基于ETKF的大尺度林火蔓延预测数据同化研究

发布时间：2020-10-29 08:49

　　 近年来,全球范围内的林火事件时有发生,且发生频率和过火面积成上升的趋势。林火的破坏力极大,大尺度的林火不但导致大规模人员的流离失所,还可能造成居民和消防员的伤亡、房屋和建筑的损毁,甚至会引起恶劣的社会影响和带来严重的生态灾难。实时有效地对大尺度林火蔓延进行预测,有利于合理地制定灭火战术和疏散策略,减少火灾所造成的损失。对于传统的火蔓延软件预测方法来说,给定初始火线位置、火场的地形和植被条件、风场等环境和气候条件,火蔓延的预测结果是确定的。然而,初始火线位置的不确定性、消防力量的干预、地形和植被数据的误差、风速大小和方向的变化等等,这些不确定性将导致传统方法的预测结果与真实火灾蔓延情况偏离较大,给应急救援带来不利后果。随着科技的发展,遥感技术的成熟,我们可以通过卫星或无人机获取火场的实时信息。把这些带有噪声的火线位置观测数据和火蔓延模型的预测数据相结合,通过数据同化方法,实时更新模型的状态和参数,减小模型的状态和参数误差,从而极大地提高林火蔓延预测的准确性。本论文研究目的是建立大尺度林火蔓延的数据同化预测的框架和系统,提出更贴合实际的状态和参数估计方法,并针对不利观测数据下的数据同化算法的进行改进。本文的具体工作如下:提出了基于集合的卡尔曼滤波与林火蔓延模型结合的数据同化预测框架,建立了林火蔓延的数据同化预测系统。该系统主要包括观测模块、数据同化模块、火蔓延模拟模块和控制层。观测模块,用来对观测数据进行输入;数据同化模块,由MATLAB语言编写,并编译成可执行文件;火蔓延模拟模块,是FARSITE的命令行第四版本;控制层,由Python语言编写,控制整个系统数据流的进程。在该系统上,测试了观测数据的误差变化时算法的可靠性。提出了集合转换卡尔曼滤波(ETKF)算法应用于林火蔓延的状态估计,ETKF克服了标准集合卡尔曼滤波需要人为扰动观测数据的局限。基于观测系统仿真试验,在风场条件已知和未知的情况下,比较研究了 ETKF和标准集合卡尔曼滤波在状态估计方面的性能。研究了包括过火面积、火线周长、火线位置等火蔓延行为的预测结果,并提出了用豪斯多夫距离(HD)这一相对于均方根误差(RMSE)更为保守的指标来评估数据同化算法的性能。结果显示,在风场条件已知时,ETKF和标准集合卡尔曼滤波,在处理初始条件误差和边界条件误差方面表现都较好。然而,在风场条件未知时,即还存在模型参数误差时,ETKF的预测值和分析值都明显比标准集合卡尔曼滤波的结果更接近真实值。突出体现了 ETKF在误差来源较多时这一更符合实际情况时的应用优势。提出了估计火线位置和燃料调节因子的状态和参数同时估计策略。火线位置的估计是减小模型状态误差的关键,燃料调节因子的估计是减少模型参数不确定性的重要组成部分。为此,我们仍采用基于ETKF的算法对火线位置进行修正,采用基于Monte Carlo的径向基函数神经网络(RBFNN)估计燃料调节因子。通过FireFlux Ⅰ实验和Camp Fire火灾事件的数据进行了验证,结果表明所提出的状态参数估计策略能够提高预测精度,突出了所提出的状态-参数的估计策略的优点。火线位置的估计能够检测到大尺度林火的飞火和合并,并更新火线位置。并动态确定燃料调节因子,充分模拟了林火发展的不同阶段(如“爆燃”阶段)。此外,基于Monte Carlo的RBFNN具有较低的计算成本,有助于应急救援时的决策,该方法具有较强的实用性。系统研究了在不利观测数据下ETKF算法的改进方法。在林火蔓延数据同化预测中通常假定火线位置观测数据是完整的。另外,传统意义上的观测误差也假定只有一个不确定度。由于仪器故障或火灾引起的热烟羽流或云层的存在,飞机或卫星装载的探测器所获得的林火位置的观测数据可能是不完整的和/或观测数据误差方差存在空间变化。为了克服这些问题,我们引入了一个点权值来修正“推进”项,以弥补ETKF算法在处理这类观测数据上的不足。在没有观测或观测数据可信度较低的对应预测的火点处,我们可以调整将预测火线位置推向观测火线位置的程度。通过一系列的观测系统仿真实验,比较了基于点权的ETKF(VWETKF)与ETKF的性能,验证了 VWETKF灵活的空间分布的状态估计的优越性。我们考虑了一个实际可能发生的情况,即观测到的火线是真实火线的某一部分,并且/或部分观测数据受到较大的噪声。结果表明,具有新的“推进”项的VWETKF提高了分析和预测火线位置的准确性。
【学位单位】：中国科学技术大学
【学位级别】：博士
【学位年份】：2020
【中图分类】：S762.2
【部分图文】：

?第１章绪论???加和停止对天然林的商业性采伐，重点林区的可燃物载量不断增长。国际公认??的每公顷可燃物载量累积到３０吨时，就可能发生严重和特大的森林火灾。需要??注意的是，一些地区的每公顷可燃物载量已经达到５０吨至６０吨，这将导致该??地区的严重和特大森林火灾的风险很大。根据国家林业局编撰的中国林业统计??年鉴的数据［５＿？，我国境内２０１２－２０１７年的每年林火的发生次数、过火面积和死??亡人数，详见图１．２。２０１４年，我国发生林火将近４０００次，过火面积５万多公??顷，造成５０多人的生命损失。??■火灾次数（次）??一■＿死亡人数（人）??评）〇－－??■?■／＜（▲）－－?＇５〇??，／?ｖＡ??彻?Ｈ?．／?４５００Ｑ、－?■?－４０??■?Ｉ??４００００?－?＼?＿??３０００?＼?／?．?／．■?－３０??３５０００－??Ｉ?，?通００?■?－２０??■?２５０００?－－??２０００?－｜?■?－１０??２００００?－－??■??１５００?－１?１?．?，?■￣￣ＩＭＫＭ）??１?■?１?■?１?Ｌ〇??２０１２?２０１３?２０１４?２０１５?２０１６?２０１７??年份??图１．２?２０１２－２０１７年我国境内每年林火的发生次数、过火面积和死亡人数统计??１．１．２预测林火行为??正如前一小节所述，森林火灾对人类社会构成了非常紧迫的威胁。能够认??识林火发生发展的机制和规律，特别是模拟森林火灾的蔓延过程己成为火灾安??全领域的一项重要课题。??表１．２林火蔓延作为一种复杂的化学物理过程所涉及的时空尺度????时间尺度（秒

?第２章林火蔓延预测数据同化系统???第２章林火蔓延预测数据同化系统??２．１系统架构??林火蔓延预测数据同化系统，主要包括观测模块、数据同化模块、火蔓延??模拟模块和控制层组成。系统架构如图２．１所示。??观测模块￣?火蔓延模拟模块￣?ｚ?????Ｓ?１—不同时刻的＾＾???预测结果ｊ??控制层?＋?Ｊ???ｉ?ｉ???ｙ?Ｙ??（ＪａＳｊ）??卜制层｜?１??ｔ?ｉ????数据同化模块??图２．１林火蔓延预测数据同化系统的架构??观测模块和控制层由Ｐｙｔｈｏｎ语言编写。观测模块的功能主要是定期或者不??定期的提供观测数据。在没有真实火灾事件数据时，根据观测系统仿真试验的??原理，观测模块通过运行ＦＡＲＳＩＴＥ，来模仿是从探测器获得的观测数据，本研??宄的观测数据暂设为火线位置数据。控制层主要是起中止火蔓延模型、调用数??据同化算法、重启火蔓延模型等一些过程控制和数据交互功能。??火蔓延模拟模块，我们使用了国际上使用比较广泛，也得到多国林业部门??认同的ＦＡＲＳＩＴＥ林火模拟工具。ＦＡＲＳＩＴＥ有Ｌｉｎｕｘ版本、Ｗｉｎｄｏｗｓ界面版和??Ｗｉｎｄｏｗｓ命令行版。由于需要大规模计算以及数据交互，ＦＡＲＳＩＴＥ的Ｗｉｎｄｏｗｓ??界面版就显得不合适了。另外，Ｌｉｎｕｘ版本没有进行更新，该版本不能模拟发??生的林火存在多个火线的情形，而飞火导致的火线数目的增加，以及两个火线??合并成一个较大的火线，这些过程在真实火灾中比较常见，因此ＦＡＲＳＩＴＥ的??Ｌｉｎｕｘ版本也不合适。最终我们选择了?ＦＡＲＳＩＴＥ的Ｗｉｎｄｏｗｓ命令行版，其由??Ｃ＋＋语言编写。下一节

?第２章林火蔓延预测数据同化系统???设观测误差标准差（义ＴＡ＆）为２ｍ，数据同化的分析结果如图２．２?（ａ）所示；对??于观测数据的质量较差时，假设观测误差标准差（■ｓｒｚｕ，）为１０ｍ，数据同化的??分析结果如图２．２?（ｂ）所示。??４００????＇??４００?＾???■?????…｜？？预测?？预测??３５０?一－分析?乂?３５０?Ｈ——分析??卜观涮?Ｉ?一观测??３００?ＳＴＤ＾ｌｍ?３００?ＳＴＤｏｂｓ＝１０ｍ?＇??ｉ２５０?－?ｉ?２５０?丨?咐??ｌ２００?Ｉ?２００?＾??１５０?１５〇＾??■：广＞?Ｈ）〇?？、，广??５０?Ｉ?５（ｈ??ｉ?＼ｉ??〇Ｕ?．?，?．?■???■???????：??０?１０?２０?３０?４０?５０?０?１０?２０?３０?４０?５０??（ａ）?同化步数?（ｂ）?同化步数??图２．２不同观测值误差下的同化情况（ａ）观测值误差较小（ｂ）观测值误差较大??由图２．２?（ａ）结果表明，分析值对观测值赋予了更多的权重，使得数据同??化较快的修正预测值，从而较快地把预测“推进”到观测。这是因为这个情形??的观测数据的误差要小于预测数据的误差。由图２．２?（ｂ）结果表明，与观测数??据相比，分析更接近于预测。这是因为该情形下，预测数据的误差要小于观测??数据的误差，而数据同化方法进行模型修正时，通过卡尔曼增益，总是给误差??较小的数据赋予更多的权重。??参考文献??［１］?Ｆｉｎｎｅｙ?Ｍ?Ａ，?Ａｎｄｒｅｗｓ?Ｐ?Ｌ．?Ｔｈｅ?ｆａｒｓｉｔｅ?ｆｉｒｅ?ａｒｅａ?ｓｉ
【相似文献】

相关期刊论文 前10条

1 唐勇;张晓碧;刘浩阳;郭慧玲;;林火蔓延模型的改进及可视化验证[J];小型微型计算机系统;2020年04期

2 张晓婷;刘培顺;王学芳;;王正非林火蔓延模型改进研究[J];山东林业科技;2020年01期

3 张民侠;郑怀兵;吴沛彦;;基于大数据分析的林火蔓延模型[J];电子元器件与信息技术;2019年07期

4 马天;郑君;王智超;;森林小班林火蔓延模型信息化研究[J];林业调查规划;2013年02期

5 陈喆;孙涛;张凌寒;秦前清;;三维元胞自动机各向异性林火蔓延快速模型[J];北京林业大学学报;2012年01期

6 张菲菲;解新路;;一种改进的林火蔓延模型及其实现[J];测绘与空间地理信息;2012年02期

7 李艳杰;解新路;张菲菲;;基于改进的元胞自动机林火蔓延模拟研究与实现[J];绿色科技;2012年08期

8 孙晓芳;范文义;李明泽;;林火蔓延模型的研究与实现[J];林业机械与木工设备;2009年05期

9 张贵;刘大鹏;;基于温度场动态变化的林火蔓延模型研究[J];湖南师范大学自然科学学报;2007年02期

10 肖化顺;张贵;刘大鹏;蔡学理;;模糊数据挖掘技术支持下的林火蔓延模型选择研究[J];北京林业大学学报;2006年06期

相关博士学位论文 前9条

1 周腾蛟;基于ETKF的大尺度林火蔓延预测数据同化研究[D];中国科学技术大学;2020年

2 李勇;基于MODIS数据的林火蔓延模型的研建[D];北京林业大学;2007年

3 周宇飞;动态数据驱动林火蔓延自适应模拟技术研究[D];中国林业科学研究院;2010年

4 杨广斌;动态数据驱动的林火蔓延模拟系统关键技术研究[D];中国林业科学研究院;2008年

5 高心丹;林火蔓延的动态数据驱动仿真理论及方法的研究[D];东北林业大学;2012年

6 马旭林;基于集合卡尔曼变换（ETKF）理论的适应性观测研究与应用[D];南京信息工程大学;2008年

7 吴钲;ETKF同化与适应性观测在梅雨暴雨中的应用研究[D];南京大学;2013年

8 邓欧;黑龙江省森林火灾时空模型与火险区划[D];北京林业大学;2012年

9 张贵;广州市林火动态监测研究[D];中南林学院;2004年

相关硕士学位论文 前10条

1 祁曼;林火蔓延仿真及扑救决策平台设计与软件实现[D];北京林业大学;2017年

2 钱兰;集合卡曼滤波算法对FARSITE林火蔓延预测的修正效果研究[D];中国科学技术大学;2019年

3 王鹏;基于混合HOGA-SVM信息融合的林火蔓延模型研究[D];中南林业科技大学;2018年

4 王丹;林火蔓延中的数据同化方法研究[D];中南林业科技大学;2017年

5 张菲菲;基于地理元胞自动机的林火蔓延模型与模拟研究[D];汕头大学;2011年

6 李锐;林火蔓延模拟方法的研究[D];东北林业大学;2012年

7 杨福龙;基于元胞自动机的林火蔓延三维模拟仿真研究[D];北京林业大学;2016年

8 牛丽红;拓扑地形上的林火蔓延模拟[D];中南林业科技大学;2012年

9 毛行辉;虚拟森林环境中林火蔓延三维可视化[D];福州大学;2014年

10 梅疏影;ETKF—3DVAR混合同化方案在一次梅雨锋暴雨预报中的应用研究[D];南京信息工程大学;2016年

本文编号：2860662