森林地表细小死可燃物含水率(dead fine fuel misture content,DFFMC)在森林火灾的预警、发生和蔓延过程中扮演着至关重要的角色。它是评估火灾风险不可或缺的因素之一,直接影响着火灾发生的可能性和火势的蔓延速度。当地表层的含水率...森林地表细小死可燃物含水率(dead fine fuel misture content,DFFMC)在森林火灾的预警、发生和蔓延过程中扮演着至关重要的角色。它是评估火灾风险不可或缺的因素之一,直接影响着火灾发生的可能性和火势的蔓延速度。当地表层的含水率较低时,也就是DFFMC值较低时,地表层更易燃烧,火势传播更快,从而增加了火灾蔓延的风险。监测和控制DFFMC对于预防森林火灾至关重要,准确预测DFFMC是森林火灾管理的关键挑战。目前,含水率预测模型,多采用气象预测模型,影响因素单一,预测精度不高。为此,提出了基于多光谱和气象数据融合的CNN-BiLSTM-Attention可燃物含水率预测模型。该模型在充分考虑含水率测量依据的是时间序列数据的同时,考虑了光谱特征信息以及前后时间序列对含水率的影响,因此模型以BiLSTM(双向长短时记忆网络)为核心,在BiLSTM网络前,先利用CNN(卷积神经网络)对数据特征进行提取,经BiLSTM网络训练后,又引入Attention(注意力)机制,可有效地提取光谱信息特征以及时间序列中的局部特征和长程依赖关系,并通过注意力机制增强模型对光谱信息等重要特征的关注从而提高预测精度。在东北林业大学实验林场选取了20个监测样地,部署分布式近红外光谱含水率数据采集装置和森林地表气象因子监测装置,在2024年10月进行为期一个月的数据采集,共获取28800组原始光谱和气象数据。首先,为了便于不同数据类型的融合与分析,对光谱等数据进行了归一化或标准化处理,以消除量纲差异对模型构建的影响。然后将数据集按7∶3的比例分为训练集和测试集,训练集作为CNN-BiLSTM-Attention模型的输入用于训练,经过反复训练后的模型用于含水率的预测,并对模型的预测能力进行了评估,模型拟合的决定系数R^(2)达到0.981,RMSE为0.936。结果表明,基于多光谱和气象数据融合的CNN-BiLSTM-Attention组合模型的预测方法相比其他模型具有较高的预测精度。为林内地表含水率预测提供了有力的技术支撑。展开更多
文摘森林地表细小死可燃物含水率(dead fine fuel misture content,DFFMC)在森林火灾的预警、发生和蔓延过程中扮演着至关重要的角色。它是评估火灾风险不可或缺的因素之一,直接影响着火灾发生的可能性和火势的蔓延速度。当地表层的含水率较低时,也就是DFFMC值较低时,地表层更易燃烧,火势传播更快,从而增加了火灾蔓延的风险。监测和控制DFFMC对于预防森林火灾至关重要,准确预测DFFMC是森林火灾管理的关键挑战。目前,含水率预测模型,多采用气象预测模型,影响因素单一,预测精度不高。为此,提出了基于多光谱和气象数据融合的CNN-BiLSTM-Attention可燃物含水率预测模型。该模型在充分考虑含水率测量依据的是时间序列数据的同时,考虑了光谱特征信息以及前后时间序列对含水率的影响,因此模型以BiLSTM(双向长短时记忆网络)为核心,在BiLSTM网络前,先利用CNN(卷积神经网络)对数据特征进行提取,经BiLSTM网络训练后,又引入Attention(注意力)机制,可有效地提取光谱信息特征以及时间序列中的局部特征和长程依赖关系,并通过注意力机制增强模型对光谱信息等重要特征的关注从而提高预测精度。在东北林业大学实验林场选取了20个监测样地,部署分布式近红外光谱含水率数据采集装置和森林地表气象因子监测装置,在2024年10月进行为期一个月的数据采集,共获取28800组原始光谱和气象数据。首先,为了便于不同数据类型的融合与分析,对光谱等数据进行了归一化或标准化处理,以消除量纲差异对模型构建的影响。然后将数据集按7∶3的比例分为训练集和测试集,训练集作为CNN-BiLSTM-Attention模型的输入用于训练,经过反复训练后的模型用于含水率的预测,并对模型的预测能力进行了评估,模型拟合的决定系数R^(2)达到0.981,RMSE为0.936。结果表明,基于多光谱和气象数据融合的CNN-BiLSTM-Attention组合模型的预测方法相比其他模型具有较高的预测精度。为林内地表含水率预测提供了有力的技术支撑。
