本文综述了机器学习在森林火灾科学与管理中的应用，涵盖了燃料表征，火灾检测与映射，火灾产生、易感性和风险，火灾行为预测，火灾影响以及火灾管理等六个问题领域，同时指出了未来的发展方向和重要性。

Mar, 2020

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

在西北美洲，由于规模和严重程度的增加，近年来野火引发了危险水平的 PM$_{2.5}$ 污染。在气候变暖的情况下，扩大使用计划烧火被广泛认为是最可靠的火灾缓解策略。然而，可靠地预测这些计划烧火的潜在空气质量影响，这是确定烧火的位置和时间的关键因素，在小时到日时间尺度上仍然是一个具有挑战性的问题。本文提出了一种新颖的计划烧火模拟与基于时空图神经网络的 PM$_{2.5}$ 预测模型相结合的方法。该工作的实验重点是确定在加利福尼亚州实施计划烧火的最佳时间，并量化在火灾季节之外进行更多计划烧火可能涉及的空气质量权衡。

Dec, 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

通过引入 SimFire 和 SimHarness，我们介绍了一种多功能的野火预测模拟器，能够生成真实的野火场景，并通过模块化的基于代理的机器学习封装层自动生成减少损失的土地管理策略，从而帮助研究人员和实践者模拟和评估消防人员的干预效果，并制定价值保护和资源分配优化的战略计划。

Nov, 2023

用机器学习方法预测森林火灾持续时间，通过卫星提供的地貌特征地图和历史火灾数据训练模型，并基于已知火灾的地貌图像进行快速准确的未来预测。

Aug, 2023

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

通过使用机器学习模型和可解释的机器学习工具，基于野外火灾事件之前获取的遥感数据，准确预测火灾后的烧毁严重程度，并确定严重烧毁的主要驱动因素，为社区制定干预措施提供行动洞察，以最大限度地减少加利福尼亚州人员、财产、资源和生态系统的损失。

Nov, 2023

使用多个数据源和方法，通过 Landsat-8 光学图像、Sentinel-1 合成孔径雷达（SAR）图像、PALSAR SAR 图像和地形特征，预测和映射火灾燃料类型和分布。

Mar, 2024

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