智能算法在森林火災(zāi)管理中的應(yīng)用

張水鋒 彭徐劍 詹慶斌

摘 要：森林火災(zāi)具有燃燒期長、蔓延速度快、難以控制等重要災(zāi)害特點(diǎn)，我國以“預(yù)防為主，積極消滅”為森林防火主要指導(dǎo)方針。災(zāi)前預(yù)防預(yù)警、災(zāi)中蔓延預(yù)測和災(zāi)后評(píng)估恢復(fù)是森林火災(zāi)管理工作的三項(xiàng)主要內(nèi)容。本文主要介紹了智能算法在災(zāi)前預(yù)防預(yù)警、災(zāi)中蔓延預(yù)測與火場圖像分析以及災(zāi)后評(píng)估與恢復(fù)中的應(yīng)用，旨在輔助森林火災(zāi)的管理和決策工作研究。

關(guān)鍵詞：智能算法;森林火災(zāi);管理

引言

森林火災(zāi)是全球關(guān)注的主要環(huán)境問題之一，全世界每年有數(shù)百萬公頃的森林被毀，造成嚴(yán)重的生態(tài)破壞，危及人類經(jīng)濟(jì)與生命的安全。我國是森林火災(zāi)多發(fā)的國家，據(jù)統(tǒng)計(jì)，1950-2019年我國共發(fā)生森林火災(zāi)81.8萬起，年均1.17萬余起[1]。2020年，我國共發(fā)生森林火災(zāi)1153起，重大森林火災(zāi)7起，受災(zāi)的森林面積約為8526公頃[2]。因此，關(guān)注和研究森林火災(zāi)的災(zāi)前、災(zāi)中和災(zāi)后行為，以及如何更好的做好災(zāi)前預(yù)警、災(zāi)中監(jiān)測與撲救、災(zāi)后恢復(fù)與管理等工作成為減輕森林火災(zāi)威脅的關(guān)鍵。隨著近年來全球人工智能研究的興起，計(jì)算機(jī)算力、系統(tǒng)科學(xué)、大數(shù)據(jù)與數(shù)學(xué)優(yōu)化技術(shù)也得以快速發(fā)展，這為森林火災(zāi)預(yù)防和管理中備選方案選擇開辟了新的途徑。在具有不同管理場景的區(qū)域，智能算法可提高決策過程的質(zhì)量。目前，國內(nèi)外已有許多研究者嘗試將智能算法與森林火災(zāi)研究相結(jié)合[3]，提升了對(duì)森林火災(zāi)災(zāi)害行為的認(rèn)識(shí)，并為森林火災(zāi)的預(yù)警預(yù)測、撲救指揮和災(zāi)后管理提供的決策輔助。

1. 智能算法簡介

智能算法是一個(gè)讓計(jì)算機(jī)替代人類從事計(jì)算分析的研究領(lǐng)域，顯然，計(jì)算機(jī)在計(jì)算和分析能力方面更快;同時(shí)它又是一個(gè)廣泛的研究領(lǐng)域，包括機(jī)器學(xué)習(xí)算法、啟發(fā)式搜索算法和深度學(xué)習(xí)算法等。在許多場景下，智能算法是解決和解決各種具有挑戰(zhàn)性的工程問題的實(shí)用替代技術(shù)。受自然界各種規(guī)律和法則的啟迪，人類根據(jù)其原理模仿求解問題，開發(fā)設(shè)計(jì)了眾多的智能算法。目前，常用的智能算法主要包括模糊系統(tǒng)、遺傳算法、模擬退火、決策樹、粒子群和蟻群優(yōu)化技術(shù)以及神經(jīng)網(wǎng)絡(luò)等內(nèi)容。開發(fā)人員可從工程的角度和方法來設(shè)計(jì)、分析、評(píng)估和實(shí)現(xiàn)應(yīng)用于現(xiàn)實(shí)不同場景的智能系統(tǒng)。不同的研究人員根據(jù)所研究的對(duì)象場景的特點(diǎn)遴選表現(xiàn)相對(duì)較優(yōu)的算法，以圖通過計(jì)算機(jī)模擬計(jì)算深度挖掘研究場景中對(duì)象的行為特征。

2. 智能算法在森林火災(zāi)災(zāi)前預(yù)防預(yù)警中的應(yīng)用

防范森林火災(zāi)快速蔓延的最佳控制方式是在火災(zāi)發(fā)生的早期階段將其撲滅。因此，對(duì)森林火災(zāi)災(zāi)中進(jìn)行監(jiān)測，特別是在森林火災(zāi)發(fā)生的初期階段實(shí)施有效的預(yù)警措施顯得尤為重要。對(duì)于森林火災(zāi)災(zāi)前預(yù)警預(yù)測這個(gè)是全球陸地生態(tài)系統(tǒng)普遍存在的問題，研究者在森林火災(zāi)易感性的建模和預(yù)測方面提出了諸多思路[4-8]。Tran等[5]基于局部加權(quán)學(xué)習(xí)算法提出了一種用于森林火災(zāi)易感性預(yù)測研究的空間顯式集成模型，將局部加權(quán)學(xué)習(xí)（LWL）模型與級(jí)聯(lián)歸納（CG）和引導(dǎo)聚集算法（BA）等四種學(xué)習(xí)技術(shù)相結(jié)合，用于國家公園森林火災(zāi)易感性的預(yù)測。并使用歷史數(shù)據(jù)集來訓(xùn)練LWL模型及其衍生的集合模型，利用操作特性曲線和其他幾個(gè)統(tǒng)計(jì)性能標(biāo)準(zhǔn)驗(yàn)證了模型的良好擬合和預(yù)測能力。王生營[6]研究了基于計(jì)算機(jī)視覺的森林火災(zāi)檢測算法，將基于K-Means聚類與樣本熵算法的一種基于傳統(tǒng)圖像特征的圖像識(shí)別算法和基于卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)提出目標(biāo)檢測算法對(duì)比應(yīng)用于森林火災(zāi)檢測，并進(jìn)行了性能評(píng)估，發(fā)現(xiàn)兩種算法均具有較高的可行性，在準(zhǔn)確率上，基于卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的森林火災(zāi)檢測算法的準(zhǔn)確率更高，而基于 K-Means 聚類及樣本熵的森林火災(zāi)檢測算法在運(yùn)行速度和占用內(nèi)存方面表現(xiàn)更優(yōu)。黃儒樂[7]在森林火災(zāi)煙霧識(shí)別預(yù)警算法研究中對(duì)比分析了神經(jīng)網(wǎng)絡(luò)算法、自組織神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等算法的性能，并認(rèn)為基于脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）的圖像特征提取算法。此外，Peng等[8]也基于深度神經(jīng)網(wǎng)絡(luò)模型提出了一種快速、準(zhǔn)確的視頻煙霧檢測算法用于實(shí)時(shí)森林煙霧檢測。

3. 智能算法在森林火災(zāi)災(zāi)中蔓延預(yù)測與火場圖像分析中的應(yīng)用

森林火災(zāi)災(zāi)中蔓延預(yù)測工作在森林火災(zāi)管理過程中的作用舉足輕重。及時(shí)、準(zhǔn)確可靠的災(zāi)中蔓延模擬預(yù)測可有效的控制火勢，最大限度地降低森林火災(zāi)的損失，也是人類生命財(cái)產(chǎn)安全的重要保障。在森林火災(zāi)災(zāi)中蔓延預(yù)測和火場圖像分析輔助火災(zāi)撲救方面，國內(nèi)外研究人員也開展了許多研究[9-12]。賀航等[9]基于改進(jìn)的麻雀搜索算法提出了一種森林火災(zāi)圖像多閾值分割技術(shù)，能夠及時(shí)獲得火災(zāi)圖像分割的最佳閾值，其分割的準(zhǔn)確性、實(shí)時(shí)性和抗噪性均明顯優(yōu)于現(xiàn)有的灰狼算法、粒子群算法和鯨魚算法，能夠?yàn)閳D像處理的工程應(yīng)用提供一種較好的閾值分割技術(shù)。森林火災(zāi)蔓延預(yù)測模型的目標(biāo)是確定在不同天氣場景下火災(zāi)前沿隨時(shí)間的演變。Ioannis[10]基于元胞自動(dòng)機(jī)和的遺傳算法設(shè)計(jì)了一種用于森林火災(zāi)蔓延預(yù)測專用并行處理器，該處理器可以用作決策支持系統(tǒng)的一部分，為物理系統(tǒng)建模和仿真提供了一種新的方法。Rao等[11]設(shè)計(jì)開發(fā)了一種新的增強(qiáng)型視頻實(shí)時(shí)火災(zāi)火焰探測算法，將時(shí)空火焰建模特征提取與動(dòng)態(tài)紋理分析相結(jié)合，引入火焰行為模型來識(shí)別火焰的顏色、火焰的運(yùn)動(dòng)特性以及火焰外觀的隨機(jī)變化。該方法可以識(shí)別森林區(qū)域中的物體運(yùn)動(dòng)，并去除非火焰背景圖像，基于地理信息系統(tǒng)技術(shù)定位火災(zāi)在圖像中的準(zhǔn)確位置。此外，田勇臣等[12]通過改進(jìn)王正非的林火蔓延算法模型，提出一種森林火災(zāi)蔓延多模型預(yù)測系統(tǒng)。

4. 智能算法在森林火災(zāi)災(zāi)后評(píng)估與恢復(fù)中的應(yīng)用

災(zāi)害區(qū)域生態(tài)系統(tǒng)火燒跡地的受損評(píng)估、災(zāi)后恢復(fù)與重建是森林火災(zāi)的災(zāi)后恢復(fù)與管理工作的重要內(nèi)容，利用現(xiàn)代先進(jìn)技術(shù)深入研究這些措施對(duì)森林火災(zāi)的調(diào)查、定責(zé)、生態(tài)系統(tǒng)恢復(fù)以及重建后的長期管理具有重要意義?？傮w來看，將智能算法用于森林火災(zāi)過火面積評(píng)估的文獻(xiàn)相對(duì)較多，如Somnath等[13]基于分類回歸樹（CART）、隨機(jī)森林（RF）和支持向量機(jī)（SVM）算法，利用2016-2019年Landsat-8和Sentinel-2的中分辨率光學(xué)衛(wèi)星影像，對(duì)谷歌地球引擎云端平臺(tái)上的森林火險(xiǎn)斑塊進(jìn)行識(shí)別，計(jì)算森林火災(zāi)的過火燒傷面積。該研究表明分類回歸樹和隨機(jī)森林算法顯示出相似的森林火災(zāi)斑塊，總體準(zhǔn)確率為97-100%，而支持向量機(jī)及的分類精度略低。森林火災(zāi)過火前后的空間和時(shí)間模式需要完整和準(zhǔn)確的燃燒區(qū)域地圖數(shù)據(jù)來記錄，從而量化其驅(qū)動(dòng)因素，并評(píng)估對(duì)人類和自然系統(tǒng)的影響。Todd等[14]開發(fā)了一種基于陸地衛(wèi)星圖像的過火區(qū)域（BA）算法，該算法使用機(jī)器學(xué)習(xí)、閾值處理和圖像分割來識(shí)別1984年至2018年Landsat圖像的數(shù)據(jù)時(shí)間序列中的過火區(qū)域。此外，還有其它眾多研究者基于智能算法研究了森林火災(zāi)過火面積評(píng)估[15，16]。Zachary等[17]使用隨機(jī)森林算法和15個(gè)地形層的燒傷嚴(yán)重程度像素的分層隨機(jī)樣本作為預(yù)測變量建立了一個(gè)經(jīng)驗(yàn)?zāi)Ｐ?，預(yù)測整個(gè)140萬公頃研究區(qū)域發(fā)生嚴(yán)重?zé)齻母怕?。研究結(jié)果表明文章建立的模型對(duì)嚴(yán)重?zé)齻膮^(qū)域基本做到了正確分類，分類準(zhǔn)確率為79.5%。因此，該模型有潛力作為規(guī)劃燃料處理項(xiàng)目和更好地了解景觀尺度燃燒嚴(yán)重程度模式的工具。Ziegler等[18]等利用點(diǎn)模式分析匹配算法、斑塊檢測算法以及最近鄰算法和喬木斑塊高度變異指數(shù)的組合，在林分和斑塊尺度上評(píng)估其可燃物的結(jié)構(gòu)復(fù)雜性，以研究干旱區(qū)火燒跡地經(jīng)過造林恢復(fù)后的防火效果，結(jié)果表明當(dāng)前的恢復(fù)處理與模擬可同時(shí)實(shí)現(xiàn)改變結(jié)構(gòu)復(fù)雜性和減少火災(zāi)行為的目標(biāo)。

5. 總結(jié)與展望

綜上所述，本文詳細(xì)介紹了智能算法在森林火災(zāi)的災(zāi)前、災(zāi)中和災(zāi)后管理中的不同應(yīng)用場景和效果。智能算法在森林火災(zāi)的預(yù)防與撲救管理領(lǐng)域的深度研究與應(yīng)用，以及對(duì)林業(yè)多源異構(gòu)大數(shù)據(jù)的分析，必將有利于森林火災(zāi)的有效防范，從而保護(hù)森林生態(tài)系統(tǒng)的平衡和可持續(xù)發(fā)展。

智能算法已被廣泛應(yīng)用于工業(yè)制造、農(nóng)業(yè)管理、商業(yè)分析、醫(yī)療保健等領(lǐng)域，作為當(dāng)代人工智能技術(shù)的核心，對(duì)人類的生產(chǎn)生活產(chǎn)生了巨大的影響。隨著全球大數(shù)據(jù)海量的不斷增長，對(duì)大數(shù)據(jù)的計(jì)算和處理顯得尤為重要，以智能算法為核心的人工智能技術(shù)的進(jìn)步將為龐大的森林火災(zāi)數(shù)據(jù)處理與分析提供了強(qiáng)力支撐。

參考文獻(xiàn)

[1]李偉克， 殷繼艷， 郭贊權(quán)，等. 2019年世界代表性國家和地區(qū)森林火災(zāi)發(fā)生概況分析[J].? 消防科學(xué)與技術(shù)， 2020， 39（09）： 1280-1284.

[2]應(yīng)急管理部發(fā)布2020年全國自然災(zāi)害基本情況. [2021-10-12]. http：//www.gov.cn /xinwen/2021-01/12/content_5579258.htm.

[3]Zhong Zheng， Yanghua Gao， Qingyuan Yang， et al. Predicting forest fire risk based on mining rules with ant-miner algorithm in cloud-rich areas[J]. Ecological Indicators， 2020， 118： 106772.

[4]Hossein Moayedi， Mohammad Mehrabi， Dieu Tien Bui， et al. Fuzzy-metaheuristic ensembles for spatial assessment of forest fire susceptibility[J]. Journal of Environmental Management， 2020， 260： 109867.

[5]Tran Thi Tuyen， Abolfazl Jaafari， Hoang Phan Hai Yen， et al. Mapping forest fire susceptibility using spatially explicit ensemble models based on the locally weighted learning algorithm[J]. Ecological Informatics， 2021， 63： 101292.

[6]王生營. 基于計(jì)算機(jī)視覺的森林火災(zāi)檢測算法研究[D].北方民族大學(xué)，2021.

[7]黃儒樂. 基于視頻圖像的林火煙霧識(shí)別方法的研究[D].北京林業(yè)大學(xué)，2012.

[8]Yingshu Peng， Yi Wang. Real-time forest smoke detection using hand-designed features and deep learning[J]. Computers and Electronics in Agriculture， 2019， 167， 105029.

[9]賀航，馬小晶，王宏偉，等.基于改進(jìn)麻雀搜索算法的森林火災(zāi)圖像多閾值分割[J].科學(xué)技術(shù)與工程，2021，21（26）：11263-11270.

[10]Ioannis Karafyllidis. Design of a dedicated parallel processor for the prediction of forest fire spreading using cellular automata and genetic algorithms[J]. Engineering Applications of Artificial Intelligence， 2004，17， （0 1）： 19-36.

[11]Gudikandhula Narasimha Rao， Peddada Jagadeeswara Rao， Rajesh Duvvuru， et al. An enhanced real-time forest fire assessment algorithm based on video by using texture analysis[J]. Perspectives in Science， 2016， 8： 618-620.

[12]田勇臣，劉少剛，趙剛，等.森林火災(zāi)蔓延多模型預(yù)測系統(tǒng)研究[J].北京林業(yè)大學(xué)學(xué)報(bào)， 2007， 29（04）： 49-53.

[13]Somnath Bar， Bikash Ranjan Parida， Arvind Chandra Pandey. Landsat-8 and Sentinel-2 based forest fire burn area mapping using machine learning algorithms on GEE cloud platform over Uttarakhand， Western Himalaya[J]. Remote Sensing Applications： Society and Environment， 2020， 18： 100324.

[14]Todd Hawbaker， Melanie Vanderhoof， Gail Schmidt， et al. The Landsat Burned Area algorithm and products for the conterminous United States[J]. Remote Sensing of Environment， 2020， 244： 111801.

[15]Jinxiu Liu， Janne Heiskanen， Eduardo Maeda， et al. Burned area detection based on Landsat time series in savannas of southern Burkina Faso[J]. International Journal of Applied Earth Observation and Geoinformation， 2018， 64： 210-220.

[16]Louis Giglio， Luigi Boschetti， David P. Roy， et al. The Collection 6 MODIS burned area mapping algorithm and product[J]. Remote Sensing of Environment， 2018， 217： 72-85.

[17]Zachary Holden， Penelope Morgan， Jeffrey Evans， A predictive model of burn severity based on 20-year satellite-inferred burn severity data in a large southwestern US wilderness area[J]. Forest Ecology and Management， 2009， 258（11）： 2399-2406.

[18]Justin Ziegler， Chad Hoffman， Mike Battaglia， et al. Spatially explicit measurements of forest structure and fire behavior following restoration treatments in dry forests[J]. Forest Ecology and Management， 2017， 386： 1-12.

第一作者簡介：張水鋒，男，1986年6月生，漢，江蘇丹陽人，博士，講師，南京森林警察學(xué)院，研究方向：大數(shù)據(jù)分析，多目標(biāo)優(yōu)化決策。

基金項(xiàng)目：江蘇高校哲學(xué)社會(huì)科學(xué)研究項(xiàng)目（2019SJA0527）;江西省管理科學(xué)類項(xiàng)目（20202BAA208014）;中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目（LGZD202101）