基于Logistic回归模型的大兴安岭地区林火发生概率预测研究*

为实现对大兴安岭地区林火发生概率的基本预测,根据该地区历史火灾资料、地形因子、气象因子和人为因子,基于Logistic回归模型建立该地区林火发生概率预测模型。研究结果表明:坡度、海拔、平均气压、平均气温、平均相对湿度、最小相对湿度是该地区林火发生的主要驱动因子;坡度、海拔、平均气压、平均气温与林火发生概率呈正相关,平均相对湿度和最小相对湿度与林火发生概率呈负相关;ROC曲线下面积值（AUC）为0.91,最佳临界值为0.425;建立的大兴安岭地区林火发生概率预测模型,建模样本总体准确率为82.4%,验证样本总体准确率为80.5%;该地区夏季林火发生概率明显高于春、秋季;林火发生概率较高的Ⅳ级和Ⅴ级火险区主要集中在夏季该地区东南部、西部以及春、秋季该地区东南部。研究结果可为该地区林火预测提供1种参考方法。     

基于Logistic模型的四川凉山州森林火灾风险分析

森林火灾严重危害人类生命财产安全,科学准确的林火风险分析对防灾减灾具有重要意义.四川省凉山州因林火频发而成为重点监测区域.基于MCD64A1火烧迹地数据,提取凉山州2010-2020年的火烧迹地范围,在分析历史火灾时空分布的基础上,选取地形、植被类型及植被覆盖指数、干湿季平均温度及降水量、土地利用和人口密度等主要风险因子,建立Logistic模型并计算森林火灾的风险概率,结合火灾迹地的空间统计划分风险等级.结果 表明:1)基于火灾迹地进行空间采样所构建的Logistic模型在显著性水平0.05时通过模型系数检验,拟合效果较好;2)影响凉山州森林火灾发生的风险因子主要有植被类型、植被覆盖指数、高程、坡度、人口密度和干季均温,其中干季均温对林火发生与否影响最大;3)西昌市、会理、会东和德昌县等干热河谷地区的林火风险极高,应重点监测.     

林火数据的Logistic和零膨胀Poisson(ZIP)回归模型

利用统计模型对森林火灾数据进行了描述和分析,所用模型包括Logistic回归模型和零膨胀Poisson(ZIP)回归模型.将所用的森林火灾数据分别视为分组因子数据和有序变量数据进行建模.为了进行预测和验证,建模时使用部分数据,其余数据作为检验数据,用以检验预测的准确性.研究结果显示,所研究的两类模型都得到了与检验样本接近的结果,具有较好的火灾次数预测能力.其中零膨胀模型不仅可以得到与Logistic模型相当的结果,而且能够有效解决火灾数大于天数的问题,以及可以对零值过多的数据进行较好地建模.该研究表明所建立的Lo-gistic回归模型和零膨胀Poisson回归模型都是分析火灾与影响因素相关性的适用模型.     

基于ArcEngine的森林防火气象因子监测系统的设计与实现

森林火灾的发生对森林资源造成了巨大的危害和损失,但是它的发生与气象因子的状况具有密切的关系。因此,通过对各气象因子进行监控,结合林火风险预测模型,对于及时发现森林火源并进行科学决策具有重要意义。项目对GIS、RS、GPS及GPRS等技术进行集成,研制开发了基于ArcEngine开发组件的森林防火气象因子监测系统,通过对研究区的气象因子进行监控,最终实现森林火险等级的预测预报。     

基于随机森林算法的福建省林火发生主要气象因子分析

应用"随机森林"算法,以福建省22个国家级气象站每日气象数据和2000年~2003年间林火火点卫星解译数据为基础,对影响福建省林火发生的主要气象因子进行分析,并对2004年的林火数据进行独立检验。研究结果显示,"日最高地表气温"、"日最低地表气温"、"日照时数"、"日最高气温"和"日最小相对湿度"等5个气象因子是影响林火发生的主要驱动因子,且这5个气象因子对林火发生的影响大小为:"日照时数""日最高气温""日最低地表气温""日最小相对湿度""日最高地表气温";随机森林算法的拟合结果显示:随机森林算法对福建省林火发生的预测精度为82.3%,表明随机森林算法对我国福建省林火发生的预测具有较高的预测能力,可用于基于气象因子的我国福建省林火发生的预测预报。本研究可为福建省林火的预测和决策工作提供一定的参考依据。     

基于长短时记忆网络的水质预测模型研究

在当前水质数据急剧增加的背景下,为了挖掘水质时间序列中的更多信息,提升水质预测的精度,构建了基于缺失值填补算法和长短时记忆网络(LSTM)相结合的水质预测模型。通过缺失值填补算法进行水质数据的缺失值处理,利用LSTM网络分别构建不同水质参数的预测模型,以太湖水质监测数据为样本,对模型进行检验。结果表明,基于缺失值填补算法-LSTM的水质预测模型适应性强,相较传统SVM、BP神经网络、RNN、LSTM模型预测精度更高,对水环境保护具有重要意义。     

基于EEMD-LSTM模型的尾矿库风险预测模型研究*

为了提高尾矿库风险预警能力,针对尾矿库稳定性受多种风险因素影响,以及风险变化的非线性,提出1种融合集合经验模态分解（EEMD）和长短期记忆（LSTM）的尾矿库风险预测模型。首先,采用皮尔逊相关系数分析尾矿库风险因素之间的相关性;然后,使用EEMD方法分解非线性的位移序列;最后,构建LSTM网络模型预测位移变化。以某尾矿库为例,将EEMD-LSTM模型与EEMD-BP模型、LSTM模型对比分析,评估模型的有效性。研究结果表明:EEMD-LSTM模型对尾矿库风险的预测精度明显提高,对防范化解尾矿库安全风险具有重要意义。     

森林火灾防治决策专家系统的研究与实现

笔者比较系统地收集、研究了林火专家多年积累的理论、经验和解决问题的方法以及各种预测模型、模型的适应条件和使用规则等 ,利用人工智能和COM组件技术 ,通过模型技术和专家系统技术的有机结合 ,建立了基于网络的森林火灾防治决策专家系统。实现了森林火灾从火灾预测、林火扑救决策、清理火场、看守火场到最后的损失评估全过程的推理辅助决策 ;实现了整个决策过程中预测模型和预测结果随外界条件的突变而进行的实时修正 ,从而真正实现了森林火灾管理各个阶段的实时性、准确性和正确性。     

森林火灾扑救风险管理问题的探讨与研究

森林火灾不可避免,与之相应的森林灭火救灾行动及其风险也不容回避。笔者将风险和风险管理理论引入森林火灾扑救之中,提出林火扑救风险及风险管理的概念和内涵;阐明了风险判识与分析、风险评估与预测、风险控制与处理的内容与方法;运用数学分析、模糊数学和现代高新技术等方法探讨林火扑救风险管理的有关问题;林火扑救属于高风险作业,提出的做好林火扑救风险管理,特别是风险控制的对策与措施,有较强的操作性、针对性和借鉴性,是防止和减少林火扑救中伤害事故的重要手段。     

黑龙江省森林火灾灾情年际变化与地球自转异常的遥联关系

根据天地生相互作用原理，针对地球自转因子的多年变化情况以及与在此期间森林火为灾情的关系的研究，揭示了森林火灾和地球自转有密切的联系，为林火预测提供了新的思路。     

基于随机森林的高速公路运营隧道风险判别法则研究*

为快速、准确识别山区高速公路隧道不同区段风险因素组合,基于交通事故调研数据,分析其时空变化规律;从人-车-路-环境角度系统筛选风险影响因素,采用随机森林理论构建风险等级预测模型;以决策树与规则相互关系为基础,结合自变量重要评分法,提出基于随机森林的高速公路运营隧道风险判别法则。研究结果表明:判别法则集预测精度较好且运行时间短,能够明确高速公路不同隧道区段事故成因,为预防隧道严重交通事故发生提供参考。     

基于CNN-GRU的瓦斯浓度预测模型及应用*

为解决传统瓦斯浓度预测方法预测精度低和适用性不强等问题,提出运用卷积神经网络（CNN）提取瓦斯浓度时间序列的变化趋势及局部关联特征,应用门自适应矩估计（Adam）优化的控循环单元神经网络（GRU）,在关联特征基础上进行时序性预测的组合方法,并以铜川玉华煤矿监测数据为样本,对比CNN-GRU组合模型、传统机器学习模型LSTM和GRU模型的预测效果。研究结果表明:CNN-GRU模型的预测精度和收敛速度均优于LSTM和GRU模型;CNN-GRU平均绝对误差和均方根误差分别可降低至0.042,0.006,运行效率分别提高59.15%,35.04%,研究结果可为矿井瓦斯灾害防治提供依据。     

基于人工神经网络的烟气及温度实时预测模型*

为监测建筑火灾事故区域的危险程度,实现更加安全、高效的火灾应急救援,以通廊式建筑为研究对象,基于转置卷积神经网络及数值模拟方法开发1种可实时预测走廊位置处烟气扩散和温度分布的神经网络模型。首先,依托Python建立包含全连接、转置卷积、反池化等在内的19层神经网络模型的整体架构;其次,建立包含99个火灾场景,共7 920组图像数据的火场信息数据库用于模型训练;最后,使用测试集对模型进行可靠性验证。研究结果表明:烟气（温度）预测模型在不同火灾场景下的预测精度达到95%,训练完成后模型的预测时间一般为1~2 s。研究结果可为应急策略的快速制定提供数据参考。     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型*

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补（MICE_SVM）的鲸鱼优化算法（WOA）-极限学习机（ELM）预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE_SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明:MICE_SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE_SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。     

基于多源数据融合的煤矿工作面瓦斯浓度预测*

为了解决瓦斯浓度预测使用的单一数据在预测中影响还不够深入的问题,提出基于LSTM神经网络的多源数据融合瓦斯浓度预测模型。模型将上隅角瓦斯浓度、采煤机速度、工作面吨煤瓦斯涌出量等不同数据融合作为输入层参数,使用Adam优化算法更新LSTM网络层参数,利用Attention机制突出关键影响瓦斯浓度的因素,开展多源数据融合的瓦斯浓度预测,结合某矿1008工作面的实际数据,分析不同数据在瓦斯浓度预测中的作用。研究结果表明:单变量下的Attention-aLSTM预测效果相比LSTM提升14.2%;多源数据融合下的Attention-aLSTM相比自身提升了5%。     

基于YOLO-BP神经网络的古建筑修缮阶段火灾监测方法*

为提高古建筑修缮阶段火灾监测水平，有效预防火灾事故，提出1种基于YOLO-BP神经网络算法的古建筑修缮阶段火灾监测模型。针对修缮作业对古建筑产生的消防隐患，在施工场地设置监测点，并利用YOLO算法以火源、可燃物为目标进行检测与定位，计算火源与可燃物距离；以火源温度、含氧量、火源与可燃物距离3项指标作为BP神经网络输入层，以火灾概率为输出层，从而进行预测；基于古建筑修缮阶段焊接、切割动火作业阶段的样本数据进行仿真模拟。结果表明:利用模型监测古建筑修缮阶段火灾的准确率达93.9%，验证模型的可靠性；当火源温度在150~2 000 ℃范围内，含氧量不小于19.5%时，动火作业安全距离为10.1 m。     

基于多因素的LSTM瓦斯浓度预测模型*

为解决煤矿瓦斯浓度预测问题,提出基于多因素的LSTM瓦斯浓度预测模型。模型首先对煤矿多源监测数据进行数据融合、缺失值处理;其次通过特征衍生、有监督化、无量纲化,融合各环境因素特征和时序数据的时间性特征,且衍生出更多交叉项特征和高次项特征;然后利用经验法和逐步试错法确定隐藏层维度;最后进行模型训练和测试。研究结果表明:基于多因素的LSTM瓦斯浓度预测模型的RMSE仅为0.021,MAE为0.01,比单因素LSTM模型、RNN模型预测效果好。因此,基于多因素的LSTM瓦斯浓度预测模型可更精准地进行瓦斯浓度多步预测,促进煤矿安全生产。     

高层建筑电气火灾隐患因子定量分析方法研究

为了对高层建筑电气火灾隐患排查进行定量化分析，采用解释结构模型构建高层建筑电气火灾隐患因子的复杂逻辑模型；在利用德尔菲法确定隐患因子初始概率的基础上，经过交叉影响分析法求解交叉影响概率矩阵；引入马尔科夫链修正各隐患因子交叉影响后的概率，得到火灾隐患因子的稳态概率矩阵。研究结果表明:各隐患因子的马尔科夫链校正概率比德尔菲法测定的初始概率更加准确，该计算排序结果可明确高层电气火灾隐患排查和管控的重点。