WildfireGenome：基于可解释机器学习揭示野火风险的局部驱动因素及其跨县变化
机器学习
2025-11-20 v2
摘要
当前野火风险评估依赖粗糙的危险图和不透明的机器学习模型，这些模型在优化区域精度的同时牺牲了决策尺度上的可解释性。WildfireGenome通过三个组件弥补了这些差距：（1）将七个联邦野火指标融合为以H3 Level-8分辨率为基准的、基于主成分分析构建的、与符号对齐的复合风险标签；（2）对地方野火风险进行随机森林分类；（3）利用SHAP和ICE/PDP分析揭示县级非线性驱动关系。该模型在七个生态学多样的美国县上实现了0.755至0.878的准确率，准加权Kappa最高可达0.951，其中主成分解释了指标方差的87%至94%。迁移测试显示，在生态学相似的地区可靠地实现良好性能，但在生态学不相似的地区则性能崩溃。解释 consistently 突出针叶林覆盖和海拔是主要驱动因素，风险在30%至40%针叶林覆盖时显著上升。WildfireGenome将野火风险评估从区域预测提升到可解释的决策尺度分析，指导植被管理、分区和基础设施规划。
引用
@article{arxiv.2511.11589,
title = {WildfireGenome: Interpretable Machine Learning Reveals Local Drivers of Wildfire Risk and Their Cross-County Variation},
author = {Chenyue Liu and Ali Mostafavi},
journal= {arXiv preprint arXiv:2511.11589},
year = {2025}
}