基于随机森林算法的福建省林火发生主要气象因子分析

应用"随机森林"算法,以福建省22个国家级气象站每日气象数据和2000年~2003年间林火火点卫星解译数据为基础,对影响福建省林火发生的主要气象因子进行分析,并对2004年的林火数据进行独立检验。研究结果显示,"日最高地表气温"、"日最低地表气温"、"日照时数"、"日最高气温"和"日最小相对湿度"等5个气象因子是影响林火发生的主要驱动因子,且这5个气象因子对林火发生的影响大小为:"日照时数""日最高气温""日最低地表气温""日最小相对湿度""日最高地表气温";随机森林算法的拟合结果显示:随机森林算法对福建省林火发生的预测精度为82.3%,表明随机森林算法对我国福建省林火发生的预测具有较高的预测能力,可用于基于气象因子的我国福建省林火发生的预测预报。本研究可为福建省林火的预测和决策工作提供一定的参考依据。     

陕西关中空气质量指数(AQI)特征及预测模型研究

利用2018—2019年陕西污染严重的4个城市：渭南、咸阳、西安、宝鸡空气质量指数(AQI)实况监测日数据,结合该地域同时段内的日气象资料,采用数理统计方法,分析了陕西关中空气质量变化特征。并采用SPSS 21.0数据分析,得出各气象要素与AQI相关关系,利用相关性高的气象因子,采用多元线性回归法建立AQI与气象要素的四季预测模型。结果表明：咸阳AQI年平均值最大(110),其次是渭南(105)和西安(104),均为三级轻度污染;AQI冬季最高,春季逐渐减小,夏末的8月达到最小值,秋末11月开始又逐渐升高,到1月份达到最大值;气压、降水量、风速在春、夏、秋、冬四季均与AQI呈负相关关系,气压和风速在冬季负相关最显著,降水量在夏季和秋季负相关最显著,平均气温和最高气温秋、冬季节与AQI呈负相关,在夏季相关性最高,相对湿度在春、夏、秋与AQI均呈显著负相关。利用2018-2019年相关数据对模型进行回代,用2020年数据对模型进行预测和拟合检验,回代和预测效果均较好。     

基于缓冲区重采样的LSTM林火预测模型*

为提高林火风险预测精度,挖掘地图上隐含的空间信息、时间序列上隐含的长期趋势和循环波动,提出1种基于缓冲区重采样的长短期记忆（LSTM）林火预测模型,选取15个与林火相关的影响因素,以方差膨胀因子为评价指标对其进行多重共线性检验,方差膨胀因子大于10的因素具有共线性,并采用信息增益率验证筛选结果的合理性。考虑到火灾的空间聚集特性,采用缓冲区分析与过采样相结合方法减少样本不均衡现象的影响,最终得到176 732条样本。对12个影响因素和研究时间段的火点建立LSTM预测模型,对森林火灾发生风险进行预测。研究结果表明:基于缓冲区重采样的LSTM林火预测模型有效考虑时空上隐含的信息,预测模型准确率为87.06%,特异性为97.99%,敏感度为76.12%,阳性预测率为97.43%,阴性预测率为80.41%,ROC曲线与AUC值均优于随机森林（RF）和支持向量机（SVM）这2种基准算法。维尔克松秩和检验发现,本文提出的模型与基准算法结果具有显著性差异。研究结果可为提高林火风险预测精度提供参考。     

基于Logistic模型的四川凉山州森林火灾风险分析

森林火灾严重危害人类生命财产安全,科学准确的林火风险分析对防灾减灾具有重要意义.四川省凉山州因林火频发而成为重点监测区域.基于MCD64A1火烧迹地数据,提取凉山州2010-2020年的火烧迹地范围,在分析历史火灾时空分布的基础上,选取地形、植被类型及植被覆盖指数、干湿季平均温度及降水量、土地利用和人口密度等主要风险因子,建立Logistic模型并计算森林火灾的风险概率,结合火灾迹地的空间统计划分风险等级.结果 表明:1)基于火灾迹地进行空间采样所构建的Logistic模型在显著性水平0.05时通过模型系数检验,拟合效果较好;2)影响凉山州森林火灾发生的风险因子主要有植被类型、植被覆盖指数、高程、坡度、人口密度和干季均温,其中干季均温对林火发生与否影响最大;3)西昌市、会理、会东和德昌县等干热河谷地区的林火风险极高,应重点监测.     

林火发生频次的动态数理模型

根据大量历史林火个例资料统计，得出林火发生频次的概率函数遵从波松（ｐｏｓｓｉｏｎ）分布，其中多数λ是森林防火期内每日林火发生的平均值（次）。每日林火发生多少又与当日有无降水量（Ｒ）、最高气温（Ｔ＿１４）、最小相对湿度（Ｈ＿１４）、最大风速（Ｖ＿１４）、日蒸发量（Ｍ）、日照时数（ｍ）有极好的相关性。为此，据历史资料建立了它们的数理相关方程。于是参数λ便可由实测的火险因子求得。为林火发生预报提出了一个新的思路和方法．     

基于层次分析（AHP）的山东林火风险区划研究

利用RS和GIS构建山东森林火险区划模型,模型采取4类指标:第一类是森林火灾发生和蔓延的气象条件,选用代表干湿状态的多年近地面平均气温和近地面空气比湿;第二类是森林燃烧物质基础,林火行为主体的森林植被类型和植被覆盖度;第三类是高程、坡度和坡向等森林火灾发生和蔓延的地形条件;第四类是距居民点距离、距道路距离和人口素质(农民纯收入指数)等火源条件。分析2001-2010年10年间各类指标因子与火点分布关系,利用层次分析法(AHP)确定火险因子权重构建了山东林火风险区划,用2011-2012年火烧迹地信息进行验证,其中火点落在大于或高于三级占到了95%以上。     

郑州环境空气中粉尘浓度的统计分析及预测

对郑州市2005年1月—2009年12月份的可吸入颗粒物(PM10)指数数据进行统计分析,并利用Matlab软件建立了利用气象要素预测PM10的BP神经网络模型。结果表明:2005—2009年郑州市PM10指数的年均值和空气质量超标天数逐步下降,且趋于稳定;年内各月的PM10指数浓度差异很大,冬季PM10指数显著高于夏季,8月最低,而12月最高;采暖期PM10指数显著高于非采暖期,而节假日对于PM10指数的影响不明显;通过平均风速、平均气温、平均气压和平均相对湿度预测PM10浓度可以达到最高精度86.85%。     

基于MRMR-RPK-ELM模型的PM2.5质量浓度预测

为了提高PM2.5质量浓度预测精度,提出一种用最大相关最小冗余算法(MRMR)筛选最优特征值,高斯多项核函数(RPK)优化极限学习机(ELM)的PM2.5质量浓度预测模型.以赣州市为例,选择PM10、O3、SO2、CO、NO2、降水、气压、气温、相对湿度、风速等10个影响因子,PM2.5为目标因子,通过降维处理和核函数特征映射代替随机映射解决PM2.5的高度复杂性.结果表明,MRMR算法选出的影响因子PM10、O3、CO、NO2和相对湿度,不仅考虑目标因子与影响因子的相关性,还考虑影响因子之间的相关性,进而降低了数据维度.MRMR-RPK-ELM模型的平均绝对误差、均方根误差、平均绝对百分比误差和确定系数分别为6.35、9.618、19.89％和0.942,相较于原始的ELM模型,PM2.5质量浓度预测精度有明显提升,拟合程度较高,且具有更好的泛化能力,能准确捕捉PM2.5质量浓度的突变节点.     

西藏东南部森林可燃物特点及气候变化对森林火灾的影响

根据西藏林芝地区的DEM数据和植被分布数据分析了该地区可燃物的水平分布和垂直分布规律,并根据火发生纪录分别计算了火发生周期和发生概率,根据火灾高发期的降水和气温数据分析降水和气温的变化趋势,本地区易发生火灾的可燃物主要有高山松云南松林,草甸灌丛,云冷杉林等.该地区的火灾轮回期为17178 a,火发生概率为0.00006,远远低于东北林区,但由于该地区处于高海拔地区,生态系统脆弱,林木蓄积量大,积累能量高,潜在的火强度高.林芝地区夏季降水减少,火灾高发期(2～5月)降水有所增加,但增温明显,气温升高对高海拔地区的影响比低海拔地区更大,对于森林可燃物而言,气温增高使高海拔地区的森林火险增大,森林防火面临的形势更加严峻.     

基于优化Bagging-LSSVM模型的冲击地压预测

为准确预测冲击地压危险性,提出一种优化Bagging算法动态集成的最小二乘支持向量机(LSSVM)的预测模型。在设计和优化Bagging-LSSVM模型流程的基础上,引入经典分类数据集,验证模型的可行性,并通过试验得出实现模型最优分类条件下的基分类模型数的最小值。综合考虑冲击地压的主要影响因素,确定其评判指标;以重庆砚石台煤矿的35组实测数据为试验样本,利用核主成分分析(KPCA)消除指标间的相关性,对比分析样本数据处理前后应用模型的预测效果;比较优化Bagging-LSSVM模型、优化Bagging-SVM模型和LSSVN模型预测冲击地压危险性的准确率。结果表明:经KPCA处理后的样本相较于原始样本,其应用于优化Bagging-LSSVM模型的预测准确率更高,耗时更少;且优化Bagging-LSSVM模型预测冲击地压危险性的准确率高于其他模型。     

基于CREAM方法的人因失效概率预测模型研究

认知可靠性与差错分析方法(CREAM)是第二代人因可靠性分析方法中的代表方法之一,通过对任务环境进行分析从而直接确定人为差错发生概率。本文分析了该方法及其后续研究在人因可靠度评估时存在的主要问题,并以CREAM方法为基础建立新的人因失效概率预测模型。模型首先要求有针对性的对具体任务环境确定通用性能影响因子(CPC)权重,然后通过对CPC进行打分对任务环境进行量化,通过加权求和的方式分别计算出CPC的改进总分值G和降低总分值J,最后运用新建的预测模型计算出人因失效概率。新模型提出了三点改进:第一将任务环境设定为连续的空间;第二提出了不同的工作环境(任务环境)应该有其对应的CPC因子权重;第三考虑正影响CPC因子和负影响CPC因子的双重影响,建立双变量预测模型,预测结果更加合理。     

基于网格搜索和ELM的冲击地压危险等级预测

为提高冲击地压危险等级预测模型的泛化性能及预测精度,采用网格搜索法结合十折交叉验证法对极限学习机(ELM)中的隐含层神经元个数及激活函数的类型进行组合优化,进而建立冲击地压危险等级预测模型;选取重庆砚石台煤矿36组实测数据进行试验,对影响因素数据进行标准化处理,选择其中26组样本对模型进行训练,采用该模型对后10组样本中冲击地压危险等级进行预测,并与其他方法作对比。结果显示:经过十折交叉验证,用该模型得到的正确识别率为84.615%,高于朴素贝叶斯及Adaboost M1的76.92%、61.54%,采用该模型对测试样本集中冲击地压危险等级进行预测,预测准确率为90%,高于朴素贝叶斯及Adaboost M1预测准确率80%。     

基于PSO-SVM的砂土地震液化预测模型

为提高砂土地震液化预测的准确性和可靠性,根据其特点,选取地震烈度、地下水位、标准贯入击数、平均粒径、不均匀系数、上覆有效压力、动剪应力比等7个因子作为判别依据,采用粒子群算法(PSO)对支持向量机(SVM)的参数寻优,建立预测砂土地震液化的PSO-SVM模型;选用50个样本训练模型,并用该模型预测14个测试样本,并回判所有样本。结果表明:模型预测准确率为100%,该模型在解决砂土地震液化预测问题中,分类效果较好、效率较高。     

危化品道路运输事故风险因子影响关系研究

为研究危险化学品道路运输风险影响因素,探究其事故发生机理,本文在改进前人模型的基础上,首先,利用贝叶斯网络,对我国2017-2021年发生的1 348起危化品道路运输事故进行参数学习,得到改进的危化品道路运输风险预测模型;然后,用2022年1月发生的20起事故案例,进行情境模拟以验证该预测模型的有效性;最后,利用该模型对危化品道路运输事故风险因子之间的影响关系进行推理分析,结果表明：该模型预测结果准确率均达到70%以上,该模型有效;因果推理结果表明,驾驶员操作不当易造成侧翻事故,驾驶员疲劳驾驶更可能导致碰撞、侧翻事故,以及驾驶员操作不当是泄漏事故发生的主要原因;敏感性分析结果表明,影响驾驶员行为最主要的因素是天气,影响事故后果最主要的因素是物质类别。     

基于智能手机采集数据的施工活动识别

施工人员的活动监控对施工安全管理及预防职业疾病至关重要。为提升施工安全的智能化管理水平,对楼板钢筋工程施工中的8个主要活动进行识别。为弥补单一传感技术采集维度不足的缺陷和集成传感技术对系统灵活性的限制,采用智能手机内置加速度传感器和陀螺仪采集试验人员模拟施工人员活动时的加速度和倾角数据,并提取平均值、标准差、协方差、四分位距(IQR)为活动的特征矢量。通过决策树中的CART算法建立分类训练模型,采用“交叉验证法”对模型进行评估和验证。测试结果表明:对于样本个体的平均分类准确率为95.28%,预测准确率为92.86%;样本总体的分类准确率为89.67%,预测准确率为94.82%。研究表明,基于智能手机采集数据的决策树模型可以用于施工人员的活动识别。     

南京市大气PM_(10)浓度的估算模型研究

以南京市为例,利用空气污染指数API、气象数据和TERRA/AQUA卫星气溶胶光学厚度(AOD)产品,分析了南京市PM_(10)浓度的变化规律,在PM_(10)浓度与气象要素进行相关分析的基础上,初步建立了基于气象要素和AOD的PM_(10)浓度估算模型。结果表明,南京市PM_(10)浓度在每年11,12月或1月最高,7,8月最低,季节性变化表现为冬春季浓度最高,秋季其次,夏季最低,PM_(10)浓度有逐年下降的趋势,但年均值仍高于国家II级标准;除了大气混合层高度外,PM_(10)浓度与大气压、风速、气温、相对湿度、水汽压、能见度、气溶胶光学厚度都有较好的相关性;基于气象要素的PM_(10)浓度估算模型的绝对系数R~2为0.510、平均相对误差为26.04%,基于AOD的PM_(10)浓度估算模型以TERRA和AQUA卫星AOD平均值构建的最佳,绝对系数R~2为0.482、平均相对误差26.11%,两种模型对PM_(10)的预测预报具有一定的指示意义。     

煤层底板突水危险性的PNN预测模型研究及应用

为准确有效地预测煤层底板突水的危险性,在分析大量观测实例数据的基础上,选取底板含水层水压、煤层采高、隔水层厚度、断层落差、煤层倾角和断层距工作面距离等6项指标作为影响煤层底板突水的初始特征指标。针对指标之间具有相关性的问题,利用主成分分析(PCA)法提取6项特征指标的主成分,将其作为概率神经网络(PNN)的输入向量,建立基于PCA的煤层底板突水危险性的PNN预测模型。选取21组煤矿实测数据作为学习样本,用于训练模型。采用回代估计法对模型回检。利用学习好的模型,预测另外4组矿井突水数据样本。结果表明,该方法有效降低了指标数据相关性,实现了降维,使PNN模型工作复杂度减弱。将该模型应用于工程实例中,所得预测结果准确率为100%。     

基于PSO-ELM-Boosting模型的底板破坏深度预测

为准确预测煤层底板采动破坏深度,在分析底板破坏深度主要影响因素的基础上确定评判指标;以经粒子群优化算法(PSO)优化输入权值和隐层阈值的极限学习机(ELM)为基预测器,以Boosting算法为集成学习框架,构建基于PSO-ELM-Boosting的底板破坏深度强预测模型;比较不同ELM隐层节点与基预测器个数组合对模型预测精度的影响,2次筛选确定二者的最优组合,并控制样本权值避免发生"权值扩充"现象;选取64组底板破坏深度实测数据为试验样本,对比分析PSO-ELM-Boosting模型与其他集成学习模型的预测准确率。结果表明:PSO-ELM-Boosting模型具有更好的平均绝对误差百分比(4.54%)、均方误差(0.429 2 m~2)和拟合优度(0.956 5),验证了PSOELM-Boosting模型的有效性。     

2001年农作物病虫害发生流行的气候影响评价

综合分析了 2001年气候条件对全国农作物病虫害发生流行的影响.春夏季全国大范围的持续严重高温干旱,造成全国农作物病虫害偏重发生,其特点是虫害重于病害,全国大部分地区以虫害为主,病害较轻.春夏季的高温干旱引发蝗虫全国大发生,但制约了小麦病虫害的严重发生,为中等发生年.全国主要稻区病虫害发生期间干旱、少雨、大雨频次低,限制了水稻病虫害的严重发生,为中等发生年.水稻稻飞虱中等偏轻发生,但造成长江流域水稻螟虫的中等偏重发生.东北、华北地区中后期温度降水配合相对适宜,造成玉米螟中等偏重发生.     

基于多传感器融合的林火监测

为了提高近距离火灾监测的准确率,建立了基于Arduino平台的多传感器实时监测系统.此系统安装在移动机器人身上以探测火灾.在林火发生期间,会产生CO、C02明火火焰及其他产物,并引起周围环境温度的升高.因此,选择合适的传感器,检测出以上参数,就有可能据此判断实际环境是否有火.通过在Arduino上搭建火焰传感器、温度传感器、气体传感器和烟雾传感器,可以实时监测环境参数.在无火和有火环境中进行了多次试验,进行数据采集,得到了大量原始数据.无火环境的数据是在不同的天气条件下测得的;有火环境由试验火堆模拟得到.在模拟的过程中,进行人为操作以模拟不同的火情.如通过浇湿底部的可燃物模拟预热阶段,试验数据因此更有代表性.数据分析表明,单个传感器的输出值波动大,且在有火环境和无火环境中的输出值有重叠.因此,用单一传感器来检测火灾的准确率很低.而同时分析3个传感器的输出值时,其输出值随所检测火堆的不同呈现出一致的变化规律.最后,利用神经网络进行多传感器数据融合.涉及5个输入变量,由神经网络实现对多变量的非线性问题进行模式识别.将前述试验所得数据划分为训练数据和测试数据,两类数据均包含一定比例的有火样本和无火样本.用训练数据对BP神经网络进行训练,可得到林火识别模型.用测试数据检验模型,结果表明,该BP神经网络对试验火的识别准确率为98.625％.