中国不同气候区基于火险气象指数的火险概率模型

目前,森林火险气象指数被广泛用于世界多个国家和地区.本研究目的为,基于火险气象指数,在中国不同气候区建立火险概率模型.本文在中国4个气候区,使用1998-2007年的气象及火灾数据,以位置变量、月份、海拔、加拿大、美国及澳大利亚的气象火险指数、植被指数为自变量,建立了半参数化Logistic回归模型,分析各自变量与着火概率及大火发生概率之间的非线性关系.在不同区域,模型所选自变量组合不同,这与各气候区不同气象及植被状况有关.通过模型模拟数据和实际观测数据散点图、火险概率图、大面积火灾数量预报曲线图,分析了模型的预测能力.研究结果表明,在4个气候区,海拔和NDVI指数对着火概率影响显著.模拟可燃物含水量的气象火险指数由于反映出了植被的季节变化特征,在中国北部成为火险概率模型中的重要因子.模拟土壤有机层可燃物状况的火险气象指数在中国南部(东南、西南)成为火险概率模型的重要因子.在中国4个气候区,应用半参数化Logistic回归模型,可以有效模拟月时间尺度着火概率及大火发生概率,并为分析火险气象指数的预报能力提供了有效途径.本研究为进一步分析气候与火险之间的动态关系提供了理论基础.     

气象自动站资料在黔南森林火险等级监测预报中的应用

对大量国家级和区域级气象自动站资料的获取和订正,通过对降水、气温、湿度和风速等气象因子对森林火险贡献度数学模型的计算,充分应用在黔南森林火险气象等级的实时监测和预报中。通过多点、多时段的预报值、实时监测值与实况对比检验统计,得出应用系统的实时监测准确率和预报准确率。     

基于随机森林模型的咸潮预报

在候选预报因子的基础上,通过Pearson相关系数和重要度指数分别确定了主要预报因子及其滞后期,进而利用确定滞后期的预报因子建立基于随机森林的咸潮预报模型,并应用于磨刀门水道大涌口站的枯水期咸潮预报。结果发现：通过相关系数确定的主要预报因子与含氯度之间存在1~3 d不等的滞后期;考虑预报因子滞后作用的随机森林模型,其预报结果不仅能很好地满足咸潮预报的精度要求,而且明显优于未考虑预报因子滞后作用的随机森林模型,即考虑预报因子的滞后作用能显著提高模型的拟合效果。此外,与传统的马尔科夫链相比,随机森林模型的预报结果不仅精度更高,而且在中长期预报上更有优势。     

ARIMA-LSTM组合模型在基于SPI干旱预测中的应用——以青海省为例

开展干旱预测是有效应对干旱风险的前提基础。利用1958—2017年青海省38个气象站点逐日降水量数据计算多尺度标准化降水指数（SPI）,并建立了SPI序列自回归移动平均模型（ARIMA）、长短时记忆神经网络模型（LSTM）和基于二者优点提出的ARIMA-LSTM组合模型;对模型参数进行率定和验证后,利用所建立的模型,以西宁站点为例,对多尺度SPI值进行预测,借助均方根误差（RMSE）、平均绝对百分比误差（MAPE）和决定系数R²对所有预测模型的有效性进行判定。结果表明：ARIMA-LSTM组合模型在SPI1和SPI12的RMSE值分别为0.159 7和0.181 0,均低于ARIMA模型的1.265 4和0.293 3,说明ARIMA模型与ARIMA-LSTM组合模型对SPI的预测精度都与时间尺度有关,ARIMA模型的预测精度随着时间尺度的增加而逐渐提高;结合GIS并利用实测数据与模型的预测数据相比较说明ARIMA-LSTM组合模型相比于单一ARIMA模型的预测精度更高,且能够很好拟合不同时间尺度的SPI值。     

BP网络模型在沙尘暴预测中的应用研究

依据锡林郭勒地区30 a气象资料,应用人工神经网络(ANN)中不同BP网络结构和算法,探索建立沙尘暴预测模型的方法。研究认为,在建立锡林郭勒地区沙尘暴预测模型时,选择年大风日数、年平均地温、年蒸发量、相对湿度4个气象因子作为模型的输入因子是合理的;经过输入因子确定,层数、节点选择,每层激活函数和输出因子的确定,锡林郭勒地区沙尘暴预测模型可采用三层网络结构（4-6-1）。比较和试算显示,快速BP算法较普通BP算法的训练速度快,收敛精度高64.47%;快速BP神经网络的沙尘暴预测模型的预测精度可达到98%,较传统的多元线性回归数学模型高。因此,应用快速BP神经网络建立沙尘暴预测模型简捷、方便,具有精度高、智能化等特点,可在区域沙尘暴预测预报领域推广。     

加拿大森林火险天气指数系统在全球及中国的应用

在全球变暖趋势下,林火的频率和烈度都呈上升趋势,对林火进行准确的预警成为当前中国森林防火亟待解决的紧迫问题.当前全球最常用的火灾天气等级系统是加拿大森林火险天气指数系统(FWI),本研究介绍了其原理、基本结构、发展过程,着重介绍了FWI系统在世界范围内的校准及应用情况,对中国如何建立更适用于中国火灾特点的FWI系统提出...     

基于随机森林模型的山区铁路线暴雨洪灾风险评估——以朔黄铁路原平段为例

随机森林决策树分裂易受数据集不平衡性及变异性的影响,导致权重分配和预测结果出现偏差。山区洪灾风险评估影响因素众多、数据差异性大,如何降低数据不平衡性以及变异性的影响,直接关系各因素重要性的科学排序以及评价结果的准确性。该文依据流域灾害系统理论,从致灾因子和孕灾环境选取9个风险指标,构建山区铁路洪灾风险评估数据集,在此基础上,分别采用基于Gini指数和Sigmoid函数两种分裂方式的随机森林模型进行对比分析,之后采用最优模型对朔黄铁路原平段沿线洪灾风险进行预测,并利用实地调研结果对预测结果进行验证。研究发现：地形要素(高程、坡度、坡向)与洪灾风险密切相关,孕灾环境作为产生暴雨洪灾风险的内因,在山区铁路洪灾风险评估中起决定性作用;基于Sigmoid函数分裂方式的随机森林模型在分裂过程中可以降低信息不纯度和数据变异性对结果的影响,精度更优,预测结果与实际吻合度较高,方法适用性较强。研究成果可为山区铁路暴雨洪灾风险评估提供方法参考。     

黑土区土壤有机质和全氮含量遥感反演研究

以东北典型黑土区耕地为研究区,以Sentinel-2A（全球环境与安全监测计划的第二颗卫星,于2015年6月23日发射）影像作为数据源,构建光谱指数,分别采用多元逐步线性回归（Multiple Stepwise Linear Regression, MSLR）和随机森林（Random Forest, RF）算法建立土壤有机质（SOM）和土壤全氮（STN）预测模型,并采用十折交叉验证方法评估模型的性能。研究对比分析了不同气候、土壤类型和地形下土壤有机质和全氮的空间分布差异。研究表明：① 海伦示范区的SOM和STN含量最高,其年均温最低,高程最高,年降水量多,SOM含量升高,其年均温最低,年降水量多,STN含量升高;② 与基于多元逐步线性回归算法建立的SOM和STN预测模型相比,随机森林算法建立的SOM和STN预测模型,有着更高的精度和稳定性;③ 运用RF算法建立的SOM反演模型的R²为0.96,均方根误差为5.49 g/kg,STN反演模型的R²为0.95,均方根误差为0.27 g/kg; ④ 不同示范区统一建立SOM和STN预测模型,有助于提高预测精度,实现跨区域建模与制图。     

川西亚高山暗针叶林土壤温度和水分动态及其与气象因子的关系

暗针叶林是川西亚高山林区的主要森林类型,但目前亚高山暗针叶林气象因子与土壤温度、水分的相关性及其对土壤温度、水分的影响程度尚不清晰.本文运用Pearson相关分析和随机森林模型,分析了2019年川西亚高山暗针叶林土壤温度和体积含水量的动态变化特征及其与气象因子的关系,探讨了气象因子对土壤温度、土壤体积含水量的影响大小....     

哈萨克斯坦北部小麦遥感估产方法研究

以哈萨克斯坦北部雨养耕作区为研究靶区,基于春小麦产量统计数据和遥感光谱指数,开展了春小麦估产最优预测时期及植被指数分析,采用回归分析、随机森林、支持向量机及双向循环神经网络模型估算春小麦产量,并对比分析了不同模型的模拟精度.结果表明:北哈萨克斯坦州、阿克莫拉州和库斯塔纳州2007—2016年春小麦估产的最佳预测时期为6...     

基于随机森林的元胞自动机城市扩展模拟——以佛山市为例

本文提出一种基于随机森林的元胞自动机城市扩展(RF-CA)模型。通过在多个决策树的生成过程中分别对训练样本集和分裂节点的候选空间变量引入随机因素,提取城市扩展元胞自动机的转换规则。该模型便于并行构建,能在运算量没有显著增加的前提下提高预测的精度,对城市扩展中存在的随机因素有较强的容忍度。RF-CA模型可进行袋外误差估计,以快速获取模型参数;也可度量空间变量重要性,解释各空间变量在城市扩展中的作用。将该模型应用于佛山市1988-2012年的城市扩展模拟中,结果表明,与常用的逻辑回归模型相比,RF-CA模型进行模拟和预测分别能够提高1.7%和2.6%的精度,非常适用于复杂非线性特征的城市系统演变模型与扩展研究;通过对影响佛山市城市扩展的空间变量进行重要性度量,发现对佛山城市扩张模拟研究而言,距国道的距离与距城市中心的距离具有最重要的作用。     

京津冀地区1985–2000期间林地变化的时空格局及其影响因素（英文）

林地是维护生态安全,实现区域可持续发展的根本基础资源。林地变化可能导致一些生态环境问题,包括土壤侵蚀,水资源短缺,干旱加剧以及生物多样性的丧失。本文以景观生态学和逻辑回归模型为基础,探讨了京津冀地区1985-2000期间林地变化的时空格局及其影响因素。格局分析结果表明,林地景观破碎化正在下降和林地形状变得越来越规则。通过建立Logistic回归模型,这项研究旨在探讨这一区域1985-2000期间林地变化的重要变量。对于京津冀地区1985-2000期间林地变化而言,土壤有机质含量,坡度(5°),到最近村庄的距离以及人均国内生产总值是最重要的解释变量。研究表明,空间异质性会影响到林地变化的逻辑回归模型的可预测性。     

青海省土壤有机碳估算及其不确定性分析

土壤有机碳对区域碳平衡起着关键性的作用,量化其空间格局及动态变化是准确评估生态系统碳汇潜力的基础。然而,不同土壤有机碳估算方法和不同样本得出的结果存在非常大的差异和不确定性,尤其是地形复杂、对气候变化敏感的青藏高原地区。为定量评估不同方法估算的土壤有机碳密度空间分布格局在青藏高原地区的差异,论文以青海省为研究区,收集整理了青海省806个土壤有机碳密度采样点数据,基于气候、植被、地形和土壤等多种解释变量,采用逐步回归、反距离权重插值、普通克里格插值和随机森林模型4种不同的方法,对青海省表层(0~30 cm)土壤有机碳密度空间分布及其影响因素进行了探究。结果表明,归一化植被指数、光合有效辐射、总氮、年均温、海拔、年降水量和净初级生产力是土壤有机碳密度估算的重要变量;尽管4种方法所估算的青海省土壤有机碳密度的均值较为接近,处于5.14~5.62 kg C·m^-2之间,但其变化范围存在较大差异,分别为0.17~23.25、0.34~46.61、0.56~35.08和0.62~24.85 kg C·m^-2;4种方法模拟结果的均方根误差分别为3.93、3.37、3.48和3.19 kg C·m^-2,平均标准差分别为0.12、0.51、0.61和0.27 kg C·m^-2,其中随机森林模型的结果较为稳定且精度较高,也更能准确反映青海省土壤有机碳的空间分布格局。比较发现,现有的土壤有机碳产品(SoilGrids250m 2.0和HWSD v1.2)在反映青海省土壤有机碳的分布方面还存在较大差异,相对而言,SoilGrids250m 2.0产品的土壤有机碳和随机森林模拟结果比较接近。     

基于随机森林的山西省柳林县黄土滑坡空间敏感性评价

基于随机森林模型,以GF-6影像和ALOS DEM数据为基本信息源,结合高程,地形起伏度及地形湿度等11项因子,对山西省柳林县进行滑坡敏感性空间区划。模型精度评价表明：随机森林模型精度为0.75,支持向量机模型精度为0.7,表明随机森林更适合柳林县的滑坡敏感性评价。指标重要性分析结果表明：高程、坡度、距道路距离以及距河流距离,是影响柳林县滑坡发育的主要因素。敏感性空间区划结果表明：高度敏感区约占柳林县总面积的28%,主要分布在三川河流域的南北边界及邻近区域内,其中贾家垣乡分布面积最广。从时间成本、训练难度、稳定度以及精确度考虑,随机森林模型更适合滑坡敏感性评价这类非线性计算问题。     

基于GIS和视频监控的森林防火指挥决策系统研建

森林火灾能对森林资源造成巨大的危害,因此发现林区火源并进行科学决策具有重要意义.本系统数据主要包括1∶1万地形图、1∶1万森林资源二类调查数据、扑火队分布数据、瞭望台站数据、扑火物资储备数据、林业局管理机构分布数据、研究区2010年landsat TM遥感影像图等;系统功能主要包括数据的处理和管理、森林火灾监测、最佳扑火路径分析、防火扑火预案制定和决策、森林火险等级评价、林火趋势模拟和预测、灾害损失评估、相关图表和报告制作等.系统采用Microsoft Visual Studio 2005(C#)作为开发语言,基于Arc Engine 9.3组件进行二次开发,三维地图显示采用skyline Terra Explorer开发平台,数据库采用SQL Server 2005数据库管理系统,利用Arc SDE 9.3空间数据库引擎对空间数据进行管理.     

气候变化、火干扰与生态系统碳循环

 随着全球变暖的日益显著,气候变化及其影响越来越受到广泛关注。火干扰作为森林生态系统碳循环的一个重要组成部分,其干扰过程是对碳的再分配过程,因而对区域乃至全球的碳循环产生重要影响。气候变化、火干扰与生态系统碳循环三者之间存在因果循环关系,正确认识气候变化与火干扰的复杂关系及双向反馈作用,以及火干扰在生态系统碳循环中的作用,这对制定科学合理的火干扰管理策略,提高生态系统管理水平,减少碳排放,促进碳增汇,减缓全球变化速率均有重要意义。从两个方面阐述了气候变化、火干扰与生态系统碳循环之间的交互作用关系：气候变化与火干扰相互影响关系及双向反馈作用,分别从气候变化对火干扰的影响及火干扰对气候变化的影响两个方面阐述了两者之间的相互影响关系;火干扰与森林生态系统碳循环的交互作用,分别从火干扰对森林生态系统碳循环的影响及模型方法在模拟火干扰对森林生态系统碳循环影响中的应用两个方面论述火干扰对森林生态系统碳循环的影响及其定量评价模型方法。目前火干扰直接碳排放的模型方法比较完善,而间接影响碳循环的模型方法并不成熟,许多方法局限于定性描述,因此,应进一步探讨集成实地测量、遥感观测和模型模拟的跨尺度火干扰对碳循环的影响研究,注重尺度的转换问题。最后,提出了气候变暖背景下火干扰管理的路径选择,以及对今后的研究方向进行了展望。     

武汉地区地基GPS遥感水汽与气象因子的相关性分析

地基GPS可以适时准确地反演大气可降水含量,而常规气象观测站点一般具有长时期的历史观测数据。若将这两种数据融合,可以加强数值天气预报的准确性,因此需要探讨二者之间的相关性。通过处理2006年、2007年全球卫星导航服务组织(IGS)提供的武汉站地基GPS观测数据,计算武汉地区上空日平均水汽含量。利用一元和多元回归分析GPS遥感水汽与地面气象观测因子之间的关系,发现武汉地区GPS遥感水汽含量同包括气温、气压等在内的多种气象因子都有一定程度的相关性,其中与气温的相关性最大,且武汉地区上空的大气水汽含量的季节性变化大,在夏季其日平均变化十分明显。     

Real-time genetic spatial optimization to improve forest fire spread forecasting in high-performance computing environments

Abstract

Forest fires are a kind of natural hazard with a high number of occurrences in southern European countries. To avoid major damages and to improve forest fire management, one can use forest fire spread simulators to predict fire behavior. When providing forest fire predictions, there are two main considerations: accuracy and computation time. In the context of natural hazards simulation, it is well known that part of the final forecast error comes from uncertainty in the input data. These data typically consist of a set of GIS files, which should be appropriately conflated. For this reason, several input data calibration methods have been developed by the scientific community. In this work, the Two-Stage calibration methodology, which has been shown to provide good results, is used. This calibration strategy is computationally intensive and time-consuming because it uses a Genetic Algorithm as a solution. Taking into account the aspect of urgency in forest fire spread prediction, it is necessary to maintain a balance between accuracy and the time needed to calibrate the input parameters. In order to take advantage of this technique, one must deal with the problem that some of the obtained solutions are impractical, since they involve simulation times that are too long, preventing the prediction system from being deployed at an operational level. A new method which finds the minimum resolution reduction for such long simulations, keeping accuracy loss to a known interval, is proposed. The proposed improvement is based on a time-aware core allocation policy that enables real-time forest fire spread forecasting. The final prediction system is a cyberinfrastructure, which enables forest fire spread prediction at real time.