智能算法在森林火灾管理中的应用

张水锋 彭徐剑 詹庆斌

摘 要：森林火灾具有燃烧期长、蔓延速度快、难以控制等重要灾害特点，我国以“预防为主，积极消灭”为森林防火主要指导方针。灾前预防预警、灾中蔓延预测和灾后评估恢复是森林火灾管理工作的三项主要内容。本文主要介绍了智能算法在灾前预防预警、灾中蔓延预测与火场图像分析以及灾后评估与恢复中的应用，旨在辅助森林火灾的管理和决策工作研究。

关键词：智能算法;森林火灾;管理

引言

森林火灾是全球关注的主要环境问题之一，全世界每年有数百万公顷的森林被毁，造成严重的生态破坏，危及人类经济与生命的安全。我国是森林火灾多发的国家，据统计，1950-2019年我国共发生森林火灾81.8万起，年均1.17万余起[1]。2020年，我国共发生森林火灾1153起，重大森林火灾7起，受灾的森林面积约为8526公顷[2]。因此，关注和研究森林火灾的灾前、灾中和灾后行为，以及如何更好的做好灾前预警、灾中监测与扑救、灾后恢复与管理等工作成为减轻森林火灾威胁的关键。随着近年来全球人工智能研究的兴起，计算机算力、系统科学、大数据与数学优化技术也得以快速发展，这为森林火灾预防和管理中备选方案选择开辟了新的途径。在具有不同管理场景的区域，智能算法可提高决策过程的质量。目前，国内外已有许多研究者尝试将智能算法与森林火灾研究相结合[3]，提升了对森林火灾灾害行为的认识，并为森林火灾的预警预测、扑救指挥和灾后管理提供的决策辅助。

1. 智能算法简介

智能算法是一个让计算机替代人类从事计算分析的研究领域，显然，计算机在计算和分析能力方面更快;同时它又是一个广泛的研究领域，包括机器学习算法、启发式搜索算法和深度学习算法等。在许多场景下，智能算法是解决和解决各种具有挑战性的工程问题的实用替代技术。受自然界各种规律和法则的启迪，人类根据其原理模仿求解问题，开发设计了众多的智能算法。目前，常用的智能算法主要包括模糊系统、遗传算法、模拟退火、决策树、粒子群和蚁群优化技术以及神经网络等内容。开发人员可从工程的角度和方法来设计、分析、评估和实现应用于现实不同场景的智能系统。不同的研究人员根据所研究的对象场景的特点遴选表现相对较优的算法，以图通过计算机模拟计算深度挖掘研究场景中对象的行为特征。

2. 智能算法在森林火灾灾前预防预警中的应用

防范森林火災快速蔓延的最佳控制方式是在火灾发生的早期阶段将其扑灭。因此，对森林火灾灾中进行监测，特别是在森林火灾发生的初期阶段实施有效的预警措施显得尤为重要。对于森林火灾灾前预警预测这个是全球陆地生态系统普遍存在的问题，研究者在森林火灾易感性的建模和预测方面提出了诸多思路[4-8]。Tran等[5]基于局部加权学习算法提出了一种用于森林火灾易感性预测研究的空间显式集成模型，将局部加权学习（LWL）模型与级联归纳（CG）和引导聚集算法（BA）等四种学习技术相结合，用于国家公园森林火灾易感性的预测。并使用历史数据集来训练LWL模型及其衍生的集合模型，利用操作特性曲线和其他几个统计性能标准验证了模型的良好拟合和预测能力。王生营[6]研究了基于计算机视觉的森林火灾检测算法，将基于K-Means聚类与样本熵算法的一种基于传统图像特征的图像识别算法和基于卷积神经网络深度学习提出目标检测算法对比应用于森林火灾检测，并进行了性能评估，发现两种算法均具有较高的可行性，在准确率上，基于卷积神经网络深度学习的森林火灾检测算法的准确率更高，而基于 K-Means 聚类及样本熵的森林火灾检测算法在运行速度和占用内存方面表现更优。黄儒乐[7]在森林火灾烟雾识别预警算法研究中对比分析了神经网络算法、自组织神经网络、概率神经网络、支持向量机等算法的性能，并认为基于脉冲耦合神经网络（PCNN）的图像特征提取算法。此外，Peng等[8]也基于深度神经网络模型提出了一种快速、准确的视频烟雾检测算法用于实时森林烟雾检测。

3. 智能算法在森林火灾灾中蔓延预测与火场图像分析中的应用

森林火灾灾中蔓延预测工作在森林火灾管理过程中的作用举足轻重。及时、准确可靠的灾中蔓延模拟预测可有效的控制火势，最大限度地降低森林火灾的损失，也是人类生命财产安全的重要保障。在森林火灾灾中蔓延预测和火场图像分析辅助火灾扑救方面，国内外研究人员也开展了许多研究[9-12]。贺航等[9]基于改进的麻雀搜索算法提出了一种森林火灾图像多阈值分割技术，能够及时获得火灾图像分割的最佳阈值，其分割的准确性、实时性和抗噪性均明显优于现有的灰狼算法、粒子群算法和鲸鱼算法，能够为图像处理的工程应用提供一种较好的阈值分割技术。森林火灾蔓延预测模型的目标是确定在不同天气场景下火灾前沿随时间的演变。Ioannis[10]基于元胞自动机和的遗传算法设计了一种用于森林火灾蔓延预测专用并行处理器，该处理器可以用作决策支持系统的一部分，为物理系统建模和仿真提供了一种新的方法。Rao等[11]设计开发了一种新的增强型视频实时火灾火焰探测算法，将时空火焰建模特征提取与动态纹理分析相结合，引入火焰行为模型来识别火焰的颜色、火焰的运动特性以及火焰外观的随机变化。该方法可以识别森林区域中的物体运动，并去除非火焰背景图像，基于地理信息系统技术定位火灾在图像中的准确位置。此外，田勇臣等[12]通过改进王正非的林火蔓延算法模型，提出一种森林火灾蔓延多模型预测系统。

4. 智能算法在森林火灾灾后评估与恢复中的应用

灾害区域生态系统火烧迹地的受损评估、灾后恢复与重建是森林火灾的灾后恢复与管理工作的重要内容，利用现代先进技术深入研究这些措施对森林火灾的调查、定责、生态系统恢复以及重建后的长期管理具有重要意义。总体来看，将智能算法用于森林火灾过火面积评估的文献相对较多，如Somnath等[13]基于分类回归树（CART）、随机森林（RF）和支持向量机（SVM）算法，利用2016-2019年Landsat-8和Sentinel-2的中分辨率光学卫星影像，对谷歌地球引擎云端平台上的森林火险斑块进行识别，计算森林火灾的过火烧伤面积。该研究表明分类回归树和随机森林算法显示出相似的森林火灾斑块，总体准确率为97-100%，而支持向量机及的分类精度略低。森林火灾过火前后的空间和时间模式需要完整和准确的燃烧区域地图数据来记录，从而量化其驱动因素，并评估对人类和自然系统的影响。Todd等[14]开发了一种基于陆地卫星图像的过火区域（BA）算法，该算法使用机器学习、阈值处理和图像分割来识别1984年至2018年Landsat图像的数据时间序列中的过火区域。此外，还有其它众多研究者基于智能算法研究了森林火灾过火面积评估[15，16]。Zachary等[17]使用随机森林算法和15个地形层的烧伤严重程度像素的分层随机样本作为预测变量建立了一个经验模型，预测整个140万公顷研究区域发生严重烧伤的概率。研究结果表明文章建立的模型对严重烧伤的区域基本做到了正确分类，分类准确率为79.5%。因此，该模型有潜力作为规划燃料处理项目和更好地了解景观尺度燃烧严重程度模式的工具。Ziegler等[18]等利用点模式分析匹配算法、斑块检测算法以及最近邻算法和乔木斑块高度变异指数的组合，在林分和斑块尺度上评估其可燃物的结构复杂性，以研究干旱区火烧迹地经过造林恢复后的防火效果，结果表明当前的恢复处理与模拟可同时实现改变结构复杂性和减少火灾行为的目标。

5. 总结与展望

综上所述，本文详细介绍了智能算法在森林火灾的灾前、灾中和灾后管理中的不同应用场景和效果。智能算法在森林火灾的预防与扑救管理领域的深度研究与应用，以及对林业多源异构大数据的分析，必将有利于森林火灾的有效防范，从而保护森林生态系统的平衡和可持续发展。

智能算法已被广泛应用于工业制造、农业管理、商业分析、医疗保健等领域，作为当代人工智能技术的核心，对人类的生产生活产生了巨大的影响。随着全球大数据海量的不断增长，对大数据的计算和处理显得尤为重要，以智能算法为核心的人工智能技术的进步将为庞大的森林火灾数据处理与分析提供了强力支撑。

参考文献

[1]李伟克， 殷继艳， 郭赞权，等. 2019年世界代表性国家和地区森林火灾发生概况分析[J].  消防科学与技术， 2020， 39（09）： 1280-1284.

[2]應急管理部发布2020年全国自然灾害基本情况. [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]王生营. 基于计算机视觉的森林火灾检测算法研究[D].北方民族大学，2021.

[7]黄儒乐. 基于视频图像的林火烟雾识别方法的研究[D].北京林业大学，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]贺航，马小晶，王宏伟，等.基于改进麻雀搜索算法的森林火灾图像多阈值分割[J].科学技术与工程，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，刘少刚，赵刚，等.森林火灾蔓延多模型预测系统研究[J].北京林业大学学报， 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：张水锋，男，1986年6月生，汉，江苏丹阳人，博士，讲师，南京森林警察学院，研究方向：大数据分析，多目标优化决策。

基金项目：江苏高校哲学社会科学研究项目（2019SJA0527）;江西省管理科学类项目（20202BAA208014）;中央高校基本科研业务费专项资金项目（LGZD202101）