使用三维向量量化变分自编码器提出了一个生成模型，用于生成给定生态区域中未见野火烧毁区域的时空序列，并利用这些数据训练了一个代理模型来预测野火的传播。

Aug, 2023

通过深入研究，我们评估了各种机器学习算法在预测野火相关任务中的分类和回归任务方面的有效性。我们发现，对于不同类型或阶段的野火分类，XGBoost 模型在准确性和稳健性方面优于其他模型。与此同时，Random Forest 回归模型在预测受野火影响范围方面展现出更好的结果，同时在预测误差和解释方差两方面表现出色。此外，我们还开发了一个集成数值数据和图像信息的混合神经网络模型，用于同时进行分类和回归任务。为了深入了解这些模型的决策过程并确定重要的特征，我们利用了可解释的人工智能（XAI）技术，包括 TreeSHAP、LIME、Partial Dependence Plots（PDP）和 Gradient-weighted Class Activation Mapping（Grad-CAM）。这些解释工具揭示了各种特征的重要性和相互作用，突出了影响野火预测的复杂因素。我们的研究不仅证明了特定机器学习模型在野火相关任务中的有效性，而且强调了模型透明度和可解释性在环境科学应用中的关键作用。

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

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

该研究提出了一种使用卫星测量数据推断野火历史的方法，以初始化耦合大气 - 野火模型，在火灾预测方面取得了高准确性。

Sep, 2023

本文介绍了一种新的机器学习（ML）框架，可以快速模拟预定火灾，解决了火灾模型中的物理不一致性、类别不平衡导致的偏见预测、火焰蔓延指标的偏差估计以及不同风况下的普适性问题。

Oct, 2023

通过基于局部可观测马尔可夫决策过程的模型和数据驱动模型的方法，利用从卫星图像提取的协变量组合现有火灾数据库，建立数据集，模拟火灾蔓延，预测火灾，指导资源配置，实现有效的火灾应对。

Oct, 2020

使用神经模型方法直接估算火灾传播的可能性，通过扰动输入天气预测来表征输入参数的不确定性，具有与传统火灾模拟平台相当的精度，但有着更高的计算效率。

May, 2023

本文介绍了如何使用分割深度学习模型预测全球火灾烧伤面积在亚季节时标下的出现情况，并提出了开放访问的全球分析数据立方体，以包含与季节性和亚季节性火灾驱动因素（气候、植被、海洋指数、人类相关变量）有关的各种变量，以及 2001-2021 年历史燃烧面积和野火排放。

Nov, 2022