基于深度学习预测加州野火爆发日期的创新模型及其气候适应性研究

本研究针对气候变化加剧的加州野火频发问题，采用CNN、LSTM、RF与DT等深度学习与机器学习方法，构建高精度预测模型。CNN表现最优（MAE=0.012，R2=0.991），通过时空张量处理与扩张卷积技术捕捉气候变量间的非线性依赖，为野火防控提供关键决策支持。

　　

加州野火发生频率与严重性在气候变化和人类活动影响下持续攀升，亟需开发先进预测工具以加强防控。本研究运用深度学习（Deep Learning, DL）与机器学习（Machine Learning, ML）方法——包括卷积神经网络（Convolutional Neural Networks, CNN）、长短期记忆网络（Long Short-Term Memory, LSTM）、随机森林（Random Forest, RF）和决策树（Decision Trees, DT）——基于1984至2025年共14,989条数据点，整合历史与未来气候变量（如降水、极端温度、风速和季节性模式）以预测野火爆发日期。其中，CNN模型表现出最高精度，其平均绝对误差（Mean Absolute Error, MAE）为0.012，平均绝对相对误差（Mean Absolute Relative Error, MARE）为0.597%，均方根误差（Root Mean Squared Error, RMSE）为2.432，拟合优度R²达0.991。

本研究的创新点在于将CNN定制化应用于野火时空预测，将气候变量视为多通道时空张量，使模型能够从结构化气候数据中学习短期与长期依赖关系。这一方法超越了CNN传统图像处理的应用范畴，通过引入扩张卷积（Dilated Convolutions）和优化核架构，以捕捉罕见高影响事件（如热浪和阵风等野火前兆信号）。这些结构改进增强了CNN从相互关联的气候特征中提取深度非线性模式的能力，同时保持参数效率并降低过拟合，显著推进了现有ML与DL方法的局限性。

然而，该模型依赖未来气候数据引入了一定不确定性，且缺乏实时人类活动变量（如土地利用变化与政策干预），可能限制其实际应用。未来研究需整合实时传感网络、优化气候预测数据，并在多样地理区域中进行验证，以提升模型可靠性与扩展性。总体而言，基于CNN的模型有望成为主动式野火管理的关键工具，助力资源及时调配，减轻环境与公众健康风险。