基于雷達的多源信息森林火災監測模型應用研究

王威 何筱仙 張深壽

（1 湖南省岳陽市氣象局，岳陽 414000；2 福建省龍巖市氣象局，龍巖 364000）

0 引言

及早發現森林火災，并組織人力合理撲救，能極大減少森林損失。目前監測森林火情的手段有衛星、雷達、人工瞭望、飛行巡航等[1-2]，相較于人工瞭望和飛機巡航，雷達具有覆蓋面廣、耗費少的優點，相較于衛星監測，雷達具有高時間、高空間分辨率的優點[3]。但雷達在監測火情時易受弱降水、地物等影響，監測準確率還有待提高[4]。

近年來，研究者發現利用多源信息融合技術監測火災能提高火災監測準確率。余福波等[1]將自適應加權數據融合算法和D-S證據理論應用于智能火災預警預報系統中，有效提高了系統對火災的識別能力。朱澤明[2]將BP-RBF多源信息融合算法應用于森林火災報警系統中，提高了整個森林火災報警系統的可靠性。為實現對森林火災監測快速、準確、便捷的目標，本文提出基于雷達的多源信息融合技術，并就該技術應用效果進行檢驗。該技術能實現對森林火災快速識別，有助于及早掌握火情、撲滅火災，潛在的社會、經濟效益不可估量。

1 資料選取

森林火災的產生需要同時具備三個條件，即可燃物、林火環境和火源。林火環境包括天氣、林地、小氣候和氧氣條件等，其中天氣條件是引發森林火災、影響林火的重要因子[5-7]。研究[8-9]發現，森林火災的發生與最高氣溫、最大風速值、最小相對濕度值、未降水天數四個氣象要素值關系最為密切。因此，本文選取溫度傳感器、濕度傳感器、雨量傳感器、風速傳感器，結合雷達探測系統進行多源信息融合。

本研究通過實地調查訪問獲取岳陽市2015—2017年121起森林火災發生的時間、地點、持續時間等基礎資料。

2 火災氣象條件分析

氣象條件是決定森林火災發生與否的重要因素，其中以氣溫、相對濕度和降水因子最為密切。為了提高多源信息融合火災監測模型準確性和實用性，需要對火災發生時的條件進行分析，以達到簡化模型的目的。為此筆者分析了岳陽市2015—2017年121起森林火災發生時的氣溫、相對濕度、和降水氣象條件和雷達回波特征，并得到表1～表5。

表1 森林火災日最高氣溫與火災發生次數統計表Table 1 Statistical of daily maximum temperature and occurrence frequency of forest fire

由表1可知，當最高氣溫＜25 ℃時，森林火災發生概率隨著溫度的升高而增加，當25 ℃≤最高溫度＜35 ℃時，火災發生概率隨著溫度的升高而減小。這主要是因為岳陽地處亞熱帶季風氣候區，雨熱同期，到了夏季氣溫升高的同時，降水集中期來臨，不易產生森林火災。

表2 森林火災日相對濕度與火災發生次數統計表Table 2 Statistical of daily relative humidity and occurrence frequency of forest fires

由表2可知，森林火災發生概率與日相對濕度呈負相關，即日相對濕度越高森林火災發生概率越低。由于岳陽市出現相對濕度＜20%的天氣占比少，導致該區間段森林火災發生次數較20%≤相對濕度＜30%的區間段發生次數偏少。

表3 森林火災日最大風速與火災發生次數統計表Table 3 Statistical of maximum daily wind speed and occurrence frequency of forest fires

由表3可知，森林火災發生概率與日最大風速呈正相關，即日最大風速越大森林火災發生概率越高，這主要是因為較大的風力能使森林火災得到蔓延擴大。

表4 森林火災日連續未降水天數與火災發生次數統計表Table 4 Statistical of fire days without precipitation and occurrence frequency of forest fires

由表4可知，當日連續未降水天數＜8 d的時，森林火災發生概率與日連續未降水天數呈正相關。未降水天數越長，空氣越干燥，植物和土壤含水量越低，森林火災越易發。

表5 森林火災雷達回波與火災發生次數統計表Table 5 Statistical of forest fire radar echo and fire occurrence frequency

岳陽雷達在非汛期（10月至次年3月）非全天運行，導致森林火災發生時沒有對應的雷達資料，在2015—2017年的121次森林火災有57次林火被雷達監測到，本文僅對這57次林火回波進行分析（表5），發現森林火災的發生概率與雷達回波反射率呈正相關，雷達回波反射率≤30 dBZ時，森林火災發生概率隨著回波反射率的增加而增加，當反射率＞30 dBZ時，火災發生概率反而減小。

3 多源信息融合過程

通過分析發現，森林火災的發生與溫度、相對濕度、雨量、風速、雷達回波具有一定的相關性。為進一步提高森林火災判識準確率和效率，本文引用多源信息融合系統。系統采用三層次融合結構，即數據層、特征層、決策層。數據層融合過程是對采集的火災現場氣象要素進行預處理的過程；特征層融合通過對不同傳感器數據的分析，提取多傳感器數據中與森林火災發生相關的特征，該層次融合是對數據去冗余的過程，能有效剔除環境中的干擾信號[10]；決策層融合采用合適的融合算法對數據進行再次融合，發揮傳感器的聯合作用，提高系統的可靠性。它的虛擬處理流程如圖1所示。

圖1 基于雷達的多源信息森林火災模型框架設計Fig. 1 Framework design of multi-source information forest fire detection system based on radar

3.1 多源信息數據層融合

基于雷達的多源信息森林火災探測系統信息層包括溫度、相對濕度、降水、風速、雷達反射率等信息。火災點溫度、相對濕度、降水、風速傳感器數據通過相鄰觀測點的氣象傳感器進行采集，并通過滑動平均法獲得火災點的氣象要素值。火災點雷達探測特征主要包括回波反射率、徑向速度、回波頂高等，這些特征可以通過“火災雜波過濾法”進行提取。

3.2 多源信息特征層融合

在多傳感器對森林火災進行識別時，每一種傳感器都只能獲取火災現場某一方面的信息，單一特征僅包含有限信息，要實現對森林火災的監測，需將多種傳感器具有的特征進行提取、融合，綜合分析火災發生的可能性，為后續決策做基礎。

由上文可知，影響森林火災發生的氣象要素值存在區間變化的趨勢[11]。因此可以采用邏輯回歸算法對數據特征進行提取，本文利用Origin8.0數據分析軟件對數據做邏輯回歸曲線擬合，得到模型如下：

式中，a=14.31，b=19.3；y1、y2、y3、y4、y5表示火災發生概率；x1、x2、x3、x4、x5分別表示日最高溫度值、日最小相對濕度值、日最大風速值、日連續未降水天數值、雷達回波組合反射率值。

3.3 多源信息決策層融合

決策層融合采用加權平均融合算法。加權平均融合算法通常選用數學平均式，即將各個傳感器的權值選取近似相等。該方法是最簡單最實用的實時處理信息的融合方法，能比較簡便地處理來自傳感器的原始冗余信息。加權平均算法中，假設在n個傳感器的融合系統中，傳感器T1，T2，T3，…，Tn對同一個目標進行狀態估計，各傳感器的測量值分別為x1，x2，x3，…，xn，是x的無偏估計，且彼此相互獨立，其方差分別為[12]。設各個傳感器的權重分別是W1，W2，…，Wn，則融合后的狀態估計值和權重滿足的條件為：

假設權值相等且為W，由式（7）可知W=1/n，經過融合后的狀態估計值為：

4 結果分析

4.1 融合等級分析

在多源信息融合的過程中發現，即使所有的要素值都最有利于火災發生，最后的融合值也達不到100%。因此，本文將各要素中最利火災發生的數值進行融合，獲取基準融合值。最有利于火災發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災發生概率Table 6 Forest fire occurrence probability based on multisource information fusion

根據森林火災氣象等級劃分標準，按照首尾少中間多的順序升序排列，森林火險氣象等級比例設定為10%，20%，40%，80%，100%[13]，再通過基準融合值（52.7%）對森林火險等級進行劃分，得到森林火災概率等級多源信息融合值表（表7）。

表7 森林火災發生概率等級多源信息融合值表Table 7 Multi-source information fusion values of forest fire occurrence probability levels

4.2 實例分析

2015年12月18日自14：04開始，岳陽市雷達圖上有一回波塊符合林火回波特征，跟蹤發現，該回波連續出現了11個體掃（圖2），回波頂高為1.0 km，面積為15.3 km2，平均回波強度為9.1 dBZ，最大回波強度為28 dBZ。為更進一步判斷該回波是否為林火回波，利用雷達系統監測的位置，通過插值法查找到該監測點多傳感器數據，根據本文所研究的基于雷達的多源信息融合森林火災監測技術，對多傳感數據進行融合，得出林火發生概率值（表8）。

圖2 岳陽市林火的雷達反射率回波時序圖（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災發生概率Table 8 Forest fire occurrence probability based on multisource information fusion

模型融合值為47.3%，根據森林火災發生概率等級多源信息融合值表可知，該處發生森林火災的概率等級為極度風險，因此可以更進一步明確，該地有森林火災發生，該事實也已經被林業部門確認。

4.3 模型檢驗結果

基于雷達的多源信息融合森林火災監測模型建立后，利用模型對岳陽市2018年該地區雷達監測范圍內的火情進行實時監測。期間，系統發出了82起預警信號，實際沒有發生森林火災但是系統誤判發布報警信號的有17起，實況發生火災但系統沒有發出森林火災預警信號的有9起。參照文獻[4]中的火情報警的命中率、誤警率和臨界成功指數的計算方法，得到系統的火情預警命中率（表9）。

表9 雷達林火回波監測系統預警命中率統計表Table 9 Statistical of early warning percentage of radar forest fire echo monitoring system

根據鐘敏等[14]對風暴識別與跟蹤算法對單體識別的命中率研究結果可知，雷達林火回波監測系統命中率與CINRAD/SB系統對雷達回波單體識別命中率相當。因此，該系統的運行結果參考意義較大，系統可以應用于業務工作之中。

5 結論

基于雷達資料的多源信息森林探測模型建立后，通過雷達對林火進行定位，查找疑似火災點氣象信息，對火災發生概率進行計算，查對森林火災發生概率等級多源信息融合值表，判斷林火發生概率，決定是否向森林防火部門發布森林火災預警信息，有利于及早發現森林火災，并對火災進行及時撲救。經驗證，該模型對森林火災的監測精度較高，命中率達到83%，誤警率為10%，臨界成功率為76%。

多傳感器信息融合過程中，在數據處理、特征提取和決策層融合時，采用的算法較普通，在今后的研究中，可以利用不同算法建立模型，選擇對森林火災識別準確率最高的模型，應用到實際業務中，將能極大提高森林火災監測效率和準確性。