基于隨機(jī)森林算法的福建省林火發(fā)生主要?dú)庀笠蜃臃治?/h1>
2015-02-18 07:06:15梁慧玲郭福濤蘇漳文王文輝林芳芳林玉蕊
火災(zāi)科學(xué) 2015年4期
梁慧玲，郭福濤，蘇漳文，王文輝，林芳芳，林玉蕊*
(1.福建農(nóng)林大學(xué)林學(xué)院，福州，350002；2.福建農(nóng)林大學(xué)計(jì)算機(jī)與信息學(xué)院，福州，350002)
?
基于隨機(jī)森林算法的福建省林火發(fā)生主要?dú)庀笠蜃臃治?/p>
梁慧玲1,2，郭福濤1*，蘇漳文1，王文輝1，林芳芳2，林玉蕊2*
(1.福建農(nóng)林大學(xué)林學(xué)院，福州，350002；2.福建農(nóng)林大學(xué)計(jì)算機(jī)與信息學(xué)院，福州，350002)
摘要：應(yīng)用“隨機(jī)森林”算法，以福建省22個(gè)國(guó)家級(jí)氣象站每日氣象數(shù)據(jù)和2000年～2003年間林火火點(diǎn)衛(wèi)星解譯數(shù)據(jù)為基礎(chǔ)，對(duì)影響福建省林火發(fā)生的主要?dú)庀笠蜃舆M(jìn)行分析，并對(duì)2004年的林火數(shù)據(jù)進(jìn)行獨(dú)立檢驗(yàn)。研究結(jié)果顯示，“日最高地表氣溫”、“日最低地表氣溫”、“日照時(shí)數(shù)”、“日最高氣溫”和“日最小相對(duì)濕度”等5個(gè)氣象因子是影響林火發(fā)生的主要驅(qū)動(dòng)因子，且這5個(gè)氣象因子對(duì)林火發(fā)生的影響大小為：“日照時(shí)數(shù)”>“日最高氣溫”>“日最低地表氣溫”>“日最小相對(duì)濕度”>“日最高地表氣溫”；隨機(jī)森林算法的擬合結(jié)果顯示：隨機(jī)森林算法對(duì)福建省林火發(fā)生的預(yù)測(cè)精度為82.3%，表明隨機(jī)森林算法對(duì)我國(guó)福建省林火發(fā)生的預(yù)測(cè)具有較高的預(yù)測(cè)能力，可用于基于氣象因子的我國(guó)福建省林火發(fā)生的預(yù)測(cè)預(yù)報(bào)。本研究可為福建省林火的預(yù)測(cè)和決策工作提供一定的參考依據(jù)。
關(guān)鍵詞：氣象因子；林火發(fā)生；福建省；隨機(jī)森林算法
0引言
林火是森林生態(tài)系統(tǒng)重要的干擾因子，對(duì)森林更新、演替有重要影響，同時(shí)也會(huì)對(duì)森林資源與環(huán)境造成損失和破壞[1-3]。目前，森林火災(zāi)已成為一個(gè)全球性的問(wèn)題，引起了各國(guó)政府和科研工作者的廣泛關(guān)注。已有研究表明，氣候變化是引發(fā)森林火災(zāi)的一個(gè)重要原因，氣候變化會(huì)影響森林植被類型、可燃物濕度的變化，進(jìn)而影響森林火災(zāi)的發(fā)生及其危害程度[4]。在全球氣候變暖的條件下，森林火災(zāi)的發(fā)生情況可能會(huì)越來(lái)越嚴(yán)重，防火要求和難度也會(huì)隨之加大[5,6]。因此，對(duì)森林火災(zāi)發(fā)生與氣象因子之間的關(guān)系進(jìn)行分析，對(duì)森林防火的預(yù)測(cè)預(yù)報(bào)和規(guī)劃管理具有十分重要的意義。目前，我國(guó)關(guān)于林火發(fā)生的預(yù)測(cè)研究主要集中在北方[2,7-12]，對(duì)南方林區(qū)火災(zāi)發(fā)生的預(yù)測(cè)研究還較少，且以上研究主要運(yùn)用邏輯斯蒂模型進(jìn)行林火預(yù)測(cè)分析，但是在運(yùn)用邏輯斯蒂模型對(duì)林火發(fā)生進(jìn)行建模分析時(shí)，模型無(wú)法自動(dòng)去除變量之間的多重共線性，需要單獨(dú)對(duì)變量進(jìn)行共線性診斷，因此存在將可能會(huì)顯著的變量提前剔除的風(fēng)險(xiǎn)。
福建省是我國(guó)四大林區(qū)之一，森林覆蓋率高達(dá)65.95%，位居全國(guó)首位，但同時(shí)也是我國(guó)的林火高發(fā)區(qū)。近年來(lái)，已有學(xué)者對(duì)福建省的林火發(fā)生進(jìn)行了研究。何等[5](2013)采用GIS圖像處理技術(shù)對(duì)將樂(lè)縣的森林可燃物類型進(jìn)行了等級(jí)劃分，得到不同等級(jí)可燃物的分布圖，并基于氣象數(shù)據(jù)對(duì)該地區(qū)的林火發(fā)生進(jìn)行了時(shí)間尺度和空間尺度上的描述分析。郭等[13](2012)運(yùn)用聚類分析法對(duì)三明地區(qū)的11個(gè)區(qū)縣進(jìn)行了林火等級(jí)劃分。紀(jì)等[14](2013)運(yùn)用分形理論，對(duì)1987年～2010年福建省森林火災(zāi)的受災(zāi)面積時(shí)間序列進(jìn)行了分析。目前國(guó)內(nèi)學(xué)者對(duì)福建省林火發(fā)生的研究主要采用災(zāi)害風(fēng)險(xiǎn)指數(shù)法、層次分析法、加權(quán)綜合評(píng)價(jià)法、突變級(jí)數(shù)法、灰色拓?fù)漕A(yù)測(cè)法、加權(quán)馬爾科夫鏈預(yù)測(cè)方法和信息擴(kuò)散理論等方法對(duì)福建省的森林火災(zāi)進(jìn)行風(fēng)險(xiǎn)評(píng)估、等級(jí)劃分和林火發(fā)生預(yù)測(cè)[15-19]。但以上對(duì)福建省林火發(fā)生的研究主要集中在對(duì)林火發(fā)生等級(jí)的劃分與評(píng)估，或者僅對(duì)林火發(fā)生序列進(jìn)行預(yù)測(cè)，而關(guān)于林火發(fā)生的驅(qū)動(dòng)因子分析目前研究還不充分。
隨機(jī)森林(random forest, RF)算法是一種基于分類和回歸樹(shù)(classification and regression trees, CART)的數(shù)據(jù)挖掘方法，由Breiman和Cutler[20-22]在2001年提出的一種較新的機(jī)器學(xué)習(xí)算法。目前隨機(jī)森林算法主要應(yīng)用于生態(tài)學(xué)領(lǐng)域，并且表現(xiàn)出較高的預(yù)測(cè)精度[21-23]。近幾年，國(guó)外已有少數(shù)學(xué)者將隨機(jī)森林算法應(yīng)用于林火的預(yù)測(cè)預(yù)報(bào)[20-25]，并表現(xiàn)出了很好的預(yù)測(cè)能力，該算法是目前國(guó)際上比較推薦的應(yīng)用于林火決策因子分析和預(yù)測(cè)預(yù)報(bào)的方法。但國(guó)內(nèi)關(guān)于隨機(jī)森林算法在林火方面的應(yīng)用還鮮有報(bào)道。因此，本文應(yīng)用"隨機(jī)森林"算法，以福建省22個(gè)國(guó)家級(jí)氣象站每日氣象數(shù)據(jù)和2000年～2003年間林火火點(diǎn)衛(wèi)星解譯數(shù)據(jù)為基礎(chǔ)，對(duì)福建省林火發(fā)生的主要驅(qū)動(dòng)因子進(jìn)行分析，并基于隨機(jī)森林算法對(duì)福建省林火發(fā)生的預(yù)測(cè)概率，運(yùn)用ArcGIS軟件對(duì)其進(jìn)行空間插值，分析福建省林火發(fā)生概率的空間分布特征，且利用2004年的火點(diǎn)數(shù)據(jù)進(jìn)行獨(dú)立檢驗(yàn)。研究結(jié)論為當(dāng)?shù)亓只鸢l(fā)生預(yù)測(cè)預(yù)報(bào)與決策工作提供一定的科學(xué)依據(jù)。
1研究區(qū)域概況
福建省位于我國(guó)東南沿海地帶，介于北緯23°33′~28°20′、東經(jīng)115°50′~120°40′之間(圖1)，緊靠北回歸線北面，屬亞熱帶。其氣候區(qū)域差異較大，閩東南沿海區(qū)域?qū)儆谀蟻啛釒夂?，而閩東北、閩北和閩西屬于中亞熱帶，氣候自然條件十分優(yōu)越，適宜林木的生長(zhǎng)，擁有1.15億畝的森林面積，是我國(guó)南方林區(qū)的重點(diǎn)省份之一。但是由于氣候條件變化、人類活動(dòng)等因素的影響，福建省林火發(fā)生愈發(fā)頻繁。據(jù)統(tǒng)計(jì)，福建省1998年～2007年共發(fā)生4504次林火，其中2004年發(fā)生了1164次火災(zāi)，1998年林火發(fā)生次數(shù)最少，為156次；僅十年就發(fā)生了40次重大火災(zāi)[16]。
圖1 研究區(qū)域示意圖Fig.1 Sketch map of the study area
2數(shù)據(jù)來(lái)源與處理
2.1 數(shù)據(jù)來(lái)源
本文數(shù)據(jù)來(lái)源包括林火發(fā)生數(shù)據(jù)和每日氣象數(shù)據(jù)(表1)兩部分。
林火發(fā)生數(shù)據(jù)來(lái)源于林業(yè)科學(xué)數(shù)據(jù)中心(http://www.cfsdc.org/indexAction.action?classId=1)提供的福建省2000～2004年衛(wèi)星火點(diǎn)解譯數(shù)據(jù)(包括起火地理坐標(biāo)、火災(zāi)發(fā)生時(shí)間等)。
每日氣象數(shù)據(jù)來(lái)源于中國(guó)氣象數(shù)據(jù)共享網(wǎng)絡(luò)(http://cdc.cma.gov.cn/)，為福建省內(nèi)22個(gè)國(guó)家級(jí)氣象站的每日氣象數(shù)據(jù)，一共包含極大風(fēng)速的風(fēng)向等22個(gè)氣象因子。本文預(yù)先對(duì)氣象數(shù)據(jù)進(jìn)行了處理，剔除由于儀器設(shè)備損壞而造成的缺失數(shù)據(jù)，剩下的氣象因子包括日平均地表氣溫(℃)，日最高地表氣溫(℃)，日最低地表氣溫(℃)，日平均風(fēng)速(m·s-1)，日最大風(fēng)速(m·s-1)，20～20時(shí)累計(jì)降水量(mm)，日平均本站氣壓(hPa)，日最高本站氣壓(hPa)，日最低本站氣壓(hPa)，日照時(shí)數(shù)(h)，日平均氣溫(℃)，日最高氣溫(℃)，日最低氣溫(℃)，日平均相對(duì)濕度(%)，日最小相對(duì)濕度(%)共15個(gè)氣象因子。其提取步驟為：首先，以各氣象站點(diǎn)為中心建立緩沖區(qū)；然后，以氣象站點(diǎn)到最外圍緩沖帶為半徑創(chuàng)建圓；最后，提取圓內(nèi)的火點(diǎn)或隨機(jī)點(diǎn)所對(duì)應(yīng)的每日氣象數(shù)據(jù)。
表1 氣象因子概況Table 1 The meteorological factors
2.2 數(shù)據(jù)處理
在應(yīng)用隨機(jī)森林算法對(duì)福建省林火發(fā)生數(shù)據(jù)構(gòu)建分類模型時(shí)，需要構(gòu)建一定比例的對(duì)照點(diǎn)(非火點(diǎn))。因此，本文參照前人的研究，應(yīng)用ArcGIS軟件按照1∶2的比例隨機(jī)創(chuàng)建對(duì)照火點(diǎn)[7]。
并應(yīng)用R統(tǒng)計(jì)軟件對(duì)隨機(jī)森林算法進(jìn)行實(shí)現(xiàn)。
3研究方法
隨機(jī)森林算法通過(guò)聚集大量的分類回歸樹(shù)來(lái)提高模型的預(yù)測(cè)精度，可以用來(lái)解決分類和回歸問(wèn)題。與傳統(tǒng)的回歸模型相比，隨機(jī)森林算法不需要預(yù)先設(shè)定函數(shù)的具體形式，可以克服自變量之間的交互作用，而且不容易出現(xiàn)過(guò)度擬合的現(xiàn)象[23,26-28]。
3.1 隨機(jī)森林算法的基本思想
隨機(jī)森林算法是基于分類回歸樹(shù)的非參數(shù)技術(shù)，由許多樹(shù)組成，且每棵樹(shù)的樣本數(shù)據(jù)集都通過(guò)自助法(bootstrap)重抽樣技術(shù)產(chǎn)生，而每次bootstrap重抽樣未被抽到的樣本(out-of-bag，OOB)用來(lái)檢驗(yàn)?zāi)Ｐ蛿M合優(yōu)度。
首先，利用bootstrap重抽樣技術(shù)從原始數(shù)據(jù)集中抽取k個(gè)樣本數(shù)據(jù)集，每個(gè)樣本數(shù)據(jù)集的樣本容量均與原始數(shù)據(jù)集大小相同；然后，對(duì)這k個(gè)樣本數(shù)據(jù)集分別建立k棵分類樹(shù)，得到k個(gè)分類結(jié)果；最后，對(duì)這k個(gè)分類結(jié)果分別投票表決，從而得到隨機(jī)森林的最終分類結(jié)果(圖2)[26]。
圖2 隨機(jī)森林算法流程圖Fig.2 Random forest algorithm flow chart
3.2 隨機(jī)森林算法的參數(shù)設(shè)定
3.3 隨機(jī)森林算法特征變量的選擇
隨機(jī)森林算法以使袋外誤差最小為原則對(duì)模型的特征變量進(jìn)行選擇，本文調(diào)用R統(tǒng)計(jì)軟件中的varSelRF程序包對(duì)模型的特征變量進(jìn)行選擇計(jì)算。基于隨機(jī)森林算法的特征變量選擇的具體步驟為：
第一步：計(jì)算每個(gè)特征變量的重要性得分，并根據(jù)其得分對(duì)特征變量進(jìn)行降序排列；
第二步：確定剔除比例，從當(dāng)前的特征變量集中剔除對(duì)應(yīng)比例的最不重要的特征變量；
第三步：對(duì)第二步保留下來(lái)的特征變量重新構(gòu)建隨機(jī)森林；
第四步：重復(fù)第二、三步，比較各指標(biāo)集對(duì)應(yīng)的袋外誤差(errOOB)，選取與最小的errOOB相對(duì)應(yīng)的特征子集作為模型的最終指標(biāo)體系。[30]
3.4 隨機(jī)森林算法特征變量的重要性排序
其中，Σ是對(duì)所有的樹(shù)進(jìn)行求和[22,30,31]。
3.5 ROC曲線分析法
受試者工作特征曲線(Receiver Operating Characteristic curve，ROC曲線)是一條以假陽(yáng)性率為橫坐標(biāo)，真陽(yáng)性率為縱坐標(biāo)繪制而成的曲線，其以所有的檢查結(jié)果作為可能的診斷閾值，是一種不依賴閾值的檢驗(yàn)方法，以其曲線下的面積(the area under the curve, AUC)作為模型預(yù)測(cè)準(zhǔn)確性的衡量指標(biāo)。AUC值在[0.5，1]區(qū)間上變化，AUC值越大，模型的擬合效果越好。一般認(rèn)為，AUC值等于0.5時(shí)等同于一個(gè)完全的隨機(jī)預(yù)測(cè)；在(0.5，0.7]之間說(shuō)明模型的擬合效果較差；在(0.7，0.9]之間說(shuō)明模型的擬合效果中等；在(0.9，1]之間說(shuō)明模型的擬合效果非常好[25]。
4結(jié)果與分析
4.1 特征變量的選擇
為了減少訓(xùn)練樣本的分布情況對(duì)實(shí)驗(yàn)結(jié)果的影響，本文將總體樣本數(shù)據(jù)隨機(jī)的分成60%的訓(xùn)練樣本和40%的測(cè)試樣本[32]，其中訓(xùn)練樣本用于模型的建立，測(cè)試樣本用于模型的檢驗(yàn)，并且重復(fù)5次隨機(jī)劃分，從而得到5組不同的樣本集和1個(gè)全樣本數(shù)據(jù)集。首先，分別對(duì)5個(gè)訓(xùn)練樣本進(jìn)行隨機(jī)森林算法特征變量的選擇計(jì)算，得到5組不同的特征子集，然后在五個(gè)樣本特征子集中選擇出現(xiàn)3次及以上的特征變量進(jìn)入最后全樣本數(shù)據(jù)的擬合計(jì)算(表2)。
由表2可知，“日最高地表氣溫”、“日最低地表氣溫”、“日照時(shí)數(shù)”、“日最高氣溫”和“日最小相對(duì)濕度”共5個(gè)變量進(jìn)入了全樣本數(shù)據(jù)的擬合階段。
表2 5個(gè)隨機(jī)樣本數(shù)據(jù)及全樣本數(shù)據(jù)擬合中的特征集Table 2 The significant variables in five randomlysamples and complete sample
注：+：變量在模型中；-：變量不在模型中。
4.2 隨機(jī)森林算法特征變量的重要性排序
本文在利用隨機(jī)森林算法對(duì)5個(gè)訓(xùn)練樣本數(shù)據(jù)集和全樣本數(shù)據(jù)集進(jìn)行模型變量選擇之后，分別對(duì)所得的6個(gè)特征子集進(jìn)行重要性排序(圖3)。從全樣本的變量排序結(jié)果來(lái)看，“日照時(shí)數(shù)”對(duì)林火發(fā)生的影響最大，“日最高氣溫”對(duì)林火發(fā)生的影響次之，“日最高地表氣溫”對(duì)林火發(fā)生的影響最小。從6個(gè)樣本的擬合結(jié)果來(lái)看，“日照時(shí)數(shù)”對(duì)林火發(fā)生的影響均高于其他變量對(duì)林火發(fā)生的影響。
圖3 影響林火發(fā)生的氣象因子的重要性排序Fig.3 Sort the importance of the meteorological factors of forest fire注：其中平均準(zhǔn)確率降低度(Mean Decrease Accuracy)是衡量把一個(gè)變量的取值變?yōu)殡S機(jī)數(shù)，隨機(jī)森林算法預(yù)測(cè)準(zhǔn)確性的降低程度，該值越大說(shuō)明該變量的重要性越大[33]。
4.3 隨機(jī)森林算法的檢驗(yàn)
應(yīng)用ROC曲線分析法對(duì)隨機(jī)森林算法的擬合優(yōu)度進(jìn)行檢驗(yàn)。圖4為5個(gè)子樣本和全樣本的ROC曲線圖，表3為各樣本的AUC值及其顯著性水平。由表3可知，樣本4的AUC值為0.896，介于(0.7，0.9]之間，說(shuō)明隨機(jī)森林算法對(duì)樣本4的擬合效果中等；其余5個(gè)樣本的AUC值在(0.9，1]之間，說(shuō)明隨機(jī)森林算法對(duì)這5個(gè)樣本的擬合效果非常好，且5個(gè)子樣本和全樣本的顯著性水平均小于0.001，說(shuō)明所建立的隨機(jī)森林算法具有統(tǒng)計(jì)意義，可用于基于氣象因子的福建省森林火災(zāi)發(fā)生的預(yù)測(cè)預(yù)報(bào)。
表3 隨機(jī)森林算法的AUC值和顯著性水平Table 3 The AUC and significant levelof random forest algorithm
圖4 隨機(jī)森林算法ROC曲線圖Fig.4 ROC curves of random forest algorithm
4.4 隨機(jī)森林算法的擬合優(yōu)度分析
根據(jù)特征變量的選擇結(jié)果，計(jì)算隨機(jī)森林算法對(duì)林火發(fā)生的預(yù)測(cè)準(zhǔn)確率(表4)。由表4可知，隨機(jī)森林算法對(duì)福建省林火發(fā)生的擬合精度較高。從五個(gè)樣本數(shù)據(jù)的擬合效果來(lái)看，隨機(jī)森林算法對(duì)福建省林火不發(fā)生(Y=0)的預(yù)測(cè)概率介于68.0%~76.7%之間，對(duì)福建省林火發(fā)生(Y=1)的預(yù)測(cè)概率介于84.3%~87.7%之間，其對(duì)林火發(fā)生的預(yù)測(cè)精度均高于對(duì)林火不發(fā)生的預(yù)測(cè)精度；對(duì)福建省林火發(fā)生總體的判別準(zhǔn)確率為77.7%~81.9%。根據(jù)前5個(gè)樣本的變量選擇結(jié)果，選取在5個(gè)樣本中出現(xiàn)三次及以上的變量進(jìn)入全樣本數(shù)據(jù)的擬合計(jì)算，其擬合精度為82.3%，與前5個(gè)樣本的擬合結(jié)果一致。擬合結(jié)果表明，基于氣象因子的隨機(jī)森林算法對(duì)福建省林火發(fā)生的預(yù)測(cè)預(yù)報(bào)具有較高的預(yù)測(cè)準(zhǔn)確率。為了更好地對(duì)算法的擬合效果進(jìn)行分析，本文利用2004年的林火數(shù)據(jù)進(jìn)行獨(dú)立檢驗(yàn)。經(jīng)計(jì)算，隨機(jī)森林算法對(duì)福建省2004年林火數(shù)據(jù)的預(yù)測(cè)精度為68.6%，擬合效果雖然較2000年~2003年的預(yù)測(cè)精度低，但其擬合效果仍具有較高的可信度。
4.5 林火概率分布及殘差分析
本文運(yùn)用隨機(jī)森林算法對(duì)全樣本數(shù)據(jù)進(jìn)行擬合計(jì)算，得出福建省2000年~2003年1783個(gè)火點(diǎn)與隨機(jī)點(diǎn)的預(yù)測(cè)概率，并基于克里格插值法運(yùn)用ArcGIS軟件對(duì)其進(jìn)行空間插值。由概率分布圖(圖5)可知，基于氣象因子的福建省林火發(fā)生預(yù)測(cè)概率整體表現(xiàn)較低，但也有高火險(xiǎn)地區(qū)零散分布在全省各地市中。結(jié)果顯示，龍巖和南平有明顯的高火險(xiǎn)區(qū)，三明、寧德、福州和漳州也有較高的火險(xiǎn)區(qū)。因此，在福建省的火災(zāi)防護(hù)中應(yīng)加強(qiáng)對(duì)這些高火險(xiǎn)區(qū)的管理與監(jiān)督，以減少福建省的林火發(fā)生頻數(shù)。
為了更精確的分析隨機(jī)森林算法對(duì)福建省2000年~2003年林火發(fā)生的擬合優(yōu)度，本文對(duì)林火發(fā)生概率的殘差值(林火發(fā)生的真實(shí)值(0/1)-林火發(fā)生預(yù)測(cè)概率)進(jìn)行空間插值計(jì)算，進(jìn)一步分析隨機(jī)森林算法的擬合優(yōu)度[20]。由林火發(fā)生概率殘差圖(圖6)可知，隨機(jī)森林算法能準(zhǔn)確的對(duì)福建省的林火發(fā)生進(jìn)行預(yù)測(cè)，其殘差圖大面積趨向于0，低估福建省林火發(fā)生概率的區(qū)域較少。因此，隨機(jī)森林算法可用于基于氣象因子的福建省林火發(fā)生的預(yù)測(cè)預(yù)報(bào)。
表4 隨機(jī)森林算法的預(yù)測(cè)校正率Table 4 Prediction accuracy of random forest algorithm
圖5 福建省林火發(fā)生概率分布圖Fig.5 Fire probability distribution in Fujian province
圖6 福建省林火發(fā)生概率殘差圖Fig.6 Fire probability residual figure in Fujian province
5結(jié)論與討論
本文應(yīng)用隨機(jī)森林算法對(duì)我國(guó)福建省林火發(fā)生與氣象因子之間的關(guān)系進(jìn)行分析?；陔S機(jī)森林算法的變量選擇及其重要性排序結(jié)果顯示，“日最高地表氣溫”、“日最低地表氣溫”、“日照時(shí)數(shù)”、“日最高氣溫”和“最小相對(duì)濕度”共5個(gè)變量進(jìn)入了全樣本數(shù)據(jù)的擬合階段，說(shuō)明這5個(gè)氣象因子是影響林火發(fā)生的主要驅(qū)動(dòng)因子，其中“日照時(shí)數(shù)”對(duì)福建省林火發(fā)生的影響最大，“日最高氣溫”對(duì)林火發(fā)生的影響次之，“日最高地表氣溫”對(duì)林火發(fā)生的影響最?。弧叭照諘r(shí)數(shù)”直接影響林內(nèi)溫濕度變化，進(jìn)而間接影響森林可燃物的蒸騰作用和含水率的變化，導(dǎo)致其燃燒性發(fā)生改變。此外，“日照時(shí)數(shù)”的顯著差異也是區(qū)別陰雨和晴天的一個(gè)重要指標(biāo)。本研究也揭示了"日照時(shí)數(shù)"對(duì)林火發(fā)生的重要影響。研究還表明"氣溫"、"相對(duì)濕度"同"日照時(shí)數(shù)"一樣對(duì)森林火災(zāi)有顯著影響，這也與國(guó)外一些學(xué)者的研究結(jié)論相一致[34,35]。
隨機(jī)森林算法的擬合優(yōu)度分析結(jié)果顯示，隨機(jī)森林算法對(duì)福建省林火發(fā)生的預(yù)測(cè)精度較高，在全樣本數(shù)據(jù)的擬合中，其擬合精度為82.3%，表明隨機(jī)森林算法可用于基于氣象因子的福建省林火發(fā)生的預(yù)測(cè)預(yù)報(bào)。
目前國(guó)內(nèi)關(guān)于林火預(yù)測(cè)預(yù)報(bào)的研究主要集中在我國(guó)北方的大小興安嶺林區(qū)，主要是對(duì)森林火災(zāi)與驅(qū)動(dòng)因子的相關(guān)關(guān)系、森林火災(zāi)的空間分布格局進(jìn)行分析或者基于驅(qū)動(dòng)因子對(duì)林火發(fā)生進(jìn)行預(yù)測(cè)預(yù)報(bào)，以及對(duì)預(yù)測(cè)模型選擇的研究[8,9,36-38]。郭等[7](2015)分別對(duì)大興安嶺塔河地區(qū)森林火災(zāi)與氣象因子和地形植被之間的關(guān)系進(jìn)行了分析；Zhang等[39](2010)綜合考慮了地形、人為因素和氣象等因素對(duì)我國(guó)內(nèi)蒙古呼倫貝爾地區(qū)的林火發(fā)生情況進(jìn)行了分析；Chang等[40](2013)運(yùn)用邏輯斯蒂回歸模型對(duì)我國(guó)黑龍江省的林火發(fā)生與氣象、人為因素和植被類型等因素進(jìn)行了分析。研究結(jié)果表明，地形、人為因素和植被類型等因素對(duì)林火發(fā)生具有重要的影響。本研究主要基于氣象因子對(duì)福建省的林火發(fā)生進(jìn)行分析，缺少對(duì)地形、植被、人為因素和社會(huì)經(jīng)濟(jì)等因素的分析，且沒(méi)有考慮空間的異質(zhì)性，在今后的研究中，可在本研究的基礎(chǔ)上，盡可能多的對(duì)這些驅(qū)動(dòng)因子進(jìn)行分析，以期為福建省的林火發(fā)生預(yù)測(cè)預(yù)報(bào)提供更為準(zhǔn)確、科學(xué)的參考依據(jù)。
參考文獻(xiàn)
[1] 張斌. 福建林火的發(fā)生特點(diǎn)與防治對(duì)策探討[J]. 福建林業(yè)科技, 1995, 22(4): 81-84.
[2] 彭歡, 等. 基于Logistic的大興安嶺雷擊火預(yù)測(cè)模型[J]. 東北林業(yè)大學(xué)學(xué)報(bào), 2014, 42 (7): 166-169.
[3] Chuvieco E, et al. Global characterization of fire activity: towards defining fire regimes from earth observation data[J]. Global Change Biology, 2008, 14(7): 1488-1502.
[4] 陳鋒, 等. 氣候變化對(duì)云南省森林火災(zāi)的影響[J]. 北京林業(yè)大學(xué)學(xué)報(bào), 2012, 34(6): 7-15.
[5] 何中華, 等. 福建將樂(lè)縣森林燃燒性及林火時(shí)空分布規(guī)律研究[J]. 湖南農(nóng)業(yè)科學(xué), 2013, 04: 108-111.
[6] 郭福濤, 等. 不同模型對(duì)擬合大興安嶺林火發(fā)生與氣象因素關(guān)系的適用性[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2010, 01: 159-164.
[7] 郭福濤, 等. 大興安嶺塔河地區(qū)雷擊火發(fā)生驅(qū)動(dòng)因子綜合分析[J]. 生態(tài)學(xué)報(bào), 2015, 35(19):6439-6448.
[8] 秦凱倫, 等. 大興安嶺塔河地區(qū)林火發(fā)生的優(yōu)勢(shì)預(yù)測(cè)模型選擇[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2014, 25(3): 731-737.
[9] 朱沛林, 等. 黑龍江大興安嶺雷擊火概率預(yù)測(cè)模型研究[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào), 2014, 34(8): 82-85.
[10] 張偉, 等. 基于Logistic回歸的森林火險(xiǎn)天氣等級(jí)模型[J]. 東北林業(yè)大學(xué)學(xué)報(bào), 2013, 41(12): 121-131.
[11] 鄧歐, 等. 基于空間Logistic的黑龍江省林火風(fēng)險(xiǎn)模型與火險(xiǎn)區(qū)劃[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(8): 200-205.
[12] 郭福濤, 等. 基于負(fù)二項(xiàng)和零膨脹負(fù)二項(xiàng)回歸模型的大興安嶺地區(qū)雷擊火與氣象因素的關(guān)系[J]. 植物生態(tài)學(xué)報(bào), 2010, 34(5): 571-577.
[13] 郭懷文, 等. 福建三明地區(qū)森林火險(xiǎn)區(qū)劃[J]. 東北林業(yè)大學(xué)學(xué)報(bào), 2012, 40(11): 70-73.
[14] 紀(jì)志榮, 等. 基于時(shí)間序列的福建省森林火災(zāi)分形特征[J]. 福建農(nóng)林大學(xué)學(xué)報(bào)(自然科學(xué)版), 2013, 42(5): 508-511.
[15] 陳華泉. 福建省1990-2009年森林火災(zāi)災(zāi)害風(fēng)險(xiǎn)評(píng)估[J]. 西南林業(yè)大學(xué)學(xué)報(bào), 2013, 33(4): 72-76.
[16] 朱學(xué)平, 等. 基于突變級(jí)數(shù)法的福建省森林火災(zāi)評(píng)價(jià)分析[J]. 福建林學(xué)院學(xué)報(bào), 2011, 31(4): 295-299.
[17] 金旭, 廖善剛. 基于信息擴(kuò)散理論的福建省森林火災(zāi)風(fēng)險(xiǎn)評(píng)估[J]. 河南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014, 44(2): 190-195.
[18] 曹彥, 等. 加權(quán)馬爾科夫鏈在福建省森林火災(zāi)預(yù)測(cè)中的應(yīng)用研究[J]. 西南林業(yè)大學(xué)學(xué)報(bào), 2014, 34(3): 62-66.
[19] 張典銓. 灰色拓?fù)漕A(yù)測(cè)方法在森林火災(zāi)預(yù)測(cè)中的應(yīng)用[J]. 福建林學(xué)院學(xué)報(bào), 2005, 25(1): 67-71.
[20] Oliveira S, et al. Modeling spatial patterns of fire occurrence in mediterranean europe using multiple regression and random forest[J]. Forest Ecology and Management, 2012, 275: 117-129.
[21] 李欣海. 隨機(jī)森林模型在分類與回歸分析中的應(yīng)用[J]. 應(yīng)用昆蟲學(xué)報(bào), 2013, 50(4): 1190-1197.
[22] 張雷, 等. 隨機(jī)森林算法基本思想及其在生態(tài)學(xué)中的應(yīng)用——以云南松分布模擬為例[J]. 生態(tài)學(xué)報(bào), 2014. 34(3): 650-659.
[23] Cutler DR, et al. Random forests for classification in Ecology[J]. Ecology, 2007, 88(11): 2783-2792.
[24] Prasad AM, et al. Newer classification and regression tree techniques: Bagging and random forests for ecological prediction[J]. Ecosystems, 2006, 9(2): 181-199.
[25] Rodrigues M, De la Riva J. An insight into machine-learning algorithms to model human-caused wildfire occurrence[J]. Environmental Modelling & Software, 2014, 57: 192-201.
[26] Breiman L. Random forests[J]. Mach Learn, 2001, 45(1): 5-32.
[27] 楊沐晞. 基于隨機(jī)森林模型的二手房?jī)r(jià)格評(píng)估研究[D]. 湖南: 中南大學(xué), 2012.
[28] 彭國(guó)蘭. 隨機(jī)森林在企業(yè)信用評(píng)估中的應(yīng)用[D]. 福建: 廈門大學(xué), 2007.
[29] Liaw A, Wiener M. Classification and regression by random forest[J]. Rnews, 2002, 2(3): 18-22.
[30] Genuer R, et al. Variable selection using random forests[J]. Pattern Recognition Letters, 2010, 31(14): 2225-2236.
[31] 武曉巖, 等. 基因表達(dá)數(shù)據(jù)的隨機(jī)森林逐步判別分析方法[J]. 中國(guó)衛(wèi)生統(tǒng)計(jì), 2007, 24(2): 151-154.
[32] Rodrigues M, et al. Modeling the spatial variation of the explanatory factors of human-caused wildfires in Spain using geographically weighted logistic regression[J]. Applied Geography, 2014, 48: 52-63.
[33] Liaw A. Package "randomForest"[EB/OL]. http://stat-www.berkele.edu./users/breiman/RandomForests, 2012.
[34] Flannigan MD, et al. Forest fires and climate change[J]. Science of the Total Environment, 2000, 262(3): 221-229.
[35] Wotton BM, et al. Climate change and people-caused forest fire occurrence in Ontario[J]. Climate Change, 2003, 60(3): 275-295.
[36] 于文穎, 等. 大興安嶺林區(qū)火災(zāi)特征及影響因子[J]. 氣象與環(huán)境學(xué)報(bào), 2009, 25(4): 1-5.
[37] 孫海濱, 等. 大興安嶺森林火災(zāi)與氣象因子相關(guān)性研究[J]. 內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào), 2012, 33(5-6): 87-90.
[38] 郭福濤, 等. 應(yīng)用空間點(diǎn)模式方法研究大興安嶺雷擊火空間分布格局[J]. 生態(tài)學(xué)報(bào), 2009, 29(12): 6741-6747.
[39] Zhang ZX, et al. Using GIS spatial analysis and logistic regression to predict the probabilities of human-caused grassland fires [J]. Journal of Arid Environments, 2010, 74(3): 386-393.
[40] Chang Y, et al. Predicting fire occurrence patterns with logistic regression in Heilongjiang Province, China[J]. Landscape Ecology, 2013, 28(10): 1989-2004.
Analysis of meteorological factors on forest fire occurrence
of Fujian based on random forest algorithm
LIANG Huiling1,2, GUO Futao1, SU Zhangwen1,
WANG Wenhui1, LIN Fangfang2, LIN Yurui2
(1. College of Forestry, Fujian Agriculture and Forestry University, Fuzhou 350002, China;
2. College of Computer and Information Sciences, Fujian Agriculture and Forestry University, Fuzhou 350002, China)
Abstract:By Random Forest (RF) algorithm, an analysis of driving-factor on fire occurrence was performed based on the meteorological factors that were provided by the twenty-two national weather stations located in Fujian province and the fire dataset between 2000 and 2003 extracted from the satellite image, and used the dataset of 2004 to independent test. Daily maximum ground surface temperature, daily minimum ground surface temperature, sunshine hours, daily maximum temperature, daily minimum relative humidity were found to be the driving factors on forest fire occurrence. The importance test of predictors showed that the sunshine hours has the strong influence on the fire occurrence, followed by daily maximum temperature, daily minimum ground surface temperature, daily minimum relative humidity and daily maximum ground surface temperature. In addition, the result of model fitting revealed that RF approach performed very well in the prediction of fire occurrence in Fujian and the prediction accuracy reached 82.3%, which indicated that the RF method was suitable for the forest fire prediction of Fujian. Our study can benefit the fire prevention management and plan of Fujian.
Keyword: Meteorological factors; Fire occurrence; Fujian province; Random forest algorithm
DOI:10.3969/j.issn.1004-5309.2015.04.03
文章編號(hào)：1004-5309(2015)-00201-08
通訊作者：李陽(yáng)，E-mail:406541533@qq.com
作者簡(jiǎn)介：李陽(yáng)(1986-)，男，河北寧晉人，中國(guó)人民武裝警察部隊(duì)學(xué)院火災(zāi)物證鑒定中心講師，材料學(xué)碩士研究生，主要從事火災(zāi)調(diào)查、火災(zāi)物證鑒定等相關(guān)的教學(xué)和研究工作。
收稿日期：2015-07-03；修改日期：2015-10-12
中圖分類號(hào)：S762.2;X954
文獻(xiàn)標(biāo)識(shí)碼：A
猜你喜歡
福建省“兩會(huì)”上的“她”聲音海峽姐妹(2020年2期)2020-03-03 13:36:30 第四屆福建省啟明兒童文學(xué)雙年榜揭榜海峽姐妹(2019年11期)2019-12-23 08:42:20 第三屆福建省啟明兒童文學(xué)雙年榜揭榜海峽姐妹(2018年1期)2018-04-12 06:44:32 膠東半島地區(qū)氣象因子對(duì)冬小麥產(chǎn)量影響的研究湖北農(nóng)業(yè)科學(xué)(2017年1期)2017-03-09 15:46:40 遵義烤煙種植區(qū)氣候因子分析農(nóng)業(yè)與技術(shù)(2016年22期)2017-03-07 02:20:32 福建省巾幗館開(kāi)館海峽姐妹(2017年1期)2017-02-27 15:22:17 隨機(jī)森林在棉蚜蟲害等級(jí)預(yù)測(cè)中的應(yīng)用安徽農(nóng)學(xué)通報(bào)(2017年1期)2017-02-15 17:49:06 橡膠產(chǎn)量與氣象因子的灰色關(guān)聯(lián)性及逐步回歸分析研究熱帶農(nóng)業(yè)科學(xué)(2016年11期)2017-01-21 15:05:16 呼吸道疾病與氣象因子的相關(guān)分析中國(guó)科技博覽(2016年7期)2016-04-25 07:43:53 楊樹(shù)葉紋斑病與氣象因子的關(guān)系天津農(nóng)業(yè)科學(xué)(2016年3期)2016-03-12 15:57:14
梁慧玲，郭福濤，蘇漳文，王文輝，林芳芳，林玉蕊*
(1.福建農(nóng)林大學(xué)林學(xué)院，福州，350002；2.福建農(nóng)林大學(xué)計(jì)算機(jī)與信息學(xué)院，福州，350002)
?
基于隨機(jī)森林算法的福建省林火發(fā)生主要?dú)庀笠蜃臃治?/p>
梁慧玲1,2，郭福濤1*，蘇漳文1，王文輝1，林芳芳2，林玉蕊2*
(1.福建農(nóng)林大學(xué)林學(xué)院，福州，350002；2.福建農(nóng)林大學(xué)計(jì)算機(jī)與信息學(xué)院，福州，350002)
摘要：應(yīng)用“隨機(jī)森林”算法，以福建省22個(gè)國(guó)家級(jí)氣象站每日氣象數(shù)據(jù)和2000年～2003年間林火火點(diǎn)衛(wèi)星解譯數(shù)據(jù)為基礎(chǔ)，對(duì)影響福建省林火發(fā)生的主要?dú)庀笠蜃舆M(jìn)行分析，并對(duì)2004年的林火數(shù)據(jù)進(jìn)行獨(dú)立檢驗(yàn)。研究結(jié)果顯示，“日最高地表氣溫”、“日最低地表氣溫”、“日照時(shí)數(shù)”、“日最高氣溫”和“日最小相對(duì)濕度”等5個(gè)氣象因子是影響林火發(fā)生的主要驅(qū)動(dòng)因子，且這5個(gè)氣象因子對(duì)林火發(fā)生的影響大小為：“日照時(shí)數(shù)”>“日最高氣溫”>“日最低地表氣溫”>“日最小相對(duì)濕度”>“日最高地表氣溫”；隨機(jī)森林算法的擬合結(jié)果顯示：隨機(jī)森林算法對(duì)福建省林火發(fā)生的預(yù)測(cè)精度為82.3%，表明隨機(jī)森林算法對(duì)我國(guó)福建省林火發(fā)生的預(yù)測(cè)具有較高的預(yù)測(cè)能力，可用于基于氣象因子的我國(guó)福建省林火發(fā)生的預(yù)測(cè)預(yù)報(bào)。本研究可為福建省林火的預(yù)測(cè)和決策工作提供一定的參考依據(jù)。
關(guān)鍵詞：氣象因子；林火發(fā)生；福建省；隨機(jī)森林算法
0引言
林火是森林生態(tài)系統(tǒng)重要的干擾因子，對(duì)森林更新、演替有重要影響，同時(shí)也會(huì)對(duì)森林資源與環(huán)境造成損失和破壞[1-3]。目前，森林火災(zāi)已成為一個(gè)全球性的問(wèn)題，引起了各國(guó)政府和科研工作者的廣泛關(guān)注。已有研究表明，氣候變化是引發(fā)森林火災(zāi)的一個(gè)重要原因，氣候變化會(huì)影響森林植被類型、可燃物濕度的變化，進(jìn)而影響森林火災(zāi)的發(fā)生及其危害程度[4]。在全球氣候變暖的條件下，森林火災(zāi)的發(fā)生情況可能會(huì)越來(lái)越嚴(yán)重，防火要求和難度也會(huì)隨之加大[5,6]。因此，對(duì)森林火災(zāi)發(fā)生與氣象因子之間的關(guān)系進(jìn)行分析，對(duì)森林防火的預(yù)測(cè)預(yù)報(bào)和規(guī)劃管理具有十分重要的意義。目前，我國(guó)關(guān)于林火發(fā)生的預(yù)測(cè)研究主要集中在北方[2,7-12]，對(duì)南方林區(qū)火災(zāi)發(fā)生的預(yù)測(cè)研究還較少，且以上研究主要運(yùn)用邏輯斯蒂模型進(jìn)行林火預(yù)測(cè)分析，但是在運(yùn)用邏輯斯蒂模型對(duì)林火發(fā)生進(jìn)行建模分析時(shí)，模型無(wú)法自動(dòng)去除變量之間的多重共線性，需要單獨(dú)對(duì)變量進(jìn)行共線性診斷，因此存在將可能會(huì)顯著的變量提前剔除的風(fēng)險(xiǎn)。
福建省是我國(guó)四大林區(qū)之一，森林覆蓋率高達(dá)65.95%，位居全國(guó)首位，但同時(shí)也是我國(guó)的林火高發(fā)區(qū)。近年來(lái)，已有學(xué)者對(duì)福建省的林火發(fā)生進(jìn)行了研究。何等[5](2013)采用GIS圖像處理技術(shù)對(duì)將樂(lè)縣的森林可燃物類型進(jìn)行了等級(jí)劃分，得到不同等級(jí)可燃物的分布圖，并基于氣象數(shù)據(jù)對(duì)該地區(qū)的林火發(fā)生進(jìn)行了時(shí)間尺度和空間尺度上的描述分析。郭等[13](2012)運(yùn)用聚類分析法對(duì)三明地區(qū)的11個(gè)區(qū)縣進(jìn)行了林火等級(jí)劃分。紀(jì)等[14](2013)運(yùn)用分形理論，對(duì)1987年～2010年福建省森林火災(zāi)的受災(zāi)面積時(shí)間序列進(jìn)行了分析。目前國(guó)內(nèi)學(xué)者對(duì)福建省林火發(fā)生的研究主要采用災(zāi)害風(fēng)險(xiǎn)指數(shù)法、層次分析法、加權(quán)綜合評(píng)價(jià)法、突變級(jí)數(shù)法、灰色拓?fù)漕A(yù)測(cè)法、加權(quán)馬爾科夫鏈預(yù)測(cè)方法和信息擴(kuò)散理論等方法對(duì)福建省的森林火災(zāi)進(jìn)行風(fēng)險(xiǎn)評(píng)估、等級(jí)劃分和林火發(fā)生預(yù)測(cè)[15-19]。但以上對(duì)福建省林火發(fā)生的研究主要集中在對(duì)林火發(fā)生等級(jí)的劃分與評(píng)估，或者僅對(duì)林火發(fā)生序列進(jìn)行預(yù)測(cè)，而關(guān)于林火發(fā)生的驅(qū)動(dòng)因子分析目前研究還不充分。
隨機(jī)森林(random forest, RF)算法是一種基于分類和回歸樹(shù)(classification and regression trees, CART)的數(shù)據(jù)挖掘方法，由Breiman和Cutler[20-22]在2001年提出的一種較新的機(jī)器學(xué)習(xí)算法。目前隨機(jī)森林算法主要應(yīng)用于生態(tài)學(xué)領(lǐng)域，并且表現(xiàn)出較高的預(yù)測(cè)精度[21-23]。近幾年，國(guó)外已有少數(shù)學(xué)者將隨機(jī)森林算法應(yīng)用于林火的預(yù)測(cè)預(yù)報(bào)[20-25]，并表現(xiàn)出了很好的預(yù)測(cè)能力，該算法是目前國(guó)際上比較推薦的應(yīng)用于林火決策因子分析和預(yù)測(cè)預(yù)報(bào)的方法。但國(guó)內(nèi)關(guān)于隨機(jī)森林算法在林火方面的應(yīng)用還鮮有報(bào)道。因此，本文應(yīng)用"隨機(jī)森林"算法，以福建省22個(gè)國(guó)家級(jí)氣象站每日氣象數(shù)據(jù)和2000年～2003年間林火火點(diǎn)衛(wèi)星解譯數(shù)據(jù)為基礎(chǔ)，對(duì)福建省林火發(fā)生的主要驅(qū)動(dòng)因子進(jìn)行分析，并基于隨機(jī)森林算法對(duì)福建省林火發(fā)生的預(yù)測(cè)概率，運(yùn)用ArcGIS軟件對(duì)其進(jìn)行空間插值，分析福建省林火發(fā)生概率的空間分布特征，且利用2004年的火點(diǎn)數(shù)據(jù)進(jìn)行獨(dú)立檢驗(yàn)。研究結(jié)論為當(dāng)?shù)亓只鸢l(fā)生預(yù)測(cè)預(yù)報(bào)與決策工作提供一定的科學(xué)依據(jù)。
1研究區(qū)域概況
福建省位于我國(guó)東南沿海地帶，介于北緯23°33′~28°20′、東經(jīng)115°50′~120°40′之間(圖1)，緊靠北回歸線北面，屬亞熱帶。其氣候區(qū)域差異較大，閩東南沿海區(qū)域?qū)儆谀蟻啛釒夂?，而閩東北、閩北和閩西屬于中亞熱帶，氣候自然條件十分優(yōu)越，適宜林木的生長(zhǎng)，擁有1.15億畝的森林面積，是我國(guó)南方林區(qū)的重點(diǎn)省份之一。但是由于氣候條件變化、人類活動(dòng)等因素的影響，福建省林火發(fā)生愈發(fā)頻繁。據(jù)統(tǒng)計(jì)，福建省1998年～2007年共發(fā)生4504次林火，其中2004年發(fā)生了1164次火災(zāi)，1998年林火發(fā)生次數(shù)最少，為156次；僅十年就發(fā)生了40次重大火災(zāi)[16]。
圖1 研究區(qū)域示意圖Fig.1 Sketch map of the study area
2數(shù)據(jù)來(lái)源與處理
2.1 數(shù)據(jù)來(lái)源
本文數(shù)據(jù)來(lái)源包括林火發(fā)生數(shù)據(jù)和每日氣象數(shù)據(jù)(表1)兩部分。
林火發(fā)生數(shù)據(jù)來(lái)源于林業(yè)科學(xué)數(shù)據(jù)中心(http://www.cfsdc.org/indexAction.action?classId=1)提供的福建省2000～2004年衛(wèi)星火點(diǎn)解譯數(shù)據(jù)(包括起火地理坐標(biāo)、火災(zāi)發(fā)生時(shí)間等)。
每日氣象數(shù)據(jù)來(lái)源于中國(guó)氣象數(shù)據(jù)共享網(wǎng)絡(luò)(http://cdc.cma.gov.cn/)，為福建省內(nèi)22個(gè)國(guó)家級(jí)氣象站的每日氣象數(shù)據(jù)，一共包含極大風(fēng)速的風(fēng)向等22個(gè)氣象因子。本文預(yù)先對(duì)氣象數(shù)據(jù)進(jìn)行了處理，剔除由于儀器設(shè)備損壞而造成的缺失數(shù)據(jù)，剩下的氣象因子包括日平均地表氣溫(℃)，日最高地表氣溫(℃)，日最低地表氣溫(℃)，日平均風(fēng)速(m·s-1)，日最大風(fēng)速(m·s-1)，20～20時(shí)累計(jì)降水量(mm)，日平均本站氣壓(hPa)，日最高本站氣壓(hPa)，日最低本站氣壓(hPa)，日照時(shí)數(shù)(h)，日平均氣溫(℃)，日最高氣溫(℃)，日最低氣溫(℃)，日平均相對(duì)濕度(%)，日最小相對(duì)濕度(%)共15個(gè)氣象因子。其提取步驟為：首先，以各氣象站點(diǎn)為中心建立緩沖區(qū)；然后，以氣象站點(diǎn)到最外圍緩沖帶為半徑創(chuàng)建圓；最后，提取圓內(nèi)的火點(diǎn)或隨機(jī)點(diǎn)所對(duì)應(yīng)的每日氣象數(shù)據(jù)。
表1 氣象因子概況Table 1 The meteorological factors
2.2 數(shù)據(jù)處理
在應(yīng)用隨機(jī)森林算法對(duì)福建省林火發(fā)生數(shù)據(jù)構(gòu)建分類模型時(shí)，需要構(gòu)建一定比例的對(duì)照點(diǎn)(非火點(diǎn))。因此，本文參照前人的研究，應(yīng)用ArcGIS軟件按照1∶2的比例隨機(jī)創(chuàng)建對(duì)照火點(diǎn)[7]。
并應(yīng)用R統(tǒng)計(jì)軟件對(duì)隨機(jī)森林算法進(jìn)行實(shí)現(xiàn)。
3研究方法
隨機(jī)森林算法通過(guò)聚集大量的分類回歸樹(shù)來(lái)提高模型的預(yù)測(cè)精度，可以用來(lái)解決分類和回歸問(wèn)題。與傳統(tǒng)的回歸模型相比，隨機(jī)森林算法不需要預(yù)先設(shè)定函數(shù)的具體形式，可以克服自變量之間的交互作用，而且不容易出現(xiàn)過(guò)度擬合的現(xiàn)象[23,26-28]。
3.1 隨機(jī)森林算法的基本思想
隨機(jī)森林算法是基于分類回歸樹(shù)的非參數(shù)技術(shù)，由許多樹(shù)組成，且每棵樹(shù)的樣本數(shù)據(jù)集都通過(guò)自助法(bootstrap)重抽樣技術(shù)產(chǎn)生，而每次bootstrap重抽樣未被抽到的樣本(out-of-bag，OOB)用來(lái)檢驗(yàn)?zāi)Ｐ蛿M合優(yōu)度。
首先，利用bootstrap重抽樣技術(shù)從原始數(shù)據(jù)集中抽取k個(gè)樣本數(shù)據(jù)集，每個(gè)樣本數(shù)據(jù)集的樣本容量均與原始數(shù)據(jù)集大小相同；然后，對(duì)這k個(gè)樣本數(shù)據(jù)集分別建立k棵分類樹(shù)，得到k個(gè)分類結(jié)果；最后，對(duì)這k個(gè)分類結(jié)果分別投票表決，從而得到隨機(jī)森林的最終分類結(jié)果(圖2)[26]。
圖2 隨機(jī)森林算法流程圖Fig.2 Random forest algorithm flow chart
3.2 隨機(jī)森林算法的參數(shù)設(shè)定
3.3 隨機(jī)森林算法特征變量的選擇
隨機(jī)森林算法以使袋外誤差最小為原則對(duì)模型的特征變量進(jìn)行選擇，本文調(diào)用R統(tǒng)計(jì)軟件中的varSelRF程序包對(duì)模型的特征變量進(jìn)行選擇計(jì)算。基于隨機(jī)森林算法的特征變量選擇的具體步驟為：
第一步：計(jì)算每個(gè)特征變量的重要性得分，并根據(jù)其得分對(duì)特征變量進(jìn)行降序排列；
第二步：確定剔除比例，從當(dāng)前的特征變量集中剔除對(duì)應(yīng)比例的最不重要的特征變量；
第三步：對(duì)第二步保留下來(lái)的特征變量重新構(gòu)建隨機(jī)森林；
第四步：重復(fù)第二、三步，比較各指標(biāo)集對(duì)應(yīng)的袋外誤差(errOOB)，選取與最小的errOOB相對(duì)應(yīng)的特征子集作為模型的最終指標(biāo)體系。[30]
3.4 隨機(jī)森林算法特征變量的重要性排序
其中，Σ是對(duì)所有的樹(shù)進(jìn)行求和[22,30,31]。
3.5 ROC曲線分析法
受試者工作特征曲線(Receiver Operating Characteristic curve，ROC曲線)是一條以假陽(yáng)性率為橫坐標(biāo)，真陽(yáng)性率為縱坐標(biāo)繪制而成的曲線，其以所有的檢查結(jié)果作為可能的診斷閾值，是一種不依賴閾值的檢驗(yàn)方法，以其曲線下的面積(the area under the curve, AUC)作為模型預(yù)測(cè)準(zhǔn)確性的衡量指標(biāo)。AUC值在[0.5，1]區(qū)間上變化，AUC值越大，模型的擬合效果越好。一般認(rèn)為，AUC值等于0.5時(shí)等同于一個(gè)完全的隨機(jī)預(yù)測(cè)；在(0.5，0.7]之間說(shuō)明模型的擬合效果較差；在(0.7，0.9]之間說(shuō)明模型的擬合效果中等；在(0.9，1]之間說(shuō)明模型的擬合效果非常好[25]。
4結(jié)果與分析
4.1 特征變量的選擇
為了減少訓(xùn)練樣本的分布情況對(duì)實(shí)驗(yàn)結(jié)果的影響，本文將總體樣本數(shù)據(jù)隨機(jī)的分成60%的訓(xùn)練樣本和40%的測(cè)試樣本[32]，其中訓(xùn)練樣本用于模型的建立，測(cè)試樣本用于模型的檢驗(yàn)，并且重復(fù)5次隨機(jī)劃分，從而得到5組不同的樣本集和1個(gè)全樣本數(shù)據(jù)集。首先，分別對(duì)5個(gè)訓(xùn)練樣本進(jìn)行隨機(jī)森林算法特征變量的選擇計(jì)算，得到5組不同的特征子集，然后在五個(gè)樣本特征子集中選擇出現(xiàn)3次及以上的特征變量進(jìn)入最后全樣本數(shù)據(jù)的擬合計(jì)算(表2)。
由表2可知，“日最高地表氣溫”、“日最低地表氣溫”、“日照時(shí)數(shù)”、“日最高氣溫”和“日最小相對(duì)濕度”共5個(gè)變量進(jìn)入了全樣本數(shù)據(jù)的擬合階段。
表2 5個(gè)隨機(jī)樣本數(shù)據(jù)及全樣本數(shù)據(jù)擬合中的特征集Table 2 The significant variables in five randomlysamples and complete sample
注：+：變量在模型中；-：變量不在模型中。
4.2 隨機(jī)森林算法特征變量的重要性排序
本文在利用隨機(jī)森林算法對(duì)5個(gè)訓(xùn)練樣本數(shù)據(jù)集和全樣本數(shù)據(jù)集進(jìn)行模型變量選擇之后，分別對(duì)所得的6個(gè)特征子集進(jìn)行重要性排序(圖3)。從全樣本的變量排序結(jié)果來(lái)看，“日照時(shí)數(shù)”對(duì)林火發(fā)生的影響最大，“日最高氣溫”對(duì)林火發(fā)生的影響次之，“日最高地表氣溫”對(duì)林火發(fā)生的影響最小。從6個(gè)樣本的擬合結(jié)果來(lái)看，“日照時(shí)數(shù)”對(duì)林火發(fā)生的影響均高于其他變量對(duì)林火發(fā)生的影響。
圖3 影響林火發(fā)生的氣象因子的重要性排序Fig.3 Sort the importance of the meteorological factors of forest fire注：其中平均準(zhǔn)確率降低度(Mean Decrease Accuracy)是衡量把一個(gè)變量的取值變?yōu)殡S機(jī)數(shù)，隨機(jī)森林算法預(yù)測(cè)準(zhǔn)確性的降低程度，該值越大說(shuō)明該變量的重要性越大[33]。
4.3 隨機(jī)森林算法的檢驗(yàn)
應(yīng)用ROC曲線分析法對(duì)隨機(jī)森林算法的擬合優(yōu)度進(jìn)行檢驗(yàn)。圖4為5個(gè)子樣本和全樣本的ROC曲線圖，表3為各樣本的AUC值及其顯著性水平。由表3可知，樣本4的AUC值為0.896，介于(0.7，0.9]之間，說(shuō)明隨機(jī)森林算法對(duì)樣本4的擬合效果中等；其余5個(gè)樣本的AUC值在(0.9，1]之間，說(shuō)明隨機(jī)森林算法對(duì)這5個(gè)樣本的擬合效果非常好，且5個(gè)子樣本和全樣本的顯著性水平均小于0.001，說(shuō)明所建立的隨機(jī)森林算法具有統(tǒng)計(jì)意義，可用于基于氣象因子的福建省森林火災(zāi)發(fā)生的預(yù)測(cè)預(yù)報(bào)。
表3 隨機(jī)森林算法的AUC值和顯著性水平Table 3 The AUC and significant levelof random forest algorithm
圖4 隨機(jī)森林算法ROC曲線圖Fig.4 ROC curves of random forest algorithm
4.4 隨機(jī)森林算法的擬合優(yōu)度分析
根據(jù)特征變量的選擇結(jié)果，計(jì)算隨機(jī)森林算法對(duì)林火發(fā)生的預(yù)測(cè)準(zhǔn)確率(表4)。由表4可知，隨機(jī)森林算法對(duì)福建省林火發(fā)生的擬合精度較高。從五個(gè)樣本數(shù)據(jù)的擬合效果來(lái)看，隨機(jī)森林算法對(duì)福建省林火不發(fā)生(Y=0)的預(yù)測(cè)概率介于68.0%~76.7%之間，對(duì)福建省林火發(fā)生(Y=1)的預(yù)測(cè)概率介于84.3%~87.7%之間，其對(duì)林火發(fā)生的預(yù)測(cè)精度均高于對(duì)林火不發(fā)生的預(yù)測(cè)精度；對(duì)福建省林火發(fā)生總體的判別準(zhǔn)確率為77.7%~81.9%。根據(jù)前5個(gè)樣本的變量選擇結(jié)果，選取在5個(gè)樣本中出現(xiàn)三次及以上的變量進(jìn)入全樣本數(shù)據(jù)的擬合計(jì)算，其擬合精度為82.3%，與前5個(gè)樣本的擬合結(jié)果一致。擬合結(jié)果表明，基于氣象因子的隨機(jī)森林算法對(duì)福建省林火發(fā)生的預(yù)測(cè)預(yù)報(bào)具有較高的預(yù)測(cè)準(zhǔn)確率。為了更好地對(duì)算法的擬合效果進(jìn)行分析，本文利用2004年的林火數(shù)據(jù)進(jìn)行獨(dú)立檢驗(yàn)。經(jīng)計(jì)算，隨機(jī)森林算法對(duì)福建省2004年林火數(shù)據(jù)的預(yù)測(cè)精度為68.6%，擬合效果雖然較2000年~2003年的預(yù)測(cè)精度低，但其擬合效果仍具有較高的可信度。
4.5 林火概率分布及殘差分析
本文運(yùn)用隨機(jī)森林算法對(duì)全樣本數(shù)據(jù)進(jìn)行擬合計(jì)算，得出福建省2000年~2003年1783個(gè)火點(diǎn)與隨機(jī)點(diǎn)的預(yù)測(cè)概率，并基于克里格插值法運(yùn)用ArcGIS軟件對(duì)其進(jìn)行空間插值。由概率分布圖(圖5)可知，基于氣象因子的福建省林火發(fā)生預(yù)測(cè)概率整體表現(xiàn)較低，但也有高火險(xiǎn)地區(qū)零散分布在全省各地市中。結(jié)果顯示，龍巖和南平有明顯的高火險(xiǎn)區(qū)，三明、寧德、福州和漳州也有較高的火險(xiǎn)區(qū)。因此，在福建省的火災(zāi)防護(hù)中應(yīng)加強(qiáng)對(duì)這些高火險(xiǎn)區(qū)的管理與監(jiān)督，以減少福建省的林火發(fā)生頻數(shù)。
為了更精確的分析隨機(jī)森林算法對(duì)福建省2000年~2003年林火發(fā)生的擬合優(yōu)度，本文對(duì)林火發(fā)生概率的殘差值(林火發(fā)生的真實(shí)值(0/1)-林火發(fā)生預(yù)測(cè)概率)進(jìn)行空間插值計(jì)算，進(jìn)一步分析隨機(jī)森林算法的擬合優(yōu)度[20]。由林火發(fā)生概率殘差圖(圖6)可知，隨機(jī)森林算法能準(zhǔn)確的對(duì)福建省的林火發(fā)生進(jìn)行預(yù)測(cè)，其殘差圖大面積趨向于0，低估福建省林火發(fā)生概率的區(qū)域較少。因此，隨機(jī)森林算法可用于基于氣象因子的福建省林火發(fā)生的預(yù)測(cè)預(yù)報(bào)。
表4 隨機(jī)森林算法的預(yù)測(cè)校正率Table 4 Prediction accuracy of random forest algorithm
圖5 福建省林火發(fā)生概率分布圖Fig.5 Fire probability distribution in Fujian province
圖6 福建省林火發(fā)生概率殘差圖Fig.6 Fire probability residual figure in Fujian province
5結(jié)論與討論
本文應(yīng)用隨機(jī)森林算法對(duì)我國(guó)福建省林火發(fā)生與氣象因子之間的關(guān)系進(jìn)行分析?；陔S機(jī)森林算法的變量選擇及其重要性排序結(jié)果顯示，“日最高地表氣溫”、“日最低地表氣溫”、“日照時(shí)數(shù)”、“日最高氣溫”和“最小相對(duì)濕度”共5個(gè)變量進(jìn)入了全樣本數(shù)據(jù)的擬合階段，說(shuō)明這5個(gè)氣象因子是影響林火發(fā)生的主要驅(qū)動(dòng)因子，其中“日照時(shí)數(shù)”對(duì)福建省林火發(fā)生的影響最大，“日最高氣溫”對(duì)林火發(fā)生的影響次之，“日最高地表氣溫”對(duì)林火發(fā)生的影響最?。弧叭照諘r(shí)數(shù)”直接影響林內(nèi)溫濕度變化，進(jìn)而間接影響森林可燃物的蒸騰作用和含水率的變化，導(dǎo)致其燃燒性發(fā)生改變。此外，“日照時(shí)數(shù)”的顯著差異也是區(qū)別陰雨和晴天的一個(gè)重要指標(biāo)。本研究也揭示了"日照時(shí)數(shù)"對(duì)林火發(fā)生的重要影響。研究還表明"氣溫"、"相對(duì)濕度"同"日照時(shí)數(shù)"一樣對(duì)森林火災(zāi)有顯著影響，這也與國(guó)外一些學(xué)者的研究結(jié)論相一致[34,35]。
隨機(jī)森林算法的擬合優(yōu)度分析結(jié)果顯示，隨機(jī)森林算法對(duì)福建省林火發(fā)生的預(yù)測(cè)精度較高，在全樣本數(shù)據(jù)的擬合中，其擬合精度為82.3%，表明隨機(jī)森林算法可用于基于氣象因子的福建省林火發(fā)生的預(yù)測(cè)預(yù)報(bào)。
目前國(guó)內(nèi)關(guān)于林火預(yù)測(cè)預(yù)報(bào)的研究主要集中在我國(guó)北方的大小興安嶺林區(qū)，主要是對(duì)森林火災(zāi)與驅(qū)動(dòng)因子的相關(guān)關(guān)系、森林火災(zāi)的空間分布格局進(jìn)行分析或者基于驅(qū)動(dòng)因子對(duì)林火發(fā)生進(jìn)行預(yù)測(cè)預(yù)報(bào)，以及對(duì)預(yù)測(cè)模型選擇的研究[8,9,36-38]。郭等[7](2015)分別對(duì)大興安嶺塔河地區(qū)森林火災(zāi)與氣象因子和地形植被之間的關(guān)系進(jìn)行了分析；Zhang等[39](2010)綜合考慮了地形、人為因素和氣象等因素對(duì)我國(guó)內(nèi)蒙古呼倫貝爾地區(qū)的林火發(fā)生情況進(jìn)行了分析；Chang等[40](2013)運(yùn)用邏輯斯蒂回歸模型對(duì)我國(guó)黑龍江省的林火發(fā)生與氣象、人為因素和植被類型等因素進(jìn)行了分析。研究結(jié)果表明，地形、人為因素和植被類型等因素對(duì)林火發(fā)生具有重要的影響。本研究主要基于氣象因子對(duì)福建省的林火發(fā)生進(jìn)行分析，缺少對(duì)地形、植被、人為因素和社會(huì)經(jīng)濟(jì)等因素的分析，且沒(méi)有考慮空間的異質(zhì)性，在今后的研究中，可在本研究的基礎(chǔ)上，盡可能多的對(duì)這些驅(qū)動(dòng)因子進(jìn)行分析，以期為福建省的林火發(fā)生預(yù)測(cè)預(yù)報(bào)提供更為準(zhǔn)確、科學(xué)的參考依據(jù)。
參考文獻(xiàn)
[1] 張斌. 福建林火的發(fā)生特點(diǎn)與防治對(duì)策探討[J]. 福建林業(yè)科技, 1995, 22(4): 81-84.
[2] 彭歡, 等. 基于Logistic的大興安嶺雷擊火預(yù)測(cè)模型[J]. 東北林業(yè)大學(xué)學(xué)報(bào), 2014, 42 (7): 166-169.
[3] Chuvieco E, et al. Global characterization of fire activity: towards defining fire regimes from earth observation data[J]. Global Change Biology, 2008, 14(7): 1488-1502.
[4] 陳鋒, 等. 氣候變化對(duì)云南省森林火災(zāi)的影響[J]. 北京林業(yè)大學(xué)學(xué)報(bào), 2012, 34(6): 7-15.
[5] 何中華, 等. 福建將樂(lè)縣森林燃燒性及林火時(shí)空分布規(guī)律研究[J]. 湖南農(nóng)業(yè)科學(xué), 2013, 04: 108-111.
[6] 郭福濤, 等. 不同模型對(duì)擬合大興安嶺林火發(fā)生與氣象因素關(guān)系的適用性[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2010, 01: 159-164.
[7] 郭福濤, 等. 大興安嶺塔河地區(qū)雷擊火發(fā)生驅(qū)動(dòng)因子綜合分析[J]. 生態(tài)學(xué)報(bào), 2015, 35(19):6439-6448.
[8] 秦凱倫, 等. 大興安嶺塔河地區(qū)林火發(fā)生的優(yōu)勢(shì)預(yù)測(cè)模型選擇[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2014, 25(3): 731-737.
[9] 朱沛林, 等. 黑龍江大興安嶺雷擊火概率預(yù)測(cè)模型研究[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào), 2014, 34(8): 82-85.
[10] 張偉, 等. 基于Logistic回歸的森林火險(xiǎn)天氣等級(jí)模型[J]. 東北林業(yè)大學(xué)學(xué)報(bào), 2013, 41(12): 121-131.
[11] 鄧歐, 等. 基于空間Logistic的黑龍江省林火風(fēng)險(xiǎn)模型與火險(xiǎn)區(qū)劃[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(8): 200-205.
[12] 郭福濤, 等. 基于負(fù)二項(xiàng)和零膨脹負(fù)二項(xiàng)回歸模型的大興安嶺地區(qū)雷擊火與氣象因素的關(guān)系[J]. 植物生態(tài)學(xué)報(bào), 2010, 34(5): 571-577.
[13] 郭懷文, 等. 福建三明地區(qū)森林火險(xiǎn)區(qū)劃[J]. 東北林業(yè)大學(xué)學(xué)報(bào), 2012, 40(11): 70-73.
[14] 紀(jì)志榮, 等. 基于時(shí)間序列的福建省森林火災(zāi)分形特征[J]. 福建農(nóng)林大學(xué)學(xué)報(bào)(自然科學(xué)版), 2013, 42(5): 508-511.
[15] 陳華泉. 福建省1990-2009年森林火災(zāi)災(zāi)害風(fēng)險(xiǎn)評(píng)估[J]. 西南林業(yè)大學(xué)學(xué)報(bào), 2013, 33(4): 72-76.
[16] 朱學(xué)平, 等. 基于突變級(jí)數(shù)法的福建省森林火災(zāi)評(píng)價(jià)分析[J]. 福建林學(xué)院學(xué)報(bào), 2011, 31(4): 295-299.
[17] 金旭, 廖善剛. 基于信息擴(kuò)散理論的福建省森林火災(zāi)風(fēng)險(xiǎn)評(píng)估[J]. 河南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014, 44(2): 190-195.
[18] 曹彥, 等. 加權(quán)馬爾科夫鏈在福建省森林火災(zāi)預(yù)測(cè)中的應(yīng)用研究[J]. 西南林業(yè)大學(xué)學(xué)報(bào), 2014, 34(3): 62-66.
[19] 張典銓. 灰色拓?fù)漕A(yù)測(cè)方法在森林火災(zāi)預(yù)測(cè)中的應(yīng)用[J]. 福建林學(xué)院學(xué)報(bào), 2005, 25(1): 67-71.
[20] Oliveira S, et al. Modeling spatial patterns of fire occurrence in mediterranean europe using multiple regression and random forest[J]. Forest Ecology and Management, 2012, 275: 117-129.
[21] 李欣海. 隨機(jī)森林模型在分類與回歸分析中的應(yīng)用[J]. 應(yīng)用昆蟲學(xué)報(bào), 2013, 50(4): 1190-1197.
[22] 張雷, 等. 隨機(jī)森林算法基本思想及其在生態(tài)學(xué)中的應(yīng)用——以云南松分布模擬為例[J]. 生態(tài)學(xué)報(bào), 2014. 34(3): 650-659.
[23] Cutler DR, et al. Random forests for classification in Ecology[J]. Ecology, 2007, 88(11): 2783-2792.
[24] Prasad AM, et al. Newer classification and regression tree techniques: Bagging and random forests for ecological prediction[J]. Ecosystems, 2006, 9(2): 181-199.
[25] Rodrigues M, De la Riva J. An insight into machine-learning algorithms to model human-caused wildfire occurrence[J]. Environmental Modelling & Software, 2014, 57: 192-201.
[26] Breiman L. Random forests[J]. Mach Learn, 2001, 45(1): 5-32.
[27] 楊沐晞. 基于隨機(jī)森林模型的二手房?jī)r(jià)格評(píng)估研究[D]. 湖南: 中南大學(xué), 2012.
[28] 彭國(guó)蘭. 隨機(jī)森林在企業(yè)信用評(píng)估中的應(yīng)用[D]. 福建: 廈門大學(xué), 2007.
[29] Liaw A, Wiener M. Classification and regression by random forest[J]. Rnews, 2002, 2(3): 18-22.
[30] Genuer R, et al. Variable selection using random forests[J]. Pattern Recognition Letters, 2010, 31(14): 2225-2236.
[31] 武曉巖, 等. 基因表達(dá)數(shù)據(jù)的隨機(jī)森林逐步判別分析方法[J]. 中國(guó)衛(wèi)生統(tǒng)計(jì), 2007, 24(2): 151-154.
[32] Rodrigues M, et al. Modeling the spatial variation of the explanatory factors of human-caused wildfires in Spain using geographically weighted logistic regression[J]. Applied Geography, 2014, 48: 52-63.
[33] Liaw A. Package "randomForest"[EB/OL]. http://stat-www.berkele.edu./users/breiman/RandomForests, 2012.
[34] Flannigan MD, et al. Forest fires and climate change[J]. Science of the Total Environment, 2000, 262(3): 221-229.
[35] Wotton BM, et al. Climate change and people-caused forest fire occurrence in Ontario[J]. Climate Change, 2003, 60(3): 275-295.
[36] 于文穎, 等. 大興安嶺林區(qū)火災(zāi)特征及影響因子[J]. 氣象與環(huán)境學(xué)報(bào), 2009, 25(4): 1-5.
[37] 孫海濱, 等. 大興安嶺森林火災(zāi)與氣象因子相關(guān)性研究[J]. 內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào), 2012, 33(5-6): 87-90.
[38] 郭福濤, 等. 應(yīng)用空間點(diǎn)模式方法研究大興安嶺雷擊火空間分布格局[J]. 生態(tài)學(xué)報(bào), 2009, 29(12): 6741-6747.
[39] Zhang ZX, et al. Using GIS spatial analysis and logistic regression to predict the probabilities of human-caused grassland fires [J]. Journal of Arid Environments, 2010, 74(3): 386-393.
[40] Chang Y, et al. Predicting fire occurrence patterns with logistic regression in Heilongjiang Province, China[J]. Landscape Ecology, 2013, 28(10): 1989-2004.
Analysis of meteorological factors on forest fire occurrence
of Fujian based on random forest algorithm
LIANG Huiling1,2, GUO Futao1, SU Zhangwen1,
WANG Wenhui1, LIN Fangfang2, LIN Yurui2
(1. College of Forestry, Fujian Agriculture and Forestry University, Fuzhou 350002, China;
2. College of Computer and Information Sciences, Fujian Agriculture and Forestry University, Fuzhou 350002, China)
Abstract:By Random Forest (RF) algorithm, an analysis of driving-factor on fire occurrence was performed based on the meteorological factors that were provided by the twenty-two national weather stations located in Fujian province and the fire dataset between 2000 and 2003 extracted from the satellite image, and used the dataset of 2004 to independent test. Daily maximum ground surface temperature, daily minimum ground surface temperature, sunshine hours, daily maximum temperature, daily minimum relative humidity were found to be the driving factors on forest fire occurrence. The importance test of predictors showed that the sunshine hours has the strong influence on the fire occurrence, followed by daily maximum temperature, daily minimum ground surface temperature, daily minimum relative humidity and daily maximum ground surface temperature. In addition, the result of model fitting revealed that RF approach performed very well in the prediction of fire occurrence in Fujian and the prediction accuracy reached 82.3%, which indicated that the RF method was suitable for the forest fire prediction of Fujian. Our study can benefit the fire prevention management and plan of Fujian.
Keyword: Meteorological factors; Fire occurrence; Fujian province; Random forest algorithm
DOI:10.3969/j.issn.1004-5309.2015.04.03
文章編號(hào)：1004-5309(2015)-00201-08
通訊作者：李陽(yáng)，E-mail:406541533@qq.com
作者簡(jiǎn)介：李陽(yáng)(1986-)，男，河北寧晉人，中國(guó)人民武裝警察部隊(duì)學(xué)院火災(zāi)物證鑒定中心講師，材料學(xué)碩士研究生，主要從事火災(zāi)調(diào)查、火災(zāi)物證鑒定等相關(guān)的教學(xué)和研究工作。
收稿日期：2015-07-03；修改日期：2015-10-12
中圖分類號(hào)：S762.2;X954
文獻(xiàn)標(biāo)識(shí)碼：A
猜你喜歡
海峽姐妹(2020年2期)2020-03-03 13:36:30
海峽姐妹(2019年11期)2019-12-23 08:42:20
海峽姐妹(2018年1期)2018-04-12 06:44:32
湖北農(nóng)業(yè)科學(xué)(2017年1期)2017-03-09 15:46:40
農(nóng)業(yè)與技術(shù)(2016年22期)2017-03-07 02:20:32
海峽姐妹(2017年1期)2017-02-27 15:22:17
安徽農(nóng)學(xué)通報(bào)(2017年1期)2017-02-15 17:49:06
熱帶農(nóng)業(yè)科學(xué)(2016年11期)2017-01-21 15:05:16
中國(guó)科技博覽(2016年7期)2016-04-25 07:43:53
天津農(nóng)業(yè)科學(xué)(2016年3期)2016-03-12 15:57:14
