基于贝叶斯网络的林火概率预测系统设计与实现
发布时间：2020-03-09 06:40
【摘要】：针对林火预测具有影响因素多、机制复杂、难以结构化等特点,设计并实现了一个基于贝叶斯网络的实用林火概率预测系统。该系统以气象、植被、地理、人类活动等数据作为输入,综合林火历史数据建立贝叶斯网络模型,并应用联合树算法进行概率推理,进而预测出林火发生概率。在某省实际林火历史数据上对系统进行了测试,比较了所设计系统与加拿大火险天气指标系统(FWI)的预测性能,验证了系统的可行性和实用性。
【图文】：
吞?异度的均值及方差见表1。系统在5个测试集上的平均准确率为81.55%，这说明系统能准确预测出大多数的观测样本。系统更适用于对林火发生的预测，即其平均敏感度高达90.08%，平均特异度相对低一些，为81.53%。为验证系统的实际预测效果，在第二组实验中，选取云南省2006年1月1日—2013年12月31日的观测样本组成训练集，2014年1月1日—2015年5月14日的观测样本组成测试集，选用ROC曲线衡量系统的实际预测性能。基于贝叶斯网络的林火概率预测系统与加拿大火险天气指标系统在本组实验的训练集和测试集上的ROC曲线，见图5和图6。系统在训练集和测试集上分类性能的混淆矩阵见表2。对于测试集中的175例林火样本，系统能准确预测出156例，敏感度为89.14%，这说明绝大多数林火的发生都可被准确预测。对于测试集中的62144例非林火样本，系统误将其中的12521例预测为林火，特异度为79.85%。对云南省实际林火情况进行的实地考察及相关文献均指出[1，7]，林火预测预报具有非常大的不确定性，主要原因在于人类活动因素的影响，如：吸烟着火等非蓄意点火，或蓄意点火行为。由于所收集数据来源有限，预测系统在人类活动因素中仅考虑了人口密度对林火的影响，故预测系统对由人为因素引发的林火的预测效果并不稳定。例如，，预测系统误将2014年5月26日发生在安宁市的林火预测为非林火。从输入因子数据库中查阅安宁市该日的气象，发现该日的降水量为24mm，相应的FWI值为3.52，是不易着火的，故推断其原因可能是人为蓄意放火所致，预测系统的误警率为20.15%。森林燃烧需要森林可燃物、火源和氧气三者相互作用才能形成[7]。系统建模过程中充分考虑了可燃物和氧气对林火的影响，故系统误警的样本中可燃物条件和氧气条件都适合着火。但由于历
异度的均值及方差见表1。系统在5个测试集上的平均准确率为81.55%，这说明系统能准确预测出大多数的观测样本。系统更适用于对林火发生的预测，即其平均敏感度高达90.08%，平均特异度相对低一些，为81.53%。为验证系统的实际预测效果，在第二组实验中，选取云南省2006年1月1日—2013年12月31日的观测样本组成训练集，2014年1月1日—2015年5月14日的观测样本组成测试集，选用ROC曲线衡量系统的实际预测性能。基于贝叶斯网络的林火概率预测系统与加拿大火险天气指标系统在本组实验的训练集和测试集上的ROC曲线，见图5和图6。系统在训练集和测试集上分类性能的混淆矩阵见表2。对于测试集中的175例林火样本，系统能准确预测出156例，敏感度为89.14%，这说明绝大多数林火的发生都可被准确预测。对于测试集中的62144例非林火样本，系统误将其中的12521例预测为林火，特异度为79.85%。对云南省实际林火情况进行的实地考察及相关文献均指出[1，7]，林火预测预报具有非常大的不确定性，主要原因在于人类活动因素的影响，如：吸烟着火等非蓄意点火，或蓄意点火行为。由于所收集数据来源有限，预测系统在人类活动因素中仅考虑了人口密度对林火的影响，故预测系统对由人为因素引发的林火的预测效果并不稳定。例如，预测系统误将2014年5月26日发生在安宁市的林火预测为非林火。从输入因子数据库中查阅安宁市该日的气象，发现该日的降水量为24mm，相应的FWI值为3.52，是不易着火的，故推断其原因可能是人为蓄意放火所致，预测系统的误警率为20.15%。森林燃烧需要森林可燃物、火源和氧气三者相互作用才能形成[7]。系统建模过程中充分考虑了可燃物和氧气对林火的影响，故系统误警的样本中可燃物条件和氧气条件都适合着火。但由于历史林?
本文编号：2585752
【图文】：
吞?异度的均值及方差见表1。系统在5个测试集上的平均准确率为81.55%，这说明系统能准确预测出大多数的观测样本。系统更适用于对林火发生的预测，即其平均敏感度高达90.08%，平均特异度相对低一些，为81.53%。为验证系统的实际预测效果，在第二组实验中，选取云南省2006年1月1日—2013年12月31日的观测样本组成训练集，2014年1月1日—2015年5月14日的观测样本组成测试集，选用ROC曲线衡量系统的实际预测性能。基于贝叶斯网络的林火概率预测系统与加拿大火险天气指标系统在本组实验的训练集和测试集上的ROC曲线，见图5和图6。系统在训练集和测试集上分类性能的混淆矩阵见表2。对于测试集中的175例林火样本，系统能准确预测出156例，敏感度为89.14%，这说明绝大多数林火的发生都可被准确预测。对于测试集中的62144例非林火样本，系统误将其中的12521例预测为林火，特异度为79.85%。对云南省实际林火情况进行的实地考察及相关文献均指出[1，7]，林火预测预报具有非常大的不确定性，主要原因在于人类活动因素的影响，如：吸烟着火等非蓄意点火，或蓄意点火行为。由于所收集数据来源有限，预测系统在人类活动因素中仅考虑了人口密度对林火的影响，故预测系统对由人为因素引发的林火的预测效果并不稳定。例如，，预测系统误将2014年5月26日发生在安宁市的林火预测为非林火。从输入因子数据库中查阅安宁市该日的气象，发现该日的降水量为24mm，相应的FWI值为3.52，是不易着火的，故推断其原因可能是人为蓄意放火所致，预测系统的误警率为20.15%。森林燃烧需要森林可燃物、火源和氧气三者相互作用才能形成[7]。系统建模过程中充分考虑了可燃物和氧气对林火的影响，故系统误警的样本中可燃物条件和氧气条件都适合着火。但由于历
异度的均值及方差见表1。系统在5个测试集上的平均准确率为81.55%，这说明系统能准确预测出大多数的观测样本。系统更适用于对林火发生的预测，即其平均敏感度高达90.08%，平均特异度相对低一些，为81.53%。为验证系统的实际预测效果，在第二组实验中，选取云南省2006年1月1日—2013年12月31日的观测样本组成训练集，2014年1月1日—2015年5月14日的观测样本组成测试集，选用ROC曲线衡量系统的实际预测性能。基于贝叶斯网络的林火概率预测系统与加拿大火险天气指标系统在本组实验的训练集和测试集上的ROC曲线，见图5和图6。系统在训练集和测试集上分类性能的混淆矩阵见表2。对于测试集中的175例林火样本，系统能准确预测出156例，敏感度为89.14%，这说明绝大多数林火的发生都可被准确预测。对于测试集中的62144例非林火样本，系统误将其中的12521例预测为林火，特异度为79.85%。对云南省实际林火情况进行的实地考察及相关文献均指出[1，7]，林火预测预报具有非常大的不确定性，主要原因在于人类活动因素的影响，如：吸烟着火等非蓄意点火，或蓄意点火行为。由于所收集数据来源有限，预测系统在人类活动因素中仅考虑了人口密度对林火的影响，故预测系统对由人为因素引发的林火的预测效果并不稳定。例如，预测系统误将2014年5月26日发生在安宁市的林火预测为非林火。从输入因子数据库中查阅安宁市该日的气象，发现该日的降水量为24mm，相应的FWI值为3.52，是不易着火的，故推断其原因可能是人为蓄意放火所致，预测系统的误警率为20.15%。森林燃烧需要森林可燃物、火源和氧气三者相互作用才能形成[7]。系统建模过程中充分考虑了可燃物和氧气对林火的影响，故系统误警的样本中可燃物条件和氧气条件都适合着火。但由于历史林?
【相似文献】
相关会议论文 前2条
1 廖祥文;曹冬林;方滨兴;许洪波;程学旗;;基于概率推理模型的博客倾向性检索研究[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年
2 董力赓;陶霖密;徐光;;一种基于头部姿态分析注意力目标的概率推理模型[A];第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C];2009年
相关博士学位论文 前1条
1 王开军;基于数据几何特性的概率推理和统计学习研究[D];西安电子科技大学;2008年
本文编号：2585752
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2585752.html
