基于遥感技术的输电走廊植被山火预警平台研究

杨潇钰，余 勤，叶 强，聂锐华，武瑞娟，雒瑞森

( 1.四川大学 电气工程学院， 四川 成都 610065; 2.国网四川省电力公司经济技术研究院， 四川 成都 610065;3.四川大学 水力学与山区河流开发保护国家重点实验室， 四川 成都 610065; 4.成都大公博创信息技术有限公司， 四川 成都 610065)

在森林茂密的高山地带，山火不仅对生态系统造成损害，还有可能导致线路跳闸，严重危害电网的安全稳定运行[1]。近几年，超特高压电网技术高速发展，同塔多回线路以及多条线路密集通过山林重要输电通道，山火也成为引发输电线路故障的主要自然灾害之一[2]，电网必须增强抵御山火灾害的能力以面对更加严峻的考验。

输电走廊植被众多，有研究表明3种及以上植被的混合可燃物、茅草与其他植被的混合可燃物导致线路山火跳闸的次数占总山火跳闸次数的一半以上[3]。作为山火发生的主要可燃物，其管理方法比较简单，大多是在固定周期对走廊内部的植被进行砍伐，耗时费力，花费大风险高效果也不显著；有研究通过建立树木生长模型，尝试有针对性的进行输电走廊内的植被管理[4]，但在实际运行中，树木生长存在很多个别不确定因素，细致预测较为困难。因此，研究如何对山火可能发生位置进行预测预警具有现实意义。近年来，山火预警研究主要集中于林火影响因子和预警方法的选择。从有关专家学者对森林火灾的研究成果中可以得到，森林火灾是植被因素、地形因素、气候因素和社会人文因素等多因素共同作用的结果[5-10]。除此之外，学者们也进行了很多对山火预警方法的研究[7-13]。

当前，卫星网已日渐成熟并被国网公司采用，空中数据可以大面积高分辨率地监测输电走廊植被，本文结合遥感应用，通过对示范区域遥感数据进行处理，分析影响森林火灾形成的植被、地形、气候等因素，选取山火预警因子，建立火灾预警体系，完成山火预防任务。

1 研究区概况

1.1 研究区域

本研究区位于四川成都市与阿坝藏族羌族自治州的交界地区，图1为本研究区的地理位置示意图。

图1 研究区地理位置示意图Fig.1 Geographical location of the study area

在地形方面，研究区位于四川盆地西部周边山地，以山地、丘陵为主，最低海拔417 m，最高海拔5 261 m，海拔高度由北向南递减；在气候方面，研究区属于中亚热带湿润气候区。该地区气候年较差大，季节变化明显，夏季高温多雨，冬季低温少雨，全年温度在0℃以上，年均温16～18℃，年降水量1 000～1 200 mm；在植被类型方面，研究区海拔跨度大森林资源丰富，植被覆盖率高，以灌丛类、带常绿阔叶林针叶林和高山草甸为主，除此之外研究区北部有岷江流经，河流沿线植被主要为农田分布。

2 数据源选择及处理

2.1 数据源选择

对现有开源数据进行比较分析，Hyperion数据作为中高分辨率的高光谱数据，相比传统的陆地资源卫星所提供的多光谱数据具有光谱分辨率高、光谱波段多等优点[14]。因此，本文选择Hyperion数据以提供研究区地物信息。除此之外，DEM数据和气象数据可以提供研究区的地形信息及气象信息。

2.2 数据预处理

Hyperion数据也具有高光谱数据通有的信息冗余的等缺点，因此对于Hyperion数据进行条纹修复和坏线处理、未标定及水汽吸收严重波段剔除、Smile效应校正、大气校正等处理是必须的。因L1R级图像未进行几何校正，本文以同时期Landsat数据为基准，选择地面控制点利用重采样对其进行几何校正，使控制点误差在1以内，完成对Hyperion数据的预处理[14]。在得到具有地理坐标信息的图像后，对影像做非植被区掩膜处理得到最终植被区域影像。

研究区植被类型按研究区Hyperion数据监督分类，可分为5类，参考GoogleEarth对分类结果进行分类评价，整体精度为96%，符合精度评价要求，如表1所示，对应分类结果如图2所示。另外研究区地形示意图如图3所示。

表1 分类精度评价表Table1 Classification accuracy evaluation table

图2 研究区植被分类示意图Fig.3 Vegetation classification in the study area

图3 研究区地形示意图Fig.3 Topographic map of the study area

3 预警模型选择及预警平台构建

随着卫星网络不断成熟，遥感技术广泛应用于电力勘测设计、安全巡检、运维管理等领域[15-18]。本文利用遥感技术，借助遥感影像，研究输电线路走廊的植被类型因素、地形因素及气象数据等数据，选取预警指标，建立准确的预警模型，从而构建完善的预警平台。

3.1 预警平台总体设计

构建预警平台的意义在于充分结合数据库信息，在科学的预警模型支持下，将预警数字结论转换成直观影像，完成预警结果可视化。山火预警平台的主要功能结构如图4所示。

图4 山火预警平台主要功能模块Fig.4 Main function modules of mountain fire early warning platform

其中，预警技术的实现主要包括选择预警指标、确定预警模型等过程。

3.2 预警指标选择

预警指标应具有代表性、准确性、可靠性和宏观稳定性[19]。森林火灾的发生应具备一定的条件，结合有关专家学者对森林火灾的研究成果对森林火灾的影响因素进行分析可以得到，森林火灾是植被因素、地形因素、气候因素和社会人文因素等多因素共同作用的结果[5-8]。预警指标直接影响预警系统成功与否，单个指标不能准确的反映预警对象，容易造成预警的失误。本研究选取植被类型、绿度指数、高程、坡度、坡向、月份作为预警指标。

选择2001—2009年四川1 583个火点数据按上述预警指标进行网格化处理，如图5所示，分析不同预警指标等级组合情况下的火点数量。通过空间分析，将各指标因子下的数据集都统一到相同的等级体系，且每个数据集中森林火灾发生率高的地区都被赋以比较高的值[20]。

图5 2001—2009年火点分布示意图Fig.5 2001—2009fire distribution diagram

3.2.1 植被类型因子下的森林火灾发生率等级分析

不同类型的植被易燃性不同[21]，例如针叶树种较阔叶树种具有较高的可燃性。根据2001—2009年9年四川省火点分布地植被类型情况分析，发生在高山草甸部分的火点数最多，其次依次为针叶林、阔叶林、农田、灌木。

3.2.2 绿度因子下的森林火灾发生率等级分析

植被指数是2个或多个波长范围内的地物反射率的组合计算，以增强植被某一特性或者细节[22]。绿度因子用来标识大多数的绿色植被。其代表指数为归一化植被指数(Normalized Difference Vegetation Index，NDVI)，NDVI值得范围是-1～1，一般绿色植被区的范围是0.2～0.8。NDVI作为一个重要的遥感参数, 能够敏感地反映出植被生物量 、覆盖度 和叶绿素含量等生物物理化学性质, 在一定程度上反映了像元所对应区域的土地覆盖状况, 因而在土地覆盖变化研究中常被用来描述土地覆盖的基本特征以及开展相关的定量研究[23]。根据2001—2009年年四川省火点分布地绿度因子情况分析，火灾等级与NDVI的关系如表2所示。

表2 预警指标火灾等级分布表Table2 Fire gradedistribution of early warning index

3.2.3 高程因子下的森林火灾发生率等级分析

有研究表明，位于川西高原的凉山州、攀枝花市、甘孜州属于四川森林火灾发生最严重的地区[24]。将高程分为<1 000，1 000～2 000，2 000～3 000，3 000～4 000，>4 000五等级，根据2001—2009年9年四川省火点分布地高程分析，火灾等级与高程的关系如表2所示。

3.2.4 坡度因子下的森林火灾发生率等级分析

坡度大小通过影响植被表面湿度变化进而影响植被的易燃程度。将坡度分为平坡(≤5°)、缓坡(6°～15°)、斜坡(16°～25°)、陡坡(26°～35°)、极陡坡(≥36°)[26]。根据2001—2009年9年四川省火点分布地坡度分析，火险等级由小到大依次为极陡坡、陡坡、斜坡、平坡、缓坡。

3.2.5 坡向因子下的森林火灾发生率等级分析

坡向可直接影响所在区域植被接收太阳辐射的多少[25]。一般情况下，阳坡比阴坡受到更强的日光照射，其植被更加干燥。根据林业调查中的坡向划分，把坡向分为无坡向、阴坡(337.5°～22.5°)、半阴坡(22.6°～112.5°，292.5°～337.5°)、半阳坡(112.6°～157.5°，202.5°～292.5°)、阳坡(157.5°～202.5°)[26]。根据2001—2009年9年四川省火点分布数据的坡向分析，火险等级由小到大依次为无坡向、阴坡、阳坡、半阴坡、半阳坡。

3.2.6 月份因子下的森林火灾发生率等级分析

月份因子从气候和人文方面影响森林火灾的发生。有学者研究表明，森林火灾发生呈现季节性规律[9]；另有研究表明，秋冬季月平均气温在0～10℃时，森林火灾发生次数最多，当月平均温度大于10℃时，火灾发生率随温度的升高而降低[27]。另外，森林火灾的发生与人文社会生活习俗有一定联系，例如山区农村等地区春节期间放鞭炮、清明上坟烧纸等习俗使得特定时间的山火风险高于其他时间。根据分析2001—2009年9年四川省火点数据，各月份火点发生数呈现明显规律，2—4月份发生森林火灾的数量最多。最终得到预警指标火灾等级分布表和火点数据分布表，如表2、表3所示。

表3 火点数据等级分布表Table3 Fire point data grade distribution table

3.3 预警模型确定

为了提高预警的准确性，本文利用线性回归模型、逻辑回归模型、随机森林模型分别对火灾预警数据进行建模。

3.3.1 线性回归模型

首先选用线性回归模型，选取6个预警因子为自变量，火点数量为因变量，表达式为：

Y=β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+μ.

(1)

式中：Y为森林火灾发生数量(即因变量)；Xi为不同预警指标火灾等级(即自变量)；β0为常数项；βi为各预警指标所占权重；μ为误差项。

根据表4回归结果显示，回归方程显著性P<0.001，除NDVI外，5个自变量均通过显著性检验。模型的判定系数R2为0.141，说明线性回归模型对数据拟合度低，解释性较差。

表4 线性回归模型系数Table4 Coefficient of linear regression model

3.3.2 逻辑回归模型

逻辑回归主要应用在因变量为分类变量时，其和多个自变量之间的多元回归关系[28]。以表2中易发火灾等级为因变量，预警指标火灾等级为自变量，在SPSS中进行多元逻辑回归，得到模型拟合信息见表5。

表5 逻辑回归模型似然比检验Table5 Likelihood ratio test of logistic regression model

结果显示模型显著性P<0.05，说明模型通过假设检验，具有统计学研究意义；在逻辑回归模型中，除NDVI外，5个自变量均通过显著性检验。模型的判定系数R2为0.337，说明较线性回归模型，逻辑回归对数据具有更好的拟合性。

3.3.3 随机森林模型

随机森林模型是常用的集成学习模型之一，它是多重决策树的组合，因此具有更高的准确性[29]。将表2中除NDVI外的各预警指标的火灾等级和火点数量进行归一化，利用Python数据分析进行随机森林回归，得到模型的拟合优度R2见表6。

对比以上3种回归模型，随机森林模型的拟合决定系数最高为0.54，因此选择随机森林模型进行火灾发生概率预测。

3.3.4 预警权重确定

不同预警指标对系统贡献率不同，在随机森林模型中，%IncMSE可理解为对目标变量预测准确的贡献度。通过Python分析得到随机森林模型中各自变量对因变量预测准确性的贡献值，如表7所示。其中，植被类型对火灾发生率的影响度最高，月份次之，坡向对火灾发生率影响最低，对各预警指标火灾发生等级值和相应的影响率进行简单的加权计算，最终火灾发生概率可由以下公式计算：

F(火灾发生率)=(植被类型)*0.229+(高程)*0.201+(坡度)*0.201+
(坡向)*0.154+(月份)*0.215.

(2)

利用该公式对2010年四川地区2、3、4月份山火易发等级进行预测，所得结果如图6所示，图6显示四川南部颜色较其他地区更红，说明模型预测此处为山火易发等级较高地区，对应2010年实际火点位置，说明此模型具有较高准确性。

图6 2010年2、3、4月山火易发等级及实际山火位置图Fig.7 Mountain fire susceptibility level and actual location map in February, March and April2010

3.4 预警结果可视化分析

相比较数字结果，通过电子地图表示预警等级更加直观易懂。利用空间分析，分别得到5个预警指标下研究区火灾等级分布图，如图7(a)～(e)所示，颜色从红色过渡到绿色代表火灾发生率从高到低变化。

对研究区的2、3、4月份山火易发情况进行预警，结合式(2)通过空间分析得到最终研究区火灾等级图如图7(e)所示，由综合预警等级图片可以直观看到，颜色越红的地方火灾风险越高，结合电子地图的地理坐标信息，有利于工作人员全面把控森林山火风险情况。

在电网运行中途径森林地区的输电线路极易收到山火灾害的威胁，山火直接对线路杆塔或其他输电设备造成物理损坏；山火产生的浓烟或热空气会造成气隙击穿，导致线路跳闸[30]。有学者研究表明，在山火发生时根据着火点位置、风速/风向、地形/坡度等因素可对火灾蔓延的方向和速度进行预测，从而可对着火点周边的输电线路进行跳闸故障风险评估[31]。

本文研究的山火预警平台旨在山火发生前规避山火可能对输电线路造成的损害。如图8中，红色区域山火等级较高为山火易发地区。一方面，采取对山火易发地区进行人工降雨、针对性砍伐隐患木等方法，降低山火发生概率。另一方面，结合电力部门的输电线路网络分布图可查看周边输电线路负荷情况，从而加强重点线路巡检力度，提前做出负荷转移方案，做到防范于未然。

图8 综合预警指标火灾等级部分分布图Fig.8 Distribution of fire grade of comprehensive early warning index

4 总结讨论

4.1 讨论

研究表明植被类型对山火发生率的影响度最高，说明输电线路走廊植被管理的重要性。

除山火会威胁输电线路的正常运行外，输电线路故障也极易引发森林火灾。输电线路作为长距离输送电力的主要载体，其故障特性具有随机性和模糊性[32]，输电线路的特殊性决定必须对输电走廊植被进行干预治理。近年来各地都曾发生因输电线路设备故障而引发的森林火灾，2017年四川甘孜藏族自治州通报一起因输电线路绝缘子破裂跌落而引发的山火事故；2020年云南昆明通报两起因输电线路短路产生金属熔渣掉落至地面引燃可燃物而引发的森林火灾事故。为降低输电线路对山火的影响，在输电线路运维检修工作中，应及时对输电设备下方枯草等可燃物及时清除；输电走廊植被应以不易燃植物为主，进行阻火断火植被替换，形成天然防火隔离带。多方面杜绝输电线路对山火的影响。

在山火预警指标分析中，由于数据可获得性等原因，文章只选取6种森林火灾影响因素进行研究，尤其在气象及人文因素上，只选取月份作为代表因素。在气象因素方面，并未考虑降水量、风速、风向可能对山火发生的影响；在社会人文方面，未考虑村落位置、居民文化水平等因素是否会影响山火发生。如果选取更多种对山火发生率产生影响的因素进行预警模型研究，即可得到更为精准的山火风险等级评价结果。

4.2 总结

文章提供了一种建立山火预警平台的新思路，将遥感应用、统计学和GIS空间分析技术相结合，以历史火点数据作为参考，从而得到较高精确度的山火风险预警分析。

研究选取植被类型、高程、坡度、坡向、月份作为预警指标，将2001—2009年火点数据进行网格化处理得到不同预警指标等级下的火点分布情况。对比3种不同预警模型的数据拟合度后选择随机森林模型对山火发生率进行预测分析，并用2010年山火发生情况进行模型检验，得到不同预警指标对最终预警结果的影响率。

对某示范架空线路沿线遥感数据进行分析处理得到通过空间分析，形成由不同预警因子共同作用的区域森林火灾风险等级地图，根据地图的GIS坐标系统，直观展示易发生森林火灾事故的地理位置，进行有针对性的预防。