基于FY4遙感數(shù)據(jù)的森林火災判別研究

（中南林業(yè)科技大學林學院，湖南 長沙 410004）

衛(wèi)星遙感是在大時空范圍內監(jiān)測森林火災最有效的方法[1]。在準確獲取森林火災實時信息的時效性方面，氣象衛(wèi)星遠高于高空間分辨率衛(wèi)星[2]。氣象衛(wèi)星分為極軌氣象衛(wèi)星與靜止氣象衛(wèi)星，多系列極軌氣象衛(wèi)星提供的空間覆蓋范圍大于靜止氣象衛(wèi)星，但極軌氣象衛(wèi)星重返周期間隔長，對森林火災的連續(xù)觀測能力不足[3]。目前監(jiān)測森林火災時間分辨率最高的是靜止氣象衛(wèi)星[4]，而風云四號衛(wèi)星（FY4）是我國時效性最高的新一代靜止氣象衛(wèi)星。利用FY4 的高時間分辨率特點和第7 波段對熱源信息敏感的特性，可快速進行森林火災判別。目前已經(jīng)有不少學者研究新一代靜止氣象衛(wèi)星，石艷軍[5]等分析了新一代靜止氣象衛(wèi)星Himawari-8 和FY4 在林火監(jiān)測的優(yōu)勢，F(xiàn)atkhuroyan[6]等利用Himawari-8 遙感數(shù)據(jù)檢測印度尼西亞的森林火災，謝字希[7]利用時空上下文法對Himawari-8 遙感數(shù)據(jù)進行火點探測研究，本文采用FY4 作為數(shù)據(jù)源，使用最小距離模型（Min dist）、馬氏距離模型（Maha dist）、支持向量機（SVM）、決策樹模型（Decision tree）進行森林火災判別，并利用中國森林防火網(wǎng)森林火災數(shù)據(jù)對4 個模型進行精度驗證。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

貴州省地處中國西南腹地（103°36′～109°35′E、24°37′～29°13′N），全省92.5%的面積為丘陵與山地，是全國唯一沒有平原的省份。貴州省屬亞熱帶濕潤季風氣候，受大氣環(huán)流和地形的影響，氣候多樣且極不穩(wěn)定，災害性天氣頻發(fā)。貴州省森林面積1 004 萬hm2，森林蓄積量4.68億m3，森林覆蓋率達到了57%，根據(jù)中國森林防火網(wǎng)2008—2018 統(tǒng)計數(shù)據(jù)顯示貴州省森林火災年均發(fā)生次數(shù)為505 起，其中森林火災最多時一天之內達到54 起，是森林火災多發(fā)省份。

1.2 數(shù)據(jù)獲取與預處理

FY4 遙感數(shù)據(jù)來自國家氣象衛(wèi)星中心官網(wǎng)（http://www.nsmc.org.cn/），森林火災驗證的數(shù)據(jù)來自中國森林防火網(wǎng)。30 個云、水體、林地、火點樣本，通過風云四號衛(wèi)星天氣應用平臺的云圖探針統(tǒng)一進行采集，其中火點樣本數(shù)據(jù)由中國森林防火網(wǎng)森林火災數(shù)據(jù)提供位置，其它樣本通過目視解譯進行判讀。

FY4 遙感數(shù)據(jù)經(jīng)過投影轉換將標稱投影轉化成WGS84 大地坐標，以消除投影偏差[8]；經(jīng)過輻射定標建立數(shù)字量化值與輻射亮度值的關系，以消除傳感器自身誤差；根據(jù)FY4 光譜響應數(shù)據(jù)，經(jīng)過大氣校正消除大氣影響，反演出地表反射率[9]。消除誤差后將FY4 遙感數(shù)據(jù)的DN 值轉化成比輻射率值，再按照普朗克公式的轉化式將FY4 遙感數(shù)據(jù)的B7～B14 波段的比輻射率值轉化為亮溫。

1.3 最優(yōu)波段組合篩選方法

通過對FY4 遙感數(shù)據(jù)的14 個波段進行火點樣本的波段特征、波段間相關系數(shù)、波段組合OIF指數(shù)計算，分析典型地物光譜曲線，篩選出判別森林火災最優(yōu)的波段組合，最后采用支持向量機對所選波段組合進行精度驗證[10]。

1）波段間相關系數(shù)計算公式如下：

2）OIF 指數(shù)是利用波段數(shù)據(jù)作為波段最優(yōu)組合選擇的數(shù)學模型[11]，計算公式如下：

式中：Si表示第i個波段的標準差；Rij表示第i、j兩波段的相關系數(shù)，n表示波段組合個數(shù)。

3）利用云圖探針采集的樣本數(shù)據(jù)進行典型地物光譜分析，觀察波段之間地物的可分離性與火點的光譜特征，進一步篩選最優(yōu)的波段組合。

4）利用ENVI 軟件對OIF 指數(shù)排名前10 的波段組合通過支持向量機（SVM）計算其地物的分類精度，驗證OIF 指數(shù)篩選出的波段組合是否為最優(yōu)波段組合。

1.4 光譜指數(shù)

在進行決策樹模型構建時，需要對地物進行判別，從而構建決策樹的判別規(guī)則。利用不同地物的光譜指數(shù)，可有效的進行地物判別。

1）CDI（Cloud detection index）云檢測指數(shù)，B12 波段反映地表溫度，B9 波段反映云層溫度，通過B12 和B9 波段的溫度差檢測出云層，再結合B2 波段地物反射率可進行云檢測。地面溫度在300 K 左右，云上溫度在270 K 以下，云層的B2波段反射率大于0.1，所以云層的CDI 指數(shù)小于300[12]。CDI 數(shù)值不是一成不變，可以根據(jù)地表溫度而適當調小，CDI 云指數(shù)公式如下：

式中：T12、T9為FY4 的B12，B9 波段亮溫，ρ2為B2 波段反射率。

2）NDVI（Normalized difference vegetation index）歸一化植被指數(shù)，NDVI的取值范圍在[-1,1]，當NDVI 為負值，地物類型為云、水、雪；當NDVI 為零，地物類型為巖石或裸土，以上數(shù)值可以判讀為不可能監(jiān)測到森林火災；當NDVI 為正值，表示有植被覆蓋，且數(shù)值越大植被覆蓋度越高，林地的NDVI 大于0.3[7]，公式如下：

式中：ρ2、ρ3為FY4 的B2，B3 波段反射率。

3）NDWI（Normalized difference water index）歸一化水體指數(shù)，NDWI 比NDVI 在水體監(jiān)測上判別精度更高，可以在復雜環(huán)境中分離出水體，公式如下：

式中：ρ3、ρ4為FY4 的B3，B4 波段反射率。

1.5 模型構建原理

1.5.1 統(tǒng)計學模型

最小距離模型（Minimum distance 縮寫Min dist）是通過訓練樣本數(shù)據(jù)計算每一類樣本的均值向量和標準差向量，以均值向量作為該類樣本在特征空間中的中心位置，判斷待檢像元到各類樣本中心的距離，到哪一類樣本中心的距離最小，該像元就歸入到哪一類。馬氏距離模型（Mahalanobis distance 縮寫Maha dist）是待檢像元到各訓練樣本的協(xié)方差距離，最終協(xié)方差距離最小的，即為此類別[13]。

1.5.2 支持向量機

支持向量機（Support vector machine 縮寫SVM）是一種建立在機器學習理論基礎上的神經(jīng)網(wǎng)絡模型。其對應的映射函數(shù)將樣本空間映射至無限維空間，并在這個空間將非線性問題轉化為特征空間中的線性可分問題。其實現(xiàn)關鍵在于核函數(shù)，本文采用徑向基函數(shù)核也被稱為高斯核，函數(shù)為：可以將樣本與樣本之間的間隔最大化[14]。

1.5.3 決策樹模型

決策樹模型（Decision tree）是一種樹形結構，在根節(jié)點上存放規(guī)則，在葉節(jié)點上存放判別結果。通過專家經(jīng)驗總結、簡單數(shù)學統(tǒng)計和歸納方法，獲得判別規(guī)則，利用對遙感影像數(shù)據(jù)及其他空間數(shù)據(jù)規(guī)則的輸入達到盡可能將判別結果分開的目的[15]。決策樹模型最大的特點是可以利用多源數(shù)據(jù)，難點是判別規(guī)則的獲取。規(guī)則的獲取可以來自經(jīng)驗總結，也可以通過統(tǒng)計的方法從樣本中計算。

1.6 模型精度評價方法

對于模型精度的評價運用判別精度（D）、多分誤差（M）、漏分誤差（O），其公式分別為：

式中：yj為實測數(shù)，yi為正確預測數(shù)、xi為多分數(shù)、Zi為漏分數(shù)。

2 結果與分析

2.1 最優(yōu)波段組合篩選

2.1.1 波段統(tǒng)計特征

通過中國森林防火網(wǎng)森林火災數(shù)據(jù)提供火點位置，利用風云四號衛(wèi)星天氣應用平臺的云圖探針對FY4 遙感數(shù)據(jù)的14 個波段30 個火點樣本進行采集，計算得到火點單波段統(tǒng)計特征值（表1）。

由表1可知，火點單波段標準差最大的是B7波段，其次是B8 波段，數(shù)值范圍B7 波段最大，其次是B8 波段，溫度范圍最大的是B7 波段，參考官方提供的FY4 遙感數(shù)據(jù)各波段功能，可以認定B7 波段對于火點反應強烈。

2.1.2 波段相關系數(shù)

通過對火點多波段相關系數(shù)矩陣統(tǒng)計，如表2所示，可以看出（B7，B8，B12）組合的3 波段相關系數(shù)最小。當波段相關系數(shù)超過0.9，就可認為兩波段間的相關性極高，不需要同時參與波段組合。從表2可以看出有很多波段之間相關系數(shù)都超過0.995，波段之間相關性比較大，各波段所包含的信息之間有可能重復出現(xiàn)，為了減少數(shù)據(jù)的冗余，在進行波段組合時應盡量避開。

2.1.3 OIF 指數(shù)

結合波段統(tǒng)計特征與相關系數(shù)矩陣以及官方提供的波段功能可知，B7 波段對火點判別作用最大，火點只有排除虛假火點且地物類型為林地才能認定為森林火災，但所有的森林火災在遙感影像上都是火點，故在篩選進行森林火災判別的波段組合時必須要有B7 波段的參與。通過OIF 指數(shù)計算有B7 波段參與的3 波段組合，其中OIF 指數(shù)排名前10 的波段組合見表3，這些波段組合作為最優(yōu)波段組合的候選組合。

表1 火點單波段數(shù)據(jù)統(tǒng)計特征值Table 1 Statistical characteristic values of fire point single band data

表2 火點多波段相關系數(shù)矩陣Table 2 Fire point multi-band correlation coefficient matrix

OIF 指數(shù)值與波段的標準差呈正相關，與波段間的相關系數(shù)呈負相關。波段的標準差越大，組合的相關系數(shù)越小，波段包含的信息量就越大[16]，波段間的獨立性與冗余度就越小，最后計算的OIF值就越大。因此，排除掉候選組合中兩波段間相關系數(shù)超過0.9 的波段組合，篩選出來的候選波段組合有（B7，B8，B12）、（B7，B9，B12）、（B7，B8，B11）。其中（B7，B8，B12）的OIF指數(shù)比排名第二的波段組合要高454.03。

表3 火點樣本不同波段組合的OIF 指數(shù)Table 3 OIF index of different band combinations of fire point samples

2.1.4 典型地物光譜分析

由于不同地物在FY4 不同波段上呈現(xiàn)的光譜特征不一樣，根據(jù)判別森林火災地物類型選取均勻分布的云、水體、林地、火點像元樣本各30 個，取均值得到典型地物FY4 光譜反射率與發(fā)射率曲線（圖1）。

由圖1可知，對于地物區(qū)分度最好的波段是B7 和B8 波段，尤其是B7 波段對火點的光譜與其他地物區(qū)別特別明顯。所以排除掉（B7，B9，B12）波段組合，篩選出（B7，B8，B12）與（B7，B8，B11）。由圖1可知，B11 和B12 波段的火點與林地的光譜區(qū)別很小，說明波段受火點影響很小，可用來描述火點的背景值。自然界的正常溫度大致是300 K[17]，由于地域和季節(jié)時間的不同會有所變化，物體處于此溫度時，輻射曲線的峰值波長在10.8 μm 左右，對應FY4 遠紅外波段B12 波段（表1），外加B12 波段的亮溫范圍比B11 波段更廣，與B7、B8 波段組合的OIF 指數(shù)更高，所以判別森林火災的最優(yōu)候選波段組合是（B7，B8，B12）。

圖1 典型地物的FY4 光譜曲線Fig.1 FY4 spectral curve of typical features

2.1.5 波段組合地物分類驗證

利用支持向量機（SVM）分類的方法對OIF指數(shù)排名前10的波段組合計算其對云、水體、林地、火點地物的分類精度，驗證篩選的波段組合是否為最優(yōu)波段組合。

通過表4波段組合的支持向量機分類結果可知，（B7，B8，B12）波段組合的精度排名最高，地物分類精度為99.21%，Kappa 系數(shù)為0.855，與通過火點樣本的波段特征、波段間相關系數(shù)、波段組合的OIF 指數(shù)，以及典型地物光譜曲線篩選出來最優(yōu)波段結果一致，故利用FY4 遙感數(shù)據(jù)判別森林火災最優(yōu)的波段組合是（B7，B8，B12）。

2.2 FY4 判別森林火災的模型構建

4 個模型中最小距離模型、馬氏距離模型與支持向量機都是通過對樣本數(shù)據(jù)進行訓練，然后通過監(jiān)督分類的方式獲取模型參數(shù)的系數(shù)，只需要選取訓練樣本與訓練底圖就可以得到判別結果。通過最優(yōu)波段組合篩選得出FY4 遙感數(shù)據(jù)用于判別森林火災的最優(yōu)波段組合為（B7，B8，B12），所以（B7，B8，B12）的波段組合就是這3 個模型的訓練底圖[18]。將各地物的30 個訓練樣本與訓練底圖導入ENVI 軟件，即可通過ENVI 軟件中的最小距離模型、馬氏距離模型、支持向量機得到火點的判別結果。

表4 OIF 排名前10 的波段組合SVM 分類精度值Table 4 OIF ranking top 10 band combination SVM classification accuracy value

決策樹模型的判別規(guī)則是通過云、水體、林地、火點四類參數(shù)進行具體分析，將森林火災通過層層判斷進行篩選。森林火災判別過程可分為云檢測、水體檢測、林地檢測、火點判別4 個階段?；瘘c判別又分成3 個階段，分別為絕對火點判別、時空火點判別與條件火點判別。

對各地物訓練樣本進行光譜指數(shù)研究，得到研究區(qū)各地物的CDI 云指數(shù)（圖2）、NDVI 植被指數(shù)（圖3）。由CDI 云檢測指數(shù)、NDVI 植被指數(shù)與NDWI 水體指數(shù)的地物特征與圖1典型地物波段特征可知，CDI 云檢測指數(shù)小于300 為云，NDVI 小于-0.1 且NDWI 大于0.1 為水體，NDVI大于0.3 為林地。

絕對火點判別與條件火點判別由Giglio 等[1]研究的上下文模型法提供參數(shù)系數(shù)，時空火點判別的溫度演變規(guī)律與溫度閾值分別來自Calle 等[19]的差分溫度閾值法與謝字希[7]的時空上下文法。進行絕對火點判別時，當T7（B7 波段亮溫）高于360 K時，表1中B8～B14 波段通道溫度已經(jīng)達到飽和，常態(tài)下地物溫度達不到這個亮溫，這是由地物燃燒引起，因此可以直接判別為火點；進行條件火點判別時，當滿足條件：（A 或B）和（C 或D）（A：T12（B12 波段的亮溫）大于320 K（夜晚為315 K）；B：T7像元值大于影像平均值與4 倍影像標準差之和；C：T7-12大于20 K（夜晚為10 K）；D：T7-12的像元值大于影像平均值與4 倍影像標準差之和），根據(jù)森林火災輻射亮溫與背景亮溫的差異，可判別為火點；進行時空火點判別時，根據(jù)地物溫度在常態(tài)下10～15 min 內只能產(chǎn)生±1.5 K 的變化，當?shù)匚锏纳郎刈兓?～15 min 內達到5 K以上，且T7-12（B7 與B12 兩個波段的亮溫差）大于10 K，就可以認為是火點。在發(fā)生森林火災的位置只需檢測T7-12大小，就可判斷森林火災狀態(tài)是否為連續(xù)森林火災，當T7-12小于10 K 時可以判斷為森林火災熄滅。決策樹模型如圖4所示。

圖2 地物的CDI 云指數(shù)Fig.2 CDI cloud index of features

圖3 地物的NDVI、NDWI 指數(shù)Fig.3 NDVI and NDWI indexes of features

圖4 決策樹模型Fig.4 Decision tree model

圖4中，C1（云檢測）：CDI ＜300。

C2（水體檢測）：NDVI ＜-0.1 和NDWI。

C3（林地檢測）：NDVI＞0.3。

C4（絕對火點判別）：T7＞330 K（白天360 K）。

C5（時空火點判別）：滿足ΔT7-72=T7-T72＞5和T7-12=T7-T12＞10 K（白天15 K）（T72表示前期影像B7 波段亮溫，ΔT7-72表示本期影像B7 波段與前期影像B7 波段像元的亮溫差。）

C6（條件火點判別）：滿足條件：（A或B）和（C或D）：T12＞315 K（夜晚320 K）、B：T7＞T7b+4δT7b、C：T7-12＞ΔT7-12b+4δT7-12b、D：T7-12=T7-T12＞10 K（白天15 K）。（T7b表示背景溫度的平均值，δT7b表示標準差，ΔT7-12b表示兩個波段差的標準差，δT7-12b表示兩個波段差的標準偏差）。

利用模型判別出來的火點還不能稱為森林火災，還需排除虛假火點，這樣篩選出來的火點地物類型為林地才能認定為森林火災。虛假火點包括固定熱源、水面反射、云層反射、農(nóng)用火源等[20]。如果有火點在3 個月內在同一個地方反復出現(xiàn)，可以將其認為是固定熱源；水面反射與農(nóng)用火源造成的虛假火點只需將火點疊加到地表覆蓋類型圖上，如果火點在水體或農(nóng)作物種植區(qū)域，則為水面反射或農(nóng)用火源造成的虛假火點[21]；云層反射造成的虛假火點需要通過云檢測，如果云層與火點重合，則該火點為云層反射所造成的虛假火點[22]。

最小距離模型、支持向量機、馬氏距離模型3 個模型是利用訓練樣本進行火點提取的，需要逐一排除虛假火點發(fā)生的情況，且得到的火點地物類型為林地才是森林火災。而決策樹模型在判別規(guī)則中就已經(jīng)對地物進行了區(qū)分，排除掉了水面反射、云層反射、農(nóng)用火源產(chǎn)生的虛假火點，只需再排除固定熱源產(chǎn)生的虛假火點，余下的火點都是森林火災。

2.3 模型精度檢驗分析

選取2019年2月6 號16 點34 分的貴陽省全省FY4 遙感數(shù)據(jù)作為實驗數(shù)據(jù)，以2019年2月6號16 點35 分中國森林防火網(wǎng)森林火災數(shù)據(jù)作為模型驗證數(shù)據(jù)。4 個模型判別森林火災的精度通過判別精度、錯分誤差、漏分誤差進行精度評價，精度評價結果如表5。

表5 精度分析Table 5 Precision analysis

2019年2月6 號16 點35 分中國森林防火網(wǎng)貴州省區(qū)域的森林火災一共17 起，通過對比森林火災的地理位置發(fā)現(xiàn)4 個模型的森林火災監(jiān)測精度都超過了85%，其中最小距離模型與支持向量機漏檢2 起森林火災，漏分誤差為11.76%，馬氏距離模型漏檢1 起森林火災，漏分誤差為5.88%，決策樹模型的森林火災判別精度最高，17 個驗證森林火災數(shù)據(jù)全部被判別出來。4 個模型的多分誤差都超過了40%，其中決策樹模型與支持向量機的多分誤差為50%，因為不同傳感器判別森林火災的方法不一樣，導致判別的森林火災結果不一致。決策樹模型相比于中國森林防火網(wǎng)森林火災數(shù)據(jù)一共多分出了17 起森林火災，通過目視解譯得出這17 個多分出來的森林火災大部分是微小森林火災與低溫森林火災，其中17 起森林火災中有6 起4 個模型都判別為森林火災。通過疊加分析發(fā)現(xiàn)支持向量機與決策樹模型對應的森林火災有27 起，最小距離模型與決策樹模型對應的森林火災有22 起，馬氏距離模型與決策樹模型對應的森林火災有26 起。

最小距離模型、支持向量機、馬氏距離模型3 種模型需要實時更新訓練樣本，如果更換區(qū)域或者更換新的數(shù)據(jù)，還需要重新訓練，模型的可移植性不強。決策樹模型不需要繁雜的樣本訓練過程，只需要通過經(jīng)驗總結得出模型根節(jié)點的判別條件，沒有特定的地域限制，可實時的進行森林火災判別，提高森林火災監(jiān)測的時效性。利用決策樹模型進行森林火災判別后，繪制貴州省森林火災空間分布圖（圖5）。

3 結論與討論

3.1 結 論

以貴州省為研究區(qū)，利用FY4 遙感數(shù)據(jù)，計算火點樣本的波段特征、波段間相關系數(shù)、波段組合的OIF 指數(shù)，分析典型地物的光譜曲線，最后通過支持向量機對所選組合進行精度驗證，篩選出森林火災判別的最優(yōu)波段組合（B7，B8，B12）。通過云、水體、林地、火點各30 樣本與最優(yōu)波段組合構建最小距離模型、馬氏距離模型、支持向量機3 種森林火災判別模型，利用森林火災判別規(guī)則構建決策樹模型。以判別精度、多分誤差、漏分誤差為模型的評價指標，對4 個模型進行精度驗證，得到以下結論：

1）最小距離模型、支持向量機、馬氏距離模型、決策樹模型4 個模型的森林火災判別精度超過了85%，與謝字希[7]、陳潔等[19]、Jang[23]等研究Himawari-8 遙感數(shù)據(jù)判別森林火災的結果是一致的，說明利用FY4 遙感數(shù)據(jù)進行森林火災判別是可行的。

圖5 貴州省決策樹模型森林火災判別結果Fig.5 Forest fire distinguishing results of decision tree model in Guizhou province

2）本次研究中，4 個模型中決策樹模型判別森林火災的精度最高，判別精度達到了100%。決策樹模型不需要繁雜的樣本訓練過程，只需要通過經(jīng)驗總結得出模型根節(jié)點的判別規(guī)則，沒有特定的地域限制，可大范圍實時的進行森林火災監(jiān)測。利用決策樹模型實現(xiàn)的時空火點判別算法比現(xiàn)階段單純的空間維度判別算法更加敏感，可有效解決中小森林火災監(jiān)測、高溫異常點誤報和低溫森林火災監(jiān)測的問題，極大提高對中小尺度森林火災和災害性天氣系統(tǒng)的監(jiān)測能力。

3.2 討 論

FY4 系列衛(wèi)星將提供今后20～30 a 的氣象觀測和環(huán)境監(jiān)測數(shù)據(jù)，因此利用FY4 遙感數(shù)據(jù)進行森林火災判別研究，在監(jiān)測范圍與時效性上，F(xiàn)Y4遙感數(shù)據(jù)一幅影像就可以覆蓋全國，每5～10 min就可以掃描一遍；在監(jiān)測精度上，決策樹模型能夠滿足森林火災監(jiān)測要求，可提高森林火災的實時監(jiān)測能力，為森林火災監(jiān)測提供科學的技術支撐。但模型中云檢測的精度和區(qū)分森林火災與動態(tài)事件的能力還不夠完善，整個森林火災監(jiān)測的體系也不夠完整。對于下一步可開展以下方面的研究：

1）利用中紅外波段和遠紅外波段完善云檢測算法或者通過時空結合算法進行云層的動態(tài)檢測。其次研究一種完整有效的多時空森林火災檢測算法對表觀異常的值進行詳細分析，充分發(fā)揮FY4遙感數(shù)據(jù)連續(xù)實時監(jiān)測森林火災的能力。

2）通過FY4 遙感數(shù)據(jù)和地面氣象站數(shù)據(jù)，估算地表可燃物含水量變化，再通過降雨、氣溫，地表水汽蒸發(fā)量建立可燃物狀態(tài)估測模型，為森林草原火險等級做出預報。還可利用FY4 遙感數(shù)據(jù)監(jiān)測火點強度、過火區(qū)域、煙云等信息，結合森林火災現(xiàn)場的可燃物分布類型、氣象觀測資料信息、高分辨率影像與地形數(shù)據(jù)建立森林火災蔓延預測模型，為森林火災預防和撲救提供輔助決策依據(jù)。