[发明专利]细粒度的森林火灾概率预报系统

权利要求书

1.一种细粒度的森林火灾概率预报系统,其特征是，包括:

关系型数据库模块，关系型数据库模块进一步包括气象观测数据库、气象预报数据库、 模型输入因子数据库、模型数据库和林火概率数据库；气象观测数据库存储当日的气象观 测数据，用于更新模型输入因子数据库中的数据；气象预报数据库存储用于贝叶斯网络推 理的气象预报数据；模型输入因子数据库存储用于构建贝叶斯网络模型和概率分配模型的 历史数据和空间数据，包括气象历史数据、林火历史数据、地理数据、地表覆盖数据、人 口分布数据；林火概率数据库存储系统的计算结果，包括由贝叶斯网络推理得到的县级林 火概率，由概率分配模型计算得到的300m×300m粒度林火概率，以及相应的林火风险等 级；模型数据库存储系统的模型文件，为每个地区的林火概率提供计算模型；

数据库管理模块，提供对数据库中基础信息的处理，实现数据的导入、数据格式转换、 数据编辑、修改、查询；

数据采集模块完成对系统输入数据的采集工作，其中气象历史数据需要编写网络爬虫 程序进行采集；包括地表覆盖、海拔的栅格数据借助地理信息系统工具进行提取；

FWI指数计算模块完成森林火险天气指数计算功能，首先由午时气温、午时相对湿度、 午时风速、24小时降水量计算得到5个中间指数，再由5个中间指数计算得出当日的FWI 指数，数据规整模块完成对连续型数据的离散化功能，以生成用于贝叶斯网络模型训练及 预测的样本数据；

贝叶斯网络推理模块完成贝叶斯网络建模和推理功能，首先根据专家经验，主观确定 贝叶斯网络的节点和网络结构；然后，基于样本数据进行网络参数学习，建立用于林火概 率预测的贝叶斯网络模型；最后，应用联合树算法进行推理，预测出县级林火概率；

概率分配模块完成将县级林火概率分配至300m×300m粒度功能，首先对林火历史记 录进行统计分析，得到各林火因子的取值权重，然后基于空间数据和县级林火概率计算 300m×300m粒度的林火概率，并通过显示模块显示。

2.如权利要求1所述的细粒度的森林火灾概率预报系统，其特征是，贝叶斯网络建模和推理 功能与预测出县级林火概率的具体步骤：

林火概率预测的贝叶斯网络中的节点分为两类：一类是林火发生节点，表征结果；另 一类是林火诱因节点，表征原因；节点间的有向连接弧表示林火及其诱因之间的因果关系， 每个节点的参数值表征了林火及其诱因之间的概率依赖关系；

基于时态数据和空间数据进行贝叶斯网络建模：贝叶斯网络模型的空间参照为县或 区；模型的时间参照为一天；每一个节点有若干个离散、互斥的取值状态，这意味着观测 到的连续型数包括海拔、人口密度的连续型数必须预先做离散化处理，应用等频率离散化 方法对数据进行离散化；

海拔节点、地表覆盖节点和人口密度节点的条件概率表由先验知识确定，即：每个县 的平均海拔、地表覆盖和人口密度短时间内是不变的；

其余除林火发生节点外的节点的条件概率表，应用最大似然估计方法进行学习，最大 似然估计基于传统的统计分析思想，依据样本与参数的似然程度来评判样本与模型的拟合 程度，设数据D由样本(D₁,D₂,…,D_m)组成，则节点X_i的参数θ_i的对数似然函数的一般形 式为：L(θ_i|D)＝logP(D|θ_i)，θ_i的最大似然估计，就是令L(θ_i|D)达到最大的那个取值即

θi*=argsupθiL(θi|D).]]>

设节点X_i共有r_i个取值，其父节点π(X_i)的取值共有q_i个组合，根据独立同分布假设 和贝叶斯网络的结构特征，有：

L(θi|D)=log P(D|θi)=logΠl=1mP(Dl|θi)=Σl=1mlog P(Dl|θi)=Σj=1qiΣk=1rimijklogθijk,]]>

其中D_l为一个观测样本，m_ijk为D中满足X_i＝k且π(X_i)＝j的样本的数量，记 则θ_i的最大似然估计为：

θijk*=mijkmij,(∀j∈[1:qi],∀k∈[1:ri])]]>

对于林火发生节点，其父节点集合中包含地表覆盖节点，由于模型的空间参照为县或 区，实际数据中该节点的取值不是确定的，而是一个概率分布：当县名已知的情况下，每 一种地表覆盖类型的取值概率为该类型在该县内的覆盖面积与该县面积的比例，故林火节 点需要基于“碎权样本”进行最大似然估计，假设X_lc为地表覆盖节点，X_fire为林火节点， 由于X_lc有13种取值状态，故将D_l拆分为13个碎权样本：

Dl=Σi=113(Dl,Xlc=xi)[wxi],]]>

其中x_i为X_lc的某种取值，为样本(D_l,X_lc＝x_i)的权重，满足约束条件：在实际数据中是已知的，其值为样本D_l所属县内地表覆盖类型x_i的覆盖面积与该县总 面积的比值，在林火节点X_fire的参数学习过程中，每个观测样本D_l都被13个完整的碎权 样本所替代，记D^t为全部的碎权完整数据，则X_fire的参数估计方法为：

θfire,jk*=mfire,jkmfire,j,]]>

其中m_fire,jk为D^t中所有满足X_fire＝k且π(X_fire)＝j的样本的权重之和，m_fire,j为D^t中 所有满足π(X_fire)＝j的样本的权重之和；

构建贝叶斯网络模型之后，需要进行贝叶斯网络推理计算县级林火概率即后验概率分 布，即：已知网络中县名节点、FWI指数节点和月份节点的取值，月份节点的取值为证据 变量，记为X_E，计算林火发生节点查询变量X_fire的后验概率分布，进行从原因到结果的 预测推理，应用精确推理方法中的联合树算法(JunctionTreeAlgorithm,JTA)计算县级林火 概率。