利用机器学习进行深度学习模型的季节性火灾预报，研究发现在全球范围内，考虑更长时间序列和整合空间信息可以提高火灾预测性能，并建议在更长的预测时限内考虑更大的空间范围以提高预报准确性。

Apr, 2024

本研究开发了一种多模式野火预测和个性化早期警告系统，该系统基于先进的机器学习框架，使用来自环境保护局的传感器数据和 2012 年至 2018 年的历史野火数据，成功设计了新型的 U-Convolutional-LSTM 神经网络，能够提取与迫在眉睫的野火相关的关键时空特征。此外，地质数据被用于提供更好的野火风险评估。最终，为个有感官障碍或呼吸恶化症状的人提出了个性化早期警告系统，旨在为危险地区的居民提供更好的准备，从而挽救生命并减少经济损失。

Aug, 2022

本研究制作了一个散装的、大规模的、多变量的基于历史野火的遥感数据集，结合 2D 区域的地形、植被、气象、干旱指数和人口密度等多个自变量，借助机器学习解决了野火蔓延的问题。通过神经网络的预测表现，与逻辑斯蒂二元回归和随机森林算法的比较，展示了该数据集的实用性，成为基于遥感数据开发野火传播模型的标准参考。

Dec, 2021

全球野火的发生、规模和频率对生态系统服务和人类生计构成重大威胁。为了有效量化和归因于野火的先决条件，对地球系统动力学的彻底理解是必需的。为此，我们介绍了 SeasFire 数据立方体，这是一个经过精心策划的时空数据集，可用于通过地球观测进行全球亚季节到季节性野火建模。SeasFire 数据立方体包括 59 个变量，涵盖气候、植被、海洋指数和人类因素，在时间上具有 8 天的分辨率，在空间上具有 0.25 度的分辨率，时段为 2001 年至 2021 年。我们展示了 SeasFire 在探索野火驱动因素的变异性和季节性、建模海洋 - 气候相互关系与野火之间的因果关系以及使用深度学习模型预测多个时间尺度下的亚季节性野火模式的多功能性。我们公开发布了 SeasFire 数据立方体，并呼吁地球系统科学家和机器学习实践者使用该数据立方体来改善对野火的理解和预测。

Dec, 2023

该研究利用卷积神经网络（CNN）和迁移学习技术分析地理空间数据，特别是用于识别受野火影响的区域，并结合加拿大火险指数（FWI）评估湿度条件，通过建立一个 0 至 5 的火险级别量表与天气模式动态连接，实现了大规模烧毁区域的准确识别，为预测和减轻火灾提供了实时实用的方法。

Mar, 2024

利用基于图神经网络（GNN）的混合模型，我们通过将全球气候和野火数据表示为图形，解决了传统模型中存在的空洞海洋数据位置和远程相关性的挑战，并且在未见过的 JULES-INFERNO 模拟数据集上展示出卓越的预测准确性。此外，通过社区检测和集成梯度分析，我们揭示了潜在的野火相关性聚类和特征重要性，强调了模型的可解释性。我们的研究不仅推动了野火预测方法领域的发展，还强调了模型透明度的重要性，并为野火管理的利益相关者提供了有价值的见解。

Feb, 2024

利用深度学习方法进行下一天火灾预测，通过将问题从二元分类转化为图像的语义分割任务，每个像素对应一天的区域快照，从而实现了最先进的结果。

Mar, 2024

本研究提出了一种基于机器学习的、利用遥感数据预测印度尼西亚森林火灾的新方法，其对近年来由森林砍伐和气候变化导致的森林火灾有着显著的影响并提出了可靠且高效的预测方案。

Jan, 2021

野火对全球植被、野生动物和人类有重要影响，破坏植物群落和野生动物栖息地，并导致二氧化碳、氮氧化物、甲烷和其他污染物的排放增加。本技术综述描述了野火预测所依赖的独立变量的选择、数据处理技术、模型、独立变量的共线性和重要性估计方法以及模型性能评估指标。文章强调了对更有效的深度学习时间序列预测算法、三维数据（包括地面和树干燃料）的利用、提取更准确的历史火灾点数据和改进模型评估指标的需求。

May, 2024

本文提出了一种基于遥感桥连远程影响视觉编码器（TeleViT）的方法，用于预测全球大火的模式，并证明了在长达四个月的预测窗口中，它在准确预测全球烧毁区域模式方面的优越性。

Jun, 2023