基于雷达的多源信息森林火灾监测模型应用研究

王威 何筱仙 张深寿

（1 湖南省岳阳市气象局，岳阳 414000；2 福建省龙岩市气象局，龙岩 364000）

0 引言

及早发现森林火灾，并组织人力合理扑救，能极大减少森林损失。目前监测森林火情的手段有卫星、雷达、人工瞭望、飞行巡航等[1-2]，相较于人工瞭望和飞机巡航，雷达具有覆盖面广、耗费少的优点，相较于卫星监测，雷达具有高时间、高空间分辨率的优点[3]。但雷达在监测火情时易受弱降水、地物等影响，监测准确率还有待提高[4]。

近年来，研究者发现利用多源信息融合技术监测火灾能提高火灾监测准确率。余福波等[1]将自适应加权数据融合算法和D-S证据理论应用于智能火灾预警预报系统中，有效提高了系统对火灾的识别能力。朱泽明[2]将BP-RBF多源信息融合算法应用于森林火灾报警系统中，提高了整个森林火灾报警系统的可靠性。为实现对森林火灾监测快速、准确、便捷的目标，本文提出基于雷达的多源信息融合技术，并就该技术应用效果进行检验。该技术能实现对森林火灾快速识别，有助于及早掌握火情、扑灭火灾，潜在的社会、经济效益不可估量。

1 资料选取

森林火灾的产生需要同时具备三个条件，即可燃物、林火环境和火源。林火环境包括天气、林地、小气候和氧气条件等，其中天气条件是引发森林火灾、影响林火的重要因子[5-7]。研究[8-9]发现，森林火灾的发生与最高气温、最大风速值、最小相对湿度值、未降水天数四个气象要素值关系最为密切。因此，本文选取温度传感器、湿度传感器、雨量传感器、风速传感器，结合雷达探测系统进行多源信息融合。

本研究通过实地调查访问获取岳阳市2015—2017年121起森林火灾发生的时间、地点、持续时间等基础资料。

2 火灾气象条件分析

气象条件是决定森林火灾发生与否的重要因素，其中以气温、相对湿度和降水因子最为密切。为了提高多源信息融合火灾监测模型准确性和实用性，需要对火灾发生时的条件进行分析，以达到简化模型的目的。为此笔者分析了岳阳市2015—2017年121起森林火灾发生时的气温、相对湿度、和降水气象条件和雷达回波特征，并得到表1～表5。

表1 森林火灾日最高气温与火灾发生次数统计表Table 1 Statistical of daily maximum temperature and occurrence frequency of forest fire

由表1可知，当最高气温＜25 ℃时，森林火灾发生概率随着温度的升高而增加，当25 ℃≤最高温度＜35 ℃时，火灾发生概率随着温度的升高而减小。这主要是因为岳阳地处亚热带季风气候区，雨热同期，到了夏季气温升高的同时，降水集中期来临，不易产生森林火灾。

表2 森林火灾日相对湿度与火灾发生次数统计表Table 2 Statistical of daily relative humidity and occurrence frequency of forest fires

由表2可知，森林火灾发生概率与日相对湿度呈负相关，即日相对湿度越高森林火灾发生概率越低。由于岳阳市出现相对湿度＜20%的天气占比少，导致该区间段森林火灾发生次数较20%≤相对湿度＜30%的区间段发生次数偏少。

表3 森林火灾日最大风速与火灾发生次数统计表Table 3 Statistical of maximum daily wind speed and occurrence frequency of forest fires

由表3可知，森林火灾发生概率与日最大风速呈正相关，即日最大风速越大森林火灾发生概率越高，这主要是因为较大的风力能使森林火灾得到蔓延扩大。

表4 森林火灾日连续未降水天数与火灾发生次数统计表Table 4 Statistical of fire days without precipitation and occurrence frequency of forest fires

由表4可知，当日连续未降水天数＜8 d的时，森林火灾发生概率与日连续未降水天数呈正相关。未降水天数越长，空气越干燥，植物和土壤含水量越低，森林火灾越易发。

表5 森林火灾雷达回波与火灾发生次数统计表Table 5 Statistical of forest fire radar echo and fire occurrence frequency

岳阳雷达在非汛期（10月至次年3月）非全天运行，导致森林火灾发生时没有对应的雷达资料，在2015—2017年的121次森林火灾有57次林火被雷达监测到，本文仅对这57次林火回波进行分析（表5），发现森林火灾的发生概率与雷达回波反射率呈正相关，雷达回波反射率≤30 dBZ时，森林火灾发生概率随着回波反射率的增加而增加，当反射率＞30 dBZ时，火灾发生概率反而减小。

3 多源信息融合过程

通过分析发现，森林火灾的发生与温度、相对湿度、雨量、风速、雷达回波具有一定的相关性。为进一步提高森林火灾判识准确率和效率，本文引用多源信息融合系统。系统采用三层次融合结构，即数据层、特征层、决策层。数据层融合过程是对采集的火灾现场气象要素进行预处理的过程；特征层融合通过对不同传感器数据的分析，提取多传感器数据中与森林火灾发生相关的特征，该层次融合是对数据去冗余的过程，能有效剔除环境中的干扰信号[10]；决策层融合采用合适的融合算法对数据进行再次融合，发挥传感器的联合作用，提高系统的可靠性。它的虚拟处理流程如图1所示。

图1 基于雷达的多源信息森林火灾模型框架设计Fig. 1 Framework design of multi-source information forest fire detection system based on radar

3.1 多源信息数据层融合

基于雷达的多源信息森林火灾探测系统信息层包括温度、相对湿度、降水、风速、雷达反射率等信息。火灾点温度、相对湿度、降水、风速传感器数据通过相邻观测点的气象传感器进行采集，并通过滑动平均法获得火灾点的气象要素值。火灾点雷达探测特征主要包括回波反射率、径向速度、回波顶高等，这些特征可以通过“火灾杂波过滤法”进行提取。

3.2 多源信息特征层融合

在多传感器对森林火灾进行识别时，每一种传感器都只能获取火灾现场某一方面的信息，单一特征仅包含有限信息，要实现对森林火灾的监测，需将多种传感器具有的特征进行提取、融合，综合分析火灾发生的可能性，为后续决策做基础。

由上文可知，影响森林火灾发生的气象要素值存在区间变化的趋势[11]。因此可以采用逻辑回归算法对数据特征进行提取，本文利用Origin8.0数据分析软件对数据做逻辑回归曲线拟合，得到模型如下：

式中，a=14.31，b=19.3；y1、y2、y3、y4、y5表示火灾发生概率；x1、x2、x3、x4、x5分别表示日最高温度值、日最小相对湿度值、日最大风速值、日连续未降水天数值、雷达回波组合反射率值。

3.3 多源信息决策层融合

决策层融合采用加权平均融合算法。加权平均融合算法通常选用数学平均式，即将各个传感器的权值选取近似相等。该方法是最简单最实用的实时处理信息的融合方法，能比较简便地处理来自传感器的原始冗余信息。加权平均算法中，假设在n个传感器的融合系统中，传感器T1，T2，T3，…，Tn对同一个目标进行状态估计，各传感器的测量值分别为x1，x2，x3，…，xn，是x的无偏估计，且彼此相互独立，其方差分别为[12]。设各个传感器的权重分别是W1，W2，…，Wn，则融合后的状态估计值和权重满足的条件为：

假设权值相等且为W，由式（7）可知W=1/n，经过融合后的状态估计值为：

4 结果分析

4.1 融合等级分析

在多源信息融合的过程中发现，即使所有的要素值都最有利于火灾发生，最后的融合值也达不到100%。因此，本文将各要素中最利火灾发生的数值进行融合，获取基准融合值。最有利于火灾发生的各要素值和融合值如表6所示。

表6 基于多源信息融合的森林火灾发生概率Table 6 Forest fire occurrence probability based on multisource information fusion

根据森林火灾气象等级划分标准，按照首尾少中间多的顺序升序排列，森林火险气象等级比例设定为10%，20%，40%，80%，100%[13]，再通过基准融合值（52.7%）对森林火险等级进行划分，得到森林火灾概率等级多源信息融合值表（表7）。

表7 森林火灾发生概率等级多源信息融合值表Table 7 Multi-source information fusion values of forest fire occurrence probability levels

4.2 实例分析

2015年12月18日自14：04开始，岳阳市雷达图上有一回波块符合林火回波特征，跟踪发现，该回波连续出现了11个体扫（图2），回波顶高为1.0 km，面积为15.3 km2，平均回波强度为9.1 dBZ，最大回波强度为28 dBZ。为更进一步判断该回波是否为林火回波，利用雷达系统监测的位置，通过插值法查找到该监测点多传感器数据，根据本文所研究的基于雷达的多源信息融合森林火灾监测技术，对多传感数据进行融合，得出林火发生概率值（表8）。

图2 岳阳市林火的雷达反射率回波时序图（0.5°仰角）Fig. 2 Radar reflectivity echo timing sequence diagram of Yueyang forest fire (0.5°elevation)

表8 基于多源信息融合的森林火灾发生概率Table 8 Forest fire occurrence probability based on multisource information fusion

模型融合值为47.3%，根据森林火灾发生概率等级多源信息融合值表可知，该处发生森林火灾的概率等级为极度风险，因此可以更进一步明确，该地有森林火灾发生，该事实也已经被林业部门确认。

4.3 模型检验结果

基于雷达的多源信息融合森林火灾监测模型建立后，利用模型对岳阳市2018年该地区雷达监测范围内的火情进行实时监测。期间，系统发出了82起预警信号，实际没有发生森林火灾但是系统误判发布报警信号的有17起，实况发生火灾但系统没有发出森林火灾预警信号的有9起。参照文献[4]中的火情报警的命中率、误警率和临界成功指数的计算方法，得到系统的火情预警命中率（表9）。

表9 雷达林火回波监测系统预警命中率统计表Table 9 Statistical of early warning percentage of radar forest fire echo monitoring system

根据钟敏等[14]对风暴识别与跟踪算法对单体识别的命中率研究结果可知，雷达林火回波监测系统命中率与CINRAD/SB系统对雷达回波单体识别命中率相当。因此，该系统的运行结果参考意义较大，系统可以应用于业务工作之中。

5 结论

基于雷达资料的多源信息森林探测模型建立后，通过雷达对林火进行定位，查找疑似火灾点气象信息，对火灾发生概率进行计算，查对森林火灾发生概率等级多源信息融合值表，判断林火发生概率，决定是否向森林防火部门发布森林火灾预警信息，有利于及早发现森林火灾，并对火灾进行及时扑救。经验证，该模型对森林火灾的监测精度较高，命中率达到83%，误警率为10%，临界成功率为76%。

多传感器信息融合过程中，在数据处理、特征提取和决策层融合时，采用的算法较普通，在今后的研究中，可以利用不同算法建立模型，选择对森林火灾识别准确率最高的模型，应用到实际业务中，将能极大提高森林火灾监测效率和准确性。