張水鋒 彭徐劍 詹慶斌

摘 要：森林火災具有燃燒期長、蔓延速度快、難以控制等重要災害特點，我國以“預防為主，積極消滅”為森林防火主要指導方針。災前預防預警、災中蔓延預測和災后評估恢復是森林火災管理工作的三項主要內容。本文主要介紹了智能算法在災前預防預警、災中蔓延預測與火場圖像分析以及災后評估與恢復中的應用，旨在輔助森林火災的管理和決策工作研究。

關鍵詞：智能算法;森林火災;管理

引言

森林火災是全球關注的主要環(huán)境問題之一，全世界每年有數(shù)百萬公頃的森林被毀，造成嚴重的生態(tài)破壞，危及人類經濟與生命的安全。我國是森林火災多發(fā)的國家，據統(tǒng)計，1950-2019年我國共發(fā)生森林火災81.8萬起，年均1.17萬余起[1]。2020年，我國共發(fā)生森林火災1153起，重大森林火災7起，受災的森林面積約為8526公頃[2]。因此，關注和研究森林火災的災前、災中和災后行為，以及如何更好的做好災前預警、災中監(jiān)測與撲救、災后恢復與管理等工作成為減輕森林火災威脅的關鍵。隨著近年來全球人工智能研究的興起，計算機算力、系統(tǒng)科學、大數(shù)據與數(shù)學優(yōu)化技術也得以快速發(fā)展，這為森林火災預防和管理中備選方案選擇開辟了新的途徑。在具有不同管理場景的區(qū)域，智能算法可提高決策過程的質量。目前，國內外已有許多研究者嘗試將智能算法與森林火災研究相結合[3]，提升了對森林火災災害行為的認識，并為森林火災的預警預測、撲救指揮和災后管理提供的決策輔助。

1. 智能算法簡介

智能算法是一個讓計算機替代人類從事計算分析的研究領域，顯然，計算機在計算和分析能力方面更快;同時它又是一個廣泛的研究領域，包括機器學習算法、啟發(fā)式搜索算法和深度學習算法等。在許多場景下，智能算法是解決和解決各種具有挑戰(zhàn)性的工程問題的實用替代技術。受自然界各種規(guī)律和法則的啟迪，人類根據其原理模仿求解問題，開發(fā)設計了眾多的智能算法。目前，常用的智能算法主要包括模糊系統(tǒng)、遺傳算法、模擬退火、決策樹、粒子群和蟻群優(yōu)化技術以及神經網絡等內容。開發(fā)人員可從工程的角度和方法來設計、分析、評估和實現(xiàn)應用于現(xiàn)實不同場景的智能系統(tǒng)。不同的研究人員根據所研究的對象場景的特點遴選表現(xiàn)相對較優(yōu)的算法，以圖通過計算機模擬計算深度挖掘研究場景中對象的行為特征。

2. 智能算法在森林火災災前預防預警中的應用

防范森林火災快速蔓延的最佳控制方式是在火災發(fā)生的早期階段將其撲滅。因此，對森林火災災中進行監(jiān)測，特別是在森林火災發(fā)生的初期階段實施有效的預警措施顯得尤為重要。對于森林火災災前預警預測這個是全球陸地生態(tài)系統(tǒng)普遍存在的問題，研究者在森林火災易感性的建模和預測方面提出了諸多思路[4-8]。Tran等[5]基于局部加權學習算法提出了一種用于森林火災易感性預測研究的空間顯式集成模型，將局部加權學習（LWL）模型與級聯(lián)歸納（CG）和引導聚集算法（BA）等四種學習技術相結合，用于國家公園森林火災易感性的預測。并使用歷史數(shù)據集來訓練LWL模型及其衍生的集合模型，利用操作特性曲線和其他幾個統(tǒng)計性能標準驗證了模型的良好擬合和預測能力。王生營[6]研究了基于計算機視覺的森林火災檢測算法，將基于K-Means聚類與樣本熵算法的一種基于傳統(tǒng)圖像特征的圖像識別算法和基于卷積神經網絡深度學習提出目標檢測算法對比應用于森林火災檢測，并進行了性能評估，發(fā)現(xiàn)兩種算法均具有較高的可行性，在準確率上，基于卷積神經網絡深度學習的森林火災檢測算法的準確率更高，而基于 K-Means 聚類及樣本熵的森林火災檢測算法在運行速度和占用內存方面表現(xiàn)更優(yōu)。黃儒樂[7]在森林火災煙霧識別預警算法研究中對比分析了神經網絡算法、自組織神經網絡、概率神經網絡、支持向量機等算法的性能，并認為基于脈沖耦合神經網絡（PCNN）的圖像特征提取算法。此外，Peng等[8]也基于深度神經網絡模型提出了一種快速、準確的視頻煙霧檢測算法用于實時森林煙霧檢測。

3. 智能算法在森林火災災中蔓延預測與火場圖像分析中的應用

森林火災災中蔓延預測工作在森林火災管理過程中的作用舉足輕重。及時、準確可靠的災中蔓延模擬預測可有效的控制火勢，最大限度地降低森林火災的損失，也是人類生命財產安全的重要保障。在森林火災災中蔓延預測和火場圖像分析輔助火災撲救方面，國內外研究人員也開展了許多研究[9-12]。賀航等[9]基于改進的麻雀搜索算法提出了一種森林火災圖像多閾值分割技術，能夠及時獲得火災圖像分割的最佳閾值，其分割的準確性、實時性和抗噪性均明顯優(yōu)于現(xiàn)有的灰狼算法、粒子群算法和鯨魚算法，能夠為圖像處理的工程應用提供一種較好的閾值分割技術。森林火災蔓延預測模型的目標是確定在不同天氣場景下火災前沿隨時間的演變。Ioannis[10]基于元胞自動機和的遺傳算法設計了一種用于森林火災蔓延預測專用并行處理器，該處理器可以用作決策支持系統(tǒng)的一部分，為物理系統(tǒng)建模和仿真提供了一種新的方法。Rao等[11]設計開發(fā)了一種新的增強型視頻實時火災火焰探測算法，將時空火焰建模特征提取與動態(tài)紋理分析相結合，引入火焰行為模型來識別火焰的顏色、火焰的運動特性以及火焰外觀的隨機變化。該方法可以識別森林區(qū)域中的物體運動，并去除非火焰背景圖像，基于地理信息系統(tǒng)技術定位火災在圖像中的準確位置。此外，田勇臣等[12]通過改進王正非的林火蔓延算法模型，提出一種森林火災蔓延多模型預測系統(tǒng)。

4. 智能算法在森林火災災后評估與恢復中的應用

災害區(qū)域生態(tài)系統(tǒng)火燒跡地的受損評估、災后恢復與重建是森林火災的災后恢復與管理工作的重要內容，利用現(xiàn)代先進技術深入研究這些措施對森林火災的調查、定責、生態(tài)系統(tǒng)恢復以及重建后的長期管理具有重要意義?？傮w來看，將智能算法用于森林火災過火面積評估的文獻相對較多，如Somnath等[13]基于分類回歸樹（CART）、隨機森林（RF）和支持向量機（SVM）算法，利用2016-2019年Landsat-8和Sentinel-2的中分辨率光學衛(wèi)星影像，對谷歌地球引擎云端平臺上的森林火險斑塊進行識別，計算森林火災的過火燒傷面積。該研究表明分類回歸樹和隨機森林算法顯示出相似的森林火災斑塊，總體準確率為97-100%，而支持向量機及的分類精度略低。森林火災過火前后的空間和時間模式需要完整和準確的燃燒區(qū)域地圖數(shù)據來記錄，從而量化其驅動因素，并評估對人類和自然系統(tǒng)的影響。Todd等[14]開發(fā)了一種基于陸地衛(wèi)星圖像的過火區(qū)域（BA）算法，該算法使用機器學習、閾值處理和圖像分割來識別1984年至2018年Landsat圖像的數(shù)據時間序列中的過火區(qū)域。此外，還有其它眾多研究者基于智能算法研究了森林火災過火面積評估[15，16]。Zachary等[17]使用隨機森林算法和15個地形層的燒傷嚴重程度像素的分層隨機樣本作為預測變量建立了一個經驗模型，預測整個140萬公頃研究區(qū)域發(fā)生嚴重燒傷的概率。研究結果表明文章建立的模型對嚴重燒傷的區(qū)域基本做到了正確分類，分類準確率為79.5%。因此，該模型有潛力作為規(guī)劃燃料處理項目和更好地了解景觀尺度燃燒嚴重程度模式的工具。Ziegler等[18]等利用點模式分析匹配算法、斑塊檢測算法以及最近鄰算法和喬木斑塊高度變異指數(shù)的組合，在林分和斑塊尺度上評估其可燃物的結構復雜性，以研究干旱區(qū)火燒跡地經過造林恢復后的防火效果，結果表明當前的恢復處理與模擬可同時實現(xiàn)改變結構復雜性和減少火災行為的目標。

5. 總結與展望

綜上所述，本文詳細介紹了智能算法在森林火災的災前、災中和災后管理中的不同應用場景和效果。智能算法在森林火災的預防與撲救管理領域的深度研究與應用，以及對林業(yè)多源異構大數(shù)據的分析，必將有利于森林火災的有效防范，從而保護森林生態(tài)系統(tǒng)的平衡和可持續(xù)發(fā)展。

智能算法已被廣泛應用于工業(yè)制造、農業(yè)管理、商業(yè)分析、醫(yī)療保健等領域，作為當代人工智能技術的核心，對人類的生產生活產生了巨大的影響。隨著全球大數(shù)據海量的不斷增長，對大數(shù)據的計算和處理顯得尤為重要，以智能算法為核心的人工智能技術的進步將為龐大的森林火災數(shù)據處理與分析提供了強力支撐。

參考文獻

[1]李偉克， 殷繼艷， 郭贊權，等. 2019年世界代表性國家和地區(qū)森林火災發(fā)生概況分析[J].? 消防科學與技術， 2020， 39（09）： 1280-1284.

[2]應急管理部發(fā)布2020年全國自然災害基本情況. [2021-10-12]. http：//www.gov.cn /xinwen/2021-01/12/content_5579258.htm.

[3]Zhong Zheng， Yanghua Gao， Qingyuan Yang， et al. Predicting forest fire risk based on mining rules with ant-miner algorithm in cloud-rich areas[J]. Ecological Indicators， 2020， 118： 106772.

[4]Hossein Moayedi， Mohammad Mehrabi， Dieu Tien Bui， et al. Fuzzy-metaheuristic ensembles for spatial assessment of forest fire susceptibility[J]. Journal of Environmental Management， 2020， 260： 109867.

[5]Tran Thi Tuyen， Abolfazl Jaafari， Hoang Phan Hai Yen， et al. Mapping forest fire susceptibility using spatially explicit ensemble models based on the locally weighted learning algorithm[J]. Ecological Informatics， 2021， 63： 101292.

[6]王生營. 基于計算機視覺的森林火災檢測算法研究[D].北方民族大學，2021.

[7]黃儒樂. 基于視頻圖像的林火煙霧識別方法的研究[D].北京林業(yè)大學，2012.

[8]Yingshu Peng， Yi Wang. Real-time forest smoke detection using hand-designed features and deep learning[J]. Computers and Electronics in Agriculture， 2019， 167， 105029.

[9]賀航，馬小晶，王宏偉，等.基于改進麻雀搜索算法的森林火災圖像多閾值分割[J].科學技術與工程，2021，21（26）：11263-11270.

[10]Ioannis Karafyllidis. Design of a dedicated parallel processor for the prediction of forest fire spreading using cellular automata and genetic algorithms[J]. Engineering Applications of Artificial Intelligence， 2004，17， （0 1）： 19-36.

[11]Gudikandhula Narasimha Rao， Peddada Jagadeeswara Rao， Rajesh Duvvuru， et al. An enhanced real-time forest fire assessment algorithm based on video by using texture analysis[J]. Perspectives in Science， 2016， 8： 618-620.

[12]田勇臣，劉少剛，趙剛，等.森林火災蔓延多模型預測系統(tǒng)研究[J].北京林業(yè)大學學報， 2007， 29（04）： 49-53.

[13]Somnath Bar， Bikash Ranjan Parida， Arvind Chandra Pandey. Landsat-8 and Sentinel-2 based forest fire burn area mapping using machine learning algorithms on GEE cloud platform over Uttarakhand， Western Himalaya[J]. Remote Sensing Applications： Society and Environment， 2020， 18： 100324.

[14]Todd Hawbaker， Melanie Vanderhoof， Gail Schmidt， et al. The Landsat Burned Area algorithm and products for the conterminous United States[J]. Remote Sensing of Environment， 2020， 244： 111801.

[15]Jinxiu Liu， Janne Heiskanen， Eduardo Maeda， et al. Burned area detection based on Landsat time series in savannas of southern Burkina Faso[J]. International Journal of Applied Earth Observation and Geoinformation， 2018， 64： 210-220.

[16]Louis Giglio， Luigi Boschetti， David P. Roy， et al. The Collection 6 MODIS burned area mapping algorithm and product[J]. Remote Sensing of Environment， 2018， 217： 72-85.

[17]Zachary Holden， Penelope Morgan， Jeffrey Evans， A predictive model of burn severity based on 20-year satellite-inferred burn severity data in a large southwestern US wilderness area[J]. Forest Ecology and Management， 2009， 258（11）： 2399-2406.

[18]Justin Ziegler， Chad Hoffman， Mike Battaglia， et al. Spatially explicit measurements of forest structure and fire behavior following restoration treatments in dry forests[J]. Forest Ecology and Management， 2017， 386： 1-12.

第一作者簡介：張水鋒，男，1986年6月生，漢，江蘇丹陽人，博士，講師，南京森林警察學院，研究方向：大數(shù)據分析，多目標優(yōu)化決策。

基金項目：江蘇高校哲學社會科學研究項目（2019SJA0527）;江西省管理科學類項目（20202BAA208014）;中央高?；究蒲袠I(yè)務費專項資金項目（LGZD202101）