發(fā)布時間：2020-07-28 20:56

【摘要】：森林火災是一類嚴重的自然災害,給國民經(jīng)濟和生態(tài)環(huán)境的健康持續(xù)和穩(wěn)定發(fā)展帶來了極大的安全隱患,及時準確地對森林火險進行監(jiān)控和預測是降低林火損失的重要手段。目前針對森林火險預測領(lǐng)域的研究已取得了較好的成果,主要進行了林火預測和趨勢分析、實時火災的關(guān)聯(lián)規(guī)則挖掘、火災事件序列的模式檢測、聚類分析和火點識別等方面的研究。這些研究主要使用了回歸方法的改進、集成和多源數(shù)據(jù)的融合等算法或技術(shù)以提高火險預測的準確率。但其在數(shù)據(jù)不斷增加的情況下,會導致模型的預測準確率低、魯棒性弱、以及算法的計算復雜度高等問題,即實用性較差,不利于有效管理口益增長的森林火險數(shù)據(jù)庫。本文針對這些問題,提出了基于模糊預分類(Fuzzy Pre-classification)和極限學習機(Extreme Learning Machine,ELM)模型的森林火險定性與定量預測方法,分別從提高準確率、增強魯棒性以及降低計算復雜度等方面優(yōu)化現(xiàn)有算法。實驗結(jié)果表明,隨著森林火險數(shù)據(jù)庫規(guī)模的不斷擴大,該模型與傳統(tǒng)模型對比具有較高的預測準確率和更強的魯棒性。本文的主要工作有:(1)使用模糊預分類方法對森林火災數(shù)據(jù)庫進行管理。本文根據(jù)林火天氣指數(shù)(Fire Weather Index,FWI)的值定義輸入的隸屬函數(shù)參數(shù)。針對每一個實驗樣本,模糊分類器將其歸類到對應的子數(shù)據(jù)庫中,分類器的輸出分別是S組,M組,L組。分別對每個子數(shù)據(jù)庫的樣本進行森林火險等級以及過火面積的預測。(2)使用極限學習機(Weighted Extreme Learning Machine,W-ELM)實現(xiàn)森林火險等級的預測。首先,使用t-SNE算法進行特征抽取得到主成分序列作為極限學習機的網(wǎng)絡輸入。接下來,重新加權(quán)處理訓練數(shù)據(jù),將不同的懲罰系數(shù)添加到對應于不同輸入的訓練誤差中。采用Memetic算法優(yōu)化加權(quán)極限學習機(Weighted Extreme Learning Machine,W-ELM)的輸入層和隱含層連接權(quán)值和偏置值,并且將W-ELM的隱含層節(jié)點進行分類,將隱含層分為多個子模塊。最后,極限學習機的網(wǎng)絡輸出為森林火險等級。(3)在森林火險等級預測的基礎上分別預測每一類(火險等級)樣本的過火面積。將特征集分為四類,根據(jù)最佳均值、方差以及協(xié)方差分割輸入的每個連續(xù)特征,并以給定的置信度對目標數(shù)值變量進行穩(wěn)定的區(qū)間預測,即分別將每個特征集結(jié)合間隔預測樹(Interval Prediction Tree)算法實現(xiàn)對過火面積的預測。
【學位授予單位】：東北林業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：S762.2
【圖文】：

Ｉ緒論習機算法的研究現(xiàn)狀逡逑是一種前饋神經(jīng)網(wǎng)絡，其網(wǎng)絡結(jié)構(gòu)如圖Ｉ＊４所示。在ＥＬＭ邋Ｍ絡中，機初始化的不需要迭代調(diào)整。實際．丨：，ＥＬＭ中需耍學習的唯一任輸出層之間的連接（或權(quán)繭）。通過這種方式，ＥＬＭ被制定為線統(tǒng)。與傳統(tǒng)的ＦＮＮ學習模型相比，ＥＬＭ效率非常高，趨干達到全明，即使隨機生成隱含層節(jié)點，ＥＬＭ仍保持ＳＬＦＮ的通用遙近能法相比，ＥＬＭ在效率和泛化性能方面的優(yōu)勢己經(jīng)在來自不同領(lǐng)域１５８１。逡逑＇￣

邐東北林業(yè)大學碩士學位論文邐逡逑２研究區(qū)概況與數(shù)據(jù)來源及分析逡逑２．１研究區(qū)概況逡逑本論文基于兩個森林區(qū)域展開研究，第一個是葡萄牙Ｍｏｎｔｅｓｉｎｈｏ自然公園，第二個是逡逑我國黑龍江省大興安嶺塔河地區(qū)。下面分別介紹這兩個Ｋ域的地理位置、氣候條件以及森林逡逑資源分布等情況。逡逑２．１．１灥位置逡逑研宄區(qū)（一）位于Ｍｏｎｔｅｓｉｎｌｉｏ自然公園，如下圖２－１所示，是葡萄牙最大的自然公園之逡逑—。它位于Ｔｒｄｓ－ｏｓ－Ｍｏｎｔｅ的東北地區(qū)，包括Ｂｒａｇａｒｕｐａ和Ｖｉｎｈａｉｓ的北部，組成所ｉＷ的“Ｔｅｒｒａ逡逑Ｆｒｉａ邋Ｔｒａｎｓｍｏｎｔａｎａ”。公園內(nèi) ＋廠兩座大山：Ｓｅｒｒａ邋ｄａ邋Ｃｏｒｏａ（西側(cè)）和邋Ｓｅｒｒａ邋ｄｅ邋Ｍｏｎｔｅｓｉｎｈｏ（東側(cè)）。逡逑研宄區(qū)（二）位于丨２０°－１２５°Ｅ，５２°－５３°Ｎ之間，屬黑龍江省火興安嶺塔河地區(qū)，如下逡逑圖２－２１７５］所示，北與俄羅斯接壤，邊境線長１７３ｋｍ，總面積１．４４２萬ｋｍ２。逡逑

邐東北林業(yè)大學碩士學位論文邐逡逑２研究區(qū)概況與數(shù)據(jù)來源及分析逡逑２．１研究區(qū)概況逡逑本論文基于兩個森林區(qū)域展開研究，第一個是葡萄牙Ｍｏｎｔｅｓｉｎｈｏ自然公園，第二個是逡逑我國黑龍江省大興安嶺塔河地區(qū)。下面分別介紹這兩個Ｋ域的地理位置、氣候條件以及森林逡逑資源分布等情況。逡逑２．１．１灥位置逡逑研宄區(qū)（一）位于Ｍｏｎｔｅｓｉｎｌｉｏ自然公園，如下圖２－１所示，是葡萄牙最大的自然公園之逡逑—。它位于Ｔｒｄｓ－ｏｓ－Ｍｏｎｔｅ的東北地區(qū)，包括Ｂｒａｇａｒｕｐａ和Ｖｉｎｈａｉｓ的北部，組成所ｉＷ的“Ｔｅｒｒａ逡逑Ｆｒｉａ邋Ｔｒａｎｓｍｏｎｔａｎａ”。公園內(nèi) ＋廠兩座大山：Ｓｅｒｒａ邋ｄａ邋Ｃｏｒｏａ（西側(cè)）和邋Ｓｅｒｒａ邋ｄｅ邋Ｍｏｎｔｅｓｉｎｈｏ（東側(cè)）。逡逑研宄區(qū)（二）位于丨２０°－１２５°Ｅ，５２°－５３°Ｎ之間，屬黑龍江省火興安嶺塔河地區(qū)，如下逡逑圖２－２１７５］所示，北與俄羅斯接壤，邊境線長１７３ｋｍ，總面積１．４４２萬ｋｍ２。逡逑

【參考文獻】

相關(guān)期刊論文 前10條

1 高德民;林海峰;劉云飛;吳國新;;基于無線傳感網(wǎng)的森林火災FWI系統(tǒng)分析[J];林業(yè)科技開發(fā);2015年01期

2 郭福濤;蘇漳文;馬祥慶;宋禹輝;孫龍;胡海清;楊婷婷;;大興安嶺塔河地區(qū)雷擊火發(fā)生驅(qū)動因子綜合分析[J];生態(tài)學報;2015年19期

3 彭歡;史明昌;孫瑜;Mike Wotton;;基于Logistic的大興安嶺雷擊火預測模型[J];東北林業(yè)大學學報;2014年07期

4 朱沛林;史明昌;Mike Wotton;方艷霞;劉思林;孫瑜;;黑龍江大興安嶺雷擊火概率預測模型研究[J];中南林業(yè)科技大學學報;2014年08期

5 白冬艷;翟印禮;陳紹志;張德成;何友均;;基于自回歸移動平均(ARMA)模型的森林火災預測[J];林業(yè)實用技術(shù);2013年06期

6 陸慧娟;安春霖;馬小平;鄭恩輝;楊小兵;;基于輸出不一致測度的極限學習機集成的基因表達數(shù)據(jù)分類[J];計算機學報;2013年02期

7 魏鵬;楊松;田國華;;基于主成分分析法的全國森林火災綜合評價分析[J];綠色科技;2012年12期

8 許志卿;蘇喜友;張頤;;基于支持向量機方法的森林火險預測研究[J];中國農(nóng)學通報;2012年13期

9 張冬有;鄧歐;李亦秋;李桂君;馮仲科;;黑龍江省1980—2005年森林火災時空特征[J];林業(yè)科學;2012年02期

10 高光勇;蔣國平;;采用優(yōu)化極限學習機的多變量混沌時間序列預測[J];物理學報;2012年04期

相關(guān)博士學位論文 前1條

1 于成龍;基于GIS和RS森林火險預測的研究[D];東北林業(yè)大學;2007年

相關(guān)碩士學位論文 前2條

1 于淼;北京房山林火發(fā)生預測模型及小班火險等級區(qū)劃研究[D];北京林業(yè)大學;2016年

2 葉兵;國內(nèi)外森林防火技術(shù)及其發(fā)展趨勢[D];中國林業(yè)科學研究院;2000年

本文編號：2773430