用于野火预测无监督异常检测的深度自编码器

由于气候危机，野火对全球生态系统构成显著增加的危害。鉴于其复杂性，迫切需要创新的野火预测方法，如机器学习。本研究采取了独特的方法，区别于经典的监督学习，利用自编码器和聚类技术进行异常检测，填补了无监督野火预测的空白。使用了澳大利亚2005-2021年的历史天气和归一化植被指数数据集。分析了两种主要的无监督方法。第一种方法使用深度自编码器获取潜在特征，然后将其输入聚类模型、孤立森林、局部异常因子和单类支持向量机进行异常检测。第二种方法使用深度自编码器重构输入数据，并利用重构误差识别异常。本部分采用了长短期记忆（LSTM）自编码器和全连接（FC）自编码器，均以无监督方式仅从正常数据中学习。FC自编码器优于其他模型，准确率达0.71，F1分数0.74，MCC 0.42。这些发现突显了该方法的实用性，因为它能在无真实标签的情况下有效预测野火，利用无监督学习技术。