航空护林航线动态优化问题及对策

2017-04-05周瑞琼周爱民

森林防火 2017年1期

关键词：火险护林火源

周瑞琼，周爱民，汪东

（1.江苏省生产力促进中心，江苏南京，210042；2.南京森林警察学院，江苏南京，210023）

航空护林航线动态优化问题及对策

周瑞琼1，周爱民2，汪东2

（1.江苏省生产力促进中心，江苏南京，210042；2.南京森林警察学院，江苏南京，210023）

现有航空护林航线难以实现动态管理，存在飞机使用效率不高的问题。结合航空护林现实需求以及技术发展，提出以地面采集气象因素、可燃物因素、火险因子、火源因素等作为实时数据，发挥大数据技术的海量数据存储、分析能力，对航空护林航线动态优化问题进行优化求解，实现航线的快速、科学、动态规划，提高飞行效率。

林火管理；航空护林；航线；动态优化；大数据

航空护林是我国森林防火工作的重要组成部分，其“快速、灵活、高效”的优势在监测和扑救森林火灾中发挥着不可替代的作用。自1952年我国第一个航空护林机构正式成立以来，航空护林力量逐渐壮大。航空护林在火情监测、快速扑救方面发挥了关键的作用，它可依据其空中快速巡航优势实现大范围火情监测和快速的火情信息传达，还可快速运送扑救队伍至指定地点，另外，它直接参与灭火作战，尤其是在交通不便、地面救援力量难以快速抵达的山区，航空护林是名副其实的尖兵队伍。航空护林在保护森林生态资源和人民生命财产安全方面做出了巨大贡献，据统计，2000年以前，90%以上的火情是通过航空巡护发现，在2010-2011年卫星林火监测以及地面监测逐步推广的情况下，东北林区超过70%的火情仍是通过航空巡护发现，远远超过卫星及地面监测设备的火情发现率，可见，航空护林在林火监测上占据着主导地位。

1 航空护林现状

航空护林在森林防火方面做出了巨大贡献，但同时因为航空设备造价高，飞行费用高昂，而用于航空护林的经费相比较需要巡护的广袤林区而言是远远不足的，因此有效利用有限的飞行时间来实现最大化的森林防火效果，一直是行业内关注的环节。

目前我国航空护林的航线分为火情巡查的固定航线和在林火扑救或其他特殊情况下的临时航线。在大部分情况下飞机都是沿固定航线飞行。固定航线的规划根据各航站巡护区域内的森林分布、火源分布、飞机续航能力等因素，在防火期提前设定。防火期内，根据国家气象局发布的森林火险气象等级预报，提交第二天飞行计划。临时航线大部分是参与森林火灾扑救时设定，根据“集中飞机打歼灭战”“打早、打小、打了”的原则，往往在火情初期采取超常规措施，加倍投入航空力量，火灾发生附近场站开辟多条临时航线集中向火点飞行。

由于气象环境处于不断变化的过程，再加之复杂地理环境因素可能导致同一航线上相距十几公里的森林处于不同的火险状况，人员活动、生产活动导致野外火源可能存在季节性或随机性的变化，同时随着地面林火监测点的逐渐增多，如何更有效的根据气象情况、森林可燃物情况、火源情况、火灾情况和地面监控的情况及时对巡护航线做出调整，减少无效飞行，提升有限的飞行时间和经费的使用效率，成为越来越现实和紧迫的问题。

2 航线动态优化技术方案

2.1 航线动态优化的重要性

航空护林的目的是监测、发现、扑灭森林火灾。森林火灾的发生发展主要与气象条件、可燃物分布、火险因子、火源等几个因素相关。航线的动态优化就是在飞机性能、飞行时间、禁止飞行气象条件等约束条件下，分析在变化的气象空间分布、火险空间分布、火源危险性空间分布等环境下的最优化问题，它对于确保扑救效果、提高扑救效率有着重要意义。

航空护林航线优化的基础是能准确、及时获取气象、可燃物等主要因素的动态数据，在此基础上建立大数据分析平台实现海量数据的存储和分析，在平台上利用已成熟的最优化算法实现航线动态规划。

2.2 主要影响因素数据来源

2.2.1 气象因素

气象因素包含风力、风向、温度、湿度、降雨量的瞬时值以及一天、两天、一周等等累计量，这些参量都会影响森林火灾发生概率及其发展蔓延速率。宏观的气象预报尺度对于林区尤其是地理条件复杂的林区而言，无法提供临近不同条件（如山顶、山谷或向阳、背阳）地域的小范围气象因素数值。因此需要更小范围的气象监测手段。地方气象局建设气象站可提供精细气象信息，并且目前已有部分林区建设地面气象站，可提供实时气象监测数据，同时还可以在地面巡护过程中以手持气象仪对上述气象因素进行监测上报。

2.2.2 可燃物因素

可燃物的分布涉及林草的地面覆盖分布、树种、可燃物载量等数据。这些数据可使用人员地面调查形成的林业调查数据，结合GIS对可燃物分布进行空间标绘。

2.2.3 火险因子

火险因子与可燃物本身和环境条件相关，目前我国已建设数千个森林火险因子采集站，并且还在不断建设中，因此在已建设火险因子采集站的林区，可直接获得可燃物的动态情况。

2.2.4 火源因素

火源包括人为火源以及雷击等自然火源。人为火源通过林区管理可限定在较为固定的范围，同时人为火源也有一些较为明显的空间、时间规律：离定居点越近火源越多，烧荒季节和清明等时候人为火源多。这些因素通过地面巡护人员可动态掌握。

2.2.5 其他因素

随着林区林火地面监控点建设的发展，通常的制高点监控已可覆盖半径5～10 km范围内林区情况，因此对于这些区域，可以认为不需要设定固定航线进行巡护。

2.3 基于大数据技术的航线优化

航线优化问题也是在各种约束条件下的最短路径问题。在求解这一类问题上目前已有多种成熟的经典算法，如Dijkstra算法、动态规划算法、分支限界法等，并且随着求解问题的复杂度提升，所需计算能力越来越高。因此也有不少学者引入人工神经网络、模拟退火、蚁群算法、遗传算法等优化算法来解决这类问题，并应用于民航航线、无人机航线规划中，取得较好的使用效果。

从上面分析可知，森林防火航空巡护相比民航和无人机的航线规划，涉及气象、可燃物、地理环境、人员活动等等复杂的条件，来源众多，数据繁杂，涉及林业里面的海量异构数据。要实现航线动态优化，必须具有海量数据处理能力以及强大的数据挖掘能力，因此必须引入大数据技术。

2.3.1 数据准备环节

与以往数据分析相比，气象、可燃物、火源、地理空间信息等不同类型、不同结构的数据数量庞大、格式不一，并且数据质量良莠不齐，这就要求数据准备环节一方面要规范格式，便于后续存储管理，另一方面要在尽可能保留原有语义的情况下去粗取精、消除噪声。因此进行存储和处理之前，需要对数据进行清洗、整理，传统数据处理体系中称为ETL（Extracting，Transforming，Loading）过程[1]。

2.3.2 数据存储与管理环节

动态的林业数据量以超高的速度增长，存储技术的成本和性能面临非常大的压力。大数据存储系统不仅需要以极低的成本存储海量数据，还要适应多样化的非结构化数据管理需求，具备数据格式上的可扩展性[1]。

2.3.3 计算处理环节

航线优化中涉及数十条航线，在复杂约束条件下的海量数据处理要消耗大量的计算资源，因此需要使用分布式计算架构，实现低成本可持续的大规模计算能力。

2.3.4 数据分析环节

航线的最优化本质上是从所有可能的航线中挖掘最短航线的参数，由于涉及气象、森林资源等等各种类型的空间、时间分布的非结构化、多源异构的大数据集，需要采用机器学习等更加智能的数据挖掘技术[2]。

2.3.5 可视化环节

大数据航线优化决策结果，以可视化、直观的方式将分析结果呈现给用户，精确直观、图文并茂地描述研究对象的位置布置、空间分布等地理信息，也灵活形象地描述研究对象所处的环境信息，便于林火指挥人员对航线的分析、理解和使用，增强了沟通与解释。

3 航线动态优化实现途径

3.1 建立数据共享机制

航线动态优化的基础是森林防火相关因素的动态数据。因此首先需要与地方林业局、气象局等建立所需数据的共享通道，实现气象、可燃物、火源等各种参量数据的动态获取。

3.2 建设大数据平台

航线动态优化是一种基于数据分析的优化决策过程，也是数据处理过程，其实现的物理基础就是大数据平台，包括采集、预处理、存储、计算、输出等环节。

3.3 使用-反馈机制

航线优化除了考虑上述主要的影响因素外还要考虑天然林巡护级别高于人工林，交通不便的林区对航空巡护的需求高于靠近公路的林区等等次要因素，因此在航线优化初期，大数据平台计算出的航线会与需求有一定偏差，这需要人工干预，将航线优化结果的不合理处反馈到大数据分析模型中，不断对模型进行反馈纠偏，直至其航线满足实际需求。