[發明專利]細粒度的森林火災概率預報系統

在審

• 申請號: 201610010997.8
• 申請日: 2016-01-05
• 公開（公告）號: CN105678419A
• 公開（公告）日: 2016-06-15
• 發明（設計）人: 胡清華;廖士中;高學攀;李子達
• 申請（專利權）人: 天津大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉國威

1.一種細粒度的森林火災概率預報系統,其特征是，包括:

關系型數據庫模塊，關系型數據庫模塊進一步包括氣象觀測數據庫、氣象預報數據庫、 模型輸入因子數據庫、模型數據庫和林火概率數據庫；氣象觀測數據庫存儲當日的氣象觀 測數據，用于更新模型輸入因子數據庫中的數據；氣象預報數據庫存儲用于貝葉斯網絡推 理的氣象預報數據；模型輸入因子數據庫存儲用于構建貝葉斯網絡模型和概率分配模型的 歷史數據和空間數據，包括氣象歷史數據、林火歷史數據、地理數據、地表覆蓋數據、人 口分布數據；林火概率數據庫存儲系統的計算結果，包括由貝葉斯網絡推理得到的縣級林 火概率，由概率分配模型計算得到的300m×300m粒度林火概率，以及相應的林火風險等 級；模型數據庫存儲系統的模型文件，為每個地區的林火概率提供計算模型；

數據庫管理模塊，提供對數據庫中基礎信息的處理，實現數據的導入、數據格式轉換、 數據編輯、修改、查詢；

數據采集模塊完成對系統輸入數據的采集工作，其中氣象歷史數據需要編寫網絡爬蟲 程序進行采集；包括地表覆蓋、海拔的柵格數據借助地理信息系統工具進行提取；

FWI指數計算模塊完成森林火險天氣指數計算功能，首先由午時氣溫、午時相對濕度、 午時風速、24小時降水量計算得到5個中間指數，再由5個中間指數計算得出當日的FWI 指數，數據規整模塊完成對連續型數據的離散化功能，以生成用于貝葉斯網絡模型訓練及 預測的樣本數據；

貝葉斯網絡推理模塊完成貝葉斯網絡建模和推理功能，首先根據專家經驗，主觀確定 貝葉斯網絡的節點和網絡結構；然后，基于樣本數據進行網絡參數學習，建立用于林火概 率預測的貝葉斯網絡模型；最后，應用聯合樹算法進行推理，預測出縣級林火概率；

概率分配模塊完成將縣級林火概率分配至300m×300m粒度功能，首先對林火歷史記 錄進行統計分析，得到各林火因子的取值權重，然后基于空間數據和縣級林火概率計算 300m×300m粒度的林火概率，并通過顯示模塊顯示。

2.如權利要求1所述的細粒度的森林火災概率預報系統，其特征是，貝葉斯網絡建模和推理 功能與預測出縣級林火概率的具體步驟：

林火概率預測的貝葉斯網絡中的節點分為兩類：一類是林火發生節點，表征結果；另 一類是林火誘因節點，表征原因；節點間的有向連接弧表示林火及其誘因之間的因果關系， 每個節點的參數值表征了林火及其誘因之間的概率依賴關系；

基于時態數據和空間數據進行貝葉斯網絡建模：貝葉斯網絡模型的空間參照為縣或 區；模型的時間參照為一天；每一個節點有若干個離散、互斥的取值狀態，這意味著觀測 到的連續型數包括海拔、人口密度的連續型數必須預先做離散化處理，應用等頻率離散化 方法對數據進行離散化；

海拔節點、地表覆蓋節點和人口密度節點的條件概率表由先驗知識確定，即：每個縣 的平均海拔、地表覆蓋和人口密度短時間內是不變的；

其余除林火發生節點外的節點的條件概率表，應用最大似然估計方法進行學習，最大 似然估計基于傳統的統計分析思想，依據樣本與參數的似然程度來評判樣本與模型的擬合 程度，設數據D由樣本(D₁,D₂,…,D_m)組成，則節點X_i的參數θ_i的對數似然函數的一般形 式為：L(θ_i|D)＝logP(D|θ_i)，θ_i的最大似然估計，就是令L(θ_i|D)達到最大的那個取值即

θi*=argsupθiL(θi|D).]]>

設節點X_i共有r_i個取值，其父節點π(X_i)的取值共有q_i個組合，根據獨立同分布假設 和貝葉斯網絡的結構特征，有：

L(θi|D)=log P(D|θi)=logΠl=1mP(Dl|θi)=Σl=1mlog P(Dl|θi)=Σj=1qiΣk=1rimijklogθijk,]]>

其中D_l為一個觀測樣本，m_ijk為D中滿足X_i＝k且π(X_i)＝j的樣本的數量，記 則θ_i的最大似然估計為：

θijk*=mijkmij,(∀j∈[1:qi],∀k∈[1:ri])]]>

對于林火發生節點，其父節點集合中包含地表覆蓋節點，由于模型的空間參照為縣或 區，實際數據中該節點的取值不是確定的，而是一個概率分布：當縣名已知的情況下，每 一種地表覆蓋類型的取值概率為該類型在該縣內的覆蓋面積與該縣面積的比例，故林火節 點需要基于“碎權樣本”進行最大似然估計，假設X_lc為地表覆蓋節點，X_fire為林火節點， 由于X_lc有13種取值狀態，故將D_l拆分為13個碎權樣本：

Dl=Σi=113(Dl,Xlc=xi)[wxi],]]>

其中x_i為X_lc的某種取值，為樣本(D_l,X_lc＝x_i)的權重，滿足約束條件：在實際數據中是已知的，其值為樣本D_l所屬縣內地表覆蓋類型x_i的覆蓋面積與該縣總 面積的比值，在林火節點X_fire的參數學習過程中，每個觀測樣本D_l都被13個完整的碎權 樣本所替代，記D^t為全部的碎權完整數據，則X_fire的參數估計方法為：

θfire,jk*=mfire,jkmfire,j,]]>

其中m_fire,jk為D^t中所有滿足X_fire＝k且π(X_fire)＝j的樣本的權重之和，m_fire,j為D^t中 所有滿足π(X_fire)＝j的樣本的權重之和；

構建貝葉斯網絡模型之后，需要進行貝葉斯網絡推理計算縣級林火概率即后驗概率分 布，即：已知網絡中縣名節點、FWI指數節點和月份節點的取值，月份節點的取值為證據 變量，記為X_E，計算林火發生節點查詢變量X_fire的后驗概率分布，進行從原因到結果的 預測推理，應用精確推理方法中的聯合樹算法(JunctionTreeAlgorithm,JTA)計算縣級林火 概率。