基于EEMD-LSTM的森林火災成災面積預測模型

徐艷杰

(內蒙古森林消防總隊興安盟支隊，內蒙古 興安盟 137400)

1 研究背景

森林火災是一種隨機性強、破壞性大的自然災害，對林業發展和生態環境保護影響惡劣，同時造成了較為嚴重的生命和財產損失[1]。我國是森林火災發生頻次高、受災面積廣的國家之一，2007—2017年我國森林火災平均成災面積達26467hm2，各省市均經歷了不同程度的森林火災。由于全球氣候不斷變暖，加之火災還受到地形和人為等眾多因素的干擾和影響，林火發生概率逐漸提高[2]。因此，構建準確的森林火災成災面積預測模型，可以為林火預防工作提供指導，從而減少相應損失。

目前針對森林火災面積預測方面，一些學者開展了相關研究。沈姣姣等[3]采用聚類分析對陜西省森林火災成災面積、次數等特征進行分析，考慮溫度、濕度等氣候因素，建立了森林火災面積預測模型，模型正確率超過70%。汪文野等[4]從時間和空間尺度進行了氣候條件分析，建立了深度學習算法-森林火災面積預測模型，研究表明預測模型的數據泛化能力提升，預測精度較高。徐海龍等[5]根據主成分分析消除了所選取10個氣象因子之間的共線性關系，利用多元回歸構建了森林火災成災面積預測模型，結果表明模型的相關系數為0.66，預測結果較為符合實際情況。黃家榮等[6]建立了3層神經網絡森林火災面積預測模型，引入變結構法確定了預測模型的主要參數，預測結果與實際受災面積吻合度較好，為森林火災預防提供了一種較為可靠的方法。

針對森林火災發生具有隨機性和不確定性等特點，且受到諸多因素的影響，森林火災成災面積時間序列往往具有較大的波動性，屬于非平穩時間序列[7]。因此，本文將集合經驗模態分解EEMD和長短期記憶網絡LSTM相結合，提出了基于EEMD-LSTM的森林火災成災面積預測模型，根據集合經驗模態分解EEMD將樣本數據分解，采用長短期記憶網絡LSTM對分解后的各分量進行預測并將各分量預測結果疊加重構。基于1992—2017年我國森林火災成災面積對上述所建預測模型應用驗證，并與BP和LSTM神經網絡模型的預測結果進行比較，所建EEMD-LSTM預測模型的平均絕對誤差MAE和均方根誤差RMSE最小，驗證了該模型在森林火災成災面積預測方面具有更高的預測精度。

2 算法介紹

2.1 EEMD算法

集合經驗模態分解EEMD(Ensemble Empirical Mode Decomposition，EEMD)是一種新型自適應信號處理方法，廣泛應用于從噪聲非線性和非平穩過程中產生的數據提取信號。集合經驗模態分解EEMD將樣本數據分解成多個本征模函數IMF(Intrinsic Mode Function)和趨勢項RES(Trend Items)，實現非平穩數據序列的平穩化處理，具體過程如下。

生成幅值為k的白噪聲序列n(t)，設置EMD分解運算的總次數M和初始迭代次數m=1。

進行第m次EMD運算，分解流程如下。

①將生成的白噪聲序列nm(t)加入森林成災面積時間序列x(t)，得到新的森林成災面積時間序列xm(t)：

xm(t)=x(t)+k×nm(t)

(1)

②循環變量初始化：

i=1,j=1,x1(t)=x(t),y1(t)=xi(t)。

③對森林成災面積時間序列yj(t)的局部極大值點進行統計，根據3次樣條插值擬合形成上包絡線lj(t)；同理，對局部極小值點進行統計擬合形成下包絡線nj(t)，求出2條線的均值pj(t)：

(2)

④計算森林成災面積時間序列yj(t)與pj(t)的差值hj(t)：

hj(t)=yj(t)-pj(t)

(3)

⑤根據EMD分解的要求對hj(t)進行判斷，滿足條件則得到分解量Ci(t)，不滿足則重復上述③和④，Ci(t)：

Ci(t)=hj(t)

(4)

⑥計算剩余分解量ri(t)：

ri(t)=xi(t)-Ci(t)

(5)

⑦循環i和j進行計算，得到n個IMF分量和1個剩余分量：

Ci,m(t)=hj,m(t),i=1,2,…,n

(6)

rn,m(t)=rn-1,m(t)-Cn,m(t)

(7)

⑧如果m

2.2 LSTM算法

長短期記憶網絡(Long Short-Term Memory，LSTM)是一類機器學習智能算法，廣泛應用于信號建模、時間序列預測等研究，能夠有效解決循環神經網絡RNN所帶來的一系列梯度問題影響。長短期記憶網絡LSTM主要由3種門狀態組成，具體內容見圖1。

長短期記憶網絡LSTM具體計算公式：

ft=σ(ωf[qt-1,xt]+bf)

(8)

it=σ(ωi[qt-1,xt]+bf)

(9)

s′t=tanh(ωc[qt-1,xt]+bc)

(10)

st=ftst-1+its′t

(11)

ot=σ(ωo[qt-1,xt]+bo)

(12)

qt=ot×tanh(st)

(13)

式中，ft表示遺忘門的輸出；it表示輸入門的輸出；s′t表示前一時刻細胞狀態；st表示當前時刻細胞狀態；ot表示輸出門的輸出；qt表示t時刻單元輸出；xt表示t時刻的輸入；σ表示sigmoid函數；ωf、ωi、ωc、ωo分別表示對應門或細胞狀態的權重值；bf、bi、bc、bo分別表示對應門或細胞狀態的偏移值。

3 實例應用

將1992—2017年共計26個年份的全國森林火災成災面積作為本文預測模型的輸入樣本，資料選自《中國林業統計年鑒》，具體見表1。

表1 1992—2017年全國森林火災成災面積數據

將1992—2009年的樣本數據作為訓練集，2010—2017年的樣本數據作為測試集。采用集合經驗模態分解EEMD對全國森林火災成災面積數據時間序列有效分解，將分解后的各分量分別代入LSTM模型進行預測，將所有分量預測的數據進行組合重構，得到EEMD-LSTM模型的預測結果。為驗證所建EEMD-LSTM模型的預測性能和可靠性，分別采用BP和LSTM神經網絡模型對森林火災成災面積時間序列進行預測。3種模型預測結果的相對誤差如圖2所示。

圖2 3種模型預測結果的相對誤差對比

從圖2可以看出，EEMD-LSTM模型預測結果的相對誤差較為穩定，最大相對誤差出現在2012年，其值為12.19%，2010年、2011年、2016年、2017年4個年份預測結果的相對誤差小于10%。另外2個模型預測結果相對誤差的波動變化較為明顯，尤其是從2014—2015年，LSTM模型預測結果的相對誤差從最大值23.82%變化為不到15%。整體而言，EEMD-LSTM模型的相對誤差明顯小于BP和LSTM模型的相對誤差，除2014年外，LSTM模型各年份的相對誤差均小于BP模型的相對誤差。

采用常見的評價指標平均絕對誤差MAE和均方根誤差RMSE，3個模型的具體計算結果見表2。

表2 3種模型預測精度對比

由表2可知，EEMD-LSTM模型預測結果的平均絕對誤差MAE和均方根誤差RMSE分別為2021hm2和2415hm2，根據2個預測結果評價指標可知，模型預測精度排序：EEMD-LSTM>LSTM神經網絡>BP神經網絡。從平均絕對誤差MAE考慮，相較于LSTM神經網絡和BP神經網絡，EEMD-LSTM模型的預測性能分別提高了33.7%和41.8%。從均方根誤差RMSE考慮，相較于LSTM神經網絡和BP神經網絡，EEMD-LSTM模型的預測性能分別提高了28.8%和39.1%。由此可知，EEMD-LSTM模型的預測結果準確性明顯高于另外2種模型，原因在于集合經驗模態分解EEMD將非平穩的森林成災面積時間序列轉化為多個不同變化規律的分量，各分量預測值重構后的預測結果較為準確，有效降低了預測的誤差，從而保障了預測精度。

4 結論

考慮到集合經驗模態分解EEMD能夠將非平穩時間序列分解成具有不同變化規律的分量，基于先分解后重構的思想，將該方法與LSTM神經網絡相結合，建立了EEMD-LSTM森林成災面積預測模型，基于1992—2017年全國森林火災成災面積數據，將所建模型與單一BP和LSTM神經網絡模型進行比較驗證。研究結果表明，EEMD-LSTM模型預測結果的相對誤差較為穩定且明顯小于BP和LSTM神經網絡模型的相對誤差。EEMD-LSTM森林成災面積預測模型平均絕對誤差MAE的預測性能分別提高了33.7%和41.8%，均方根誤差RMSE的預測性能分別提高了28.8%和39.1%。相較于另外2個模型，EEMD-LSTM模型能夠更為準確地預測森林成災面積，為森林火災預測提供了一種新的方法。