基于GIS和多种机器学习算法的广东省森林火灾预测模型OA北大核心CSTPCD

森林火灾是严重的自然灾害,造成严重的森林资源破坏和社会经济损失。广东省是我国森林火灾高发区之一,针对该区域的森林火灾发生特点,准确预测可提供有效的防范措施。大多数森林火灾预测研究仅从气象因素或少数特征因素出发考虑,并未考虑到森林火灾的发生的复杂性以及预测准确率较低的问题。因此,本研究提出一种基于GIS和机器学习结合的高准确率的森林火灾预测方法,将XGBoost(eXtreme gradent boosting,XGB)、Light GBM(light gradient boosting machine)、CatBoost(categorical boosting)、深度神经网络(DNN)、随机森林(RF)5种机器学习算法作为预测模型;基于气象数据、地形数据、植被数据、基础设施数据、社会和人类数据,选择了24个特征因素作为模型输入。从更多林火发生特征因素出发,构建广东省日尺度林火发生预测模型;同时引入基于Optuna框架的贝叶斯自动超参数优化方法,其自动超参数优化特性,在面对不同数据结构时可以自动优化参数组合,提升林火预测模型的准确率。结果表明,XGBoost模型最优,准确率为91.30%;利用2018年的数据验证林火预测模型,其验证准确率结果为87.81%;利用GIS绘制广东省森林火灾风险图,同时模型准确率明显优于其他研究的林火预测模型。本研究可为广东省林业防火提供科学参考。