林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警研究

程江濤，張 貴，肖化順，楊志高，余 謙

（中南林業(yè)科技大學(xué) 林學(xué)院，湖南 長(zhǎng)沙 410004）

林地旱災(zāi)是指林地中因氣候異常而形成的氣象災(zāi)害。森林是陸地生態(tài)系統(tǒng)的主體，林地旱災(zāi)危害性大，已成為影響植被生長(zhǎng)的嚴(yán)重的氣候?yàn)?zāi)害之一。早在2013年6—8月，湖南遭遇了十年以來(lái)最嚴(yán)重的旱災(zāi)，給受旱地區(qū)造成了嚴(yán)重的經(jīng)濟(jì)損失，因此，對(duì)湖南省進(jìn)行林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警研究顯得尤為重要[1]。

隨著遙感技術(shù)的發(fā)展，遙感技術(shù)監(jiān)測(cè)旱災(zāi)的應(yīng)用前景也日益成熟。Keshavarz 等[2]根據(jù)地表溫度與植被指數(shù)之間的三角空間關(guān)系，得到土壤水分指數(shù)，表明該指數(shù)能較好地反映干旱區(qū)的空間分布和干旱程度。魏杰[3]綜合考慮氣象數(shù)據(jù)與中分辨率成像光譜儀（MODIS）數(shù)據(jù)建立干旱指數(shù)模型，進(jìn)行干旱監(jiān)測(cè)，同時(shí)利用預(yù)警指數(shù)DWI 對(duì)研究區(qū)進(jìn)行預(yù)警分析，表明該方法在研究區(qū)月尺度的干旱監(jiān)測(cè)預(yù)警基本可行。高雅[4]根據(jù)NDVI與SIF 之間的關(guān)系，建立基于植被距平百分率和熒光距平百分率的干旱預(yù)警指數(shù)模型并進(jìn)行干旱監(jiān)測(cè)和預(yù)警研究，發(fā)現(xiàn)該模型可以對(duì)研究區(qū)進(jìn)行有效預(yù)警。王宗敏等[5]利用MODIS 數(shù)據(jù)分別計(jì)算歸一化植被指數(shù)、距平植被指數(shù)、植被狀態(tài)指數(shù)和溫度狀態(tài)指數(shù)等，并結(jié)合傳統(tǒng)氣象干旱指數(shù)分析河南省10年來(lái)的干旱情況。郭佳[6]基于隨機(jī)森林的機(jī)器學(xué)習(xí)方法將遙感數(shù)據(jù)和氣象數(shù)據(jù)相結(jié)合建立了河南省遙感干旱監(jiān)測(cè)模型。肖化順等[7]利用MODIS 數(shù)據(jù)提取歸一化植被指數(shù)和地表溫度反演出溫度植被干旱指數(shù)，構(gòu)建了湖南省干旱監(jiān)測(cè)模型。綜上所述，目前大部分學(xué)者對(duì)干旱監(jiān)測(cè)的研究較多，而對(duì)于旱災(zāi)風(fēng)險(xiǎn)預(yù)警的研究較少，且都是對(duì)旱災(zāi)大尺度（月、季、年）的預(yù)測(cè)。本研究利用遙感數(shù)據(jù)，基于PSO-BP 神經(jīng)網(wǎng)絡(luò)算法建立林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型，實(shí)現(xiàn)對(duì)林地旱災(zāi)的逐日預(yù)警，有利于防災(zāi)減災(zāi)應(yīng)急資源的科學(xué)配置。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

湖南省地處長(zhǎng)江中游洞庭湖以南、南嶺以北，是一個(gè)幅員遼闊且以山地為主、平原和丘陵為輔的省份。該區(qū)屬于亞熱帶季風(fēng)濕潤(rùn)氣候，年降水量為1 200～1 700 mm，降水豐富但分布不均，降水主要集中在早春初夏（5—6月），仲夏初秋（7—9月）大部分地區(qū)受西太平洋亞熱帶高壓控制，表現(xiàn)為晴熱少雨，容易引發(fā)干旱。湖南四季均可發(fā)生干旱，以夏旱（6月下旬或7月初至7月底）、秋旱（立秋至9月底）發(fā)生最為頻繁[8]。

湖南省南高北低，三面環(huán)山，森林資源非常豐富，森林蓄積量達(dá)40 715.73 萬(wàn)m3。全省林地以湘西（懷化、湘西、張家界）最多，以經(jīng)濟(jì)林和水源林為主；其次是湘南（永州、衡陽(yáng)、邵陽(yáng)、郴州），以雪峰山為主體的用材林區(qū)和湘南的用材林區(qū)；林地最少的是湘中、湘北（湘潭、婁底、益陽(yáng)、岳陽(yáng)）。

1.2 數(shù)據(jù)及預(yù)處理

研究數(shù)據(jù)包括模型的自變量、因變量，模型的自變量主要包括2009—2019年的MODIS 數(shù)據(jù)、2009—2019年的熱帶降雨測(cè)量任務(wù)（TRMM）數(shù)據(jù)以及地形數(shù)據(jù)、植被類(lèi)型空間分布數(shù)據(jù)等。

MODIS 數(shù)據(jù)是采用Terra 衛(wèi)星的MODIS level 1B 數(shù)據(jù)經(jīng)過(guò)輻射定標(biāo)、投影變換、幾何校正和重采樣獲取到研究所需要的地表溫度數(shù)據(jù)集和歸一化植被指數(shù)數(shù)據(jù)集，再通過(guò)鑲嵌、裁剪以及提取等工作提取出湖南省的歸一化植被指數(shù)（NDVI）、地表溫度（LST）柵格影像圖。

TRMM 數(shù)據(jù)是2009—2019年的TRMM3B42數(shù)據(jù)，該數(shù)據(jù)為日尺度降水?dāng)?shù)據(jù)，是從美國(guó)航空航天測(cè)量任務(wù)官網(wǎng)批量下載而來(lái)，將各像元值乘以每天的小時(shí)數(shù)得到每天的降水量，并批量裁剪出湖南省的柵格影像范圍。

DEM 數(shù)據(jù)主要是從中國(guó)地理空間數(shù)據(jù)云平臺(tái)下載而來(lái)，將DEM 數(shù)據(jù)通過(guò)拼接、裁剪等工作獲取到湖南省范圍的DEM 數(shù)據(jù)，并利用表面分析生成湖南省的坡度、坡向柵格影像數(shù)據(jù)。高程、坡度、坡向是影響區(qū)域干旱的重要因子，不同高程、坡度或坡向的區(qū)域在同一個(gè)階段發(fā)生干旱的情況可能有所不同。植被類(lèi)型空間分布數(shù)據(jù)來(lái)源于國(guó)家資源環(huán)境數(shù)據(jù)云平臺(tái)的中國(guó)100 萬(wàn)植被類(lèi)型空間分布數(shù)據(jù)集。

模型的因變量是溫度植被干旱指數(shù)，是將2009—2019年MODIS 數(shù)據(jù)提取出的歸一化植被指數(shù)和地表溫度整合到同一尺度，并通過(guò)python腳本，利用TVDI 計(jì)算公式（1）批量計(jì)算出溫度植被干旱指數(shù)（TVDI）。

式中：Ts為地表溫度（℃）；Tmin為相應(yīng)NDVI 下最低陸地表面溫度（℃）；Tmax為相應(yīng)NDVI 下最高陸地表面溫度（℃），即所對(duì)應(yīng)的濕邊和干邊方程；a、b、c和d為干濕邊方程的回歸系數(shù)，分別為干濕邊方程的截距和斜率[9-10]。

1.3 研究方法

1.3.1 BP 神經(jīng)網(wǎng)絡(luò)

BP（Back propagation）神經(jīng)網(wǎng)絡(luò)是一種按誤差反傳的多層前饋神經(jīng)網(wǎng)絡(luò)，擁有包括輸入層、輸出層和隱含層3 層網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)[11]。其基本思想就是以網(wǎng)絡(luò)誤差平方作為目標(biāo)函數(shù)，采用梯度下降法求目標(biāo)函數(shù)的最小值。目前還沒(méi)有統(tǒng)一的方法來(lái)確定隱含層神經(jīng)元的個(gè)數(shù)和節(jié)點(diǎn)間的傳遞函數(shù)，通常由網(wǎng)絡(luò)訓(xùn)練來(lái)確定[12]。BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程包括信號(hào)的前向傳播和誤差的反向傳播。對(duì)于較為復(fù)雜的實(shí)際問(wèn)題，除了彈性BP 算法外，其他算法在收斂速度上也存在一些問(wèn)題，通常會(huì)用到數(shù)值優(yōu)化的方法來(lái)訓(xùn)練BP 網(wǎng)絡(luò)的權(quán)值[13]。一般地，數(shù)據(jù)歸一化后，能減小誤差，加快神經(jīng)網(wǎng)絡(luò)的收斂速度。BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的流程見(jiàn)圖1。

圖1 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的流程Fig.1 Flow chart of BP neural network prediction

1.3.2 PSO-BP 神經(jīng)網(wǎng)絡(luò)

粒子群優(yōu)化算法（Particle swarm optimization）是計(jì)算智能領(lǐng)域中繼蟻群算法和魚(yú)群算法之后的一種群體智能優(yōu)化算法，是通過(guò)鳥(niǎo)類(lèi)群體協(xié)作規(guī)律提出的全局智能優(yōu)化算法[14]。PSO 算法的運(yùn)行過(guò)程如下：在一個(gè)d維的搜索空間中，粒子群由m個(gè)隨機(jī)初始化的粒子組成，根據(jù)粒子在當(dāng)前種群中的個(gè)體極值Pibest和群體極值Pgbest，通過(guò)反復(fù)迭代改變粒子的位置和速度得到種群的最優(yōu)解，在迭代過(guò)程中，粒子j的速度和位置的更新公式如式（4）和式（5）所示：

式中：是在第d維空間粒子i經(jīng)過(guò)第k次迭代時(shí)的速度；則是對(duì)應(yīng)的粒子的位置；w為慣性因子；c1、c2是加速常數(shù)；rand(0,1)表示區(qū)間[0,1]上的隨機(jī)數(shù)；是在第k次迭代的種群歷史最優(yōu)位置；是第i個(gè)粒子在當(dāng)前迭代的歷史最優(yōu)位置。

1.3.3 林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系的建立

國(guó)內(nèi)外研究成果表明，林地旱災(zāi)主要與地表溫度、植被指數(shù)、地形地貌、降水量等因素有密切的關(guān)系。例如NDVI 可以反映旱災(zāi)對(duì)植被生長(zhǎng)狀態(tài)的影響，LST 可以反映地溫對(duì)旱災(zāi)風(fēng)險(xiǎn)的響應(yīng)，降水量（JYL）與旱災(zāi)風(fēng)險(xiǎn)存在直接關(guān)系，連續(xù)無(wú)雨日可以反映無(wú)雨日長(zhǎng)短與旱災(zāi)風(fēng)險(xiǎn)的關(guān)系，旱災(zāi)的發(fā)生與高程、坡度、坡向之間也存在不同程度的關(guān)系。利用遙感技術(shù)對(duì)林地旱災(zāi)進(jìn)行風(fēng)險(xiǎn)預(yù)警具有高時(shí)效性，旱災(zāi)是多因子耦合的結(jié)果，考慮到遙感數(shù)據(jù)提取旱災(zāi)風(fēng)險(xiǎn)因子的可獲得性，選擇NDVI、LST、高程、坡度、坡向、植被類(lèi)型空間分布、降水量、連續(xù)無(wú)雨日等因子作為林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型的自變量，用TVDI 的值來(lái)反映旱災(zāi)風(fēng)險(xiǎn)程度。利用PSO-BP 機(jī)器學(xué)習(xí)方法，構(gòu)建林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型，實(shí)現(xiàn)林地旱災(zāi)的實(shí)時(shí)預(yù)警。

1.3.4 多重共線性檢驗(yàn)

建立林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型之前，先要對(duì)因子進(jìn)行多重共線性檢驗(yàn)，嚴(yán)重的多重共線性會(huì)增大回歸系數(shù)的方差，導(dǎo)致擬合結(jié)果的參數(shù)估計(jì)誤差較大，使得即使預(yù)測(cè)變量和響應(yīng)之間存在顯著關(guān)系，回歸系數(shù)也可能看起來(lái)并不顯著；樣本間高度相關(guān)的預(yù)測(cè)因子系數(shù)差異很大，導(dǎo)致模型不穩(wěn)定，得出的推斷無(wú)效。解決多重共線性問(wèn)題的方法有很多，研究中使用方差膨脹因子診斷法，VIF 值越大，說(shuō)明模型的共線性問(wèn)題越嚴(yán)重。一般VIF 值應(yīng)該小于5，當(dāng)VIF＞10 時(shí)，說(shuō)明自變量之間擁有嚴(yán)重的多重共線性[15]。

1.3.5 林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建

將2009年1月1日至2019年10月2日的數(shù)據(jù)作為訓(xùn)練集，2019年10月2—4日的數(shù)據(jù)作為測(cè)試集，通過(guò)代碼實(shí)現(xiàn)PSO-BP 旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型，模型的構(gòu)建過(guò)程如圖2所示。

圖2 PSO-BP 旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型的流程Fig.2 Flow chart of PSO-BP drought risk early warning model

1）自變量有8 個(gè)參數(shù)，因變量有一個(gè)參數(shù)，根據(jù)兩者個(gè)數(shù)構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層。

2）確定PSO 算法的參數(shù)，包括學(xué)習(xí)因子c1和c2、粒子群規(guī)模s、進(jìn)化次數(shù)m、慣性權(quán)重的上下權(quán)限、粒子初始速度和位置的隨機(jī)值。

4）計(jì)算慣性權(quán)重，更新粒子的速度和位置，并判斷更新的位置和速度是否超過(guò)設(shè)定的限制。

5）判斷迭代是否滿(mǎn)足終止條件，如果滿(mǎn)足，則停止迭代并記錄最優(yōu)解，否則返回第（3）步進(jìn)行重新迭代。

6）算法迭代停止，生成的最優(yōu)解即BP 神經(jīng)網(wǎng)絡(luò)的最優(yōu)閾值和權(quán)重，將最優(yōu)解代入BP 神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練學(xué)習(xí)，并將之用于對(duì)溫度植被干旱指數(shù)的預(yù)測(cè)。

1.3.6 林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型精度評(píng)價(jià)指標(biāo)

對(duì)模型精度進(jìn)行評(píng)價(jià)時(shí)，選用了相關(guān)系數(shù)R、均方誤差MSE 以及平均相對(duì)誤差MRE 作為模型的評(píng)價(jià)標(biāo)準(zhǔn)，計(jì)算公式如下：

式中：n為測(cè)試樣本數(shù)；A(i)為樣本的實(shí)測(cè)值；P(i)為樣本的預(yù)測(cè)值；為樣本實(shí)測(cè)值的平均值；為樣本預(yù)測(cè)值的平均值。

2 結(jié)果與分析

2.1 林地旱災(zāi)頻次影響因素分析

結(jié)合2009—2019年湖南省的旱災(zāi)發(fā)生情況，利用數(shù)據(jù)挖掘技術(shù)隨機(jī)提取10 394 個(gè)旱災(zāi)發(fā)生時(shí)的所有風(fēng)險(xiǎn)因子的像元值，并統(tǒng)計(jì)分析出各因子與林地旱災(zāi)頻次的關(guān)系。

隨著海拔的升高，溫度隨之下降，林地旱災(zāi)的風(fēng)險(xiǎn)將降低；蒸散量和降水量也會(huì)受到海拔的影響，因而在同一時(shí)期內(nèi)，不同海拔的區(qū)域林地旱災(zāi)的風(fēng)險(xiǎn)也會(huì)有所不同。坡度會(huì)影響雨水的徑流量和土壤水的側(cè)流，從而造成區(qū)域土壤水分和降雨分配的差異，導(dǎo)致處于低谷的植被更不容易受到干旱的困擾。坡向會(huì)改變太陽(yáng)輻射的影響，向陽(yáng)坡受到的土壤蒸發(fā)量和植被蒸騰量更大，且北半球的北坡比南坡在空氣、土壤濕度等方面都要大很多，植物當(dāng)中的水分更高，越不易發(fā)生旱災(zāi)。由圖3～4 可知，高程、坡度和坡向?qū)α值睾禐?zāi)的影響非常明顯，湖南省林地旱災(zāi)的發(fā)生基本都集中在海拔0～300 m、坡度＜25°的地區(qū)內(nèi)，且西向和東南向地區(qū)更易發(fā)生旱災(zāi)。從這一點(diǎn)可以說(shuō)明隨著海拔的升高，林地旱災(zāi)的風(fēng)險(xiǎn)將降低；隨著坡度的升高，林地旱災(zāi)的風(fēng)險(xiǎn)也將隨之下降。

圖3 高程、坡度與林地旱災(zāi)頻次的關(guān)系Fig.3 Relationship between elevation,slope and frequency of forest drought

連續(xù)無(wú)雨日是判斷TRMM 柵格影像按時(shí)間序列同一位置像元值連續(xù)為0 的影像個(gè)數(shù)，若到了某個(gè)日期的影像像元值不為0，則重新開(kāi)始計(jì)算，最后生成逐日的連續(xù)無(wú)雨日柵格影像圖，像元值范圍為[0,+∞)，分析林地旱災(zāi)頻次與連續(xù)無(wú)雨日的關(guān)系（圖4），發(fā)現(xiàn)連續(xù)無(wú)雨日越長(zhǎng)，發(fā)生旱災(zāi)的概率越高。

圖4 坡向、連續(xù)無(wú)雨日與林地旱災(zāi)頻次的關(guān)系Fig.4 Relationship between aspect,consecutive days without rain and frequency of forest drought

由圖5可知，湖南省林地旱災(zāi)分布情況基本分布在日降水量25 mm 以下的地區(qū)，降水量越多，越不易發(fā)生旱災(zāi)；反之，林地旱災(zāi)的分布情況越少。張慶斌等[16]對(duì)湖南省NDVI 動(dòng)態(tài)變化進(jìn)行研究，發(fā)現(xiàn)溫度對(duì)NDVI 的影響強(qiáng)于降水的作用，因此用降水作自變量比溫度更合適。分析植被類(lèi)型與林地旱災(zāi)頻次的關(guān)系發(fā)現(xiàn)，植被類(lèi)型為1，即植被類(lèi)型為針葉林的時(shí)候，發(fā)生旱災(zāi)的概率比較高，但植被因素要結(jié)合其他風(fēng)險(xiǎn)因子一起考慮才能達(dá)到預(yù)測(cè)旱災(zāi)的效果，無(wú)法單因素去分析該因子對(duì)旱災(zāi)發(fā)生概率的影響。

圖5 降水量、植被類(lèi)型與林地旱災(zāi)頻次的關(guān)系Fig.5 Relationship between air temperature,spatial vegetation types and frequency of forest drought

2.2 林地旱災(zāi)風(fēng)險(xiǎn)因子多重共線性檢驗(yàn)

對(duì)林地旱災(zāi)風(fēng)險(xiǎn)因子進(jìn)行多重共線性檢驗(yàn)，得 出GC、PD、PX、LST、NDVI、JYL、CDWR和ZB 的VIF 值分別為1.923、1.871、1.428、1.098、1.102、1.601、1.154 和1.105。各林地旱災(zāi)風(fēng)險(xiǎn)因子的VIF 值均小于5，因此，本研究所選取的林地旱災(zāi)風(fēng)險(xiǎn)因子均可用于林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型的建立。

2.3 林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型結(jié)果分析

以2009年1月1日至2019年10月2日的數(shù)據(jù)作為訓(xùn)練樣本，2019年10月2—4日的數(shù)據(jù)作為預(yù)測(cè)樣本，2019年10月3日真實(shí)的TVDI 與模型預(yù)測(cè)出來(lái)的TVDI 所在區(qū)間基本一致（圖6）。

圖6 林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型輸出結(jié)果Fig.6 Output results of forest drought risk early warning model

利用構(gòu)建的湖南省林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型預(yù)測(cè)的溫度植被干旱指數(shù)數(shù)據(jù)得到2019年10月2—4日的旱災(zāi)風(fēng)險(xiǎn)等級(jí)圖，旱災(zāi)風(fēng)險(xiǎn)等級(jí)越低，顏色越偏綠色，發(fā)生干旱的概率就越??；旱災(zāi)風(fēng)險(xiǎn)等級(jí)越高，顏色越偏紅色，發(fā)生干旱的概率就越大（圖7）。

從圖7可知，預(yù)測(cè)結(jié)果中2019年10月4月湖南發(fā)生了旱災(zāi)，發(fā)生的地點(diǎn)集中在永州市、郴州市以及株洲市的南部區(qū)域，湘西小部分區(qū)域也有些許旱情，其余區(qū)域都較為適宜，尤其是張家界市與常德市經(jīng)歷了連續(xù)的降雨，整體偏濕潤(rùn)。10月4日是旱情最為嚴(yán)重的時(shí)期，但在10月2日已經(jīng)有了干旱的苗頭，且由于連續(xù)無(wú)雨日過(guò)長(zhǎng)，干旱情況將持續(xù)加重。10月3日，干旱情況已經(jīng)非常嚴(yán)峻，湘南等地區(qū)出現(xiàn)大面積干旱，直到10月4日，干旱情況再次加重，與實(shí)測(cè)結(jié)果一致。分析干旱區(qū)域周邊未干旱的部分地區(qū)，發(fā)現(xiàn)這些地區(qū)地勢(shì)均較高，且植被類(lèi)型主要以闊葉林為主。對(duì)干旱地區(qū)的森林類(lèi)型進(jìn)行統(tǒng)計(jì)分析，發(fā)現(xiàn)植被類(lèi)型主要以馬尾松等針葉林為主，與影響因素分析中統(tǒng)計(jì)的結(jié)果一致。如果前期能提早預(yù)警到這場(chǎng)旱災(zāi)，可將森林資源損失降到最小。

圖7 湖南省旱災(zāi)風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果對(duì)比Fig.7 Drought risk comparison of predicted results and measured results in Hunan province

續(xù)圖7Continuation of Fig.7

2.4 林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型精度評(píng)價(jià)

通過(guò)精度評(píng)價(jià)指標(biāo)將程序預(yù)測(cè)結(jié)果與真實(shí)值進(jìn)行比較，相關(guān)系數(shù)R基本都達(dá)到了0.9 以上，均方誤差MSE 平均為0.06，平均相對(duì)誤差MRE 平均為4.49%（表1），可見(jiàn)模型的結(jié)果與真實(shí)值基本都在一個(gè)等級(jí)區(qū)間內(nèi)，模型精度較高。

表1 林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型精度評(píng)價(jià)Table 1 Precision evaluation of forestland drought risk early warning model

3 結(jié)論與討論

3.1 結(jié) 論

1）以溫度植被干旱指數(shù)為因變量，地表溫度、歸一化植被指數(shù)、高程、坡度、坡向、降水量、連續(xù)無(wú)雨日和植被類(lèi)型空間分布等8 個(gè)旱災(zāi)風(fēng)險(xiǎn)因子作為自變量構(gòu)建的PSO-BP 林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型擬合效果較好，模型的R值都達(dá)到了0.9 以上，表明預(yù)測(cè)的精度較高，能夠很好地預(yù)警林地旱災(zāi)風(fēng)險(xiǎn)情況。

2）模型能夠有效地預(yù)測(cè)未來(lái)動(dòng)態(tài)的旱災(zāi)風(fēng)險(xiǎn)信息。通過(guò)預(yù)測(cè)結(jié)果可以明顯地看出旱災(zāi)風(fēng)險(xiǎn)的區(qū)域分布，并針對(duì)高風(fēng)險(xiǎn)地區(qū)的地形地貌、植被類(lèi)型等特點(diǎn)，對(duì)該地區(qū)采取有效的預(yù)防措施，將可能發(fā)生的損失降到最低。

3.2 討 論

1）目前對(duì)林地旱災(zāi)的監(jiān)測(cè)研究很多，而林地旱災(zāi)預(yù)警方面的研究甚少，監(jiān)測(cè)可以對(duì)過(guò)去和現(xiàn)在的結(jié)果進(jìn)行分析，得到影響旱災(zāi)風(fēng)險(xiǎn)的關(guān)鍵因子，但無(wú)法對(duì)未來(lái)的旱情進(jìn)行預(yù)警，導(dǎo)致錯(cuò)失了防范旱災(zāi)的關(guān)鍵時(shí)間點(diǎn)。為了更加有效地減少旱災(zāi)帶來(lái)的損失，開(kāi)展預(yù)警方面的研究迫在眉睫。

2）利用粒子群算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，結(jié)合多種影響旱災(zāi)發(fā)生的因子，以達(dá)到預(yù)測(cè)未來(lái)區(qū)域內(nèi)的林地旱災(zāi)風(fēng)險(xiǎn)的效果。將這種機(jī)器學(xué)習(xí)方法與遙感技術(shù)相結(jié)合，對(duì)未來(lái)的林地旱災(zāi)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)這種方法得到的結(jié)果也是相當(dāng)準(zhǔn)確的。然而，標(biāo)準(zhǔn)粒子群算法容易陷入局部最優(yōu)。為了獲得全局最優(yōu)解，可以通過(guò)改進(jìn)粒子群算法的位置更新機(jī)制和慣性權(quán)重來(lái)進(jìn)行優(yōu)化，而且很少有學(xué)者將這一方法用于林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警研究，因此可以將此方向作為下一步研究的重點(diǎn)。

3）與國(guó)內(nèi)外關(guān)于旱災(zāi)預(yù)警方面的研究對(duì)比發(fā)現(xiàn)，大部分預(yù)警研究主要是對(duì)未來(lái)旱災(zāi)發(fā)生與否進(jìn)行大尺度（月、季、年）的預(yù)測(cè)，實(shí)用價(jià)值有限。本研究利用遙感數(shù)據(jù)，基于PSO-BP 神經(jīng)網(wǎng)絡(luò)算法建立了林地旱災(zāi)風(fēng)險(xiǎn)預(yù)警模型，實(shí)現(xiàn)了對(duì)林地旱災(zāi)的逐日預(yù)警，在國(guó)內(nèi)外研究成果的基礎(chǔ)上進(jìn)行了一定的優(yōu)化。