CN112308292A - 一种火灾风险等级分布图的绘制方法 - Google Patents

Abstract

本发明公开了一种火灾风险等级分布图的绘制方法，包括以下步骤：选择绘制火灾等级分布图的城市，收集该城市中历史火点发生地的火灾影响因素数据、火灾情况数据以建立火灾信息分布情况数据集；对所述城市内区域中的各类地形地貌进行标记和提取，得到网格数据；利用数据清洗与特征提取方法对火灾信息分布情况数据集进行预处理；将预处理后的火灾信息分布情况数据集，采用机器学习算法进行训练，得到多个预测模型；利用这些预测模型对所述网格数据进行计算，得到每个网格所对应的预测值；确定各预测值权重，计算出最终风险值，进行归一化处理和等级划分；基于所述网格数据以及划分后的等级，绘制火灾风险等级分布图。

Description

一种火灾风险等级分布图的绘制方法

技术领域

本发明涉及火灾防控管理领域，具体涉及一种火灾风险等级分布图的绘制方法。

背景技术

随着经济的高速发展和城市化进程的快速推进，现代社会的火灾情况愈加复杂，加上基础设施建设的相对滞后，火灾事故频发，火灾风险不断增加，对社会和经济的可持续发展带来越来越严重的影响。因此为了预防和减少火灾事故发生，并为消防部门和城市建设及管理部门在防灾减灾措施方面提供参考，对地区火灾风险进行评估显得十分必要。

发明内容

为了解决区域火灾风险评估技术的空缺与不足，本发明的目的是提供一种火灾风险等级分布图的绘制方法，通过预测火灾风险分布情况，提前采取对应的预防措施，为防灾减灾提供数据支持与参考。

为了实现上述任务，本发明采用以下技术方案：

一种火灾风险等级分布图的绘制方法，包括以下步骤：

选择绘制火灾等级分布图的城市，收集该城市中历史火点发生地以及其他区域的火灾影响因素数据、历史火点发生地的火灾情况数据以建立火灾信息分布情况数据集；所述火灾影响因素数据包括环境信息、危险源和气象信息；所述历史火点发生地的火灾情况数据包括火灾面积大小、财产损失以及人员伤亡情况；

对所述城市内区域中的各类地形地貌进行标记和提取，得到网格数据，网格数据形式为每一经纬度坐标对应一个地形；

利用数据清洗与特征提取方法对火灾信息分布情况数据集进行预处理；

将预处理后的火灾信息分布情况数据集中，历史火点发生地的即环境信息、危险源、气象信息作为自变量，分别将火灾面积大小、财产损失、人员伤亡情况作为因变量，采用机器学习算法进行训练，得到火灾面积大小预测模型、财产损失预测模型以及人员伤亡情况预测模型；利用这些预测模型对所述网格数据进行计算，得到每个网格所对应的火灾面积大小、财产损失以及人员伤亡情况预测值；

对所获得的火灾面积大小、财产损失、人员伤亡情况预测值，确定各预测值权重，计算出最终风险值，进行归一化处理和等级划分；

基于所述网格数据以及划分后的等级，绘制火灾风险等级分布图。

进一步地，所述环境信息具体包括地形地貌、人口密度、建筑物密度；危险源具体包括易燃易爆品、加油站、化工厂和电力设施；气象信息具体包括温度、湿度、风速大小、降雨量；为确保准确度，网格应尽可能小，使每一网格内仅包含一类地形地貌；所有网格划分以及经纬度坐标转换按照一致性原则进行处理。

进一步地，所述对所述城市内区域中的各类地形地貌进行标记和提取，得到网格数据，包括：

获取城市的瓦片地图，进行图片标记，获取训练集；使用标注工具对部分瓦片图进行标记，标记种类为居住地、森林、树林、河流、海洋、农田、湖泊，公路，每一个标记的图片对应一个.xml文件，对获得的xml文件进行批量解析进而获得训练模型所需要的训练集；

下载开源的神经网络框架Darknet53，对其进行编译，修改参数文件后，加入训练集并设置训练权重，保存训练好的模型；

利用训练好的模型对所有瓦片图进行标记和信息提取。

进一步地，所述利用数据清洗与特征提取方法对火灾信息分布情况数据集进行预处理，包括：

利用多重共线性检验判断输入变量之间是否存在多重共线性；为消除多重共线性，利用主成分分析方法，在尽可能保留原始信息的前提下，降低数据维度，减少数据信息的相关度和冗余度；对于非数据量，采取专家经验法直接进行赋值；采用最大、最小归一化方法对数据进行归一化处理，使得各数据的数据范围缩放到[0,1]之间。

进一步地，所述机器学习算法采用多元线性回归算法处理数据，其模型表达式为：

y＝β₀+β₁Z₁+β₂Z₃+…+β_kZ_k+ε

式中：Z_k为第k个主成分；β₀，β₁，…，β_k为回归系数；ε为随机误差项；多元线性回归模型拟合方式采用最小二乘法，使得误差平方和达到最小；模型评估指标采用均方根误差。

进一步地，所述确定各预测值权重，计算出最终风险值，进行归一化处理和等级划分，包括：

利用层次分析法对火灾面积大小、财产损失、人员伤亡情况预测值三个因素设置权重，具体包括建立比较矩阵、获得特征值与特征向量，通过计算一致性指标、随机一致性指标和一致性比率判断是否通过一致性检验，若通过一致性检验，则特征向量值为各因素所对应权重；

将每一网格所对应的三个预测值乘以相应的权重值计算出最终风险值，将数据进行归一化处理，数值在[0，0.3)区间设置为低风险，数值在[0.3，0.5)区间设置为中风险，数值在[0.5，0.75)区间设置为中高风险，数值在[0.75，1]区间设置为高风险。

进一步地，所述基于所述网格数据以及划分后的等级，绘制火灾风险等级分布图，包括：

根据城市的边界坐标利用属性数据选择显示出行政范围，结合同一坐标***下的航空影像，建立图层利用ArcMap软件中编辑工具勾画出边界，进行裁剪；将包含所有数据的.txt文导入ArcMap软件中，对txt文档中的X Field和Y Field指定为经纬度字段，根据所述的等级划分，对所有数据点进行分类导出到图层，得到火灾风险等级分布图。

与现有技术相比，本发明具有以下技术特点：

1.本发明充分考虑导致火灾发生的相关影响因素，结合不同地理、气象、地区景观等多元数据的特征信息，分析火灾风险分布与多源数据之间的关系，所绘制的火灾风险等级分布图准确、有效；基于该分布图进行火灾风险预测，能为城市建设管理部门和消防部门提供有效的决策建议，具有重要的实际应用价值。

2.本发明采用YOLOv3自动标记算法、数理统计和机器学习领域的相关算法，通过数据处理与挖掘、模型训练，构建多元线性回归模型，得到火灾风险预测模型，使得模型建立更加准确。

附图说明

图1为本发明的火灾风险等级分布图的绘制方法的流程示意图。

具体实施方式

为了对火灾状况有明确认识与同一标准，进行火灾风险等级分布图的绘制，通过分布图了解火灾风险分布情况，并预测火灾情况，再进行相应的预防措施，如提前进行火灾风险排查等方法来预防火灾的发生。

参见图1，本发明提供的一种火灾风险等级分布图的绘制方法，包括以下步骤：

步骤1，构建火灾信息分布情况数据集

选择绘制火灾等级分布图的城市，收集该城市中历史火点发生地以及其他区域的火灾影响因素数据、历史火点发生地的火灾情况数据以建立火灾信息分布情况数据集；所述火灾影响因素数据包括环境信息、危险源和气象信息，其中：

环境信息具体包括地形地貌、人口密度、建筑物密度；危险源具体包括易燃易爆品、加油站、化工厂和电力设施；气象信息具体包括温度、湿度、风速大小、降雨量；所述历史火点发生地的火灾情况数据包括火灾面积大小、财产损失以及人员伤亡情况。

人口密度与建筑物密度数据从相关部门获得，利用面插值、点插值和地理统计学方法等空间插值方法对数据进行空间化处理；气象信息取过去15天各气象要素的均值。特别的，所述火灾影响因素数据、火灾情况数据按照网格进行统计，为确保准确度，网格尽可能较小，使每一网格内尽量仅包含一类地形地貌，气象值误差较小。本发明所涉及的所有网格划分以及经纬度坐标转换按照一致性原则进行处理。

本实施例中，选取某市作为研究对象，收集近十年来的所有火灾发生点以及该市所有区域的环境信息、危险源和气象信息。上述数据通过消防部门历史记录数据、实地调研、气象监测站协助等方式获取。对于某些没有覆盖到的区域通过插值方法进行获取，将获得到的数据按照区域网格进行划分。

步骤2，获取地形地貌数据

目前针对区域地形地貌的信息提取研究较少，因此本发明利用yoloV3图片标记算法对区域内各类地形地貌进行标记和提取，得到网格数据。由于火灾的发生与地形地貌有着紧密的联系，因此需要获得地区的地形地貌信息，YOLOv3是一种目标监测网络，主要是通过学习大量标记过的图片，实现对学习过的物体进行自动标记。具体步骤如下：

步骤2.1，获取瓦片图。利用水经注地图下载软件获取城市的瓦片地图，图片大小为256*256。

步骤2.2，利用labelimg软件进行图片标记，获取训练集。使用标注工具labelimg,对部分瓦片图进行标记，标记种类为居住地、森林、树林、河流、海洋、农田、湖泊，公路，每一个标记的图片对应一个.xml文件，对获得的xml文件进行批量解析进而获得训练模型所需要的训练集。

步骤2.3，模型环境部署。在linux环境下，下载开源的神经网络框架Darknet53，对其进行编译，修改参数文件后，加入训练集并设置训练权重，保存训练好的模型；本实施例中，所述训练权重采用darknet53.conv.74。

步骤2.4，利用训练好的模型对所有瓦片图进行标记和信息提取。每一张瓦片图对应一个经纬度，也对应包含着地形类型信息，因此生成的网格数据形式为每一经纬度坐标对应一个地形。

以历史火点数据为参考，网格数据只缺少后三项。需要收集的数据如表1所示。

表1收集数据示例

步骤3，利用数据清洗与特征提取方法对火灾信息分布情况数据集进行预处理

步骤3.1，数据预处理

由于火灾信息分布情况数据集中收集到的数据包含多种类型，对于非数据量，采取专家经验法直接进行赋值。由于各变量量纲不一致，会对研究结果造成影响，因此采用最大、最小归一化方法分别对数据进行归一化处理，使得各变量的数据范围缩放到[0,1]之间，其表达式为：

式中，X和Y分别为归一化前后的数值；X_max和X_min分别为样本的最大值和最小值。

步骤3.2，利用多重共线性检验判断数据之间是否存在多重共线性。

多重共线性是指模型中的数据之间由于存在高度相关关系而使模型估计失真或难以估计准确，用方差膨胀因子来评估，公式如下：

式中：

为X_j对所有数据回归的判定系数R2，若VIF＝1，表示完全不存在共线性；若1＜VIF＜5，表示几乎不存在多重共线性；若5≤VIF＜10，表示可能存在多重共线性；若VIF≥10，表示存在严重的多重共线性。

步骤3.3，特征提取

为消除多重共线性，利用主成分分析方法，在尽可能保留原始信息的前提下，降低数据维度，减少数据信息的相关度和冗余度，降低建模复杂度。

步骤4，构建火灾风险预测模型

将预处理后的火灾信息分布情况数据集中，历史火点发生地的火灾影响因素数据，即环境信息、危险源、气象信息作为自变量，分别将火灾情况数据，即火灾面积大小、财产损失、人员伤亡情况作为因变量，采用机器学习领域中的多元线性回归、灰色线性回归、支持向量回归、决策树、贝叶斯等预测算法进行训练，得到火灾面积大小预测模型、财产损失预测模型以及人员伤亡情况预测模型。

由于多元线性回归模型主要用于判断多个预测变量与预测指标之间的关系，因此本实施例中采用多元线性回归算法处理数据，其模型表达式为：

y＝β₀+β₁Z₁+β₂Z₃+…+β₊Z_k+ε

式中：Z_k为第k个主成分；β₀，β₁，…，β_k为回归系数；ε为随机误差项。多元线性回归模型拟合方式采用普通最小二乘法，即找到合适的β₀，β₁，…，β_k，使得误差平方和

达到最小，其中n为样本量。模型评估指标采用均方根误差(RMSE)，RMSE是用来衡量预测值与真实值之间的偏差，其值越小代表预测精度越高，其表达式为：

式中：

为t时刻模型的预测值；y(t)为t时刻模型的真实值；n为样本量。

利用多元线性回归算法构建火灾面积大小预测模型、财产损失预测模型以及人员伤亡情况预测模型之后，利用各个预测模型对步骤2所得到的所有网格数据进行计算，得到每个网格所对应的火灾面积大小、财产损失以及人员伤亡情况预测值。

步骤5，基于预测值进行风险等级划分

对步骤4所获得的火灾面积大小、财产损失、人员伤亡情况预测值，利用人为判断法、排序法、比率法和成对比较法等方法确定各预测值权重，计算出最终风险值，进行归一化处理和等级划分。

本实施例利用层次分析法对火灾面积大小、财产损失、人员伤亡情况三个因素设置权重，具体包括建立比较矩阵、获得特征值与特征向量，通过计算一致性指标

随机一致性指标RI和一致性比率

判断是否通过一致性检验，若通过一致性检验，则特征向量值为各因素所对应权重。

将每一网格所对应的三个预测值乘以相应的权重值计算出最终风险值，将数据进行归一化处理，数值在[0，0.3)区间设置为低风险，数值在[0.3，0.5)区间设置为中风险，数值在[0.5，0.75)区间设置为中高风险，数值在[0.75，1]区间设置为高风险。

步骤6，绘制火灾风险等级分布图。

利用ArcMap软件，绘制火灾风险等级分布图。根据该市的边界坐标利用属性数据选择显示出行政范围，结合同一坐标***下的航空影像，建立图层利用ArcMap中编辑工具勾画出边界，进行裁剪；将包含所有数据的.txt文导入ArcMap中，利用“Display XYdata…”菜单对txt文档中的X Field和Y Field指定为经纬度字段，根据步骤5的等级划分，对所有数据点进行分类导出到图层，得到火灾风险等级分布图。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种火灾风险等级分布图的绘制方法，其特征在于，包括以下步骤：

选择绘制火灾等级分布图的城市，收集该城市中历史火点发生地的火灾影响因素数据、历史火点发生地的火灾情况数据以建立火灾信息分布情况数据集；所述火灾影响因素数据包括环境信息、危险源和气象信息；所述历史火点发生地的火灾情况数据包括火灾面积大小、财产损失以及人员伤亡情况；

对所述城市内区域中的各类地形地貌进行标记和提取，得到网格数据，网格数据形式为每一经纬度坐标对应一个地形；

利用数据清洗与特征提取方法对火灾信息分布情况数据集进行预处理；

将预处理后的火灾信息分布情况数据集中，历史火点发生地的即环境信息、危险源、气象信息作为自变量，分别将火灾面积大小、财产损失、人员伤亡情况作为因变量，采用机器学习算法进行训练，得到火灾面积大小预测模型、财产损失预测模型以及人员伤亡情况预测模型；利用这些预测模型对所述网格数据进行计算，得到每个网格所对应的火灾面积大小、财产损失以及人员伤亡情况预测值；

对所获得的火灾面积大小、财产损失、人员伤亡情况预测值，确定各预测值权重，计算出最终风险值，进行归一化处理和等级划分；

基于所述网格数据以及划分后的等级，绘制火灾风险等级分布图。

2.根据权利要求1所述的火灾风险等级分布图的绘制方法，其特征在于，所述环境信息具体包括地形地貌、人口密度、建筑物密度；危险源具体包括易燃易爆品、加油站、化工厂和电力设施；气象信息具体包括温度、湿度、风速大小、降雨量；为确保准确度，网格应尽可能小，使每一网格内仅包含一类地形地貌；所有网格划分以及经纬度坐标转换按照一致性原则进行处理。

3.根据权利要求1所述的火灾风险等级分布图的绘制方法，其特征在于，所述对所述城市内区域中的各类地形地貌进行标记和提取，得到网格数据，包括：

获取城市的瓦片地图，进行图片标记，获取训练集；使用标注工具对部分瓦片图进行标记，标记种类为居住地、森林、树林、河流、海洋、农田、湖泊，公路，每一个标记的图片对应一个.xml文件，对获得的xml文件进行批量解析进而获得训练模型所需要的训练集；

下载开源的神经网络框架Darknet53，对其进行编译，修改参数文件后，加入训练集并设置训练权重，保存训练好的模型；

利用训练好的模型对所有瓦片图进行标记和信息提取。

4.根据权利要求1所述的火灾风险等级分布图的绘制方法，其特征在于，所述利用数据清洗与特征提取方法对火灾信息分布情况数据集进行预处理，包括：

利用多重共线性检验判断输入变量之间是否存在多重共线性；为消除多重共线性，利用主成分分析方法，在尽可能保留原始信息的前提下，降低数据维度，减少数据信息的相关度和冗余度；对于非数据量，采取专家经验法直接进行赋值；采用最大、最小归一化方法对数据进行归一化处理，使得各数据的数据范围缩放到[0，1]之间。

5.根据权利要求1所述的火灾风险等级分布图的绘制方法，其特征在于，所述机器学习算法采用多元线性回归算法处理数据，其模型表达式为：

y＝β₀+β₁Z₁+β₂Z₃+…+β_kZ_k+ε

式中：Z_k为第k个主成分；β₀，β₁，…，β_k为回归系数；ε为随机误差项；多元线性回归模型拟合方式采用最小二乘法，使得误差平方和达到最小；模型评估指标采用均方根误差。

6.根据权利要求1所述的火灾风险等级分布图的绘制方法，其特征在于，所述确定各预测值权重，计算出最终风险值，进行归一化处理和等级划分，包括：

利用层次分析法对火灾面积大小、财产损失、人员伤亡情况预测值三个因素设置权重，具体包括建立比较矩阵、获得特征值与特征向量，通过计算一致性指标、随机一致性指标和一致性比率判断是否通过一致性检验，若通过一致性检验，则特征向量值为各因素所对应权重；

将每一网格所对应的三个预测值乘以相应的权重值计算出最终风险值，将数据进行归一化处理，数值在[0，0.3)区间设置为低风险，数值在[0.3，0.5)区间设置为中风险，数值在[0.5，0.75)区间设置为中高风险，数值在[0.75，1]区间设置为高风险。

7.根据权利要求1所述的火灾风险等级分布图的绘制方法，其特征在于，所述基于所述网格数据以及划分后的等级，绘制火灾风险等级分布图，包括：

根据城市的边界坐标利用属性数据选择显示出行政范围，结合同一坐标***下的航空影像，建立图层利用ArcMap软件中编辑工具勾画出边界，进行裁剪；将包含所有数据的.txt文导入ArcMap软件中，对txt文档中的X Field和Y Field指定为经纬度字段，根据所述的等级划分，对所有数据点进行分类导出到图层，得到火灾风险等级分布图。

Images