bp 神经网络 优点 不足_基于粒子群算法和BP神经网络的多因素林火等级预测模型...

森林对于生态环境以及人类生活、生产意义重大。目前世界森林面积达40亿hm²，受自然或人为因素的影响，每年全球发生森林火灾次数高达几十万次，受灾面积达几百万公顷。

20世纪80年代以来，随着全球气候持续变暖、极端天气事件增多，每年森林火灾的发生次数呈上升趋势。

一直以来，森林火灾都是一种突发性强、破坏性大、处置救助较为困难的自然灾害，是社会广泛关注的自然灾害之一。

森林火灾烧毁森林植被，破坏森林资源，在短期内释放大量温室气体，对环境造成较大破坏，严重影响森林可持续发展。

据统计，去年11月至今年2月底，全国共发生森林火灾354起。

2019年3月30日，四川省凉山发生森林火灾。

2019年6月19日，内蒙古大兴安岭阿龙山林业局发生森林火灾。

怎样才能及时发现和预防呢？

森林火险等级预报

森林火险等级预报是降低森林火灾发生的重要技术手段，具有重要的应用价值。森林火灾的发生受到多方面因素的影响，不同区域，由于受气候、地形、植被类型、人为因素等不同影响，火灾发生风险变化较大。

目前相关研究主要基于气象、遥感等数据，提供大范围、中长期森林火险等级预测，如以天为单位或以月为单位的火险等级预测，而对于特定区域的森林火险短期预测研究尚少。以往研究中所提出的预测模型，因选取的火险因子不一，不同的模型有其固有的适用范围，较难精确、实时地预测火险等级。

近年来，随着人工智能技术的发展，基于传感器网络的实时数据采集系统，能够采用智能化方法构建多因素森林火险等级预测模型，开展准确、实时的小尺度预测，对于有效保护林火防控重点区域的森林资源、节约林火防控经费具有重要意义。 

南京林业大学王磊,郝若颖等综合考虑气候因素、地形地貌因素、人为因素，3类共16个林火因子，通过集成粒子群算法和BP神经网络模型，提出一种混成的多因素森林火险等级预测模型particle swarm optimization based-propagation(PSO - BP)neural network，并以试验验证本方法的有效性。

1 研究区概况

1.1　环境特征

1.2　气候条件

1.3　防火实验站

2 基于PSD-BP的火险

等级预测模型

BP神经网络作为目前运用最广泛的神经网络模型之一，具有结构简单、较强的非线性映射能力、良好的自学习能力、可高精度逼近任意函数等优点。BP神经网络算法采用梯度下降算法，从训练数据中开展学习，以输出误差平方最小为目标，采用误差反向传播，以训练网络节点权值和偏置值。当BP神经网络的结构(层数、每层节点个数)较复杂时，这一算法会表现出学习速度慢、易陷入局部极小值、稳定性差等不足。另一个广泛使用的机器学习算法为粒子群优化算法(particle swarm optimization， PSO)，这类算法通过群体智能开展学习，具有较好的全局寻优能力。笔者提出基于粒子群优化的BP神经网络算法(PSO-based BP neural network，PSO - BP)，将粒子群优化算法引入BP神经网络模型中，以加快传统BP神经网络算法的收敛速度。具体步骤：将BP神经网络中各层的连接权值和阈值作为粒子进行编码，用粒子群位置向量代替，通过算法不断迭代，得到最优种群粒子，解码转化成最优解，进而作为BP神经网络全局最优的连接权值和阈值，从而建立粒子群优化BP神经网络算法模型。以基于粒子群优化算法改进的BP神经网络建立森林火险短期预测模型，相较于运用标准BP神经网络建立的模型而言，PSO - BP神经网络模型较好地解决了标准BP神经网络模型固有的易陷入局部极小值、稳定性差、训练时间长等不足。将实际数据输入模型后，可以更快、更准确地输出预测结果(具体的火险等级)。

2.1　变量选择

基于综合性、全面性和可获得性原则，所选取的风险因子既能综合、全面反映森林火灾发生的相关情况，又能在研究区域中搜集到相关风险因子的量化数据。参考已有的工作，本研究选取日最高气温、日平均气温、24h降水量等16个林火相关变量构建PSO - BP模型(表1)。由表1可以看出，16个变量分为气候因素、地形地貌因素、可燃物因素和人为因素4个维度，全面、综合地描述导致森林火灾发生的各种因素，可以有效地预测林火的发生。

为提高预测模型的可扩展性(可应用于不同气候条件下的区域)，本研究所选取的部分变量，对于某个特定区域而言可能存在某种相关性，如土壤含水量和可燃物含水率；日最高气温和日平均气温；连旱天数和24h降水量等。但这些变量及其之间的相关性对于不同区域而言可能存在较大差异。如：土壤含水量和可燃物含水率，当降雨发生后，因地质条件不同，不同地区可能出现土壤含水量较为接近，而可燃物含水率存在较大差异的情况。有关这些变量间的相关性与区域地形、地质条件、气候等因素之间关系等方面的内容不在本研究范围内。

2.2　数据来源及处理

本研究数据来自研究区森林防火实验站传感器所采集的数据以及现场测量结果，数据采集时间为2017年1—12月。为分析PSO - BP模型的可用性及性能，从采集数据中随机选取8760组(每组包括16个变量值)作为数据集。对于每组数据，结合其实时森林火险气象等级预报结果，并邀请林火预防专家对火险等级(中华人民共和国气象行业标准QX/T77-2007《森林火险气象等级》)进行人工校对，分为5个不同等级。随机选取标注火险等级的256组数据作为训练集，1752组数据作为检验样本，用于训练预测模型。其他1752组数据作为测试集，用于测试模型的有效性。不同的火险因子变量，其参数的值域不同。此外，有些参数值越大，火灾风险越大；有些参数值越小，火灾风险越大。另一方面，本研究所用的BPＢＰ神经网络模型的隐含层采用Sigmoid函数作为激活函数，该函数的值域为［0，1］。针对以上问题，本研究首先对数据进行归一化处理。即将各个参数的值映射到［0，1］区间，且保证其值越大，火灾风险越大。采用最小最大变换法对不同参数进行归一化处理。对于值越大火灾风险越大的指标(即x₁，x₂，x₄，x₅，x₇，x₉，x₁₄，x₁₅)，采用以下公式进行归一化：

对于值越大火灾风险越小的指标(即x₃，x₆，x₈，x₁₁，x₁₃，x₁₆)，其归一化方法为：

式中：y为归一化处理后的数值；x为某一参数的原始值；x_max为该参数取值集合中的最大值；x_min 为该参数取值集合中的最小值。对于所选取的16个变量，如果是定量指标，采用公式(1)或(2)计算；如果是定性指标，则借鉴层次分析法( Saaty 的1～9评价方法)，首先定性描述其火灾风险，然后将其转化为定量值。定性指标变量值的处理方法如表2所示。根据下蜀林场的植被分布特征，按火灾发生风险由大到小顺序，将植被类型分为4类：杂草、灌木林、混交林、人工林。对于坡向而言，由于阳坡光线好，地被物更易干燥，加大火灾风险；而迎风会带来水汽，降低火灾风险。因此，本研究按火灾发生风险大小顺序，将坡向分为阳坡(背风)、阳坡(迎风)、阴坡(背风)、阴坡(迎风)4种坡向。根据火灾发生风险的大小将以上4种植被类型和坡向定性为：火灾发生风险极大、火灾发生风险较大、火灾发生风险一般、火灾发生风险较小。上述４ 种定性对应的定量值分别为4， 3， 2， 1。得到定量值后，使用公式(1)将相应的变量值归一化。

2.3　PSO - BP模型构建过程

参考文献，将粒子群优化算法引入BP神经网络模型。粒子群优化算法是计算机领域的一种群体智能优化算法，该算法基于鸟群捕食现象提出，通过搜寻当前离食物最近的鸟的周围区域，逐渐逼近最优解。在算法中，用适应度值、速度和位置3个指标表示粒子(鸟)的运动特征。粒子群优化算法具有较好的全局寻优能力。本研究将BP神经网络中各层的连接权值和阈值建模为粒子进行编码，用粒子群位置向量代替，通过算法不断迭代，得到最优种群粒子。在此基础上，解码转化成最优解，作为BP神经网络全局最优的连接权值和阈值，建立粒子群优化BP神经网络算法模型。PSO - BP神经网络模型构建过程如图1所示。首先构建一个4层BP神经网络(包括2个隐层)。基于神经网络，初始化粒子群的初始位置值和速度值。每个粒子对应BP神经网络中的一个隐层节点，每个粒子群代表一组BP神经网络中连接权值和阈值，解码后得到BP神经网络模型。

为了构建神经网络模型，通过更新粒子群的速度和位置逼近最优解。其中，粒子适应度值Ｆ的计算公式如下：

式中：y_i代表样本i的观测值；t_i代表样本i的预测值；N表示样本数量；abs为取绝对值函数。在此基础上不断更新粒子的速度和位置，直到迭代误差达到设定的精度e或迭代次数达到预设的最大迭代次数N_num。当迭代停止时，适应度值最小的粒子所对应的位置即为最优解。将粒子群优化算法求得的最优种群粒子解码，得到BP神经网络最优连接权值和阈值，建立模型。

3 模型验证

3.1　PSO - BP预测模型及其有效训练阈值

根据2.2部分所述，将数据分为训练数据集、检验样本和测试数据集。训练数据集中的前25组数据如表3所示(每一列为一组数据)。为构建训练数据集，通过征求林火管理专家意见，对每一列(一组完整的输入数据x₁～x₁₆)标注相应的火险等级(因变量y)。在训练模型的过程中，首先根据2.2部分所述的预处理方法对输入数据进行归一化处理。

通过训练数据集，构建PSO - BP预测模型，并进行预测。为保证预测模型的有效性，在构建PSO - BP模型的过程中，本研究参照文献中的方法，逐步增大隐含层节点个数，首先通过训练集数据训练模型，待训练过程收敛后，根据检验样本测试预测误差，当经检验样本验证预测误差小于某一停止训练阈值(δ)时停止训练过程，否则重新开展一轮训练。通过以上方法逐步提高所构建预测模型的精度。最终确定隐含层节点个数为23，停止训练阈值δ ＝0.1500。

3.2　火险等级预测结果分析

采用Matlab软件，根据3.1部分所述方法，通过训练数据集和检验样本，确定BP神经网络模型参数，建立PSO - BP神经网络模型。在此基础上，运用所构建的PSO - BP神经网络模型进行火险等级预测。输入如表4所示的测试数据(从测试数据集随机选取)后，15组测试数据在模型中计算后得到火险等级(表5)。由表5可见，火险等级实际预测结果与测试数据集中标注结果相比较，只有第8组数据相差一个等级，表明PSO - BP模型具有有效性。参照文献中方法，采用SPSS V. 18.0软件，利用多因素Logistic回归分析方法，设定x₁～x₁₆为自变量，y为因变量，构建拟合模型，使用逐步回归方法，剔除不显著变量，进而分析森林火灾的风险因素。结果表明：日最高气温(x₁)，日平均气温(x₂)，24h降水量(x₃)，日照时数(x₅)，日平均相对湿度(x₆)，可燃物含水率(x₁₆)6个因素对森林火灾发生具有较大影响，结果与文献一致。这一结果表明，空气湿度、可燃物含水率与森林火灾发生具有相关性。在相同的地形、地貌、人为因素等非气象因素条件下，空气、地被物越干燥，火灾风险越大。气候因素的变化会影响森林空气、地被物的相对湿度，因此，在森林火险预测中，需关注气温、降水量、日照时数等因素。

3.3　性能比较

为验证PSO - BP模型有效性并分析其性能，首先随机生成神经网络连接权值和阈值，通过训练集数据和检验样本分别训练经过粒子群优化的BP神经网络(PSO - BP)与基本的BP神经网络模型，其中，将模型训练过程中的最大迭代次数N_num设为50。其次，基于测试集数据使用经训练的PSO - BP模型、BP神经网络模型分别进行预测。对于BP神经网络和PSO - BP，分别重复执行10次训练模型过程，并基于测试数据集开展预测。在此基础上比较不同方法在训练模型过程中的时间复杂度和所构建模型的预测结果准确率。采用均方根误差计算每个模型的预测误差， 模型的预测误差(P_RMSE)为：

式中：P_i为第i个样本的预测等级；l_i为第i个预测样本所采用的测试数据中标注的火险等级；N为预测样本数。不同方法的比较结果见表6。由表6可见，与BP神经网络模型相比，PSO - BP模型迭代次数减少，训练时间减短。PSO - BP模型在10次运行中，预测结果准确率略高于BP模型，高于3.2部分所述多因素Logistic回归模型预测结果准确率(Logistic回归模型预测误差为0.32475)。PSO - BP模型预测结果准确率的波动幅度低于BP型，体现出更高的鲁棒性。预测模型10次预测结果的预测误差均低于停止训练阈值(δ)，表明所构建的预测模型具有较好的可扩展性。这是因为未经过粒子群算法优化的神经网络模型在训练过程中会进入误差曲面平坦区域，导致收敛速度变慢，甚至出现陷入局部极小值而导致训练失败的情况。通过使用检验样本，可以提高所构建预测模型的可用性。通过引入粒子群优化算法，可以加快在训练模型过程中参数向最优解逼近的速度，从而提高模型的有效性。由此可见，PSO - BP模型更具实用性。

 

结 论

以南京林业大学下蜀林场为研究区域，结合下蜀林场的具体情况，确定气候因素、地形地貌因素、可燃物因素、人为因素中16个林火发生相关因子作为预测参数。在此基础上，运用基于粒子群优化算法改进的BP神经网络建立森林火险短期预测PSO - BP模型，PSO - BP模型较好地弥补了BP神经网络模型易陷入局部极小值、稳定性差、训练时长不定等问题。PSO - BP模型可更快、更准确地输出结果。根据PSO - BP模型算法，运用Matlab软件，建立了研究区火险等级预测原型系统。经测试，原型系统可较好地分析处理16个火险因素的数据，预测出相对应的火险等级，可为研究区的防火管理工作提供依据，该模型也可以向具有相关数据条件的林场推广。本研究建立的研究区火险等级预测原型系统是一个面向林班的小尺度系统。在森林火险预测中，可以提高预测精度，且随着数据的实时更新，能够进行实时预测。在今后的研究工作中将引入更多森林火险相关因子、更为精确地预测模型，进一步提高小尺度林火等级预测性能。

该文发表于《林业工程学报》2019年第3期。

引文格式：

王磊,郝若颖,刘玮,等.基于粒子群算法和BP神经网络的多因素林火等级预测模型[J].林业工程学报,2019,4(3):137-144.
WANG L,HAO R Y,LIU W,et al.A multi-factor forest fire risk rating prediction model based on particle swarm optimization algorithm and back-propagation neural network[J].Journal of Forestry Engineering,2019,4(3):137-144.

▼更多精彩推荐，请关注我们▼ 把时间交给阅读

图片来源于网络

排版：Rachel

你点的每个赞，我们都认真当成了喜欢 戳