森林火灾具有极强的突发性和破坏性，不仅直接破坏森林资源，也给经济和生态带来极大安全隐患。我国年均森林火灾发生次数达1万次，年均过火面积超过82万hm2[1]。森林火险是由各种因子综合作用而产生的复杂过程，其与各影响因子之间存在复杂的非线性关系。气象因子(温度、风速、湿度等)是导致森林火险的重要因素，森林火险的发生频率随气象因子而产生变化[2]；时间因子(月份、节假日或工作日等)的变化会带来气象因子和人类活动的改变，进而影响森林火险等级的预测；不同的空间地理位置会导致地形变化，进而影响森林火灾发生。森林火灾预测模型需要较快的预测速度和较高的预测准确率，而传统预测模型主要考虑预测准确率，对算法效率方面涉及较少。

极限学习机算法(extreme learning machine,ELM)是一种单隐含层的前馈神经网络(single-hidden layer feed forward neural network, SLFN)，其结构比较简单。由于ELM的学习能力和泛化能力极强，能够逼近复杂的非线性函数，常被用于回归以及分类等领域。与神经网络[3]、Random Forest[4]、Naive Bayes[5]、SVM[6]等传统预测方法相比，ELM仅需设置隐含层节点的个数，参数在算法的执行过程中无需再做调整，所以训练速度更快，且其具有较强的非线性拟合能力，能有效应用于模型预测和分类。ELM算法多用于工业或医学领域[7-9]，在森林火险等级预测领域相关研究鲜见报道。

葡萄牙每年通常有15 000～25 000起森林火灾发生[10]，着火面积达到150 000～250 000 hm2。本文第1个研究区为葡萄牙的Montesinho公园，学者们提出了适用于该地区的林火预测模型[11-14]，采用的预测模型主要为支持向量机(support vector machine, SVM)、人工神经网络、区间预测树IP3等。本文第2个研究区为大兴安岭塔河县，大兴安岭是森林火险高发地区，年平均过火面积达16 106 hm2。近年来，学者们研究了该地区的森林火险预测模型[15-19]，主要采用二项逻辑斯蒂回归模型(logistic regression model, LR)。笔者引入时空因子，以降低预测中产生的误差，同时提出基于核主成分分析(kernel principal component analysis, KPCA)和ELM相结合的森林火险等级预测方法，为解决森林火灾等级预测问题提供有效途径。

1 数据与方法

1.1 研究区概况

1.1.1 研究区(一)概况

研究区(一)(42°～43°N,6°～8°W)为葡萄牙最大的自然公园之一，位于Trás-os-Monte东北地区，包括Bragança和Vinhais北部，组成“Terra Fria Transmontana”。公园内有Serra da Coroa(西侧)和Serra de Montesinho(东侧)两座大山。研究区属地中海式气候，年均温变化范围为8～12℃，主要树种为橡树(Quercus palustris)、板栗树(Castanea mollissima)、灰树(Cinis arboris)、松树(Pinus t￣a￣b￣u￣l￣a￣e￣f￣o￣r￣m￣i￣s)等。

1.1.2 研究区(二)概况

根据森林过火面积大小划分森林火险等级，划分方法与《森林防火条例》中火灾等级划分标准一致，分为4个级别：过火森林面积为0 hm2(级别0)，0 hm2<过火森林面积<1 hm2(级别1)、1 hm2<过火森林面积<100 hm2(级别2)、100 hm2<过火森林面积<1 000 hm2(级别3)、过火森林面积>1 000 hm2以上(级别4)。本研究所用ELM模型输入数据要求标准化到[-1,1]。因此，调用Matlab的mapminmax函数，其函数原理见公式(1)。其中x为预处理数据(每个样本的每个特征值依次作为输入数据)，xmin和xmax为对应样本每个特征值的最小值和最大值，ymin和ymax为预期的每一行最小值和最大值(即数据标准化后范围的下限和上限)。利用该方法处理数据集(仅列出研究区(一)部分具有代表性的处理结果)，从而得到标准化后的数据集(表2)。

1.2 数据来源

1.2.1 气象数据

气象数据由气象观测站采集，整理为林火天气指数(fire weather index, FWI)系统格式数据。加拿大FWI系统是加拿大森林火险等级系统(canadian forest fire danger rating system, CFFDRS)的子系统之一[20]。CFFDRS为发展较为完善、使用广泛的森林火险等级系统之一。本研究数据集格式为FWI系统格式, FWI系统由6部分组成(图1)。前3部分为可燃物湿度指数，包括细小可燃物湿度码(fine fuel moisture code, FFMC)，腐殖质湿度码(duff moisture code, DMC)和干旱码(drought code, DC)，不同种类的可燃物可能有不同的干燥速率，当天气发生变化时，可燃物湿度也会发生显著的变化；中间2部分为火行为指数，包括初始蔓延指数(initial spread index，ISI)和累积指数(build up index, BUI)，代表可燃物的蔓延速率和消耗率；最后1部分为最终指数，即火天气指数FWI，FWI的组成元素由每天测量的温度、相对湿度、风速、降雨量等气象因子计算得出。每个因子的范围如表1所示。

研究区(一)的气象数据来自UCI机器学习数据库(加州大学欧文分校)提供的葡萄牙Montesinho自然公园的森林火灾数据[21]，包括林火数据和气象数据两部分，时间为2000年1月—2003年12月。林火数据来自当地森林火灾的监测记录；气象数据来自Braganc理工学院，为Montesinho公园中心气象站获得的气象资料。

研究区(二)的气象数据来自塔河气象站(国家标准气象站号50246)，时间范围为1965年—2012年。本研究预先对该气象数据进行处理，得到常用的4个气象因子：降水量(mm/m2)、日均风速(km/h)、日均气温(℃)、日均相对湿度(%)。此外，根据研究区的气象数据，应用FWI系统计算3个可燃物湿度码和3个火行为指数。

为纪念这得之不易的“芜湖户口”，纵然移居合肥多年，也不愿将户口自芜湖迁出——这小小的城市户口，曾经搭进去一个父亲多少尊严？

683 Therapeutic effect of pingyangmycin injection combined with hypercator resection under suspension laryngoscope on laryngopharyngeal hemangioma

  

图1 FWI系统结构Fig. 1 The structure of fire weather index (FWI)

 

表1 数据集指标Table 1 The attributes of dataset

  

编号指标名描述最小值最大值1XX轴坐标值192YY轴坐标值193month月份1月12月4day日期星期一星期日5FFMC细小可燃物湿度码18.796.26DMC腐殖质湿度码1.1291.37DC干旱码7.9860.68ISI初始蔓延指数0.056.19temp/℃外界温度2.233.310RH/%相对湿度15.0100.011wind/(km·h-1)风速0.49.412rainfall/(mm·m-2)降雨量0.06.413area/hm2过火面积0.001 090.84

1.2.2 时空数据

研究区(一)的气象数据来自UCI机器学习数据库(加州大学欧文分校)提供的葡萄牙Montesinho自然公园的森林火灾数据[21]，包括起火地理坐标和火灾发生时间。研究区被放在9×9的栅格内，X轴和Y轴的坐标值代表研究区的起火地理坐标。选择月份和日期(星期一—星期日)为时间变量。研究区(二)的时空数据来自塔河县森林防火办公室， 主要为1974年—2008年该地火灾发生时间和起火地理坐标。起火地理坐标为9×9的栅格内X轴和Y轴坐标值，月份和日期(星期一—星期日)为时间变量，增加部分地形因子，坡度和坡向。坡度分为平坡(0°～15°)、缓坡(15°～30°)、斜坡(30°～45°)、急坡(45°～60°)、陡坡(60°～75°)和险坡(75°～90°)6种类型。将坡度作为分类变量，对其进行属性赋值：平坡(0)、缓坡(1)、斜坡(2)、急坡(3)、陡坡(4)、险坡(5)。坡向值进行如下规定：正北方向为0°，顺时针方向计算，取值范围为0°～360°。实际应用中坡向通常分为9种类型：北坡(0°～22.5°和337.5°～360°)、东北坡(22.5°～67.5°)、东坡(67.5°～112.5°)、东南坡(112.5°～157.5°)、南坡(157.5°～202.5°)、西南坡(202.5°～247.5°)、西坡(247.5°～292.5°)、西北坡(292.5°～337.5°)、平缓坡(-1°)。将坡向作为分类变量，对其进行属性赋值：平缓坡(0)、北坡(1)、东北坡(2)、东坡(3)、东南坡(4)、南坡(5)、西南坡(6)、西坡(7)、西北坡(8)。坡度和坡向从数字地形模型(digital elevation model,DEM)中导出。DEM数据来自地理空间数据云网站(http:∥www.gscloud.cn/)。

1.3 数据预处理

研究区(二)(52°～53°N,120°～125°E)位于黑龙江省大兴安岭塔河县，该地区总面积1.442万km2。塔河县属寒温带大陆性气候，具有显著季节变化。年均气温为-2.4℃，年均降水量为463.2 mm。该地区森林覆盖率达81%，蓄积量为5 340万m3，主要树种为樟子松(Pinus sylvestris var. mongolica)、兴安落叶松(Larix gmelinii)、白桦(Betula platyphyla)、杨树(Populus)等。

 

表2 研究区(一)部分标准化的数据集Table 2 A part of the standardized dataset in study area (1)

  

样本编号XYmonthdayFFMCDMCDCISItemp/℃RH/%wind/(km·h-1)rainfall/(mm·m-2)火灾等级1-0.851-0.893-0.936-0.8930.828-0.4441.000-0.891-0.8260.081-0.857-1.00002-0.979-0.988-0.970-0.994-0.729-0.8941.000-0.979-0.946-0.901-0.997-1.00003-0.979-0.982-0.972-0.986-0.671-0.5441.000-0.964-0.905-0.923-0.986-1.00014-0.889-0.911-0.933-0.9771.000-0.1180.922-0.862-0.706-0.112-0.880-1.00015-0.858-0.882-0.929-0.9051.000-0.5710.295-0.929-0.8750.648-0.893-1.00026-0.985-0.991-0.982-1.000-0.718-0.4641.000-0.963-0.924-0.817-0.991-0.9862︙︙︙517-0.982-0.988-0.974-0.994-0.737-0.6261.000-0.979-0.946-0.875-0.992-1.0003

 

(1)

式中：ymax=1,ymin=-1，使数据标准化在[-1,1]之间。

（1）因地制宜，逐渐形成“家和计划”本土服务特色模式。如沙坪坝区打造“家和故事”；黔江区探索“离婚分类分流服务”模式；长寿区针对服刑人员开展的困境家庭案例；綦江区以家庭理财教育助力脱贫致富；秀山县挖掘传统民族荤素作用等。

1.4 极限学习机

ELM算法由输入层、隐含层和输出层的3层网络结构构成，每相邻两层的神经元之间全连接[22]。有N个隐层节点，隐含层激活函数为h(x)的ELM模型如公式(2)所示，其神经网络结构如图2所示。

  

图2 单隐含层前馈神经元网络Fig. 2 Single-hidden-layer feed forward neural network

 

(2)

式中，i=1,2,…,N，公式(2)可以简化为

HV=Y

(3)

其中:

,

[9]ERTAM F, AVCI E. A new approach for internet traffic classification: GA-WK-ELM[J]. Measurement, 2017, 95(1): 135-142.

式中：H为神经网络的隐层输出矩阵；a1,a2,…,aN表示输入节点与第1,第2,…,第N个隐含层节点的连接权值,b1,b2,…,bN表示第1,第2,…,第N个隐含层节点偏置值;v1,v2,…,vN表示第1,第2,…,第N个隐含层节点与输出节点的连接权值;hT(xi)为H的第i行向量;H的每一列对应输入变量分别为x1,x2,…,xN时的隐含层节点的输出。

将ELM的隐含层节点进行分类，隐含层分为多个子模块，可减小网络计算复杂度，从而提高计算速度，并采用Memetic算法对ELM模型的输入层权值和隐含层偏差进行优化。

1.5 改进ELM方法

按照k-means分类方法，将N个不同的训练样本平均分成d组，每组数据的个数为N/d。用(xi,yi)l表示第l组样本的第i(i=1,2,…,N/d)个数据对。每组数据的中心定义为

近年来流行病学和遗传学的研究显示， 生物钟节律是广泛存在于生物体中重要的内源性调节机制，其对糖、脂肪等代谢的调控是调节能量代谢的重要途径，同时也使能量代谢变化呈现出重要的特征——节律性以来适应生理功能的需要[11]。更重要的是，时钟基因震荡节律的异常与糖代谢以及心血管疾病密切相关[12-13]。有研究发现，生物钟昼夜节律紊乱可导致糖代谢障碍、胰岛素抵抗和代谢综合征等[14],同时生物钟节律紊乱也可能是糖尿病产生和进展的重要促发因素[15]。如前所述，积极探索糖尿病对心肌时钟基因Bmal1/Per2的影响及具体形式可能为防治糖尿病心肌病提供新的治疗方向。

/,,l=1,2,…,d

(4)

定义输入数据x的隶属度，如公式(5)所示。

[13]YOUSSEF S, ABDELAZIZ B. Prediction of forest fires using artificial neural networks[J]. Applied Mathematical Sciences, 2013, 18(8): 662-669.

 

(5)

改进后的ELM网络结构如图3所示。将x输入到μl(x)=1对应的子网络中；子网络输出为输入数据隶属度，隐含层神经元与输出神经元的连接权值根据公式(6)计算。

 

(6)

式中：Hl表示第l类学习样本对应的隐含层输出矩阵；Vl表示第l类学习样本对应的隐含层与输出层的连接权值；Yl表示网络输出值，其中，

对于高校层面来说，要将人才培养的规模扩张逐渐向优化人才培养结构方面转化，需要克服扩张规模的冲动，要根据自身学科的基础以及所具有的办学条件，充分结合当地的经济产业结构以及政府的人才规划来优化人才培养的结构，培养多样化、复合型的人才，这是值得深度思考以及认真研究去解决的课题。作为高校，首先要有这方面的整体考虑，作为思想基础，以后才有可能去采取措施来切实地保障优化结构的目标实现。

,

式中:a1l,a2l,…,表示输入节点与第l个子模型中第1,第2,…,第个隐层节点的连接权值,b1l,b2l,…,表示第1,第2,…,第个隐层节点偏置值。利用Memetic算法对,进行优化，选取最优参数。

对应某一输入数据x，当μl(x)=1时，网络输出为:

y=hl(x)Vl

(7)

原来的网络输出公式(2)和公式(7)相比，向量h的维数从N维下降到维，而矩阵V的维数从N×m维降到×m维。可见，公式(7)的计算复杂程度小于公式(2)。因此，当数据量较大时，将改进后的ELM方法应用于森林火险预测，将改进预测时间过长问题。

  

图3 改进的ELM网络结构Fig. 3 Improved ELM network structure

2 结果与分析

2.1 特征抽取

根据提供的数据集，选取时空因子和气象因子为模型输入变量(表2)，仅列出研究区(一)的处理结果(表3)。试验中分别采用主成分分析法(PCA)和KPCA方法进行森林火灾特征抽取。

本研究中KPCA算法采用的核函数形式为：

KPCA1：k(xi,

采用KPCA进行特征抽取后得到的部分主成分因子结果如表4所示(取贡献率为99%)。由表4可以看见，采用PCA进行降维可得到3个新主成分因子，分别为X1、X2和X3；采用KPCA1得到1个新主成分因子，即Y1；采用KPCA2可得到2个新主成分因子，分别为Z1和Z2。本研究采用经KPCA1属性降维得到的主成分Y1为ELM的网络输入。

3.0 T MR磁敏感加权成像对脑干微量出血的诊断价值 … ………………………… 马清，许云，吴婷，等 207

累积贡献率如表3所示。从表3可以看出，与PCA相比，KPCA具有更好的降维效果。采用PCA、KPCA1、KPCA2的第一主成分贡献率分别为83.60%，99.45%，93.08%。

PCA、KPCA1和KPCA2的累计贡献率比较图如图4所示。由图4可以看出，当选择恰当的核函数时，KPCA降维效果显著提升。其中，Gauss径向基核函数(KPCA1)效果略好于多项式核函数(KPCA2)效果，因此本研究使用KPCA1进行属性降维。

 

表3 PCA,KPCA1和KPCA2的累积贡献率Table 3 The cumulative contribution rates of PCA, KPCA1 and KPCA2

  

特征值序号PCAKPCA1KPCA2贡献率累计贡献率贡献率累计贡献率贡献率累计贡献率10.836 00.836 00.994 4600.994 460.930 80.930 820.108 60.944 60.004 6100.999 070.051 20.982 130.026 60.971 20.000 6000.999 680.010 70.992 840.025 90.997 10.000 1490.999 830.003 40.996 250.001 00.998 10.000 1470.999 980.002 40.998 660.000 80.998 90.000 0000.999 980.000 40.999 070.000 70.999 60.000 0100.999 990.000 30.999 380.000 30.999 90.000 0000.999 990.000 20.999 690.000 11.000 00.000 0100.999 990.000 10.999 7100.000 01.000 00.000 0001.000 000.000 10.999 8110.000 01.000 00.000 0001.000 000.000 10.999 9120.000 01.000 00.000 0001.000 000.000 11.000 0

  

图4 PCA、KPCA1和KPCA2的累积贡献率Fig. 4 The cumulative contribution rates of PCA, KPCA1 and KPCA2

KPCA2：k(xi,xj)=((xi·xj)+1)2

 

表4 降维后的主成分因素Table 4 The principal component factor after dimension reduction

  

序号PCAKPCA1KPCA2X1X2X3Y1Z1Z210.474 417-0.086 170.029 1310.061 2900.006 3480.040 48020.061 621-0.107 950.026 2310.061 2690.006 870-0.037 39030.015 088-0.111 570.027 8630.061 2700.006 872-0.036 39040.014 686-0.061 71-0.014 1500.061 2830.006 627-0.014 50050.000 604-0.068 830.063 5350.061 2850.006 543-0.014 26060.000 453-0.051 690.082 2620.061 2860.006 0490.059 408︙︙︙517-1.592 92-0.269 130.091 0920.061 2540.006 6010.004 681

2.2 ELM模型预测试验

2.2.1 激活函数的选取

（1）显著降低水稻各部位稻米中镉和砷的含量且提升稻米产量。（2）有利于酸性镉污染土壤改良和镉/砷在水稻根表的吸附固定，可抑制镉和砷向水稻内部迁移。

ELM网络常用的激活函数有Sigmoid函数(sig)、Sine函数(sin)和Hardlim函数(hardlim)3种。当隐含层节点数从1变化到300时，以KPCA1方法提取的新主成分因子Y1为ELM网络的输入变量，从训练集正确率和测试集正确率两方面进行对比分析。由图5和图6可知，若从训练集正确率方面考虑，采用Sigmoid函数和Sine函数时训练集正确率随着隐含层节点数的增加而下降，且整体准确率较低；采用Hardlim函数时具有更好效果。若从测试集正确率方面考虑，采用Sigmoid函数和Sine函数均具有较好效果。

  

图5 采用不同激活函数的训练集正确率比较Fig. 5 Comparison of accuracy of the traningset using different activation functions

  

图6 采用不同激活函数的测试集正确率比较Fig. 6 Comparison of accuracy of the testing set using different activation functions

2.2.2 训练时间和测试时间

若ELM模型采用Sigmoid激活函数，隐含层节点从1变化到300，以KPCA1提取的新主成分因子Y1为ELM网络的输入变量，计算模型的训练时间和测试时间结果如图7所示。

  

图7 隐含层节点数目对训练时间和测试时间的影响Fig. 7 Effect of number of nodes in hidden layer on training time and testing time

从图7可以看出，训练时间随隐含层节点数目的增加而增加，对ELM的实际应用造成一定限制，因此需要对其进行改进。测试时间在小范围内波动，少于0.01 s(本试验所用机器配置操作系统为Windows 7 旗舰版，处理器为AMD Turion (tm) IIP560 Dual-Core Processor 2.5 GHz，内存为4.00 GB；编程环境为Matlab R2015a)。

2.2.3 交叉验证方法的选取

[1]ZHONG M H, FAN W C, LIU T M, et al. Statistical analysis on current status of China forest fire safety[J]. Fire Safety Journal, 2003, 38(3): 257-269.

交叉验证算法可使每个数据样本充分参与训练和测试，从而提升模型准确率。常见的交叉验证算法主要有留一交叉验证法(LeaveOneOut)和K-折交叉验证法(KFold)。K-折交叉验证法将数据集分为K份，依次将每1份作为测试集，其余K-1份作为训练集，最后结果取K次试验的平均值。当数据集样本数为N时，留一交叉验证将数据集分为N份，依次将每一份作为测试集(即将每1个样本单独作为测试集)，其余N-1份作为训练集，最后结果取N次试验的平均值。当K=N时，N-折交叉验证和留一交叉验证相同。本研究分别使用两种交叉验证算法并结合ELM算法进行测试和训练，其中K取值为6，即采用6-折交叉验证和留一交叉验证进行对比，结果如图8和图9所示。由图8和图9可知，从时间方面考虑，优先选取留一交叉验证法。由图10和图11可知，从正确率方面考虑，也优先选取留一交叉验证法。因此，本研究采用留一交叉验证算法。

  

图8 隐含层节点数目对训练时间的影响Fig. 8 Effect of number of nodes in hidden layer on training time

  

图9 隐含层节点数目对测试时间的影响Fig. 9 Effect of number of nodes in hidden layer on testing time

  

图10 隐含层节点数目对训练集正确率的影响Fig. 10 Effect of number of nodes in hidden layer onaccuracy of training set

  

图11 隐含层节点数目对测试集正确率的影响Fig. 11 Effect of number of nodes in hidden layer on accuracy of testing set

2.2.4 ELM预测试验及对比

对于研究区(一)，ELM模型采用Sigmoid激活函数，隐含层节点取517(与样本数相同)，样本数据根据着火面积分为两个子网络，以KPCA1提取的新主成分因子Y1为改进ELM网络的输入变量。同时设置Memetic算法初始参数：变异概率为0.1，杂交概率为0.95，种群规模为10，最大迭代次数为50。通过迭代计算到20次即可找到全局最优的ELM模型输入权值和隐含层偏差，同时结合留一交叉验证算法，最后结果取10次试验的平均值。将该改进的KPCA-ELM模型与文献[12]中的SVM模型和文献[13]中的ANN(articial neural network)模型相比较，试验结果如表5所示。

此次进博会汇丰除了在服务贸易展区设置占地100平米的展台，还在进博会期间举办客户专题研讨会，重点探讨中国市场和中国消费者在全球贸易中的重要性，为全球企业开拓中国新兴消费市场提供支持。汇丰还借助首届进博会的平台，陆续发布贸易相关的报告和产品，包括：全球首发、配合进博会专门定制的有关中国市场消费前景的调查报告，以及面向贸易企业推出的数字化解决方案。

对于研究区(二)，ELM模型采用Sigmoid激活函数，以KPCA1提取的新主成分因子为改进ELM网络的输入变量，同样采取上述方式对模型进行优化改进，结合留一交叉验证算法，最后结果取10次试验的平均值。将该改进的KPCA-ELM模型与文献[4]中的随机森林模型进行比较，试验结果如表6所示。

 

表5 研究区(一)各预测模型预测的平均测试准确率和平均训练时间Table 5 The average testing accuracy rate and average training time of predicted model in study area (1)

  

预测模型类型平均测试准确率/%平均训练时间/s改进的KPCA-ELM890.092 4KPCA-ELM870.092 9ELM800.080 0文献[12]的SVM模型860.155 0文献[13]的ANN模型850.107 0

由表5和表6可知，在同样的预测任务下，ELM模型的训练速度最快；改进的KPCA-ELM模型预测精度最高，其网络建模时间比ELM略长，但少于其他算法，说明改进的KPCA-ELM既能提高预测精度，在预测时间上也有较大优势。因此，改进的KPCA-ELM模型可提高研究区(一)和研究区(二)森林火险等级预测的精度和执行效率。

 

表6 研究区(二)各预测模型预测的平均测试准确率和平均训练时间Table 6 The average testing accuracy rate and average training time of predicted model in study area (2)

  

预测模型类型平均测试准确率/%平均训练时间/s改进的KPCA-ELM870.090 0KPCA-ELM860.092 8ELM840.082 2文献[4]的随机森林模型860.117 0

为进一步检验模型，根据年份将研究区(二)数据集分为8组1965—2004年数据(预测2005年森林火险等级)、1965—2005年数据(预测2006年森林火险等级)、1965—2006年数据(预测2007年森林火险等级)、1965—2007年数据(预测2008年森林火险等级)、1965—2008年数据(预测2009年森林火险等级)、1965—2009年数据(预测2010年森林火险等级)、1965—2010年数据(预测2011年森林火险等级)、1965—2011年数据(预测2012年森林火险等级)。试验结果如表7所示。由表7可见，该模型8次平均预测准确率高于其他模型。与传统预测模型相比，本研究模型预测准确率可达89%，在预测时间上也有一定优势。

 

表7 研究区(二)数据集成功预测森林火险等级的百分比Table 7 Percentage of successful rating of forest fire danger using data from different years in study area (2)

  

预测模型类型成功预测森林火险等级的百分比改进的KPCA-ELM模型80%a76%b82%c79%d83%e84%f82%g89%h文献[4]的随机森林模型81%a76%b81%c79%d82%e82%f82%g88%h

注：a，1965—2004年数据(预测2005年森林火险等级)；b，1965—2005年数据(预测2006年森林火险等级)；c，1965—2006年数据(预测2007年森林火险等级)；d，1965—2007年数据(预测2008年森林火险等级)；e，1965—2008年数据(预测2009年森林火险等级)；f，1965—2009年数据(预测2010年森林火险等级)；g，1965—2010年数据(预测2011年森林火险等级)；h，1965—2011年数据(预测2012年森林火险等级)。

3 结 论

笔者采用KPCA和ELM相结合的模型研究林火发生等级与气象因子、时间因子及空间因子的关系，并使用该模型对葡萄牙Montesinho自然公园和大兴安岭地区进行森林火险等级预测。结果表明：针对非线性因子，KPCA具有较好的特征选择能力，可以提高模型的预测准确率。通过特征抽取可降低模型输入维度，减少因处理不同数据集的特征维度差异给模型带来的结构变化。当数据量增大或分类增多时，训练速度快的ELM能有效解决传统预测算法时间复杂程度较高的问题。对现有方法进行算法改进可为ELM在森林火灾等级预测中应用提供有效途径。试验结果表明，该模型在两个研究区均具有较好预测结果。本研究采用的ELM参数设定较为简单，能够满足森林火灾等级预测对准确率和实时性的要求。通过对ELM算法进行改进，提高了ELM模型的预测速度，该模型不仅可提高森林火险等级预测准确率，同时在预测时间上具有一定优势。

由于数据源的限制，无法获得更多的诱火因子数据(如林型、人为活动、植被类型等)，本研究只根据气象因子和时空因子对森林火灾发生等级进行了预测，在今后研究中将进一步分析人为活动、雷电等其他诱火因子对森林火灾的影响。

参考文献(References)：

6.河道疏浚机械。我国江河湖泊众多，由于地理环境及水情不同，淤积程度也不尽相同，应该研制开发各种类型的清淤机械，以适应不同条件下的疏浚工作，如水下清淤机和不同吨位的挖泥船，这些机械都应具有高效率、能够中远距离输送和自动监测等功能以及环保、节能特点。

[2]郭福涛, 苏漳文, 马祥庆. 大兴安岭塔河地区雷击火发生驱动因子综合分析[J]. 生态学报, 2015, 35(19): 6439-6488.

GUO F T, SU Z W, MA X Q. Comprehensive analysis of driving factors for lightning-caused fire in Tahe, Daxing’an Mountain[J]. Acta Ecologica Sinica, 2015, 35(19): 6439-6488.

[3]杨久红, 王小增. 基于径向基网络和气象因子的森林火灾预测系统[J]. 消防科学与技术, 2010, 29(7): 602-605.

本系统处理器采用s3c2440，该芯片是三星公司推出的16/32RISC处理器，采用ARM920T内核，整体设计融合了MMU，AMBA BUS和Harvard结构，具有独立的16kB指令Cache和16kB数据Cache。Linux内核采用Linux2.6.30.4。图像采集设备采用中星微ZC301数字摄像头，该摄像头为USB接口。该终端的系统结构图如图1所示。

YANG J H, WANG X Z. Forest fire forecasting system based on radial basis network and meteorological factors[J]. Fire Science and Technology, 2010, 29(7): 602-605.

[4]梁慧玲, 林玉蕊, 杨光. 基于气象因子的随机森林算法在塔河地区林火预测中的应用[J]. 林业科学, 2016, 52(1): 89-98.

LIANG H L, LIN Y R, YANG G. Application of random forest algorithm on the forest fire prediction in Tahe area based on meteorological factors[J]. Scientia Silvae Sinicae, 2016, 52(1): 89-98.

[5]高学攀, 廖士中. 基于贝叶斯网络的林火概率预测系统设计与实现[J]. 计算机工程与应用, 2017, 53(13): 246-251.

GAO X P, LIAO S Z. Design and implementation of forest fire probability prediction system based on Bayesian network[J]. Computer Engineering and Application, 2017, 53(13): 246-251.

[6]JAISER S R, BARNES J D, BAKER S N, et al. A multiple regression model of normal central and peripheral motor conduction times[J]. Muscle and Nerve, 2015, 51(5): 706-712.

[7]李栋, 张文宇. 基于ELM和FOA的股票价格预测[J]. 计算机工程与应用, 2014, 50(18): 14-18.

LI D, ZHANG W Y. Stock price forecasting based on ELM and FOA[J]. Computer Engineering and Applications, 2014, 50(18): 14-18.

[8]ZHANG W, JIANG Q, CHEN L, et al. Two-stage ELM for phishing web pages detection using hybrid features[J]. World Wide Web-internet and Web Information Systems, 2017, 20(4): 797-813.

V=<FounderNode name="FZ" value="("/>T1 …], Y=<FounderNode name="FZ" value="("/>T1 …]T。

[10]MATEUS P, FERNANDES P M. Forest fires in Portugal: dynamics, causes and policies[J]. Springer International Publishing, 2014, 19(2): 97-115.

[11]CORTEZ P, MORAIS A P. A data mining approach to predict forest fires using meteorological data[M]∥NEVES J (Ed.). Guimaraes, Portugal: New Trends in Artificial Intelligence, Proceedings of the 13th EPIA 2007-Portuguese Conference on Artificial Intelligence, 2007: 512-523.

[12]许志卿, 苏喜友, 张颐. 基于支持向量机方法的森林火险预测研究[J]. 中国农学通报, 2012, 28(13): 126-131.

XU Z Q, SU X Y, ZHANG Y. Forest fire prediction method of support vector machine based on[J]. China Agricultural Science Bulletin, 2012, 28(13): 126-131.

进入老龄化社会以来，福利国家的经验促使中国政府也认识到国家必须为日益增多的老年人提供适当的生活保障,承担起必要的照顾和帮助老年人的责任。2000年开始采取一系列措施解决老年人的养老问题，其中最重要的就是调动和引导社会力量提供老年服务。而这个阶段与改革开放初期福利化改革的根本区别在于强化国家责任和推进社会化进程的并行及有效平衡。养老服务业管理体制的核心是理顺和规范政府和社会的关系，既要充分发挥政府的主导作用，又要充分发挥社会力量的主体作用；政府部门职责权限边界明确，社会力量权利义务具体清晰。

一、习近平新时代中国特色社会主义思想是马克思主义中国化最新成果，是科学社会主义理论逻辑和中国社会发展历史逻辑的辩证统一

[14]DIMA A. An interval tree approach to predict forest fires using meteorological data[J]. International Journal of Computer Applications, 2015, 132(4): 17-22.

[15]张巍. 森林定位观测与森林火险预警建设-大兴安岭国家森林生态观测站为例[J]. 内蒙古农业大学学报, 2009, 30(1): 127-131.

ZHANG W. The relationship between forest fire danger forecast and local forest observation case on Daxing’anling Mountain of Inner Mongolia local observation station[J]. Journal of Inner Mongolia Agricultural University, 2009, 30(1): 127-131.

[16]邸雪颖, 李永福, 孙建, 等. 黑龙江省大兴安岭地区塔河县森林火险天气指标动态[J]. 应用生态学报, 2011, 22(5): 1240-1246.

DI X Y, LI Y F, SUN J, et al. Dynamics of forest fire weather indices in Tahe County of Great Xing’an Mountains region, Heilongjiang Province[J]. Chinese Journal of Applied Ecology, 2011, 22(5): 1240-1246.

物联网技术为佳木斯市政府交通管理部门提供大量信息数据，在对数据进行全面分析、评价、决策的基础上，可以对佳木斯城市交通进行合理规划，方便市民出行。智慧交通的主要应用包括对交通信号灯进行实时控制、道路信息实时视频采集、高速公路自动收费、紧急交通事故定位和报警等。

[17]彭欢, 史明昌, 孙瑜, 等. 基于Logistic 的大兴安岭雷击火预测模型[J]. 东北林业大学学报, 2014, 42(7): 166-169.

PENG H, SHI M C, SUN Y, et al. Lightning fire forecasting model of Daxing’an Mountain based on logistic model[J]. Journal of Northeast Forestry University, 2014, 42(7): 166-169.

[18]朱沛林, 史明昌, MIKE W, 等. 黑龙江大兴安岭雷击火概率预测模型研究[J]. 中南林业科技大学学报, 2014, 34(8): 82-85.

ZHU P L, SHI M C, MIKE W, et al. A preliminary study on lightning-caused fire probability prediction model for Daxing’anling forest region[J]. Journal of Central South University of Forestry and Technology, 2014, 34(8): 82-85.

[19]郭福涛, 胡海清, 马志海, 等. 不同模型对拟合大兴安岭林火发生与气象因素关系的适用性[J]. 应用生态学报, 2010, 21(1): 159-164.

GUO F T, HU H Q, MA Z H, et al. Applicability of different models in simulating the relationships between forest fire occurrence and weather factors in Daxing’an Mountains[J]. Chinese Journal of Applied Ecology, 2010, 21(1): 159-164.

[20]AGEE J K, SKINNER C N. Basic principles of forest fuel reduction treatments[J]. Forest Ecology and Management, 2013, 211(1): 83-96.

[21]UCI Repository of Machine Learning Databases[DB]. Available from: ftp:∥ftp.ics.uci.edu/pub/machinelearning-databases.

[22]YANG C J, HUANG K X, CHENG H. Haptic identification by ELM-controlled uncertain manipulator[J]. IEEE Transactions on Systems, Man, and Cybernetics Society, 2017, 99(3): 1-12.