基于空间 Super Learner 方法建模加利福尼亚野火燃烧严重度
机器学习
2024-03-27 v1 应用统计
摘要
鉴于美国西部野火日益频发，亟需开发工具以理解并准确预测燃烧严重度。我们利用火前遥感数据开发预测灾后燃烧严重度的机器学习模型。采集自加利福尼亚四个区域——Kincade 火灾（2019）、CZU 闪电复合火灾（2020）、Windy 火灾（2021）与 KNP 火灾（2021）——的水文、生态与地形变量被用作差分归一化燃烧比的预测因子。我们假设采用 Vecchia 高斯近似考虑空间自相关的 Super Learner（SL）算法能准确建模燃烧严重度。在所探索的全部测试集与训练集组合中，我们的模型结果显示 SL 算法优于标准线性回归方法。在拟合并验证 SL 模型性能后，我们使用可解释机器学习工具确定严重燃烧损害的主要驱动因素，包括绿度、海拔与火天气变量。这些发现提供了可操作的见解，使社区能够制定干预策略，如早期火灾探测系统、火季前植被清理活动及应急响应中的资源调配。该模型一旦应用，有望减少加利福尼亚州人类生命、财产、资源与生态系统的损失。
引用
@article{arxiv.2311.16187,
title = {Modelling wildland fire burn severity in California using a spatial Super Learner approach},
author = {Nicholas Simafranca and Bryant Willoughby and Erin O'Neil and Sophie Farr and Brian J Reich and Naomi Giertych and Margaret Johnson and Madeleine Pascolini-Campbell},
journal= {arXiv preprint arXiv:2311.16187},
year = {2024}
}
备注
18 pages, 3 figures