【元胞自动机】元胞自动机澳大利亚山火模型【含Matlab源码 3409期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、元胞自动机澳大利亚山火模型

1 引用
2019 年 11 月，澳大利亚东部丛林大火肆虐，灾情不断加剧。截至目前，大火已经燃烧了 4 个多月，土地的过火面积已经超过 26 万平方千米，整个澳洲大陆三分之一被浓白的烟雾覆盖。近 3000 间房屋坍塌成废墟，数十人丧生火海。
澳大利亚的生态环境已经遭到了严重破坏，生态学家初步估算至少有 4.8 亿只哺乳动物、鸟类和爬行动物在大火中丧生。考拉是受灾最严重的动物之一，它们运动缓慢且只吃桉树叶，而桉树含油量高，极易燃烧。目前为止，已有约 3.7 万只考拉死于大火 [1]。专家表示，幸存的考拉可能已不足万只，考拉可能会因此被列为濒危物种。除了考拉，澳大利亚特有的袋鼠生存环境也受到了威胁，即使袋鼠可以快速逃到未着火的区域，但生存环境和食物缺少也是个严重问题。
大火烧了 4 个月，救火行动也持续了 4 个月，但是毫无效果。据相关资料总结，这场大火之所以难以扑灭，是因为“天时、地利、人不和”：
（1）所谓“天时”，澳大利亚 2019 年全年的降雨量是 100 多年的历史最低值 [2]。2019 年 12 月 17日，是澳大利亚有史以来最热的一天，全国平均气温高达 40.9 摄氏度 [3]。少降雨和高温天气显然有利于大火的产生和蔓延。
（2）所谓“地利”，澳大利亚约 70 % 的国土都属于干旱或半干旱地带 [4]，它是世界上最平坦、最干燥的大陆。此外澳大利亚植被覆盖率高，且天然森林中约半数以上都是桉树，桉树富含油脂，遇火即燃 [5]。地势和植被助长了大火的蔓延。
（3）所谓“人不和”，一方面是澳大利亚政府救火不力，总理莫里森在森林大火危机期间甚至还带全家去了夏威夷度假 [6]。另一方面，澳大利亚很多的火灾是人为的蓄意纵火 [7]。甚至第一线救火的消防员居然会变成纵火犯！
本文将构建森林火灾模型模拟澳大利亚山火的蔓延，并研究山火难以控制的原因。

2 基础模型
在森林火灾蔓延的研究中，最常用的模型之一就是元胞自动机 [8]。元胞自动机是复杂系统研究的一个典型方法，特别适合于空间复杂系统的时空动态模拟研究。在元胞自动机模型中，空间被离散成网格，每一个网格被称为元胞。元胞具有有限的离散状态，遵循同样的作用规则，依据确定的局部规则作同步更新。大量元胞通过简单的相互作用而构成动态系统的演化。
经典的森林火灾元胞自动机模型是由 Drossel 和 Schwabl 在 1992 年提出的 [9]。
森林火灾元胞自动机模型定义在正方形网格上，元胞有三种状态：树（未燃烧的树），火（正在燃烧的树）和空（空地）状态。元胞下一时刻状态的更新规则如下：
着火：若某元胞的状态为“树”，且其最邻近的 4 个邻居元胞中有状态为”火”, 则该元胞下一时刻的状态由“树”变为”火”, 用以模拟火势的蔓延。此外，状态为“树”的元胞也会以一个低概率变为”火”，用以模拟闪电引起的火灾。

烧尽：状态为”火” 的元胞，其状态在下一时刻将变成“空”，用以模拟着火的树经过一定时间后被烧完。

新生：状态为“空”的元胞, 在下一时刻以一个低概率 p 变为” 树”，用以模拟新树的长出。

以上三条规则中，着火规则中的闪电以及新生规则都涉及概率，体现了该模型在演化过程中出现的随机性和不确定性。

3 改进模型
经典森林火灾元胞自动机有一些缺陷，例如大火向外漫延时并不是各向同性的，此外无法考虑风的影响。这里我们引入邻居元胞着火概率，对于经典森林火灾元胞自动机，其邻居着火概率如图所示，即中间元胞状态为“火”，则下一时刻上、下、左、右四个邻居着火的概率均为1。

在此基础上，为了使火以各向同性的方式向外蔓延，我们将斜对角的四个元胞也作为邻居，并规定其着火概率为。

在考虑风的作用时，只需要将顺风方向上的邻居着火概率适当加大，而逆风方向上的邻居着火概率适当减小。例如：西风可以考虑为图所示的邻居着火概率。

为了对比上面三种情况，我们设置一个 201 × 201 的元胞空间，初始时刻所有元胞的状态全为“树”，并从最中间元胞开始点火。三种情况的模拟结果：

需要说明的是，删掉了闪电和生长机制。 (a) 表明经典森林火灾元胞自动机以矩形的方式向外蔓延，(b) 图表明引入斜对角元胞着火概率能使火灾以圆的方式向外蔓延，© 图表明通过设置特定的邻居着火概率，可以模拟有风的情况。

4 结果
将改进的森林火灾元胞自动机模型应用到澳大利亚。我们需要根据澳大利亚植被情况构造出元胞自动机的初始状态。
2010 年澳大利亚归一化植被指数：

澳大利亚植被 NDVI 值一般在 0.1 到 0.7 之间，数值越高表明植物冠层密度越大 [11]。裸地和积雪的 NDVI 数值接近于零，而水域的数值为负值。各年各月的澳大利亚归一化植被指数数据都可以从澳大利亚气象局官网 [10] 上下载到。
假设 NDVI 值和植被覆盖率的关系如下：

根据上式，可以很容易将上图转化成元胞自动模型所需要的初始状态。具体做法是，以上图中每个格点植被覆盖率作为初始为“树”的概率。例如：某格点植被覆盖率为 0.7，则该位置元胞的初始状态为“树”的概率为 0.7。按照这种方式，构造出元胞自动模型所需要的初始状态。

从上图中我们发现，澳大利亚的东南部植被密度较大，北部和西南部也有小部分植被密度较大的区域，这与澳大利亚归一化植被指数空间分布一致。我们将上图作为初始状态，用元胞自动机模型很容易模拟出大火在澳大利亚蔓延的动态结果。不考虑风的情形，模拟结果显示，在植被覆盖率较低的着火点在蔓延一小片后自动熄灭了。而在植被覆盖率较高的多个着火点不断蔓延，并汇成一片，最终形成了一场巨大的森林火灾。这表明植被的覆盖率决定了能否形成大规模火灾。这也非常容易理解，如果没什么植被，大火便断了燃料，当然很难形成大规模火灾。

如果考虑风向的影响，不失一般性，我们以西风为例，结果显示，大火会倾向于往风的方向蔓延。有风情况下的灾情明显比无风情况严重，这表明风会加速火灾的蔓延。

⛄二、部分源代码

aus = load(‘2010120120101231’);
[m,n] = size(aus);

% 根据 aus 生成森林
S = 2*((rand(m,n)<sqrt(aus)) & (aus<1));
S(aus>1) = -1;

Plight = 1e-6; % 闪电概率
Pgrowth = 0; % 生长概率

% 邻居方位 d 和点燃概率 p
d = {[1,0], [0,1], [-1,0], [0,-1], [1,1], [-1,1], [-1,-1], [1,-1]};
p = [ones(1,4), ones(1,4)*(sqrt(1/2)-1/2)];
% % 考虑风的情况
% d = {[1,0], [0,1], [-1,0], [0,-1], [1,1], [-1,1], [-1,-1], [1,-1], [0,-2]};
% p = [ 0.80, 0.30, 0.80, 1.00, 0.12, 0.12, 0.30, 0.30, 0.8];

% 非=-1, 空=0, 火=1, 树=2；“非”表示非澳大利亚的部分或水域
U = -1; E = 0; F = 1; T = 2;
isE = (SE); isF = (SF); isT = (ST); isU = (SU);

R = isF+ isU; G = isT + isU; B = isU;

imh = image([112,154],[-44,-10], flipud(cat(3,R,G,B)));

hold on
load coastlines
plot(coastlon, coastlat, ‘b’, ‘linewidth’,2);
axis image
axis([112 154 -44 -10])

for t = 1:300

% 计算邻居中能传播着火的个数
sum = zeros(size(S));
for j = 1:length(d)
    sum = sum + p(j) * (circshift(S,d{j})==F);
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]党珊,蒋太刚,巫承军.基于元胞自动机方法的消防疏散仿真研究[J].现代电子技术. 2022,45(21)
[2]帅斌,秦梦瑶,许旻昊.基于元胞自动机的高速铁路列车运行仿真研究[J].计算机仿真. 2022,39(08)
[3]张睿洋.元胞自动机在两类传染病模型中的应用[J].现代信息科技. 2022,6(10)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合