森林是我国重要的资源之一,它不仅能够起到保护环境和平衡生态系统的作用,还能够降低气候变化带给人们的影响。但森林火灾的发生却严重影响着森林资源的发展,不仅造成了生态资源的流逝,而且还对人们经济财产甚至生命安全造成了威胁。因此,研究并实现森林火灾的准确预测是降低林火危害的重要手段。本文采用人工神经网络方法用于森林火险预测研究。针对传统BP神经网络在预测估计时存在预测精度低以及容易陷入局部极值的不足,本文分别从BP神经网络结构和初始化网络连接参数两个方面进行了改进,以提高网络预测的准确性。具体工作包括:1.改进BP神经网络结构。众所周知,BP神经网络可以实现输入和输出变量之间的非线性映射,但是当输入输出之间除具有非线性关系外还具有一定的线性关系时,采用BP神经网络可能得不到准确的结果。针对这种情况,本文提出了一种改进的神经网络结构-直连BP神经网络(BPNN-DIOC),该网络在BP神经网络的输入层与输出层之间加入了线性连接单元。为了验证输入-输出连接对网络泛化能力的影响,文中以AEMO中新南威尔士州2015年9月份的电力负荷数据为例进行了验证。预测结果表明,直连BP神经网络与BP神经网络相比不仅可以提高网络的预测精度,还可以减少隐含层所需的神经元个数从而降低网络在训练过程中需调整的参数个数。2.优化网络初始连接参数。在网络初始化阶段,BP算法会随机生成网络权值和阈值,这很容易造成网络收敛精度下降以及陷入局部极值,本文采用近几年刚提出的果蝇优化算法FOA代替BP算法初始化网络的连接权值和阈值。针对基本FOA算法中存在的不足,本文提出了一种采用动态搜索步长的改进果蝇优化算法(IFOA),并利用4个标准测试函数对IFOA的寻优能力进行了分析,结果表明了IFOA具有较强的整体寻优能力。最后将IFOA与BPNN-DIOC相结合,即以IFOA优化BPNN-DIOC网络的初始连接参数,仿真结果表明本文构建的IFOA-BPNN-DIOC为预测模型提供了一个更为有效的框架。根据前面针对BP神经网络所做的改进工作,本文采用IFOA优化的BPNN-DIOC网络用于两方面的森林火险预测研究:一是根据气象因子预测林火的发生,二是对林火气象因子进行空间插值研究以提高气象数据的空间分辨率。具体工作包括:1.在第一个应用研究中,选取温度、相对湿度、风速和降水量4个气象因子作为网络的输入,林火是否发生作为输出。以太原市2011年和2013年以及桂林市2005年和2010年的气象数据和森林火灾发生记录为研究对象,分别构建了基于IFOA-BPNN-DIOC的林火发生预测模型,并与其它模型进行比较。仿真结果表明IFOA-BPNN-DIOC网络预测精度最高,且该模型不仅对森林火灾发生较频繁的地区有效,同时对森林火灾发生较少的地区也有很好的预测效果,具有良好的通用性。2.在第二个应用研究中,以气象站点所处地理位置的经度、纬度和海拔作为网络的输入,气象站点实际观测到的日平均气温作为输出。以山西省气象站点的数据为例构建了基于IFOA-BPNN-DIOC的林火气温空间插值模型,并与IFOA-BPNN、FOA-BPNN-DIOC和FOA-BPNN网络的插值结果进行了对比。四个网络插值结果的RMSE分别为0.0716、0.0874、0.0815、0.0908,充分说明了BPNN-DIOC相比BPNN网络具有更高的预测精度且IFOA相比FOA算法具有更强的整体优化能力。