２０１８年６月 森林防火 ＦＯＲＥＳＴ ＦＩＲＥ ＰＲＥＶＥＮＴＩＯＮ Ｊｕｎｅ ２０１８ Ｎｏ．２ 第２期 基于直连ＢＰ神经网络模型的森林火险预测 王亚琴 ，王耀力 ，郭学斌 ，孙永明 （１．太原理工大学信息工程学院，山西晋中０３０６００；２．山西省林业科学研究院，山西太原０３００００） 摘要：传统的ＢＰ神经网络模型（ＢＰＮＮ）用于森林火险预测存在预测精度低、泛化能力差等不足。选取 温度、相对湿度、风速以及日降水量４个气象因子作为神经网络的输入，林火是否发生作为输出， 提出一种改进的网络结构一直连ＢＰ神经网络（ＢＰＮＮ—ＤＩＯＣ）以构建森林火险预测模型。该结构 在传统ＢＰ神经网络模型的基础上加入了从输入到输出的连接。为了探究该网络的有效性，根据 输入层到输出层是否有连接，输出层是否有阈值，分别构建了４个不同的网络模型，并以森林火灾 发生较少的太原市和森林火灾发生较频繁的桂林市为例进行验证。模拟结果表明，ＢＰＮＮ—ＤＩＯＣ 模型的预测精度高于ＢＰＮＮ模型；它不仅能够适用于火险发生较频繁的地区，也能够很好的用于 火险发生较少的地区，具有良好的通用性，而输出层是否有阂值对预测效果并没有明显的影响。 关键词：森林火险；预测预报；神经网络模型；气象因子；相关性分析 中图分类号：￥７６２．３ 文献标识码：Ａ 由于受气候条件、地理条件和人为因素等多 度对森林面积与森林火险存在显著影响，并建立 种不同因素的影响，森林火险的发生具有很大的 了线性回归模型进行拟合。苏漳文ｎ伽将福建省 波动性，其中，气象因素是森林火险发生的主要诱 ２０００年至２００４年的林火数据作为训练样本，２００５ 导因素ｎ叫。很多学者对气象因子与森林火险之间 年的林火数据作为测试样本，结果表明日最高地 的关系进行了研究，并利用传统的统计学方法建 表温度、最低地表温度、平均风速、日照时间、平均 立了气象因子与森林火险之间的预测模型 。 相对湿度等９个变量与林火发生显著相关。 谢克勇等／５１分析了日照时数、气温、相对湿度及降 近年来，基于气象因子建立神经网络森林火 水与森林火险之间的关系，得出森林火险与日照 险预测模型成了研究热点 １１－１８］。例如：杨景标ｕ 以 时数呈正相关，与相对湿度和降水成负相关，与气 气象因子作为网络输入，以广东省林火发生与否、 温密切相关，为科学预防森林火险提供了参考。 次数和林火面积等作为输出，建立了人工神经网 徐海龙 １运用主成分分析和聚类分析方法建立了 络预测模型，获得了较好的预测效果。丹ｕ 林火过火面积预测模型。李丽琴 通过统计学方 以河南登封地区的气象条件为基础，采用ＢＰ神经 法分析得出风速、气温年较差、平均气温与森林火 网络建立了森林火险发生预测模型，建模精度为 灾的发生有显著相关性。李德 探究了四川省近 ０．９７，取得了较好的拟合效果。Ｓａｌｉ等 讨论了基 ３Ｏ年森林火灾重灾区火灾发生与气象因子的关 于神经网络的森林火灾预测模型，并以葡萄牙 系，得出重灾区森林火灾与风速、日照时数、降水 Ｍｏｎｔｅｓｉｎｈｏ自然公园相关的真实测试数据为例对 量呈显著线性相关。王智慧等 建立了气象因素 该模型进行了仿真，获得了较为满意的结果。马 与森林火险的回归模型，结果表明年平均相对湿 奔等 以１９９７－－２０１２年的全国森林火灾成灾面积 收稿日期：２０１８—０１—２９ 作者简介：王亚琴（１９９２一），女，硕士研究生，主要从事神经网络的预测控制研究。 通信作者：王耀力（１９６５一），男，博士，副教授，主要从事计算智能、机器视觉等的研究。 一４ｌ一 王亚琴，等：基于直连ＢＰ神经网络模型的森林火险预测 ｒａｌｉａｎ Ｅｎｅｒｇｙ Ｍａｒｋｅｔ Ｏｐ— 为依据，应用ＢＰ神经网络模型对成灾面积进行 亚能源管理运营商（Ａｕｓｔ了预测，然后利用残差提出了修正的ＢＰ神经网 ｅｒａｔｏｒ，ＡＥＭＯ）新南威尔士州的电力负荷数据对 络模型，并对改进的模型进行了预测。 ＲＶＦＬ（Ｒａｎｄｏｍ Ｖｅｃｔｏｒ Ｆｕｎｃｔｉｏｎａｌ—Ｌｉｎｋ）网络进行 ＢＰ神经网络能够很好地拟合输人与输出之 了全面的评估。结果表明从输入到输出的连接在 间复杂的非线性关系。文献【７—９】通过气象因子与 著的线性相关性，因此，气象因子和森林火险之间 网络性能中起着非常重要的作用，使网络在具有 出的线性映射能力，从而可以更准确的表示出输 森林火险的相关性分析，得出它们之间存在着显 高度非线性映射能力的同时又具有了从输入到输 既存在复杂的非线性关系，也存在一定的线性关 入与输出之间完整的映射关系。可以看出，这种 系，所以采用ＢＰ神经网络很难描述出它们之间复 杂的关系。因此，本文提出一种改进的网络一直 连ＢＰ神经网络（ＢＰＮＮ—ＤＩＯＣ）用于构建森林火险 预测模型。为了探究该网络的有效性，根据是否 存在输出层阈值和输入到输出之间的连接而扩展 了４个不同的森林火险预测模型，并对网络进行 训练，最后进行网络泛化能力的测试。 １ 改进神经网络描述 １．１改进思路 人工神经网络（Ａｒｔｉｉｆｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ，ＡＮＮ１ 可以被描述为将第ｍ个输入向量Ｘ（ｍ）映射到第 ｎ个输出向量Ｏ（ｎ）的函数。函数的形式，即输入 和输出之间的函数关系决定了网络拓扑结构，可 以近似表述为ｎ ：①输入变量的线性函数，对应没 有隐含层的单层感知机网络，这种结构产生的预 测误差非常大，不适合用于预测；②输入变量的 非线性函数，对应具有非线性拟合特性的ＢＰ神经 网络，其网络结构如图１所示；③输入变量的线性 和非线性组合函数，对应基于ＢＰＮＮ加入输入到 输出连接的ＢＰＮＮ—ＤＩＯＣ，其网络拓扑结构如图２ 所示。 从图１和图２可以看出，ＢＰＮＮ—ＤＩＯＣ的网络 拓扑结构与ＢＰＮＮ相似，主要区别在于ＢＰＮＮ—ＤＩ— ＯＣ加入了从输入到输出的直接连接。１９９１年， Ｐｅｎｇ等 提出了一种改进的ＢＰ神经网络算法，该 算法在常规ＢＰ神经网络中加入了输入层到输出 层的连接，形成具有线性和非线性模型结合的网 络，并用于短期电力负荷预测，预测精确度提高了 ｌ％。２０１６年，Ｒｅｎ和Ｓｕｇａｎｔｈａｎ［捌通过采用澳大利 一４２一 网络结构具有一定的优势。 隐含层 图１神经网络拓扑结构 隐含层 图２直连ＢＰ网络拓扑结构 目前，该网络模型还没有应用在森林火险预 测上。因此，本文以太原和桂林两个地区的森林 火险情况为例（表１），首先，分析气象因子与森林 火险之间的相关性；然后，从ＢＰ神经网络角度出 发，根据是否存在输出层阈值和输入到输出之间 的连接而扩展了４个不同的森林火险预测模型， 并分别进行训练；最后，对网络的泛化能力进行 王亚琴，等：基于直连ＢＰ神经网络模型的森林火险预测 表１ 太原市和桂林市的火灾情况 测试。 １．２数据分析 １．２．１自然概况 太原市位于东经１１１ｏ３０ ～１１３。０９ ，北纬３７。 ２７ ～３８ｏ２５ 之间，属于北温带性气候。年平 均气温９．５℃，冬季室外相对湿度是４６％，夏季相 对湿度是５１％，年平均风速为９ ｋｍ／ｈ，年均降水量 ４５６ ｍｍ。总特征为：春季干燥多风，夏季炎热多 雨，秋季天高气爽，冬季寒冷少雪。其中在３、４、５ 三个月，大部分地区气温较高、空气干燥、风力也 较大，很容易发生火灾，是太原市森林火险发生的 高频月份，发生的火险占全年的８０％以上。 桂林市位于东经１０９。３６ ～１１１ｏ２９ 、北纬２４。 １５ ～２６。２３ ，属于亚热带季风气候。年平均气温 １９．３ ｃＩ二，年平均相对湿度是７３％，年平均风速为 ０．６～０．７５ ｋｍ／ｈ，年均降水量１ ９４９．５ ｍｍ，十分有利 于多种林木的生长和林业的发展。桂林森林资 源丰富，２０１６年森林覆盖率达７０．９１％，植被种类 繁多，有包括银杉、红豆杉、银杏在内的高等植物 １ ０００多种。因此，要谨防森林火险的发生。 每个不同的地区都有不同的气候条件。从表 １可以看出，桂林属于森林火险发生较频繁的地 区，但是太原地区风力较大，因此造成火势蔓延 快，火场面积较大。 １．２．２气象因子和森林火险的相关性分析 众所周知，森林火灾的起火、传播等过程与 气象条件密切相关，而引起火灾的主要气象因子 有温度、相对湿度、风速和降水量。本文选取太 原市２０１１年５月１ １３—３１ １３、２０１３年５月１０ １３—２２ 日，桂林市２００５年６月１日一３０日、２０１０年６月１ ３１—１３日的气象数据和森林火险记录作为研究对 象。为了探讨这４个气象因子与森林火险之间的 关系，我们建立了气象因子与森林火险之间的回 归模型［９１。 ｆ＝ｙｏ＋ｙｌ １＋ｙｚｘ２＋ｙ￣ｘ３＋ｙ，ｘ４ （１） 其中， 为日平均温度， ：日平均相对湿度，勘为日 平均风速， 为日平均降雨量。．厂表示森林火险是 否发生，１是林火发生，０是不发生。 对于太原地区，该回归方程Ｆ检验的值为 ６．１７９８，对应的Ｐ值为５．９６ｘ１０ ；对于桂林地区，该 回归方程Ｆ检验的值为１７．７９０ ２，对应的Ｐ值为 ２．６３ｘ１０～。很显然，两个地区样本的Ｆ检验的Ｐ值 均小于０．０５，这意味着在显著性水平为０．０５时，４ 个气象因子对森林火险的联合线性影响是显著 的，即气象因子和森林火险之间既存在复杂的非 线性关系，也存在一定的线性关系。 表２为两个地区的４个气象因子与森林火险 的相关性分析。从表中可以看出，对于太原地区， 温度与森林火险之间存在着显著的正相关性，表 明温度越高，火险发生的概率越大；对于桂林地 区，相对湿度与森林火险之间存在着显著的负相 关性，表明相对湿度越低，发生林火的概率越大。 这和当地的气象条件有很大的关系。表２的分析 结果说明，在总体５％显著性水平下并不是所有影 响因子都与森林火险存在显著的相关性，这可能 是由于因子间相互的影响作用使得某些因子对因 变量的影响被其他因子的影响关系覆盖了。 表２气象因子与森林火险的相关分析 在ｏ．０５水平上显著相关 ２ 实验设置 ２．１ ＢＰ神经网络的扩展 根据从输入层到输出层是否有连接和输出层 —－－——４３－－－—— 王亚琴。等：基于直连ＢＰ神经网络模型的森林火险预测 是否有阈值，可以将ＢＰ￣￣０经网络扩展成４个不同 ２００５年６月１—３０日的气象数据和森林火险记录 的神经网络模型，见表３。 表３ ４种不同的神经网络模型 作为训练样本，２０１３年５月ｌ０—２２日和２０１０年６ 月１—１３ ｔ：１的数据作为两个地区的测试样本。仿 真平台为ＭＡＴＬＡＢ Ｒ２０１２ａ，对训练样本分别构建 ４种神经网络森林火险预测模型，之后对测试样本 进行拟合，试验重复ｌ０次。 ２．４．１最佳隐层神经元数比较 表４为４种网络所需的最佳隐层神经元数。 通过比较Ｍ１、Ｍ３以及Ｍ２、Ｍ４可以看出，从输入到 输出的连接是否存在对选取最佳隐含层节点个 数有很大的影响，没有输入到输出直接连接的网 络（Ｍ１，Ｍ２）比具有输入到输出直接连接的网络 （Ｍ３，Ｍ４）需要的隐含层神经元数要多。而通过 比较Ｍ１、Ｍ２以及Ｍ３、Ｍ４可以看出，输出层阈值 注：ｂ为隐含层神经元的输出；ｆ为传递函数；Ｏ为输出层神经 元的输出； 为网络输入； 为输入层到输出层的连接权值； 。 为输入层到输出层的连接权值；Ｗ２ 为隐含层到输出层的连接权 值； 为隐含层神经元的阈值 为输出层神经元的阈值。 是否存在对网络选取最佳隐含层节点个数几乎没 有影响 表４ ４个网络所需的最佳隐层神经元数 ２．２构建神经网络森林火险预测模型 本文选取日平均气温、日平均相对湿度、日平 均风速和日均降水量作为神经网络的输入，森林 火险是否发生作为输出，其中１表示发生，０表示 ４．２预测结果比较 不发生。隐含层神经元的个数对神经网络预测模 ２．型的学习能力有很大的影响，直接影响其预测结 表５列出了４种不同网络模型重复１０次试验 果。本文采用五折交叉验证法选取合适的隐层神 的平均ＲＭＳＥ及标准差。仿真结果表明，直连ＢＰ 经元个数 ，通过找出样本在不同的隐层神经元个 神经网络模型可以获得比ＢＰ神经网络模型更高 数中最小的误差，从而得到最佳的隐含层神经元 的预测精度，并且该方法不仅对森林火险发生较 个数，构建最优的神经网络预测模型。 ２．３预测精度分析 频繁的地区有效，对森林火险发生较少地区也有 很好的预测效果，具有良好的通用性。 为了对４种神经网络的预测精度进行分析， 本文采用均方根误差（ＲＭＳＥ）来 Ｔｗｏ—ｓｉｄｅｄ Ｗｉｌｃｏｘｏｎ ｓｉｇｎｅｄ ｒａｎｋ ｔｅｓｔ是非参数 表５ ４种不同预测模型的ＲＭＳＥ及标准差 衡量网络的预测能力，ＲＭＳＥ越 小，网络的预测性能越好。它的 定义为： — ———一—— ＲＭＳＥ＝ ∑、／ｎ （０ Ｔ ）。 （２） 式中，／７，为数据的长度， 代表实际的目标值，Ｏ 是 网络输出反归一化后的值。 ２．４仿真结果及分析 的统计假设检验，用于比较两个样本之间是否存 在显著的差别。Ｐ＜０．０５时表示两个样本存在显著 差异，而Ｐ＞０．０５时表示两个样本之问无显著差 本文选取太原市２０１１年５月ｌ一３１日，桂林市 异。为了比较ＢＰ神经网络模型中有无输出层阈 一４４一 王亚琴，等：基于直连ＢＰ神经网络模型的森林火险预测 值对网络预测性能的影响，对Ｍ１、Ｍ２以及Ｍ３、Ｍ４ 和输出层阈值，构建了４个不同的神经网络模型， 分别采用Ｔｗｏ—ｓｉｄｅｄ Ｗｉｌｃｏｘｏｎ ｓｉｇｎｅｄ ｒａｎｋ ｔｅｓｔ测 试，结果如表６所示。可以看出，预测结果之间没 响网络模型的预测性能。 通过对Ｍ１、Ｍ３以及Ｍ２、Ｍ４模型采用Ｔｗｏ— 由仿真结果可以得出以下结论： １）ＢＰ神经网络模型中有无输出层阈值对网 影响。 有显著的差异。因此，输出层阈值的有无不会影 络所需的隐含层节点个数和预测性能几乎没有 ２）在ＢＰ神经网络上加人从输入层到输出层 ｓｉｄｅｄ Ｗｉｌｃｏｘｏｎ ｓｉｇｎｅｄ ｒａｎｋ ｔｅｓｔ测试，以判断在ＢＰ 的连接可以大大减少所需的隐含层节点个数， 神经网络基础上是否存在输入到输出的连接对网 降低网络所需调整的参数个数，加快网络的训 络模型预测性能的影响，结果如表７所示，可以看 出预测结果之间存在着显著的差异，即在ＢＰ神经 网络模型基础上加入从输入到输出的连接，即直 连ＢＰ神经网络模型可以明显改善预测性能。 可见，在ＢＰ神经网络中加人从输入到输出的 表６有无输出层阈值的显著性比较 表７有无输入到输出的连接的显著性比较 连接相当于网络具有了从输人到输出的线性映射 能力，可以将气象因子对森林火险的影响更好的 映射到网络的输出，从而更准确的用于森林火险 的预测。 ３ 结论 通过４个气象因子与森林火险的相关性分 析，得出气象因子与森林火险之间不仅存在复杂 的非线性关系，还具有显著的联合线性特性。对 于太原地区，温度与森林火险之间存在着显著的 正相关；而对于桂林地区，相对湿度与森林火险之 间存在着显著的负相关性。本文在ＢＰ神经网络 的基础上根据是否存在从输入层到输出层的连接 练速度。 ３）直连ＢＰ神经网络模型可以提高网络的预 测精度，增强网络的泛化能力。因为在ＢＰ神经网 络中加入从输入到输出的连接相当于网络具有了 从输入到输出的线性映射能力，改善了具有高度 非线性拟合能力的ＢＰ神经网络在处理非线性和 线性综合问题方面的能力，可以更准确地将输人 完整的映射到网络的输出。 ４）基于直连ＢＰ神经网络模型的森林火险预 测模型不仅适用于火灾发生频繁的地区，也适用 于火灾发生较少的地区，具有很好的通用性。 参考文献 Ⅲ１郑红阳．受气象因子驱动的火灾系统标度性研究［Ｄ】．合 肥：中国科学技术大学，２０１０． 【２］Ｓｈａｂｂａｒ Ａ，Ｓｋｉｎｎｅｒ Ｗ，Ｆｌａｎｎｉｇａｎ Ｍ Ｄ．Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｓｅａｓｏｎａｌ ｆｏｒｅｓｔ ｉｆｒｅ ｓｅｖｅｒｉｔｙ ｉｎ Ｃａｎａｄａ ｆｒｏｍ ｌａｒｇｅ—ｓｃａｌｅ ｃｌｉｍａｔｅ ｐａｔｔｅｒｎｓ［Ｊ１．Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｍｅｔｅｏｒｏｌｏｇｙ ａｎｄ Ｃｌｉｍａｔｏｌｏｇｙ，２０１ １，５Ｏ（４）：７８５—７９９． 【３］张伟．关于大兴安岭地区森林火灾与气象因素的模型 及分析［Ｄ】．哈尔滨：东北林业大学，２０１５． ［４］沈姣姣，宋鸿，曹慧萍，曹岳．陕西省林火特征及与关键 气候因子的关系『Ｊ］．灾害学，２０１６，３１（２）：９９－１０５． ［５］谢克勇，黄志辉，周勇平，敖红斌．森林火灾与气象因子 的相关性分析［Ｊ】．江西林业科技，２００８（５）：５３—５５． ［６徐海龙．大兴安岭森林火灾过火面积预测的研究［６］Ｄ］．哈 尔滨：东北林业大学，２００９． 【７］李丽琴．云南省森林火灾发生与气象因子之间的关系 研究［Ｄ］．北京：北京林业大学，２０１０． ［８］李德．四川省重点地区森林火灾与气象因子的关系研 究［Ｄ］．北京：北京林业大学，２０１３． ［９】王智慧，陈飞．森林火灾受害面积的（下转第５４页） —－－——４５·－——— 李滨希：九寨沟景区森林航空消防探索 面巡护人员一旦发现森林火情，第一时间通知航 直接灭火的探索实践，分析了现有条件下适合九 空护林站人员，可以进行快速反应。空中侦查到 寨沟景区的机型组合、起降点选择、灭火手段，梳 的初发火情也会及时通知景区防火部门。空中对 理了与景区管理部门地空配合的经验。在川西北 火场的准确侦查，能辅助地面指挥部进行扑火方 高原的其他景区及林区的森林航空消防实践中， 案的制定，帮助地面扑火队员更科学安全地进行 可利用和借鉴这些经验及结果，更好地突破和解 火场扑救工作，也能扫除地面扑火队员的扑救盲 决川西北高原森林消防的重点及难点。 区，重点对火场的火头、火线进行控制，快速阻断 火势蔓延。洒水后，需地面人员清理火场，避免火 参考文献 １］邓贵平．九寨沟世界遗产旅游地学景观成因与保护研 场死灰复燃。在利用临时起降点起降作业时，景 【区管理部门也要承担安保、场地清理、后勤等地面 保障工作。所以，景区扑救林火的地空配合程度 直接影响灭火效率。 究［Ｄ】．成都：成都理工大学，２０１ １． ［２】梁文超，赵鹏祥．川西高原森林航空消防探索［Ｊ】．森林防 火。２０１７（３）：４７－４９． ［３］刘源，王撼，赖元长，等．九寨沟周家级自然保护区森林防 火现状及对策 四川林勘设计，２０１４（３）：３８－４１，５３． ６结语 笔者通过对九寨沟风景区区位分析、机型对 【４Ｊ刘克韧．浅析森林航空消防直接灭火技术ｌＪＪ．森林防火， ２０１２（２）：４９－５３． 比、起降点选择以及近年来在该区域内进行航空 （责任编辑：陈小华） （上接第４５页） 影响因素分析［Ｊ］．当代经济，２０１４（２２）：１２６—１２７． ［１ｏ］苏漳文，刘爱琴，梁慧玲，郭福涛，赵嘉阳，林芳芳．基于 气象因子的福建省森林火险预测模型ＩＪＪ．森林与环境 学报，２０１５，３５（４）：３７０—３７６． ［１１］ＳａｋｒＧＥ，ＥｌｈａｊｊＩＨ，ＭｉｔｒｉＧ．Ｅｆｉｃｉｆｅｎｔｆｏｒｅｓｔｆｉｒｅ ｏｃｃｕｒｒｅｎｃｅ ｐｒｅｄｉｃｔｉｏｎ ｆｏｒ ｄｅｖｅｌｏｐｉｎｇ ｃｏｕｎｔｉｅｓ ｕｓｉｒｎｇ ｔｗｏ 灾面积预测研究ｌ Ｊ１．资源开发与市场，２０１４（１２）：１４４１－ １４４３． ［１７】胡超．基于ＢＰ人Ｔ神经网络的区域森林火灾预测研 究［Ｄ］．舟山：浙江海洋学院，２０１５． ［１８］Ｙｉｎ Ｚ，Ｗａｎｇ Ｆ，Ｔａｎｇ Ｔ Ｔ，ｅｔ ａ１．Ｔｈｅ ｆｏｒｅｓｔ ｉｆｒｅ ｐｒｅｄｉｃｔｉｏｎ ｉｎ ＪｉａｎｇＸｉ ｐｒｏｖｉｎｃｅ ｂａｓｅｄ ｏｎ ＰＳＯ——ＧＡ——ＢＰ ｎｅｕｒａｌ ｗｅａｔｈｅｒ ｐａｒａｍｅｔｅｒｓ［Ｊ］．Ｅｎｇｉｎｅｅｒｉｎｇ Ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ Ａｒｔｉｉｆｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１ １，２４（５）：８８８—８９４． ［１２】Ｇｏｌｄａｒａｇ Ｙ Ｊ，Ｍｏｈａｍｍａｄｚａｄｅｈ Ａ，Ａｒｄａｋａｎｉ Ａ Ｓ．Ｆｉｒｅ ｒｉｓｋ ａｓｓｅｓｓｍｅｎｔ ｕｓｉｎｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｌｏｇｉｓｔｉｃ ｎｅｔｗｏｒｋ［Ｃ］．Ｔｈｅ Ｗｏｒｋｓｈｏｐ ｏｎ Ａｄｖａｎｃｅｄ Ｒｅｓｅａｒｃｈ＆ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ Ｉｎｄｕｓｔｒｙ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１６． ［１ ９］Ｐｅｎｇ Ｔ Ｍ，Ｈｕｂｅｌｅ Ｎ Ｆ，Ｋａｒａｄｙ Ｇ Ｇ．Ａｄｖａｎｃｅｍｅｎｔ ｉｎ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｓｈｏｒｔ—ｔｅｒｍ ｌｏａｄ ｒｅｇｒｅｓｓｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｉｎｄｉａｎ Ｓｏｃｉｅｔｙ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１６，４４（６）：８８５—８９４． ｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐｏｗｅｒ Ｓｙｓｔｅｍｓ， １９９２，７（１）：２５０—２５７． ［２０］Ｒｅｎ Ｙ，Ｓｕｇａｎｔｈａｎ Ｐ Ｎ，Ｓｒｉｋａｎｔｈ Ｎ，ｅｔ ａ１．Ｒａｎｄｏｍ ｖｅｃｔｏｒ ｆｕｎｃｔｉｏｎａｌ ｌｉｎｋ ｎｅｔｗｏｒｋ ｏｒ ｆｓｈｏｒｔ—ｔｅｒｍ ｅｌｅｃｔｒｉｃｉｔｙ ｌｏａｄ 【１３】杨景标，马晓茜．基于人工神经网络预测广东省森林 火灾的发生【Ｊ１．林业科学，２００５（４）：１２７—１３２． ［１４］丹，黄家荣，刘伟，等．基于人工神经网络的森林 ｄｅｍａｎｄ ｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ，２０１６，３６７： 】０７８－】０９３． 火险预测［Ｊ］．西北林学院学报，２０１０，２５（３）：１４３—１４６． ［１５］Ｓａｉｌ Ｙ，Ｂｏｕｒｏｕｍｉ Ａ．Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｆｏｒｅｓｔ ｉｆｒｅｓ ｕｓｉｎｇ ａｒｔｉｉｆｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ［Ｊ］．Ａｐｐｌｉｅｄ Ｍａｔｈｅｍａｔｉｃａｌ Ｓｃｉｅｎｃｅｓ，２０１ ３，（６）：２７ １—２８６． （责任编辑：韩焕金） ［１６］马奔，薛永基，顾艳红．修正的ＢＰ神经网络森林火灾成 －－－－——５４－－－－——
