加拿大森林火險(xiǎn)氣候指數(shù)（FWI）系統(tǒng)是CFFDRS的重要組成部分。FWI系統(tǒng)以時(shí)滯—平衡含水率理論為基礎(chǔ)，將氣象條件和可燃物含水率有機(jī)地聯(lián)系起來，通過天氣條件的變化計(jì)算可燃物含水率的變化，然后再根據(jù)不同大小或位置的可燃物含水率確定潛在火險(xiǎn)等級(jí)[13]。

FWI系統(tǒng)所需數(shù)據(jù)包括4個(gè)氣象因子（溫度、相對(duì)濕度、風(fēng)速、降雨量）。系統(tǒng)由6個(gè)部分組成：3個(gè)濕度碼代表可燃物濕度，包括細(xì)小可燃物濕度碼FFMC，粗腐殖質(zhì)濕度碼DMC和干旱碼DC；2個(gè)中間子指數(shù)代表火災(zāi)蔓延速率和可燃物的消耗率，即初始蔓延指數(shù)ISI和累積指數(shù)BUI；1個(gè)最終指數(shù)代表火險(xiǎn)氣候指數(shù)，即FWI。FWI的結(jié)果分為五級(jí)，級(jí)數(shù)越大，表示火險(xiǎn)越高。

3.3 決策樹模型

Scikit-learn決策樹算法類庫(kù)內(nèi)部實(shí)現(xiàn)是使用了調(diào)優(yōu)過的CART決策樹算法，本文以CART決策樹算法為例對(duì)表1中的示例數(shù)據(jù)進(jìn)行分析。

表1 氣象數(shù)據(jù)詳細(xì)信息

CART決策樹使用基尼指數(shù)來選擇劃分屬性。假定當(dāng)前樣本集合D中第k類樣本所占的比例為pk（k=1,2,…,||y），則D的純度可用基尼值來度量：

直觀來說，Gini（D）反映了從數(shù)據(jù)集D中隨機(jī)抽取兩個(gè)樣本，其類別標(biāo)記不一致的概率。因此，Gini（D）越小，則數(shù)據(jù)集D的純度越高。

以表1中氣象數(shù)據(jù)為例，該數(shù)據(jù)集D包含12個(gè)訓(xùn)練樣例。顯然， ||y=3，在決策樹學(xué)習(xí)開始時(shí)，根節(jié)點(diǎn)包含D中的所有樣例，其中于是，根據(jù)（1）式可計(jì)算出根結(jié)點(diǎn)的基尼值為：

假定離散屬性a有V個(gè)可能的取值{a1,a2,…,av}，若使用a來對(duì)樣本D進(jìn)行劃分，則會(huì)產(chǎn)生v個(gè)分支結(jié)點(diǎn)，其中第v個(gè)分支結(jié)點(diǎn)包含了D中所有在屬性a上取值為av的樣本，記為Dv。我們可根據(jù)上式計(jì)算出Dv的基尼值，再考慮到不同的分支結(jié)點(diǎn)所包含的樣本數(shù)不同，給分支結(jié)點(diǎn)賦予權(quán)重，即樣本數(shù)越多的分支結(jié)點(diǎn)的影響越大。于是，屬性a的基尼指數(shù)定義為：

在候選屬性集合A中，選擇使得劃分后基尼指數(shù)最小的屬性作為最優(yōu)劃分屬性。

假定平均氣溫低于8°為低溫，高于25°為高溫，其余為中溫；相對(duì)濕度低于20為干燥，高于70為潮濕，其余為適中；風(fēng)速低于10為微風(fēng)，高于20為大風(fēng)，其余為強(qiáng)風(fēng)；日降水量小于10 mm為小雨，大于25 mm為大雨，其余為中雨。此時(shí)，表1可轉(zhuǎn)化為表2。

計(jì)算當(dāng)前屬性集合{溫度，相對(duì)濕度，風(fēng)速，日降水量}中每個(gè)屬性的基尼指數(shù)。以溫度為例，它有可能的3個(gè)取值：{低溫，中溫，高溫}。若使用該屬性對(duì)D進(jìn)行劃分，則可得到3個(gè)子集，分別記為D1(溫度=低溫)，D2（溫度=中溫），D3（溫度=高溫）。子集D1包含2個(gè)樣例，其中包含4個(gè)樣例，其中個(gè)樣例，其中計(jì)算出溫度劃分之后獲得的3個(gè)分支結(jié)點(diǎn)的基尼值為：

表2 氣象數(shù)據(jù)等級(jí)信息表

類似地，我們可計(jì)算出其他屬性的基尼指數(shù)：

Gini_index（D，相對(duì)濕度）=0.306

Gini_index（D，風(fēng)速）=0.440

Gini_index（D，日降水量）=0.593

顯然，屬性相對(duì)濕度的基尼指數(shù)最小。所以，它被選為劃分屬性。圖1給出了基于相對(duì)濕度對(duì)根結(jié)點(diǎn)進(jìn)行劃分的結(jié)果，各分直接點(diǎn)所包含的樣例子集顯示在結(jié)點(diǎn)中。

圖1 基于相對(duì)濕度劃分的部分決策樹

決策樹學(xué)習(xí)算法將對(duì)每個(gè)分支結(jié)點(diǎn)做進(jìn)一步劃分，過程同上。最終得到的決策樹結(jié)果，如圖2所示。

圖2 基于相對(duì)濕度劃分的完整決策樹

4 系統(tǒng)分析

以2015年南京的氣象數(shù)據(jù)（圖3）和FWI系統(tǒng)生成的火險(xiǎn)等級(jí)為學(xué)習(xí)樣本，用Python實(shí)現(xiàn)決策樹算法，最終生成的決策樹分類散點(diǎn)圖如圖4所示。

在此說明：圖3（a）是溫度變化折線圖，結(jié)果顯示南京夏季溫度高，冬季溫度低。圖3（b）是相對(duì)濕度折線圖，說明南京一年四季濕度較高。圖3（c）是風(fēng)速折線圖，反映了南京風(fēng)速變化與季節(jié)無關(guān)。圖3（d）是日降水量折線圖，圖中明顯看出夏秋兩季降水遠(yuǎn)遠(yuǎn)多于春冬兩季。南京夏季氣溫高降水量大，冬季則剛好相反，春秋兩季相對(duì)濕度低，即春季和秋季森林火災(zāi)的概率高于夏季和冬季。這與我們的認(rèn)識(shí)是一致的。

圖3 2015年南京市氣象數(shù)據(jù)折線

圖4 （a）是由溫度和相對(duì)濕度繪制的散點(diǎn)圖，從圖中可以看出相對(duì)濕度對(duì)火險(xiǎn)等級(jí)的影響比溫度的影響要大，濕度與火險(xiǎn)等級(jí)呈負(fù)相關(guān)。圖4（b）說明風(fēng)速對(duì)火險(xiǎn)等級(jí)的影響比溫度大，風(fēng)速與火險(xiǎn)等級(jí)呈正相關(guān)。圖4（c）剛好驗(yàn)證了圖4（a）和圖4（b）的結(jié)果。圖4（d）說明日降水量對(duì)火險(xiǎn)等級(jí)的影響比溫度大，且日降水量與火險(xiǎn)等級(jí)呈負(fù)相關(guān)。圖4（e）說明日降水量與相對(duì)濕度正相關(guān)。圖4（f）說明風(fēng)速對(duì)火險(xiǎn)等級(jí)的影響比日降水量大。

圖4 每?jī)蓪?duì)參數(shù)繪成的決策樹散點(diǎn)圖

FWI系統(tǒng)的火險(xiǎn)等級(jí)分為5級(jí)，但2015年未出現(xiàn)“極度危險(xiǎn)”等級(jí)。由圖4我們可以看到，火險(xiǎn)的影響因素較多，僅憑兩個(gè)因素并不能準(zhǔn)確地判斷火險(xiǎn)等級(jí)?？傮w來說，溫度越高、風(fēng)速越大、日降水量和相對(duì)濕度越低，火險(xiǎn)等級(jí)越高。

我們利用學(xué)習(xí)的結(jié)果來預(yù)測(cè)測(cè)試數(shù)據(jù)，結(jié)果如表3所示。

表3 系統(tǒng)預(yù)測(cè)結(jié)果

在實(shí)際的使用過程中，1表示低級(jí)火險(xiǎn)，2表示中級(jí)火險(xiǎn)，3表示較高級(jí)火險(xiǎn)，4表示高級(jí)火險(xiǎn)，5表示極其危險(xiǎn)和發(fā)生火災(zāi)?；诖宋覀兛梢悦刻鞂?duì)學(xué)習(xí)數(shù)據(jù)進(jìn)行添加和修正，提高系統(tǒng)預(yù)測(cè)結(jié)果的準(zhǔn)確度。

5 結(jié)論

本文提出了一種基于無線傳感網(wǎng)和決策樹模型的森林火災(zāi)預(yù)測(cè)方法。在無線傳感網(wǎng)中采集氣象數(shù)據(jù)使用傳感器，數(shù)據(jù)傳輸采用LoRa技術(shù)，以2015年南京的氣象數(shù)據(jù)為例對(duì)系統(tǒng)進(jìn)行了簡(jiǎn)單的介紹和證明，最后將系統(tǒng)的預(yù)測(cè)結(jié)果與FWI所預(yù)測(cè)的結(jié)果進(jìn)行了對(duì)比，驗(yàn)證了系統(tǒng)的正確性。實(shí)踐表明，系統(tǒng)還可滿足對(duì)海量數(shù)據(jù)的分析和預(yù)測(cè)，與傳統(tǒng)監(jiān)測(cè)方法相比，減少了人力物力的投入，具有實(shí)用價(jià)值。為了通過最大限度地減少誤差和提高統(tǒng)計(jì)測(cè)量率來改善決策樹算法，建議培訓(xùn)和測(cè)試所需的年數(shù)也要增加。