使用机器学习预测加州野火的控制时间

加州的野火季节正不断恶化，给紧急响应团队带来挑战。这些火灾造成了巨大的财产损失和人员伤亡。正因如此，对精准且实用的预测需求日益增长，以帮助野火经理或响应团队进行资源配置。在本研究中，我们构建了机器学习模型来预测完全控制加州野火所需的天数。我们解决了当前文献中的一个重要空白：大多数既有研究聚焦于野火风险或火势蔓延，而少数研究若干时长，通常仅以更宽泛类别进行预测。本研究将野火持续时间预测视为回归任务，这允许更详细且精确的预测，而不仅仅是较宽泛的分类预测。我们通过组合来自加州林业与消防局 Fire and Resource Assessment Program (FRAP) 的三个公开数据集构建了模型。本研究比较了基准集成回归器、随机森林和 XGBoost 的性能，以及长短期记忆 (LSTM) 神经网络。结果表明，XGBoost 模型略胜于随机森林模型，可能是由于其对数据集中静态特征的处理更为出色。相比之下，LSTM 模型的表现不如集成模型，因为数据集缺乏时序特征。总体而言，本研究表明，根据特征可用性，野火经理或消防管理部门可以选择最合适的模型，以准确预测野火控制持续时间并有效分配资源。