Machine Translated by Google

Recebido em 21 de novembro de 2019, aceito em 2 de dezembro de 2019, data de publicação em 5 de dezembro de

2019, data da versão atual em 23 de dezembro de 2019.

Identificador de Objeto Digital 10.1109/ ACCESS.2019.2957837

Um modelo de rede neural para escala Wildfire

Previsão usando fatores meteorológicos
HAO LIANG , MENG ZHANG , E HAILAN Wang
Escola de Tecnologia, Universidade Florestal de Pequim, Pequim 100083, China
Laboratório de Ambiente Ecológico Urbano e Rural de Pequim, Pequim 100083, China
Laboratório-chave da Administração Florestal do Estado para Equipamentos Florestais e Automação, Pequim 10083, China

Autor correspondente: Hailan Wang (wanghailan@bjfu.edu.cn)

Este trabalho foi apoiado em parte pelos Fundos de Pesquisa Fundamental para as Universidades Centrais sob o subsídio BLX201717 e em parte
pelo Programa Nacional de Pesquisa e Desenvolvimento Chave da China sob o subsídio 2017YFD0600901.

RESUMO Um incêndio florestal é um desastre natural que destrói os recursos florestais, causando severos impactos ao homem e aos animais
e plantas que dependem do ambiente florestal. Este artigo apresenta um modelo para prever a escala de incêndios florestais de Alberta,
Canadá. A escala de um incêndio é determinada pela combinação da duração do incêndio e do tamanho da área que ele queima. Nosso
modelo de previsão permite que os bombeiros tomem medidas apropriadas para minimizar os danos causados por um incêndio florestal com
base em sua escala prevista nos estágios iniciais do incêndio. Os dados de modelagem foram coletados do Banco de Dados Nacional de
Incêndios do Canadá (CNFDB) publicado pela Natural Resources Canada, que inclui dados meteorológicos e de incêndios florestais para
Alberta, Canadá. O tamanho da área queimada e a duração do incêndio foram usados para estimar a escala de um incêndio florestal. Após
testes de multicolinearidade e normalização de recursos, os dados foram divididos em conjuntos de treinamento e teste. Tomando os fatores

meteorológicos como valores de entrada, uma rede neural de retropropagação (BPNN), uma rede neural recorrente (RNN) e memória de
longo prazo (LSTM) foram implementadas para estabelecer modelos de previsão.

Desses métodos de classificação, o LSTM apresentou a maior precisão, 90,9%. Os resultados indicam que é viável prever a escala de um
incêndio florestal no início de sua ocorrência usando informações meteorológicas.

TERMOS DE INDEXAÇÃO Incêndio florestal, modelo LSTM, fatores meteorológicos, previsão de escala de incêndio.

I. INTRODUÇÃO Os Os incêndios florestais são uma questão ambiental fundamental. Portanto, é

recursos florestais são alguns dos recursos naturais mais importantes da Terra. importante tomar medidas preventivas eficazes no manejo florestal para reduzir
Eles não são apenas o principal componente do ecossistema da Terra, mas as perdas de vidas humanas e propriedades causadas por incêndios florestais.
também fornecem muitos recursos para a vida humana e a produção [1]. Os Nesse contexto, um modelo de previsão em escala de incêndios florestais seria
incêndios florestais são um dos principais desastres naturais que destroem os útil para orientar o trabalho de resgate de incêndios florestais e entender seu
recursos florestais. risco.
As perdas causadas pelos incêndios florestais são enormes [2] e os desafios do Como os incêndios florestais são um problema global, pesquisadores de
combate aos incêndios florestais não podem ser subestimados. vários países estão comprometidos com seu estudo há muito tempo.
As causas dos incêndios florestais são complexas. Considerando que a maioria Nos últimos anos, houve vários desenvolvimentos técnicos no campo que visam
dos incêndios florestais com causas humanas, como fumo, caça e extração de melhorar o projeto do sistema de previsão de incêndio. Wotton et ai. usaram
madeira, podem ser evitados ou reduzidos por várias intervenções [3], é difícil métodos de análise de regressão de Poisson para prever o número de incêndios
monitorar ou controlar os incêndios florestais que ocorrem naturalmente sob florestais causados pelo homem na área florestal de Ontário, Canadá,
certas condições meteorológicas. descobrindo que o número total de incêndios florestais causados por atividades
Os incêndios florestais são destrutivos e se espalham rapidamente [4]. Com humanas em Ontário poderia aumentar em aproximadamente 18% até 2020–
base nos dados do National Forestry Database do Canadá, mais de 8.000 2040 e em 50% até o final do século 21 [5]. Marchal et ai. coletou todos os
dados de incêndios florestais para florestas de folhas largas no sul de Quebec,
incêndios florestais a cada ano queimam uma média de mais de 2,1 milhões de hectares.
Canadá, de 2000 a 2010, analisou a relação entre condições climáticas,

densidade de estradas, cobertura da terra e ocorrência de incêndios, e

O editor associado que coordena a revisão deste manuscrito e estabeleceu um índice de Poisson
aprovando-o para publicação foi Jenny Mahoney.

Esta obra está licenciada sob uma Licença Creative Commons Atribuição 4.0. Para obter mais informações, consulte http://creativecommons.org/licenses/by/4.0/
176746 VOLUME 7, 2019
Machine Translated by Google
H. Liang et al.: Modelo de Rede Neural para Previsão de Escala de Incêndios Florestais Usando Fatores Meteorológicos

modelo de regressão para prever a ocorrência de incêndios florestais

nesta área. Seus resultados mostraram que a densidade das estradas
exerceu a maior influência na frequência de incêndios causados pelo
homem [6]. Plucinski et ai. estudaram incêndios florestais que ocorreram
em dez áreas florestais manejadas na Austrália Ocidental. Eles
desenvolveram um modelo usando regressão binomial negativa com um
conjunto de dados cobrindo três anos e o avaliaram usando dados de um
ano independente. Os métodos demonstrados podem ser usados para
desenvolver ferramentas preditivas para operações diárias de
planejamento de incêndio em outras regiões com registros meteorológicos
e incidentes de incêndio adequados [7].
O estudo da previsão de incêndios florestais tem focado principalmente
na previsão da frequência de incêndios florestais, o que significa que
esses modelos simplesmente predizem quantos incêndios ocorrerão [8], [9].
Informações sobre a escala dos incêndios não estão incluídas. Se a
escala dos incêndios florestais puder ser prevista em seus estágios
iniciais, planos relevantes de resgate e combate a incêndios podem ser
feitos a tempo de serem mais eficazes, reduzindo assim os danos causados [10].
FIGURA 1. Localização da área de estudo, Alberta, Canadá.
Portanto, a capacidade de prever a escala dos incêndios florestais é
crucial. Modelos de regressão têm sido amplamente utilizados na
modelagem de probabilidade de incêndios florestais desde a década de
escalas de futuros incêndios florestais. A aplicação desses modelos é
1990 [11]. Os modelos tradicionais implementados para a previsão de
sustentada por dados do mundo real de uma paisagem propensa a
incêndios florestais incluem modelos lineares generalizados baseados
incêndios em Alberta, Canadá. Nosso modelo prevê a escala dos
em logística, Poisson e distribuições binomiais negativas [12], [13]. No
incêndios florestais em seus estágios iniciais; nossas descobertas podem
entanto, esses modelos não podem processar big data multidimensional,
fornecer novos insights para orientar as autoridades na tomada de
o que restringe sua generalização. Estudos comparativos muito recentes
medidas eficazes e rápidas de gerenciamento de incêndio com alto nível
mostraram que os modelos de regressão tradicionais falham em estimar
de precisão em tempo de computação razoável.
com precisão os padrões de probabilidades de incêndios florestais porque
assumem uma relação linear entre a ocorrência de um incêndio e seus
fatores causais [14], [15] quando, de fato, os causadores dos incêndios II. ÁREA DE ESTUDO E METODOLOGIA A. ÁREA DE

florestais agem não linearmente dentro de uma ampla gama de escalas
espaçotemporais. Portanto, modelos não lineares são necessários para
lidar com as complexidades dos processos subjacentes.
Nos últimos anos, métodos de inteligência artificial (IA) provaram ser
muito eficazes para prever riscos naturais [16], [17]. Além disso, os
métodos de IA têm sido frequentemente usados no contexto da
modelagem de incêndios florestais e superaram os métodos estatísticos
convencionais em muitos casos [14], [18]–[20]. Em nosso estudo, que
usou dados de séries temporais para prever incêndios florestais,
implementamos um modelo de memória de longo prazo (LSTM) para
prever a escala de incêndios florestais. O modelo LSTM é um tipo especial
de rede neural recorrente (RNN) que preserva informações históricas em
dados usando uma unidade de memória interna seletiva [21]. O LSTM
mostrou ser mais eficaz para analisar problemas de previsão de séries
temporais do que outros métodos de IA [22]–[24]. Como as ocorrências
ESTUDO
A região de estudo, Alberta, localizada no oeste do Canadá, é ilustrada
na Fig. 1. Alberta tem um clima continental úmido com verões quentes e
invernos frios. As temperaturas médias regionais variam de -15ÿC no
inverno a 24,5ÿC no verão e a temperatura média anual é de 2,5ÿC. A
precipitação média sazonal varia de 200 mm a 325 mm no inverno e de
150 mm a 275 mm no verão e a precipitação anual é de 300 mm a 600
mm. Alberta é uma província ensolarada.
Os totais anuais de luz solar brilhante variam entre 1.900 h e 2.600 h por
ano. A maior parte da metade norte da província é floresta boreal e as
Montanhas Rochosas ao longo de sua fronteira sudoeste são amplamente
florestadas [25].
B. PREPARAÇÃO DE DADOS

de incêndios têm regras e tendências óbvias e o LSTM tem vantagens na
previsão de tendências de ocorrência, um modelo LSTM foi empregado
para prever a escala dos incêndios florestais.
Os principais objetivos deste estudo são (1) propor uma nova definição
de escala de incêndio florestal definida pela combinação da duração de
um incêndio e o tamanho da área que queima, (2) investigar a capacidade
de três modelos de redes neurais (ou seja, , rede neural de retropropagação
(BPNN), RNN e modelos LSTM) para prever a escala de incêndios
florestais em florestas usando dados meteorológicos e (3) para fornecer
uma estimativa eficiente
Os registros de ocorrência de incêndio disponíveis para a área de estudo
foram obtidos do Banco Nacional de Incêndios do Canadá (CNFDB).
Este banco de dados contém as coordenadas dos locais e as datas de
ignição de todos os incêndios ocorridos na região de Alberta entre 1990
e 2018, inclusive. O banco de dados também registra informações
específicas sobre os incêndios florestais, incluindo latitude e longitude,
data de ignição, data de extinção, área queimada e causa. Também
recuperamos dados meteorológicos do CNFDB para o período de 1990 a
2018; estes foram coletados de 6.970 estações meteorológicas. Os dados
continham 11 elementos meteorológicos: temperatura máxima (ÿC),

VOLUME 7, 2019 176747

Machine Translated by Google
H. Liang et al.: Modelo de Rede Neural para Previsão de Escala de Incêndios Florestais Usando Fatores Meteorológicos

temperatura mínima (ÿC), temperatura média (ÿC), graus-dia de informações também foram normalizadas. O algoritmo Min-Max Scaling
aquecimento, graus-dia de resfriamento, chuva total (mm), neve total [29] foi usado para quantificar variáveis na faixa [0,1]. A fórmula para
(mm), precipitação total (mm), neve no solo (cm), direção da rajada de quantização de características é dada pela Eq. (1):
vento máxima (dezenas de graus) e velocidade da rajada de vento
máxima (km/h). Devido à grande quantidade de dados meteorológicos e xi ÿ min(xi)
à dificuldade de obtê-los de páginas da web, a tecnologia de web crawler z= , (1)
max(xi) ÿ min(xi)
foi utilizada para extrair os dados meteorológicos.
onde z é o valor de saída após a normalização do recurso, xi é o valor
da variável, max(xi) é o valor máximo da variável e min(xi) é o valor
mínimo da variável.
C. PRÉ-TRATAMENTO DE DADOS
A normalização da área e duração do incêndio deu peso igual aos dois
1) FILTRAGEM E CORRESPONDÊNCIA DE
resultados de normalização no cálculo do valor médio, que foi usado
DADOS Um total de 377.719 registros de dados de incêndio foram obtidos.
como resultado final da normalização.
No entanto, os registros de dados não abrangeram todos os 11 elementos
meteorológicos; portanto, eliminámos os registos que careciam de qualquer
D. MODELAGEM DE PREVISÃO DE ESCALA DE INCÊNDIO
informação específica relevante sobre o incêndio florestal. Em seguida,
1) REDE NEURAL DE BACKPROPAGATION Uma
usando o tipo de incêndio florestal, os incêndios causados pelo homem
BPNN é uma rede neural multicamada feed-forward baseada em
(como os causados pelo fumo ou pela caça) foram excluídos. Os dados
backpropagation [30]. BPNNs típicos consistem em uma camada de
restantes de incêndios florestais consistiam em 35.685 registros disponíveis para modelagem.
entrada, uma ou mais camadas ocultas e uma camada de saída. Cada
Em seguida, usando sua latitude e longitude, comparamos os pontos de
camada consiste em vários neurônios (nós). O valor de saída de cada nó
ignição com as estações meteorológicas que registraram dados
é determinado por seu valor de entrada, função de ação e limite. O
meteorológicos para a data de cada incêndio florestal. Ao todo, foram
processo de aprendizado da rede inclui dois processos: propagação de
selecionados 394.366 registros de dados meteorológicos para os anos
informações para frente e propagação de erros para trás. Na propagação
de 1990 a 2018.
direta, as informações de entrada são transmitidas da camada de entrada
Um registro completo para modelagem necessária para incluir
para a camada de saída através da camada oculta, que é obtida pela
informações sobre o incêndio florestal e informações meteorológicas
operação da função de ação. Se a saída contiver erros quando comparada
correspondentes. Portanto, os registros de dados de incêndio foram
com o valor desejado, é realizada a propagação reversa do sinal de erro.
comparados com os registros de dados meteorológicos usando a latitude
Os erros são reduzidos modificando os pesos de cada camada de
e longitude dos pontos de ignição. O conjunto de dados final para
neurônios para que a saída atenda aos requisitos de precisão. Ao alternar
modelagem consistiu em 24.108 registros completos (ou amostras). Em
os dois processos, no espaço vetorial correto a função erro de execução
experimentos subsequentes, usamos esses registros como amostras
estratégia gradiente descendente, vetor de peso de busca iterativa
para treinamento do modelo.
dinâmica, a função erro de rede é minimizada, completando o processo
de extração de informação e memória. A estrutura topológica do BPNN é
2) TESTE DE MULTI-
mostrada na Fig. 2.
COLINEARIDADE A multicolinearidade refere-se a fortes correlações
nas relações entre as variáveis explicativas do modelo de regressão, que
distorcem as estimativas feitas pelo modelo e podem causar desvios da
verdade fundamental [26]. Para evitar que variáveis com colinearidade 2) REDE NEURAL RECORRENTE Uma
significativa afetem a precisão do nosso modelo de previsão de escala RNN é um modelo de rede neural para dados de séries temporais. A
de incêndio florestal, calculamos o fator de inflação de variância (VIF)
estrutura de rede especial de um RNN permite que a saída de um
[27] para avaliar a colinearidade entre as variáveis. Geralmente, acredita-
neurônio atue como entrada diretamente para si mesmo no ponto de
se que uma variável cujo VIF seja maior que 10 deve ser eliminada, pois
tempo seguinte [31], [32]. O resultado de cada camada oculta na rede é
tais valores indicam que existe colinearidade significativa entre variáveis
determinado pela saída da entrada atual e pela saída da camada oculta
independentes [28].
anterior; ou seja, uma RNN pode registrar os resultados de cálculos
anteriores [33]. No entanto, com um RNN, os problemas de
desaparecimento de gradiente ou explosão podem ocorrer facilmente
3) NORMALIZAÇÃO DE RECURSOS [34], [35]. Conforme mostrado na Fig. 3, dada a sequência de entrada
A normalização de recursos normaliza independentemente cada variável para (x1, x2, . . . , xt) e o estado da camada oculta (h1, h2, . . . , ht), no tempo
um determinado intervalo por meio de um método de normalização selecionado. t, as unidades RNN são atualizadas conforme mostrado em Eqs. (2)-(3).
Neste estudo, os valores das variáveis de entrada no conjunto de dados
ht = ÿ(Uxt + Whtÿ1 + b), ot = (2)
variaram muito, o que levou o processo de gradiente descendente usado
para encontrar soluções ótimas a ser complexo e demorado e, ainda, ÿ(Vht + b). (3)
afetar a precisão da previsão. Portanto, introduzimos um método de
normalização de recursos para transformar as variáveis em uma categoria 3) MEMÓRIA DE LONGO CURTO
espacial que deu peso igual às variáveis de entrada. As variáveis de PRAZO LSTM é uma variante RNN; ele pode aprender informações de
saída com wildfire dependência de longo prazo e evitar o desaparecimento do gradiente [36], [37].

176748 VOLUME 7, 2019

Machine Translated by Google
H. Liang et al.: Modelo de Rede Neural para Previsão de Escala de Incêndios Florestais Usando Fatores Meteorológicos

FIGURA 2. Estrutura da rede neural BP. Símbolos: X, porta de entrada; wi = peso entre a camada de entrada e a camada oculta; wj = peso
entre a camada oculta e a camada de saída; b = bais; f(x) = função de transferência.

4) TREINANDO OS MODELOS
Em nosso estudo, a função objetivo para modelagem de previsão
de escala de incêndios florestais foi a raiz quadrada média do erro
(RMSE) que mede a magnitude do erro entre as observações e
previsões, que deve ser minimizado:

e=tÿy (9)
2
RMSE = p Média(e ) (10)
Função objetivo = min(RMSE) (11)

FIGURA 3. Estrutura da rede neural recorrente. Símbolos: o = porta de saída; h =

onde t é o dado alvo, y é uma função dos dados de entrada e dos
camada oculta; x = porta de entrada; t = tempo; W = matriz de peso da camada oculta; modelos cujos valores são otimizados e e é o valor da função de erro
U = matriz de pesos da camada de entrada para a camada oculta; V = matriz de peso da a ser minimizado.
camada oculta para a camada de saída.

E. AVALIAÇÃO E COMPARAÇÃO DE DESEMPENHO

Em nosso estudo, a escala de incêndio florestal foi classificada em

O LSTM melhora as dependências de longo prazo aumentando as
cinco classificações. Além de calcular a precisão de previsão dos
portas de entrada, saída e "esquece" nos neurônios. A estrutura de
modelos BPNN, RNN e LSTM em cada classificação, a característica
um neurônio LSTM é mostrada na Fig. 4.
de operação do receptor (ROC) foi usada para avaliar o desempenho
Cada neurônio LSTM tem três portas – as portas de entrada, saída e de
geral dos modelos. O ROC do conjunto de dados de treinamento
esquecimento – para controlar o estado da célula. Dada a sequência de
mostra a taxa de sucesso do modelo e indica quão bem os resultados
entrada (x1, x2, . . . , xt) e o estado da camada oculta (h1, h2, . . . , ht), no
da modelagem se ajustam ao conjunto de dados de treinamento. Em
tempo t, as células LSTM são atualizadas conforme mostrado nas Eqs. (4)-
contraste, o ROC do conjunto de dados de teste produz a taxa de
(8) [38].
previsão do modelo e mede quão bem o modelo prevê a probabilidade

ft = ÿ Wo · [htÿ1, xt] + bf (4) geral de escala de incêndio em toda a área de estudo.

it = ÿ (Wi · [htÿ1, xt] + bi) (5) F. SOFTWARE

ot = ÿ (Wo · [htÿ1, xt] + bo) (6) A coleta e pré-processamento de dados e o estabelecimento dos
modelos de classificação foram desenvolvidos e implementados no
ct = ft ctÿ1 + it tanh (Wc · [htÿ1, xt] + bc) (7) framework TensorFlow do software Anaconda 3 (Anaconda, Inc.,

ht = ot (tanh (ct)) (8) Austin, TX).

onde ÿ é a função de ativação sigmóide, f é a porta de esquecimento, III. RESULTADOS E DISCUSSÃO

i é a porta de entrada, o é a porta de saída, c é a célula, h é o status A. PROCESSAMENTO DE DADOS

das camadas ocultas, W é a matriz de peso e b é a vetor de desvio. Após filtrar os dados originais do incêndio, obtivemos os pontos de
ignição, correspondentes às latitudes e longitudes em Alberta.

VOLUME 7, 2019 176749

Machine Translated by Google
H. Liang et al.: Modelo de Rede Neural para Previsão de Escala de Incêndios Florestais Usando Fatores Meteorológicos

FIGURA 4. Estrutura da célula LSTM. Símbolos: c = célula; f = esquecer portão; h = camada oculta; i = porta de
entrada; o = porta de saída; Sigmod = função de ativação sigmóide; t = tempo; x = entrada; W = matriz de peso; b =
vetor de desvio.

TABELA 1. Dados de incêndios florestais.

TABELA 2. Dados meteorológicos pós-processados.

O formato dos dados do fogo é mostrado na Tabela 1. Esses dados
incluíam a latitude e longitude do ponto de ignição, as datas de ignição
e extinção do fogo e o tamanho da área queimada. Como o estudo se
concentrou em incêndios florestais, os incêndios com causas humanas
foram eliminados; os tipos que permaneceram incluíram incêndios de
coroa, incêndios de grama, incêndios de solo e incêndios florestais. A
filtragem dos dados meteorológicos preservou os registros
meteorológicos que continham todas as 11 variáveis; seu formato é
apresentado na Tabela 2.
B. TESTE DE MULTI-COLINEARIDADE E
NORMALIZAÇÃO DAS CARACTERÍSTICAS
DOS DADOS Um teste de multicolinearidade foi usado para testar a
colinearidade das variáveis meteorológicas que afetam a ocorrência
de incêndios florestais. Os VIFs das variáveis meteorológicas são
mostrados na Tabela 3. As variáveis de temperatura mínima,
temperatura média e precipitação total devem ser excluídas, pois
seus valores de VIF foram maiores que 10. Após eliminar as variáveis
meteorológicas com múltiplas colinearidades, o incêndio

176750 VOLUME 7, 2019

Machine Translated by Google
H. Liang et al.: Modelo de Rede Neural para Previsão de Escala de Incêndios Florestais Usando Fatores Meteorológicos
TABELA 3. Os fatores de inflação de variância (VIFs) das variáveis meteorológicas.
TABELA 4. Estatísticas do conjunto de dados para modelagem.
TABELA 5. Valores de variáveis após normalização de recursos.
e os dados meteorológicos foram combinados com base na latitude
e longitude dos pontos de ignição do fogo. Em seguida, a modelagem
conjunto de dados foi preparado. Cada amostra no conjunto de dados foi
construída com oito variáveis meteorológicas e duas
variáveis (ou seja, a área queimada e a duração do incêndio). As variáveis
meteorológicas foram a temperatura máxima (MT),
graus-dia de resfriamento (CDD), graus-dia de aquecimento (HDD), total
chuva (TR), neve total (TS), neve no solo (SG), direção de
rajada de vento máxima (DMG) e velocidade do vento máximo
rajada (SMG). O método tradicional para avaliar a escala de incêndios florestais
baseia-se no tamanho da área queimada [39]. No entanto, propomos uma
definição mais significativa de escala que engloba
não só o tamanho da área queimada, mas também a duração do fogo
[40]. As descrições estatísticas básicas das variáveis do conjunto de dados
são dados na Tabela 4. Além disso, implementamos Min-Max
Escala para normalizar as variáveis no intervalo [0,1]. o
os resultados da normalização de recursos são mostrados na Tabela 5.
VOLUME 7, 2019
C. CORRELAÇÃO ENTRE A ESCALA DE INCÊNDIO E
VARIÁVEIS METEOROLÓGICAS
Após testes de multicolinearidade e normalização de recursos,
realizou análise de correlação dos fatores meteorológicos
e escala de fogo. Os resultados são mostrados na Tabela 6. MT, TR,
e SMG têm o maior impacto na escala de um incêndio. Além disso, MT, HDD,
DMG e SMG foram significativamente correlacionados positivamente com a
escala de fogo, enquanto CDD, TR, SG e
TS foram significativamente correlacionados negativamente com escala de fogo.
Além disso, a importância relativa dos fatores meteorológicos para a previsão
da escala de incêndios florestais é mostrada na Fig. 5.
D. PREVISÃO DE ESCALA DE INCÊNDIO FLORESTA
1) CLASSIFICAÇÕES DA ESCALA DE INCÊNDIO SELVAGEM
Após a normalização das características, usamos o z médio da duração
normalizada do incêndio e o tamanho normalizado da
176751
Machine Translated by Google
H. Liang et al.: Modelo de Rede Neural para Previsão de Escala de Incêndios Florestais Usando Fatores Meteorológicos
TABELA 6. Correlação entre escalas de incêndio e fatores ambientais.
TABELA 7. Resultados da divisão do conjunto de dados pelo método Kennard–Stone (KS) aprimorado.
FIGURA 5. A importância relativa dos fatores meteorológicos. MT: Temperatura
máxima (ÿC), CDD: Graus-dias de resfriamento, HDD: Graus-dias de aquecimento, TR:
Chuva total (mm), TS: Neve total (mm), SG: Neve no solo (cm), DMG: Direção de Rajada
Máxima (dezenas de graus), SMG: Velocidade da Rajada Máxima (km/h).
área queimada para classificar os incêndios florestais pela sua escala. Os
incêndios florestais foram classificados em cinco classificações de escala
de acordo com seus valores z : valores z nas faixas de [0,0,2), [0,2,0,4),
[0,4,0,6), [0,6,0,8) e [0,8,1 ) foram classificados como Níveis 1, 2, 3, 4 e 5,
respectivamente. O nível 5 representa um incêndio florestal de grande
escala, enquanto o nível 1 indica um incêndio florestal de escala muito
pequena [41].
2) ANÁLISE DOS MODELOS PREDITIVOS
O conjunto de dados para o estabelecimento dos modelos preditivos incluiu
24.108 amostras, representando 24.108 ocorrências
176752
de incêndios florestais entre 1990 e 2018. Para revelar os padrões nas
escalas de incêndios florestais de forma mais objetiva, foram selecionadas
48.216 amostras aleatórias de registros sem ocorrência de incêndio (o dobro
do número de registros de ocorrência de incêndio). Assim, o conjunto de
dados completo para modelagem de previsão de incêndios florestais
continha 72.324 amostras. As amostras foram divididas em conjuntos de
treinamento e teste na proporção de 7:3; ou seja, 50.627 registros foram
colocados no conjunto de treinamento e 21.697 registros foram colocados
no conjunto de teste [42]. Para garantir a aplicabilidade e estabilidade do
modelo de predição, aplicamos o método aprimorado de Kennard–Stone (K–
S) [43] para colocar as mais diversas amostras no conjunto de treinamento.
O número de registros de cada nível colocados no conjunto de treinamento
e no conjunto de teste são mostrados na Tabela 7.
Definindo as oito variáveis meteorológicas como entrada e classificação
de escala de incêndio florestal z como saída, o estudo usou modelos BPNN,
RNN e LSTM para analisar a relação entre fatores meteorológicos e escala
de incêndio florestal. Uma comparação da precisão de previsão do BPNN,
RNN e LSTM no conjunto de teste é mostrada na Tabela 8. O modelo LSTM
obteve o melhor desempenho preditivo dos três modelos, tendo a maior
precisão média de 90,9%; ou seja, 19.721 dos 21.697 registros no conjunto
de testes foram previstos corretamente.
Detalhes da distribuição de predição obtida usando LSTM são apresentados
na Tabela 9. Por exemplo, havia 531 registros com classificação de Nível 5
no conjunto de testes, dos quais o modelo preditivo LSTM discriminou 487
registros para o nível correto; portanto, a precisão do LSTM para o Nível 5
foi de 91,7%.
Como uma avaliação adicional, a Fig. 6 exibe as curvas ROC do conjunto
de dados de teste e o conjunto de dados completo usando o modelo LSTM.
A diagonal da Tabela 9 mostra amostras de treinamento com previsões
corretas e outras células mostram amostras de treinamento com
VOLUME 7, 2019
Machine Translated by Google
H. Liang et al.: Modelo de Rede Neural para Previsão de Escala de Incêndios Florestais Usando Fatores Meteorológicos

TABELA 8. Comparação de resultados por modelos de previsão usando rede neural de retropropagação (BPNN), rede neural recorrente (RNN) e memória de longo prazo (LSTM).

TABELA 9. Resultados de previsão para os cinco níveis de escalas de incêndio florestal usando LSTM.

FIGURA 6. Curvas características de operação do receptor (ROC) do modelo LSTM. (a) Conjunto de dados de teste; (b) conjunto de dados completo.

previsões. As curvas ROC dos conjuntos de treinamento e teste são
desenhadas de acordo com as amostras com treinamento correto e
treinamento incorreto. Os valores da área sob a curva ROC (AUC)
refletem a precisão da previsão do modelo. Quando 0,5 < AUC < 1,
quanto maior o valor de AUC, melhor o ajuste do modelo. (Alguns
estudiosos apontaram que AUC = 0,5 indica que a equação de
regressão não tem significado para a interpretação de variáveis
dependentes; quando AUC > 0,5, as variáveis independentes são
mais capazes de explicar as variáveis dependentes [44].) Os valores
de AUC de o conjunto de dados de teste e o conjunto de dados
completo foram 0,918 e 0,942, respectivamente.
Os resultados experimentais indicam que o LSTM pode prever a
escala de incêndios florestais usando variáveis meteorológicas, que
podem fornecer uma base científica para a previsão da escala de
incêndios florestais em Alberta.
4. CONCLUSÃO E TRABALHOS FUTUROS
Este estudo revelou a relação entre fatores meteorológicos e escala
de incêndios florestais nas florestas de Alberta, Canadá. A principal
contribuição deste trabalho é dupla: (1) O estudo propôs uma definição
mais significativa da escala de incêndio florestal que é estimada pelo
tamanho da área queimada e pela duração do incêndio. Essas
escalas são classificadas em cinco níveis.
(2) Dos três modelos de rede neural examinados, o modelo LSTM
exibiu a melhor capacidade de prever as escalas de incêndios
florestais, com uma precisão preditiva geral de 90,9%. Além disso, a
curva ROC indicou que o modelo LSTM se ajusta bem aos dados
(tendo uma AUC de 0,942 para o conjunto de dados completo).

VOLUME 7, 2019 176753

Machine Translated by Google
H. Liang et al.: Modelo de Rede Neural para Previsão de Escala de Incêndios Florestais Usando Fatores Meteorológicos
Os resultados deste estudo demonstram que é viável prever a escala de
incêndios florestais usando dados meteorológicos, que serão úteis na prevenção
e resgate de incêndios florestais, especialmente para incêndios florestais que
ocorrem em florestas. Os socorristas e bombeiros poderão tomar medidas
eficazes e adequadas de acordo com a escala de incêndio prevista na sua fase
inicial, reduzindo assim as perdas causadas pelos incêndios florestais.
Como os dados usados para modelagem vieram de uma única região, os
tipos de floresta e a topografia em todo o conjunto de dados foram semelhantes,
e o modelo preditivo tem algumas limitações. Este estudo constitui assim um
passo em frente no domínio da previsão de incêndios florestais ao considerar
outros fatores, incluindo a topografia do terreno, altitude, tipo de floresta,
densidade populacional e a intervenção manual na extinção de incêndios que,
juntamente com fatores meteorológicos, podem influenciar a escala de incêndios
florestais. À medida que mais fatores forem considerados, o modelo terá o
potencial de prever as escalas de uma maior variedade de ocorrências de
incêndios florestais.
RECONHECIMENTO
Os autores gostariam de agradecer ao Serviço Florestal Canadense por fornecer
os Dados de Incêndio da Agência Nacional de Banco de Dados de Incêndios.
REFERÊNCIAS
[1] R. Baker, ''História da floresta: estudos internacionais sobre mudanças socioeconômicas e
de ecossistemas florestais'', Forest Ecol. Gerenciar., vol. 159, nº. 3, pág. 293, 2002, doi:
10.1016/S0378-1127(01)00441-8.
[2] L. Shu, X. Tian e X. Kou, "O foco e o progresso na pesquisa de incêndios florestais", World
Forestry Res., vol. 16, não. 3, pp. 37–40, 2003, doi: 10.3969/j.issn.1001-4241.2003.04.007.
[3] DJ Rasbash, ''Efeitos do fogo em itens que podem ter ajudado a causar o incêndio'', Fire
Saf. J., vol. 7, não. 3, pp. 293-294, 1984, doi: 10.1016/0379-7112 (84)90027-4.
[4] A. Sekizawa, ''Análise de risco de incêndio: sua validade e potencial para aplicação em
segurança contra incêndio'', apresentado no 8º Int. Sintoma Fogo Saf.
Sci., Pequim, China, setembro de 2005, pp. 85–100. [Conectados]. Disponível: http://
www.iafss.org/publications/fss/8/85/view/fss_8-85.pdf [5] BM Wotton, DL Martell e KA
Logan, ''Climate change and people-caused forest fire ocorrência em Ontário,'' Mudança
Climática, vol. 60, pp. 275-295, outubro de 2003, doi: 10.1023/A.1026075919710.
[6] J. Marchal, SG Cumming e EJB Mcintire, ''Explorando a aditividade de Poisson para prever
a frequência de incêndios a partir de mapas de clima de incêndio e cobertura da terra em
florestas boreais de Québec, Canadá'' Ecografia, vol. 40, não. 1, pp. 200–209, 2017, doi:
10.1111/ecog.01849.
[7] MP Plucinski, WL Mccaw, JS Gould e BM Wotton, ''Prevendo o número de incêndios
florestais diários causados pelo homem para auxiliar o planejamento de supressão no
sudoeste da Austrália Ocidental'', Int. J. Wildland Fire, vol. 23, pp. 520–531, jul. 2014,
doi: 10.1071/WF13090.
[8] AC Alencar, LA Solórzano e DC Nepstad, "Modelagem de incêndios de sub-bosque em
uma paisagem amazônica oriental", Ecol. Appl., vol. 14, pp. 139–149, agosto de 2014,
doi: 10.1890/01-6029.
[9] MG Rollins, P. Morgan e T. Swetnam, "Controles em escala de paisagem sobre a ocorrência
de incêndios do século 20 em duas grandes áreas selvagens das Montanhas Rochosas
(EUA)," Landscape Ecol., vol. 17, pp. 537-557, agosto de 2002, doi: 10.1023/
A:1021584519109.
[10] JP Prestemon, ML Chas-Amil, JM Touza e SL Goodrick, ''Previsão de incêndios florestais
intencionais usando autocorrelações temporais e espaço-temporais'', Int. J. Wildland
Fire, vol. 21, pp. 743–754, out. 2012, doi: 10.1071/WF11049.
[11] MH Nami, A. Jaafari, M. Fallah e S. Nabiuni, ''Predição espacial da probabilidade de
incêndios florestais na ecorregião hircaniana usando modelo de função de crença
evidencial e GIS'', Int. J. Ambiente. Sci. Tecnol., vol. 15, pp. 373–384, fev. 2017, doi:
10.1007/s13762-017-1371-6.
176754
[12] BM Wotton e DL Martell, ''Um modelo de ocorrência de incêndio relâmpago para Ontário'',
Can. J. Forest Res., vol. 35, pp. 1389–1401, junho de 2005, doi:10.1139/x05-071.
[13] L. Vilar, DG Woolford, DL Martell e MP Martín, ''Um modelo para prever a ocorrência de
incêndios florestais causados pelo homem na região de Madrid, Espanha'', Int. J. Wildland
Fire, vol. 19, pp. 325–337, jun. 2010, doi: 10.1071/WF09030.
[14] F. Guo, L. Zhang, S. Jin, M. Tigabu, Z. Su e W. Wang, "Modelagem de ocorrência de fogo
antropogênico na floresta boreal da China usando regressão logística e florestas
aleatórias", Florestas , vol. 7, não. 11, pág. 250, 2016, doi: 10.3390/f7110250.
[15] YJ Goldarag, A. Mohammadzadeh e AS Ardakani, "Avaliação de risco de incêndio usando
rede neural e regressão logística", J. Indian Soc.
Sensoriamento Remoto, vol. 44, pp. 885–894, dez. 2016, doi: 10.1007/ s12524-016-0557-6.
[16] DT Bui, B. Pradhan, H. Nampak, Q.-T. Bui, Q.-A. Tran e Q.ÿP. Nguyen, ''Abordagem de
inteligência artificial híbrida baseada em modelo de inferência nebulosa neural e
otimização metaheurística para modelagem de suscetibilidade de inundação em uma
área de ciclone tropical de alta frequência usando GIS'', J. Hydrol., vol. 540, pp. 317–330,
set. 2016, doi: 10.1016/ j.jhydrol.2016.06.027.
[17] H. Hong, M. Panahi, A. Shirzadi, T. Ma, J. Liu, A.-X. Zhu, W. Chen, I. Kougias, e N. Kazakis,
"Avaliação de suscetibilidade a inundações na área de Hengfeng acoplamento sistema
de inferência neuro-fuzzy adaptativo com algoritmo genético e evolução diferencial", Sci.
Ambiente Total., vol. 621, pp. 1124–1141, abril de 2018, doi: 10.1016/j.scitotenv.2017.10.114.
[18] S. Oliveira, F. Oehler, J. San-Miguel-Ayanz, A. Camia e JMC Pereira, ''Modelagem de
padrões espaciais de ocorrência de incêndios na Europa Mediterrânea usando regressão
múltipla e floresta aleatória'' Forest Ecol. Gerenciar., vol. 275, pp. 117–129, jul. 2012, doi:
10.1016/j.foreco.2012.03.003.
[19] M. Rodrigues e J. de la Riva, ''Uma visão sobre algoritmos de aprendizado de máquina
para modelar a ocorrência de incêndios florestais causados por humanos'', Environ. Modelo.
Softw., vol. 57, pág. 192–201, 2014, doi: 10.1016/j.envsoft.2014.03.003.
[20] A. Jaafari, EK Zenner, M. Panahi e H. Shahabi, "Modelos de inteligência artificial híbridos
baseados em um sistema neuro-fuzzy e algoritmos de otimização meta heurística para
previsão espacial de probabilidade de incêndio florestal", Agricult. Floresta Meteorol.,
vols. 266–267, pp. 198–207, 2019, doi: 10.1016/j.agrformet.2018.12.015.
[21] FA Gers e E. Schmidhuber, "As redes recorrentes LSTM aprendem linguagens simples,
livres de contexto e sensíveis ao contexto", IEEE Trans. Neural Netw., vol. 12, não. 6, pp.
1333–1340, nov. 2001, doi: 10.1109/72.963769.
[22] FA Gers, J. Schmidhuber e F. Cummins, ''Aprendendo a esquecer: Previsão contínua com
LSTM'', Neural Comput., vol. 12, não. 10, pp. 2451–2471, 2000, doi:
10.1162/089976600300015015.
[23] X. Qing e Y. Niu, ''Hourly day-ahead solar irradiance previsão usando previsões
meteorológicas por LSTM'' Energy, vol. 148, pp. 461–468, abril de 2018, doi: 10.1016/
j.energy.2018.01.177.
[24] F. Karim, S. Majumdar, H. Darabi e S. Chen, "LSTM totalmente convolucional redes para
classificação de séries temporais", IEEE Access, vol. 6, pp. 1662–1669, 2017, doi:
10.1109/ACCESS.2017.2779939.
[25] S. Mccallister, I. Grenfell, A. Hadlow, WM Jolly, M. Finney e J. Cohen, "Ignição pilotada de
combustíveis florestais vivos", Fire Saf. J., vol. 51, pp. 133–142, jul. 2012, doi: 10.1016/
j.firesaf.2012.04.001.
[26] L. Huiling, L. Yurui e Y. Guang, ''Aplicação de algoritmo florestal aleatório na previsão de
incêndios florestais na área de Tahe com base em fatores meteorológicos'', Sci. Silvae
Sinicae, vol. 52, pp. 90–98, janeiro de 2016, doi: 10.13360/j.issn.2096-1359.2019.03.020.
[27] JS Littell, D. McKenzie, DL Peterson e AL Westerling, ''Área climática e incêndios florestais
queimadas nas ecoprovíncias ocidentais dos EUA, 1916-2003'', Ecol. Appl., vol. 19, não.
4, pp. 1003–1021, 2009, doi: 10.1080/ 10807031003670469.
[28] L. Vilar, H. Nieto e MP Martín, "Integração de modelos de ocorrência de incêndios florestais
causados por raios e humanos", Hum. Eco Avaliação de Risco, Int. J., vol. 16, pp. 340–
364, abril de 2010, doi: 10.1080/10807031003670469.
[29] Y. Li, N. Wang, J. Shi, X. Hou, e J. Liu, "Adaptive batch normalization for Practical Domain
Adaptation", Pattern Recognit., vol. 80, pp. 109–117, agosto de 2018, doi: 10.1016/
j.patcog.2018.03.005.
[30] R. Zhang, Y. Wang, K. Wang, H. Zhao, S. Xu, L. Mu e G. Zhou, ''Um modelo de avaliação
para plano de crescimento inteligente baseado na rede neural BP e análise de pares de
conjuntos ,'' J. Cleaner Prod., vol. 226, pp. 928–939, jul. 2019, doi: 10.1016/
j.jclepro.2019.03.053.
[31] T. Zhang, W. Dong, M. Keeter-Brewer, S. Konar, RN Njabon, e ZR Tian, ''Site-specific
nucleation and growth kinetics in hierarchical nanosyntheses of branched zno crystallites'',
J. Amer . Química Soc., vol. 128, nº. 33, pp. 10960–10968, 2006, doi: 10.1021/ja0631596.
VOLUME 7, 2019
Machine Translated by Google
H. Liang et al.: Modelo de Rede Neural para Previsão de Escala de Incêndios Florestais Usando Fatores Meteorológicos

[32] R. Pascanu, T. Mikolov e Y. Bengio, "Sobre a dificuldade de treinar redes neurais
recorrentes", apresentado no 30º Int. Conf.
Mach. Learn., Atlanta, GA, EUA, vol. 28, 2013. [On-line]. Disponível: http://
proceedings.mlr.press/v28/pascanu13.pdf [33] ED Übeyli, ''Combinando redes neurais
recorrentes com métodos de autovetores para classificação de batimentos de ECG'', Digit.
Processo de Sinal., vol. 19, não. 2, pp. 320–329, 2009, doi: 10.1016/j.dsp.2008.09.002.
[34] G. Hinton, L. Deng e D. Yu, ''Deep neural networks for acústico modelling in speech
recognition: The shared views of four research groups'', IEEE Signal Process. Mag.,
vol. 29, não. 6, pp. 82–97, novembro de 2012, doi: 10.1109/MSP.2012.2205597.
[35] Y. LeCun, Y. Bengio e G. Hinton, ''Deep learning'' , Nature, vol. 521, pp. 436–444, maio
de 2015, doi: 10.1038/nature14539.
[36] S. Hochreiter e J. Schmidhuber, "Memória de longo prazo", Neu ral Comput., vol. 9, não.
8, pp. 1735-1780, 1997, doi: 10.1162/neco. 1997.9.8.1735.
HAO LIANG nasceu em Jinzhong, Shanxi, China, em
1989. Ele recebeu os graus de BS e MS em software de
computador e teoria e Ph.D. graduação em automação de
engenharia florestal pela Northeast Forestry University,
China, em 2012, 2014 e 2017, respectivamente. Desde
2017, ele é professor da Escola de Tecnologia da
Universidade Florestal de Pequim. Seus interesses de
pesquisa incluem inteligência artificial, reconhecimento de
padrões, silvicultura inteligente, Internet das Coisas e
sistemas autônomos. Ele foi um destinatário dos Fundos
de Pesquisa Fundamental para as universidades centrais, em 2017.

[37] M. Sundermeyer, H. Ney, e R. Schlüter, ''De feedforward para redes neurais LSTM
MENG ZHANG nasceu em Harbin, Hei longjiang, China,
recorrentes para modelagem de linguagem'', IEEE/ ACM Trans.
em 1996. Ela recebeu o diploma de bacharel em
Áudio, Fala, Processo de Linguagem., vol. 23, não. 3, pág. 517-529, mar. 2015, doi:
10.1109/TASLP.2015.2400218. automação pela Beijing Forestry University, China, em

[38] D. Monner e JA Reggia, ''Um algoritmo generalizado de treinamento semelhante ao 2018, onde atualmente está cursando o mestrado em
LSTM para redes neurais recorrentes de segunda ordem'', Neural Netw., vol. 25, pp. engenharia de controle.
70–83, jan. 2012, doi: 10.1016/j.neunet.2011.07.003. Seus interesses de pesquisa incluem processamento de
[39] A. Krasovskii, N. Khabarov e J. Pirker, "Modelagem de áreas queimadas na Indonésia: A sinais, big data, inteligência artificial e silvicultura inteligente.
abordagem FLAM", Forests, vol. 9, pág. 437, jul. 2018, doi: 10.3390/f9070437.

[40] J. Rodríguez-Veiga, M. Ginzo-Villamayor e B. Casas-Méndez, ''Um modelo de programação

linear inteira para selecionar e alocar temporariamente recursos para combater
incêndios florestais'' , Forests, vol. 9, pág. 583, set. 2018, doi: 10.3390/f9100583.

[41] HK Preisler, DR Brillinger, RE Burgan e JW Benoit, ''Modelos baseados em probabilidade

para estimativa do risco de incêndios florestais'', Int. J. Wildland Fire, vol. 13, pp. 133– HAILAN WANG nasceu em Shannxi, China.
142, jul. 2014, doi: 10.1071/WF02061. Ela recebeu o diploma de bacharel em engenharia elétrica
[42] H. Li, J.-X. Wang, Z.-N. Xing e G. Shen, "Influência do algoritmo Kennard/Stone melhorado
e o mestrado em engenharia de controle e teoria de
na transferência de calibração em espectroscopia de infravermelho próximo", Spectrosc.
controle da Liaoning Technical University, em 1996 e 1999,
Spectral Anal., vol. 31, pp. 362–365, fevereiro de 2011, doi: 10.3964/
respectivamente, e o Ph.D. licenciada em engenharia
j.issn.1000-0593(2011)02-0362-04.
florestal pela Beijing Forestry University, em 2011. É
[43] H. Liang, M. Zhang, C. Gao e Y. Zhao, "Metodologia não destrutiva para determinar o
Professora Associada da Escola de Tecnologia da Beijing
módulo de elasticidade na flexão estática de quercus mongolica usando espectroscopia
de infravermelho próximo", Sensors, vol. 18, pág. 1963, jun. 2018, doi: 10.3390/ Forestry University. Seus interesses de pesquisa incluem
s18061963. silvicultura inteligente, sensores, Internet das Coisas e
[44] M. Jesús, C. Vega-Garcia e E. Chuvieco, "Classificação de risco de incêndios florestais engenharia de controle.
causados por humanos para planejamento de prevenção na Espanha", J. Environ.
Gerenciar., vol. 90, pp. 1241–1252, fev. 2009, doi: 10.1016/j.jenvman.2008.07.005.

VOLUME 7, 2019 176755