综述：全面综述机器学习管道在野火风险预测和评估中的应用

这篇综述系统梳理了机器学习（Machine Learning, ML）在野火风险评估中的全流程（从数据获取到模型部署），重点探讨了多源数据（如遥感影像、气候记录）的整合与特征工程，涵盖了传统方法（如随机森林）和深度学习（Deep Learning, DL）模型的应用，并深入分析了数据稀疏性、可解释性等挑战及未来方向（如实时自适应系统）。推荐给环境科学和AI研究者，为开发可扩展、可操作的野火风险管理方案提供权威指南。

　　

Abstract

野火在气候变化和人类活动影响下日益频发，对生态系统、经济和公共安全构成全球性威胁。本文综述了机器学习（ML）在野火风险预测和评估中的全流程应用，从数据采集到模型部署，整合了遥感、实地测量、地理空间等多源数据，并探讨了气候、地形、植被等特征的提取方法。重点强调机器学习技术如何提升风险评估的准确性和可操作性。

1. Introduction

野火已成为21世纪最紧迫的环境挑战之一，其频率和强度因气候变化而加剧。近年来的灾难性事件（如2019年澳大利亚丛林大火）突显了传统风险评估方法的局限，而人工智能（AI）尤其是机器学习（ML），通过处理大规模异构数据（如卫星图像和气候记录），提供了更先进的预测能力。本综述旨在概述机器学习管道在野火风险评估中的关键阶段，并识别数据稀疏性、模型可解释性等核心挑战。

2. Background

传统野火风险评估方法包括统计模型、经验指数系统（如加拿大火灾天气指数FWI）、基于物理的模拟（如FARSITE工具）以及专家系统。这些方法虽基础扎实，但难以适应动态环境或整合现代数据源。相比之下，机器学习管道涵盖五个阶段：数据采集、预处理、特征提取、模型训练和后处理（如图1所示）。
2.1. Traditional methods for wildfire risk assessment
统计方法（如泊松回归）假设线性关系，限制了其在复杂火灾建模中的应用；经验指数（如美国国家火灾危险等级系统NFDRS）依赖历史数据，适应性差；物理模型（基于燃烧和流体动