基于遙感技術的輸電走廊植被山火預警平臺研究

楊瀟鈺，余 勤，葉 強，聶銳華，武瑞娟，雒瑞森

( 1.四川大學 電氣工程學院， 四川 成都 610065; 2.國網四川省電力公司經濟技術研究院， 四川 成都 610065;3.四川大學 水力學與山區河流開發保護國家重點實驗室， 四川 成都 610065; 4.成都大公博創信息技術有限公司， 四川 成都 610065)

在森林茂密的高山地帶，山火不僅對生態系統造成損害，還有可能導致線路跳閘，嚴重危害電網的安全穩定運行[1]。近幾年，超特高壓電網技術高速發展，同塔多回線路以及多條線路密集通過山林重要輸電通道，山火也成為引發輸電線路故障的主要自然災害之一[2]，電網必須增強抵御山火災害的能力以面對更加嚴峻的考驗。

輸電走廊植被眾多，有研究表明3種及以上植被的混合可燃物、茅草與其他植被的混合可燃物導致線路山火跳閘的次數占總山火跳閘次數的一半以上[3]。作為山火發生的主要可燃物，其管理方法比較簡單，大多是在固定周期對走廊內部的植被進行砍伐，耗時費力，花費大風險高效果也不顯著；有研究通過建立樹木生長模型，嘗試有針對性的進行輸電走廊內的植被管理[4]，但在實際運行中，樹木生長存在很多個別不確定因素，細致預測較為困難。因此，研究如何對山火可能發生位置進行預測預警具有現實意義。近年來，山火預警研究主要集中于林火影響因子和預警方法的選擇。從有關專家學者對森林火災的研究成果中可以得到，森林火災是植被因素、地形因素、氣候因素和社會人文因素等多因素共同作用的結果[5-10]。除此之外，學者們也進行了很多對山火預警方法的研究[7-13]。

當前，衛星網已日漸成熟并被國網公司采用，空中數據可以大面積高分辨率地監測輸電走廊植被，本文結合遙感應用，通過對示范區域遙感數據進行處理，分析影響森林火災形成的植被、地形、氣候等因素，選取山火預警因子，建立火災預警體系，完成山火預防任務。

1 研究區概況

1.1 研究區域

本研究區位于四川成都市與阿壩藏族羌族自治州的交界地區，圖1為本研究區的地理位置示意圖。

圖1 研究區地理位置示意圖Fig.1 Geographical location of the study area

在地形方面，研究區位于四川盆地西部周邊山地，以山地、丘陵為主，最低海拔417 m，最高海拔5 261 m，海拔高度由北向南遞減；在氣候方面，研究區屬于中亞熱帶濕潤氣候區。該地區氣候年較差大，季節變化明顯，夏季高溫多雨，冬季低溫少雨，全年溫度在0℃以上，年均溫16～18℃，年降水量1 000～1 200 mm；在植被類型方面，研究區海拔跨度大森林資源豐富，植被覆蓋率高，以灌叢類、帶常綠闊葉林針葉林和高山草甸為主，除此之外研究區北部有岷江流經，河流沿線植被主要為農田分布。

2 數據源選擇及處理

2.1 數據源選擇

對現有開源數據進行比較分析，Hyperion數據作為中高分辨率的高光譜數據，相比傳統的陸地資源衛星所提供的多光譜數據具有光譜分辨率高、光譜波段多等優點[14]。因此，本文選擇Hyperion數據以提供研究區地物信息。除此之外，DEM數據和氣象數據可以提供研究區的地形信息及氣象信息。

2.2 數據預處理

Hyperion數據也具有高光譜數據通有的信息冗余的等缺點，因此對于Hyperion數據進行條紋修復和壞線處理、未標定及水汽吸收嚴重波段剔除、Smile效應校正、大氣校正等處理是必須的。因L1R級圖像未進行幾何校正，本文以同時期Landsat數據為基準，選擇地面控制點利用重采樣對其進行幾何校正，使控制點誤差在1以內，完成對Hyperion數據的預處理[14]。在得到具有地理坐標信息的圖像后，對影像做非植被區掩膜處理得到最終植被區域影像。

研究區植被類型按研究區Hyperion數據監督分類，可分為5類，參考GoogleEarth對分類結果進行分類評價，整體精度為96%，符合精度評價要求，如表1所示，對應分類結果如圖2所示。另外研究區地形示意圖如圖3所示。

表1 分類精度評價表Table1 Classification accuracy evaluation table

圖2 研究區植被分類示意圖Fig.3 Vegetation classification in the study area

圖3 研究區地形示意圖Fig.3 Topographic map of the study area

3 預警模型選擇及預警平臺構建

隨著衛星網絡不斷成熟，遙感技術廣泛應用于電力勘測設計、安全巡檢、運維管理等領域[15-18]。本文利用遙感技術，借助遙感影像，研究輸電線路走廊的植被類型因素、地形因素及氣象數據等數據，選取預警指標，建立準確的預警模型，從而構建完善的預警平臺。

3.1 預警平臺總體設計

構建預警平臺的意義在于充分結合數據庫信息，在科學的預警模型支持下，將預警數字結論轉換成直觀影像，完成預警結果可視化。山火預警平臺的主要功能結構如圖4所示。

圖4 山火預警平臺主要功能模塊Fig.4 Main function modules of mountain fire early warning platform

其中，預警技術的實現主要包括選擇預警指標、確定預警模型等過程。

3.2 預警指標選擇

預警指標應具有代表性、準確性、可靠性和宏觀穩定性[19]。森林火災的發生應具備一定的條件，結合有關專家學者對森林火災的研究成果對森林火災的影響因素進行分析可以得到，森林火災是植被因素、地形因素、氣候因素和社會人文因素等多因素共同作用的結果[5-8]。預警指標直接影響預警系統成功與否，單個指標不能準確的反映預警對象，容易造成預警的失誤。本研究選取植被類型、綠度指數、高程、坡度、坡向、月份作為預警指標。

選擇2001—2009年四川1 583個火點數據按上述預警指標進行網格化處理，如圖5所示，分析不同預警指標等級組合情況下的火點數量。通過空間分析，將各指標因子下的數據集都統一到相同的等級體系，且每個數據集中森林火災發生率高的地區都被賦以比較高的值[20]。

圖5 2001—2009年火點分布示意圖Fig.5 2001—2009fire distribution diagram

3.2.1 植被類型因子下的森林火災發生率等級分析

不同類型的植被易燃性不同[21]，例如針葉樹種較闊葉樹種具有較高的可燃性。根據2001—2009年9年四川省火點分布地植被類型情況分析，發生在高山草甸部分的火點數最多，其次依次為針葉林、闊葉林、農田、灌木。

3.2.2 綠度因子下的森林火災發生率等級分析

植被指數是2個或多個波長范圍內的地物反射率的組合計算，以增強植被某一特性或者細節[22]。綠度因子用來標識大多數的綠色植被。其代表指數為歸一化植被指數(Normalized Difference Vegetation Index，NDVI)，NDVI值得范圍是-1～1，一般綠色植被區的范圍是0.2～0.8。NDVI作為一個重要的遙感參數, 能夠敏感地反映出植被生物量 、覆蓋度 和葉綠素含量等生物物理化學性質, 在一定程度上反映了像元所對應區域的土地覆蓋狀況, 因而在土地覆蓋變化研究中常被用來描述土地覆蓋的基本特征以及開展相關的定量研究[23]。根據2001—2009年年四川省火點分布地綠度因子情況分析，火災等級與NDVI的關系如表2所示。

表2 預警指標火災等級分布表Table2 Fire gradedistribution of early warning index

3.2.3 高程因子下的森林火災發生率等級分析

有研究表明，位于川西高原的涼山州、攀枝花市、甘孜州屬于四川森林火災發生最嚴重的地區[24]。將高程分為<1 000，1 000～2 000，2 000～3 000，3 000～4 000，>4 000五等級，根據2001—2009年9年四川省火點分布地高程分析，火災等級與高程的關系如表2所示。

3.2.4 坡度因子下的森林火災發生率等級分析

坡度大小通過影響植被表面濕度變化進而影響植被的易燃程度。將坡度分為平坡(≤5°)、緩坡(6°～15°)、斜坡(16°～25°)、陡坡(26°～35°)、極陡坡(≥36°)[26]。根據2001—2009年9年四川省火點分布地坡度分析，火險等級由小到大依次為極陡坡、陡坡、斜坡、平坡、緩坡。

3.2.5 坡向因子下的森林火災發生率等級分析

坡向可直接影響所在區域植被接收太陽輻射的多少[25]。一般情況下，陽坡比陰坡受到更強的日光照射，其植被更加干燥。根據林業調查中的坡向劃分，把坡向分為無坡向、陰坡(337.5°～22.5°)、半陰坡(22.6°～112.5°，292.5°～337.5°)、半陽坡(112.6°～157.5°，202.5°～292.5°)、陽坡(157.5°～202.5°)[26]。根據2001—2009年9年四川省火點分布數據的坡向分析，火險等級由小到大依次為無坡向、陰坡、陽坡、半陰坡、半陽坡。

3.2.6 月份因子下的森林火災發生率等級分析

月份因子從氣候和人文方面影響森林火災的發生。有學者研究表明，森林火災發生呈現季節性規律[9]；另有研究表明，秋冬季月平均氣溫在0～10℃時，森林火災發生次數最多，當月平均溫度大于10℃時，火災發生率隨溫度的升高而降低[27]。另外，森林火災的發生與人文社會生活習俗有一定聯系，例如山區農村等地區春節期間放鞭炮、清明上墳燒紙等習俗使得特定時間的山火風險高于其他時間。根據分析2001—2009年9年四川省火點數據，各月份火點發生數呈現明顯規律，2—4月份發生森林火災的數量最多。最終得到預警指標火災等級分布表和火點數據分布表，如表2、表3所示。

表3 火點數據等級分布表Table3 Fire point data grade distribution table

3.3 預警模型確定

為了提高預警的準確性，本文利用線性回歸模型、邏輯回歸模型、隨機森林模型分別對火災預警數據進行建模。

3.3.1 線性回歸模型

首先選用線性回歸模型，選取6個預警因子為自變量，火點數量為因變量，表達式為：

Y=β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+μ.

(1)

式中：Y為森林火災發生數量(即因變量)；Xi為不同預警指標火災等級(即自變量)；β0為常數項；βi為各預警指標所占權重；μ為誤差項。

根據表4回歸結果顯示，回歸方程顯著性P<0.001，除NDVI外，5個自變量均通過顯著性檢驗。模型的判定系數R2為0.141，說明線性回歸模型對數據擬合度低，解釋性較差。

表4 線性回歸模型系數Table4 Coefficient of linear regression model

3.3.2 邏輯回歸模型

邏輯回歸主要應用在因變量為分類變量時，其和多個自變量之間的多元回歸關系[28]。以表2中易發火災等級為因變量，預警指標火災等級為自變量，在SPSS中進行多元邏輯回歸，得到模型擬合信息見表5。

表5 邏輯回歸模型似然比檢驗Table5 Likelihood ratio test of logistic regression model

結果顯示模型顯著性P<0.05，說明模型通過假設檢驗，具有統計學研究意義；在邏輯回歸模型中，除NDVI外，5個自變量均通過顯著性檢驗。模型的判定系數R2為0.337，說明較線性回歸模型，邏輯回歸對數據具有更好的擬合性。

3.3.3 隨機森林模型

隨機森林模型是常用的集成學習模型之一，它是多重決策樹的組合，因此具有更高的準確性[29]。將表2中除NDVI外的各預警指標的火災等級和火點數量進行歸一化，利用Python數據分析進行隨機森林回歸，得到模型的擬合優度R2見表6。

對比以上3種回歸模型，隨機森林模型的擬合決定系數最高為0.54，因此選擇隨機森林模型進行火災發生概率預測。

3.3.4 預警權重確定

不同預警指標對系統貢獻率不同，在隨機森林模型中，%IncMSE可理解為對目標變量預測準確的貢獻度。通過Python分析得到隨機森林模型中各自變量對因變量預測準確性的貢獻值，如表7所示。其中，植被類型對火災發生率的影響度最高，月份次之，坡向對火災發生率影響最低，對各預警指標火災發生等級值和相應的影響率進行簡單的加權計算，最終火災發生概率可由以下公式計算：

F(火災發生率)=(植被類型)*0.229+(高程)*0.201+(坡度)*0.201+
(坡向)*0.154+(月份)*0.215.

(2)

利用該公式對2010年四川地區2、3、4月份山火易發等級進行預測，所得結果如圖6所示，圖6顯示四川南部顏色較其他地區更紅，說明模型預測此處為山火易發等級較高地區，對應2010年實際火點位置，說明此模型具有較高準確性。

圖6 2010年2、3、4月山火易發等級及實際山火位置圖Fig.7 Mountain fire susceptibility level and actual location map in February, March and April2010

3.4 預警結果可視化分析

相比較數字結果，通過電子地圖表示預警等級更加直觀易懂。利用空間分析，分別得到5個預警指標下研究區火災等級分布圖，如圖7(a)～(e)所示，顏色從紅色過渡到綠色代表火災發生率從高到低變化。

對研究區的2、3、4月份山火易發情況進行預警，結合式(2)通過空間分析得到最終研究區火災等級圖如圖7(e)所示，由綜合預警等級圖片可以直觀看到，顏色越紅的地方火災風險越高，結合電子地圖的地理坐標信息，有利于工作人員全面把控森林山火風險情況。

在電網運行中途徑森林地區的輸電線路極易收到山火災害的威脅，山火直接對線路桿塔或其他輸電設備造成物理損壞；山火產生的濃煙或熱空氣會造成氣隙擊穿，導致線路跳閘[30]。有學者研究表明，在山火發生時根據著火點位置、風速/風向、地形/坡度等因素可對火災蔓延的方向和速度進行預測，從而可對著火點周邊的輸電線路進行跳閘故障風險評估[31]。

本文研究的山火預警平臺旨在山火發生前規避山火可能對輸電線路造成的損害。如圖8中，紅色區域山火等級較高為山火易發地區。一方面，采取對山火易發地區進行人工降雨、針對性砍伐隱患木等方法，降低山火發生概率。另一方面，結合電力部門的輸電線路網絡分布圖可查看周邊輸電線路負荷情況，從而加強重點線路巡檢力度，提前做出負荷轉移方案，做到防范于未然。

圖8 綜合預警指標火災等級部分分布圖Fig.8 Distribution of fire grade of comprehensive early warning index

4 總結討論

4.1 討論

研究表明植被類型對山火發生率的影響度最高，說明輸電線路走廊植被管理的重要性。

除山火會威脅輸電線路的正常運行外，輸電線路故障也極易引發森林火災。輸電線路作為長距離輸送電力的主要載體，其故障特性具有隨機性和模糊性[32]，輸電線路的特殊性決定必須對輸電走廊植被進行干預治理。近年來各地都曾發生因輸電線路設備故障而引發的森林火災，2017年四川甘孜藏族自治州通報一起因輸電線路絕緣子破裂跌落而引發的山火事故；2020年云南昆明通報兩起因輸電線路短路產生金屬熔渣掉落至地面引燃可燃物而引發的森林火災事故。為降低輸電線路對山火的影響，在輸電線路運維檢修工作中，應及時對輸電設備下方枯草等可燃物及時清除；輸電走廊植被應以不易燃植物為主，進行阻火斷火植被替換，形成天然防火隔離帶。多方面杜絕輸電線路對山火的影響。

在山火預警指標分析中，由于數據可獲得性等原因，文章只選取6種森林火災影響因素進行研究，尤其在氣象及人文因素上，只選取月份作為代表因素。在氣象因素方面，并未考慮降水量、風速、風向可能對山火發生的影響；在社會人文方面，未考慮村落位置、居民文化水平等因素是否會影響山火發生。如果選取更多種對山火發生率產生影響的因素進行預警模型研究，即可得到更為精準的山火風險等級評價結果。

4.2 總結

文章提供了一種建立山火預警平臺的新思路，將遙感應用、統計學和GIS空間分析技術相結合，以歷史火點數據作為參考，從而得到較高精確度的山火風險預警分析。

研究選取植被類型、高程、坡度、坡向、月份作為預警指標，將2001—2009年火點數據進行網格化處理得到不同預警指標等級下的火點分布情況。對比3種不同預警模型的數據擬合度后選擇隨機森林模型對山火發生率進行預測分析，并用2010年山火發生情況進行模型檢驗，得到不同預警指標對最終預警結果的影響率。

對某示范架空線路沿線遙感數據進行分析處理得到通過空間分析，形成由不同預警因子共同作用的區域森林火災風險等級地圖，根據地圖的GIS坐標系統，直觀展示易發生森林火災事故的地理位置，進行有針對性的預防。