基于多传感器信息融合的自然灾害预警模型研究

□李 涛 沈 江

[天津大学 天津 300072]

引言

2008年以来，各类自然灾害事件处理过程及结果表现出了我国自然灾害应急系统整体联动性的不足，为全面控制自然灾害风险，一方面，不仅需要在灾害日常管理中对自然灾害承灾体的脆弱性评估，根据评估结果采取各种措施降低承灾体脆弱性；另一方面，更需要提高自然灾害探测、预警可靠性，从而对自然灾害做到有备无患，尽量将自然灾害发生中由于准备不足产生的损失降到最低[1]。因此，本文针对自然灾害有效预警问题进行深入研究，着力建立一套有效的自然灾害预警系统模型。

一、自然灾害预警系统模型

（一）自然灾害预警系统模型

由于自然灾害信息的海量多源异构性，简单的信息获取→发出预警流程已不能满足灾害信息处理的复杂性、高效性需求[2]。本研究建立以传感器部分、信息融合预处理部分、信息融合中心部分和决策控制部分等构成的数据融合系统模式，在该系统模式下建立更为详细的自然灾害预警系统模型。

本文提出的预警系统是在传感器获得一定信息量的基础上，利用融合准则和算法对获得的信息进行融合，去除信息冗余，提高信息传递有效性，以便可为预警决策直接利用，系统包括传感器探测子系统、预处理子系统、融合子系统以及决策支持子系统，如图1所示。

图1 基于多传感器信息融合的自然灾害预警系统模型

自然灾害现场实时动态监测报警系统利用计算机等先进技术对在不同时间点、不同类别、不同表达方式的信息，按照一定的准则并应用合适的方法对其进行综合分析，最终对自然灾害灾情做出及时正确的判断[3]。本模型应用多传感器对信息进行探测，是融合模型的硬件基础，其获取的多源异构信息则是融合的处理对象，信息融合处理方法与算法是信息融合的核心。

在由多传感器探测子系统、融合预处理子系统、信息融合子系统和信息决策支持子系统构成的自然灾害预警决策模型中，传感器探测系统是整个模型的硬件基础，提供待处理的信息；信息融合预处理系统与信息融合系统是整个模型的核心，负责对加工对象进行综合加工处理，得到需要的决策信息，为决策支持系统提供了很好的输入信息；决策支持系统接收来自信息融合系统的融合结果，进行脆弱性评估与专家决策，最终得到有效的决策，并触发一系列的行动[4]。

（二）自然灾害预警决策系统模型

自然灾害原因的多样性和现象的错综复杂性对信息的获取和处理提出了更高的要求，也给灾害探测报警系统的及时性和准确性带来了更大的挑战。而且传统的火灾报警系统误警和虚警率高、运行可靠性较差、自动化程度较低，本研究针对上述问题和缺陷提出了基于多传感器信息融合的自然灾害预警决策系统模型，如图2所示。该模型融合了多传感器采集的信息及专家经验、知识，对灾害危险性进行分析，为最终决策提供优化目标和相关参数，提高了系统的集成化和智能化水平[5]。

该模型运用多传感器对自然灾害信息进行探测，通过滤波和归一化处理对探测信息进行预处理，然后经过信息融合处理中心的多层融合处理，从而获取支持最终决策的信息，达到对灾情的及时准确掌握和控制。

图2 基于多传感器信息融合的自然灾害预警决策系统模型

二、自然灾害信息预处理

自然灾害监测数据是本文的研究对象，采用信息融合等现代信息处理技术对每个传感器检测的数据进行挖掘、分析、处理、综合，提取出表征灾害的信息，并用特征矩阵表示这些征兆信息[6]。由于灾害种类繁多，监测不同灾害实时信息所需部署的传感器阵列也大为不同，因此本文以火灾为例说明信息融合的特征级及决策级信息融合灾害预警模型的实现。

监测火灾时，重要的是要了解当地的环境条件，该实验我们采用多传感器网络进行信息感知与获取。对于火灾来说，判断其致灾性时我们参考的指标包括温度、光照强度、相对湿度、烟雾浓度、气味等重要指标，响应的传感器我们也会选择温度传感器、光感传感器、湿度传感器、CO传感器等单一或复合传感器。而为了简化实验，我们只采取温度、光照强度和湿度这三个最突出和最重要的指标信息进行验证，所以在试验中我们只收集温度传感器、光感传感器和湿度传感器的数据，通过温度、光照和相对湿度的数据来预测火灾发生的可能性。实际上，传感器种类越多，结构越复杂，监测过程的可靠性会越高，但同时也会增加能源的消耗和成本的增加，因此，我们要设计一个经济型并且高度可用的传感器系统，这就需要我们在效率和成本之间做出了权衡和选择。

根据上述对于火灾数据需求的分析，设计选取6组实验数据进行火灾信息融合实验，这些数据均是在可能引起火灾的情况下选取的数据。以t、l、h分别表示传感器探测的环境温度、光照和相对湿度的数据。该实例分析数据来源于文献[5]和文献[8]等自然灾害灾情历史资料。在数据进行融合之前，需要对其进行归一化处理，对各项指标数据进行处理，即

式中：datann为归一化数据；data为温度、光照或相对湿度的数据；max和min分别为相应指标中的最大值与最小值。表1列出了进行归一化处理后的六组实验数据。

表1 森林火灾预警实验数据

三、基于阈值的特征级信息融合及预警过程

（一）基于阈值方法的特征级信息融合

在这里，我们使用阈值法来进行信息的特征级融合。该算法基于图3中所示的状态机，该状态机定义了五种状态。当监测到表示可能造成的火灾的温度，光或相对湿度值的变化时，状态机就会从一种状态过渡到另一种状态[7]。

最初的状态是0，代表正常的环境条件（即无火灾发生）。状态1和状态2是过渡状态，因为它们分别表示表明可能发生夜晚的火灾和可能发生白天的火灾。状态3代表日出，而状态4可能表明暴露于阳光的直射。最后，状态5表示存在火灾。

在正常情况下，状态机在状态0。即使温度，光和相对湿度的信息都能被感知到，但在状态0只有温度值才能得到评估。每次的温度被记录时，滑动窗口的大小WT的平均值和新监测的温度值之间的比率就会被计算一次。滑动窗口包含了最新记录的WT温度值。如果这个比值大于tr_threshold，这意味着温度值的大的变化，这表示可能检测到了一次可能的火灾。为了确定它是否是晚上发生的火灾，我们会用评估温度的类似的方式来评估光的变化率。因此，如果滑动窗口的大小WL的平均值与最新监测到的光量值的比率值大于tl_threshold，状态机器会转换到状态1。否则，它转换到状态2。需要特别说明的是，在状态0时，temp_s0中我们存储了最后一个稳定的温度值，也就是状态机从状态0移动之前的值。

如果机器是在状态1，我们计算的滑动窗口WH的平均值与最新的相对湿度值的比率。如果该比率小于th_threshold的大小，状态机移动到状态3，否则，它会返回到状态0。当机器在状态3时，该比率会处于被计算中，并且如果它们大于（或小于，对湿度而言）各自的阈值，比如当相对湿度下降时温度仍在增加，机器就会移动到状态5并且报警会被触发，表示晚上可能会发生火灾。

图3 监测火灾的状态机

与此相反，如果状态机从状态0移动到状态2，可能已经发生了火灾或者传感器暴露在阳光直射的地方或者它只是一种正常温度的升高。要确定事件的真相，我们需要计算滑动窗口的大小WH的平均值和最新得到的相对湿度值的比率。如果该比例小于th_threshold，机器移动到状态4，否则，它会回到状态0。在状态4，如果温度和湿度值的比保持它们之间的关系，我们计算当前的温度值与temp_s0的差异，如果它们的差值大于th_threshold，状态机会移动到状态5，这意味着白天可能会发生火灾。

（二）计算结果与分析

表2列出了阈值法所获得的结果。通过对收集的数据的分析，本案例凭经验定义了算法中所用的参数。滑动窗口WT、WL与WH的值从5变化到35，增量为5。我们使用这些值对算法的性能进行评价。根据经验当我们使用的滑动窗口的值大于或等于15时我们的算法会得到最佳的状态，能够检测出所有的火灾，但是误警的次数并没有减少，并且我们选取的阈值采取下面的数据：tr_threshold=1.01，tl_threshold=1.1，th_threshold=1，并且tm_threshold=3℃。

为了评估该算法的性能，我们用以下指标：误报和漏报。误报表示误认为发生了火灾，而漏报表示当火灾发生时不能正确的发出预报。

我们可以观察到，在算法中设置适当的参数值，能够检测出所有存在的火灾。另一方面，如果我们排除阳光直接照射带来的环境参数的影响的话，我们就可以很容易地减少甚至消除误报的数量。

表2 阈值法的火灾评估结果

四、基于D-S理论的决策级信息融合及预警过程

（一）基于D-S理论方法的决策级信息融合

对于较为复杂的多源异构信息，可以采取D-S（Dempster-Shafer）证据理论进行决策层融合，该方法是决策级融合比较常用的方法，是在贝叶斯方法的基础上衍生出来的，有着更大的优越性，目前对该方法的研究已经趋于完善，它既能处理随机性和不确定性问题，又可以处理一些模糊性问题，在火灾探测上，不明信息与不确定信息尤其常见。该方法的优势之处就在于其不需要基础先验概率与条件概率密度函数值。所以，对融合火灾信息具有无可比拟的优势[8]。

从特征级融合获得的结果，可以得出结论，光照的强度在夜晚时检测火灾时是很有用的，但是，在白天，光照强度的变化对火灾的探测影响不大。由于仅使用温度传感器和相对湿度传感器，也可以检测到晚上的火灾灾害。为了简化说明，在决策级融合中我们仅研究温度传感器和相对湿度传感器的探测数据，并且这样我们可以节省能源消耗。

本研究采取的决策级融合算法是基于Dempster-Shafer理论，并使用温度传感器和相对湿度传感器进行探测[9]。Dempster-Shafer理论，也被称为信度函数的理论，是一个概括的主观概率的贝叶斯理论。它是基于A.P.Dempster关于上下概率的研究[10]，后来被G.Shafer扩展和细化为一种证据理论数学模型。Shafer在Dempster理论的基础上重新构建了数学理论并介绍了置信度的概念。

D-S理论的主要优点是能够处理不确定性；也就是说，它不需要完整的概率模型的知识。相比之下，贝叶斯推理需要先验知识，不允许不知道分配的概率或不确定性[11]。

在D-S证据理论方法中，由互不相容的基本命题或者假定组成的完备集合称为识别框架，包含对某一特定问题的所有可能答案，但其中只有一个答案是正确的。我们将该框架的子集称为命题。分配给各命题的信任程度称为基本概率分配，也称为m函数，其定义如下：

设U为互不相容的基本命题（假定）组成的完备集合，称为辨识框架，φ表示空的命题集合。如果函 数m：2U→[0,1]同 时 满 足 条 件m(φ)=0 和∑A∈Um(A)=1，则称m(A) 为命题A 的基本信任测度或基本可信数。

（二）计算结果与分析

表3列示出了基于DS证据理论这一算法所得到的评价结果。我们可以观察到，使用WT=35的一个滑动窗口值，该算法能够检测出现有的所有火灾。对于较小的WT值，算法在检测晚上的火灾时可能会失败。与基于阈值的特征级融合算法比较发现其虚警的次数明显增多，但漏警的情况明显减少，即通过此方法能够预测到绝大多数火灾，虚警的次数较多可能与信息的模糊性增强有关，处理过程更加谨慎与细致。此外，该算法无法区分火灾带来的火光和阳光直射的火光。然而，如果如前面提到的那样避免阳光直射，那么一些误警虚报可能会减少。

表3 D-S证据理论的火灾探测结果

五、研究结论

本文在自然灾害的严重性和灾害特征分析的基础上，集成了多传感技术、信息融合技术、智能决策技术等高新技术，对灾害的多源、多平台、多传感器信息进行了特征分析、特征提取及决策级融合的研究，形成了支撑自然灾害应急预警决策模型及其支撑体系，为自然灾害检测及预警提供了强有力的技术和系统支持；研究了系统结构及其实现的步骤和方法；深入研究了如何利用阈值理论实现特征级融合和基于D-S证据理论融合方法的决策级融合，保证了自然灾害预警系统做出更加及时、准确的决策，对提高自然灾害应急水平以及减少灾害损失具有重要意义。

[1]HAY B,WETS G,VANHOOF K.Clustering navigation patterns on a website using a sequence alignment method [C].17th International Joint Conference on Artificial Intelligence,2001:267-268.

[2]GABBAY D M,WOODS J.Logic and the Modalities in the Twentieth Century,volume 7(handbook of the history of logic)[C].Elsevier,2006:601-664.

[3]LIU M,SHEN W,HAO Q,YAN J W.An weighted ontology-based semantic similarity algorithm for web service[J].Expert Systems with Applications,2009,4(34):12480-12490.

[4]JUAREZ J M,GUIL F,PALMA J,MARIN R.Temporal similarity by measuring possibilistic uncertainty in CBR[J].Fuzzy Sets and Systems,2009,5(17):214-230.

[5]KOSCHMIDER A,SONG M,REIJERS H A.Advanced social features in a recommendation system for process modeling[J].Business Information Systems,2009,8(21):109-120.

[6]张尧庭,张璋.几种选取部分代表性指标的统计方法[J].统计研究,1990(1):52-58.

[7]郭亚军.综合评价理论、方法及应用[M].北京:科学出版社,2007:6-13.

[8]赵林度.城市群协同应急决策生成理论研究[J].东南大学学报：哲学社会科学版,2009(1):28-30.

[9]徐曼,沈江.基于Vague集的方案决策模型及其推理机制[J].系统工程,2010(2):17-22.

[10]袁晓芳,田水承,王莉.基于PSR与贝叶斯网络的非常规突发事件情景分析[J].中国安全科学学报,2011(1):169-176.

[11]迟国泰,曹婷婷,张昆.基于相关-主成分分析的人的全面发展评价指标体系构建[J].系统工程理论与实践,2012(1):111-119.