应用XGBoost-AttentionBiLSTM模型预测中国云贵川区域林火风险OA

多源遥感提供了丰富的地表观测信息,为预测大区域火灾发生概率提供了新的视角。然而,由于林火发生的复杂过程,空间连续的火灾预测仍然面临挑战。以多源遥感信息为基础,结合预测和历史的气象要素,构建了一个林火预测深度学习模型(XGBoost-Attention Bi LSTM)。结果表明:与常见机器学习模型相比,林火预测深度学习模型具有优秀的火灾预测能力,验证集准确率达到94.13%,精确率为93.21%,召回率为94.72%,平衡分数为0.9396,各项指标均优于极端梯度提升(XGBoost)、随机森林(Random Forest)、逻辑回归(Logistic)等经典统计和机器学习模型。采用基于博弈论的沙普利加性解释方法(SHAP)进行分析,结果表明,气象变化的累积效应是控制火灾发生的关键因素。在均分法划分火险等级的框架下,林火预测深度学习模型对云贵川林区的高风险等级以及低风险等级划分更加合理。预测结果在火灾事件中,可以观察到明显的火灾概率趋势,火灾发生前概率显著的上升趋势以及火灾后概率的逐步降低趋势。