基于气象与水文数据的机器学习模型预测南加里曼丹泥炭地火热点与碳排放的研究

泥炭地火灾控制困难，因易表面与地下蔓延且难察觉。研究中，学者针对印尼南加里曼丹 Jambu 和 Pinang Habang 站，用 NN、RF、LightGBM 模型，结合气象水文数据预测火热点和碳排放。结果表明水文因素影响大，该研究为防火提供新方法。

　　

控制泥炭地火灾颇具挑战，因其可在地表及地下蔓延且常难以察觉。本研究通过数据驱动方法提供新视角，以火热点和碳排放作为指标，借助气象与水文数据，对潜在泥炭地火灾进行估算。该方法为火灾防控提供更深入的定量分析与更实际的应用。研究将三种基于机器学习的模型，即神经网络（NN）、随机森林（RF）和轻量级梯度提升机（LightGBM），应用于印度尼西亚南加里曼丹的 Jambu 和 Pinang Habang 两个站点。根据平均绝对误差（MAE）、归一化均方根误差（NRMSE）和相关系数（CC），在 Jambu 站点，以水文数据作为预测因子的 LightGBM 模型在火热点估算中表现最佳；另一方面，以水文和气象数据作为预测因子的 RF 模型在碳排放预测中表现最优。在 Pinang Habang 站点，以水文数据作为预测因子的 RF 模型在火热点和碳排放估算中均表现最佳。总体而言，仅以水文数据作为预测因子的 RF 模型相比其他模型表现最佳。这一结果表明，在泥炭地火灾活动中，水文因素（即地下水位、土壤湿度和土壤温度）起着主导作用。