基于粗糙集和ResNet34网络算法的森林火灾预测研究

2020年第20期
信19与电10
China Computer&Communication
基于粗糙集和BesNet34阿络算法的森林火灾预测研究
赵叶红杨卫民
（中南林业科技大学，湖南长沙410004）
摘要：森林火灾是全世界面临的大问题，会对生态系统造成巨大的破坏，同时会威胁人类的生命财产安全.本文设计了一个有效的森林火灾预测算法，数据集采用Montesinho国家公园基本气象数据，建立粗糙集与ResNet网络算法建立森林火灾的成灾面积预测模型，对气温、相对湿度、风速和降水量等气象数据进行分析，并进行了森林火灾面积预测.研究结果显示，该算法能够较准确地预测规模较小且发生频繁的火灾受灾面积.
关键词：森林火灾；粗糙集理论；ResNet网络算法；成灾面积预测
中图分类号：TP391文献标识码：A文章编号：1003-9767（2020）20-061-03
Forest Fire Prediction Based on Rough Set and Resnet34Network Algorithm
Zhao Yehong,Yang Weimin
(School of Computer and Information Engineering,Central South University of Forestry and Technology,Changsha
Hunan410004,China)
Abstract:Forest fire is a major problem facing the whole world,which will cause great damage to the ecosystem and threaten the safety of human life and property・In this paper,an effective forest fire prediction algorithm is designed.Based on the basic meteorological data of montesinho National Park,rough set and RESNET network algorithm are used to establish the disaster area prediction model of forest fire.The meteorological data such as temperature,relative humidity,wind speed and precipitation are analyzed,and the forest fire area is predicted.The results show that the algorithm can accurately predict the fire disaster area with small scale and frequent occurrence.
Key words：forest fire;rough set theory;ResNet network algorithm;disaster area prediction
0引言
森林火灾是造成全球森林生态系统破坏的重要原因之一，会对生态环境、资源、人类健康和经济造成不同程度的影响。

2019年3月300,四川凉州发生的森林大火，造成多人死亡，烧毁约20hm2森林⑴。

2019年7月，澳大利亚多地发生森林大火，造成多人死亡，大面积森林被烧毁何。

森林火灾频繁发生的严重后果，意味着森林火灾管理问题必须得到解决。

建立森林火灾预测模型对减少森林火灾的经济损失和人员伤亡具有重要的意义。

因此，确定森林火灾的驱动因素，建立高精度的森林火灾预测模型具有重要的意义。

影响森林火灾的因素有很多，通常认为森林火灾是由温度、火源、可燃物等相互作用形成，这些因素形成非线性关系❾。

由于因素众多，并且对预测结果影响程度也存在差异,因此引入粗糙集理论进行约简,使条件属性能得到一定控制,进而提高预测的性能內。

对于非线性关系预测问题，目前常用支持向量机（SVM）[5\神经网络固等算法。

本文采用了基于ResNet34网络结构进行预测。

1粗糙集理论
粗糙集理论在1982年发表的《Rough Sets》中被正式提出，是继概率论、模糊集、证据理论之后的又一个处理不确定性的数学工具。

该理论主要用于研究不精确、不一致及不完整信息存在的问题，并在该理论的研究中发现了数字信息隐含的知识和规律。

作者简介：赵叶红（1990-）,女，湖南邵阳人，硕士研究生在读。

研究方向：数据挖掘技术及其在林业上的应用。

通信作者：杨卫民（1969—）,男，湖南长沙人，硕士研究生，副教授。

研究方向：数据仓库和数据挖掘技术及其在林业上的应用。

E-mail:*****************。

尊號语言信慝与电脑
China Computer&Communication2020年第20期
人类基于经验知识通常会记录在信息系统结构中，信
息系统根据属性包含了特定的信息，属性集由条件属性、决
策属性组成。

在信息系统分析中，关于这两种属性之间会存
在一定的关系，或多或少。

两种属性之间会存在的一个基本
问题是信息系统中所有冗余条件属性和决策属性之间可能约
简，以决策规则的形式表示属性值之间的依赖关系。

在粗糙集理论中，一个知识表达系统可以定义为S=〈U,
A,V,f〉,其中:U为论域,是一组有限的数据集合{x1?x2-,x n},
A=C U D,C为条件属性集，D为决策属性集；V为论域U
的属性值域，f:U x A—V为论域U关于属性A的映射函数⑸。

在粗糙集理论中，属性约简与核是两个重要的部分，条件属
性会存在冗余信息，删除冗余信息不影响决策属性，而核与决策属性有着密切关系，会决定决策属性。

令R为一个等价关系族，且rwR,如果ind（R>ind（R-{r}）,称1•为R中不可省略的等价关系族⑺。

对于近似表达中作用不明显的特征，可对其进行约简，并使属性集仍保留其等价关系。

2粗糙集和ResNet网络分类器
图2粗糙集与ResNet34基本框图
图2的主要部分问：①初始连续属性形成，②连续属性离散化，③形成决策表，④属性约简，⑤最小条件属性集及其相应的学习样本，⑥ResNet34网络结构。

2.1ResNet网络结构
ResNet网络结构是继VGG、GoogLeNet网络后又一经典网络，VGG、GoogLeNet网络逐渐加深网络结构会出现准确率下降的问题，主要原因是网络层数加深会引起梯度消失与梯度爆炸等问题[8],由微软研究院的Kaiming He等提出ResNet网络结构，网络结构中引入了残差单元，如图中红色虚线框部分所示。

残差单元多次堆叠构成了ResNetlS.34、50、101网络结构，远远超过了之前的十多层，准确率也有了大幅提升。

本文选用了ResNet34网络结构，如图1所示。

3实验结果及分析
数据集采用Al Studio公开的森林火灾数据集，该数据集来自葡萄牙东北部的Montesinho国家公园的数据库，信息包含13个变量：Montesinho国家公园的空间坐标；信息采集的月份和每周的其中一天；FWI系统的指数变量FFMC（细小可燃物湿度码）、DMC（粗腐殖质湿度码）、DC（干旱码）和ISI（初始蔓延指数）；4种可直接测量的气温、相对湿度、风速和降水量的气象数据；森林火灾燃烧的面积[11'12]o数据集如表1所示。

L_____I
表1部分数据集
X y month day FFMC DMC DC ISI temp RH vind rain area 75mar fri86.226.294.3 5.18.251 6.700 74oct tue90.635.4669.1 6.718330.900 74oct sat90.643.7686.9 6.714.633 1.300 86mar fri91.733.377.598.39740.20把数据集按8:2的比例进行训练集与验证集划分，再使用Rose2X具进行粗糙集约简，条件属性有气温、相对湿度、风速和降水量等气象数据。

粗糙集约简作为预处理过程,再输入ResNet34网络进行预测。

本文方法与之前方法对比如图3所示。

Convolu
tion
卷积层1Pooling池化层Drop out FC全连接层
图1ResNet34网络结构
2.2粗糙集和ResNet网络结合
利用粗糙集理论属性约简算法，消除冗余的条件属性，即在不损失源数据集中包含有用信息的同时减小数据集的大小，从而得出针对原始数据的最简规则，可以减小原始数据中的噪声干扰，并能有效缩短训练时间⑵。

本文算法的基本框图如图2所示。

火灾预测评价
Montesinlho国家公园
图3本文方法与其他方法对比
粗糙集与ResNet34结合算法通过知识的自我学习和识
2020年第20期
信19与电10
China Computer&Communication
别求取最佳规则集，能提高网络输入的速度与精度。

通过实验对比发现，本文算法的误判率有所下降。

4结语
本文采用葡萄牙Montesinho国家公园的基本气象数据作为数据集，将基本气象数据作为条件属性，首先使用Rose2平台运行粗糙集理论约简算法，再使用ResNet34网络结构预测火灾受灾面积，对预测我国的森林火灾面积具有较好的借鉴意义。

参考文献
[1]Y ang Z,Zhang H,Zhang L,et al.Experimental Study on Downslope Fire Spread over a Pine Needle Fuel Bed[J].Fire Technology,2018,54(6):1-17.
[2]Kubra,Koksal,Jim,et al.Australian wildland-urban interface householders'wildfire safety preparations: 1Everyday life'project priorities and perceptions of wildfire risk[J].International Journal of Disaster Risk Reduction,2019(33):142-154.
[3]王亚琴，王耀力，郭学斌，等•基于直连BP神经网络模型的森林火险预测[J].森林防火,2018⑵:41-45,54,
[4]尹林子，李乐，蒋朝辉.基于粗糙集理论与神经网络的铁水硅含量预测[J].钢铁研究学报,2019,31(8):689-695.
[5]王国虎，薛进学，王晓强，等.基于粗糙集理论与支持向量机的多传感器信息融合方法[J].现代制造工程,2016(5):59-62.
[6]汪文野，刘静，贾南.基于神经网络的森林火灾预测分析[J].武警学院学报,2020,36(6):15-20.
[7]李铁鹰，崔艳.一种基于粗糙集理论的神经网络分类器的设计[J].计算机工程与应用,2005(32):171-172,196.
[8]He K,Zhang X,Ren S,et al.Deep residual learning for image recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2016:770-77&
[9]何伟，蒋加伏，齐琦.基于粗糙集理论和神经网络的图像分割方法[J].计算机工程与应用,2009,45(1):188-190.
[10]冯惊雷，张喜斌，张恒喜.基于SOFM的一种新型粗糙集神经网络研究[J].计算机工程与应用,2005(18):88-90,102.
[11]刘丹.基于机器学习对森林火灾的预测分析[J].统计学与应用,2016,5(2):163-171.
[12]吴秋平.基于神经网络的森林火灾预报系统[J].信息化建设,2016(2):26-27.。