基于FactorLSTM与LSTM–Transformer的双阶段框架对中国广西野火风险的多因子递归预测研究

《Remote Sensing》：Decadal Wildfire Risk Projection in Guangxi, China, Using a Two-Stage Deep Learning Framework with Recursive Environmental Factor Forecasting

　　

摘要

多年野火风险预测需要在观测期之外对环境驱动因素进行估计。本研究针对中国广西发展了一个两阶段框架。FactorLSTM递归估计九个时变环境因素，LSTM–Transformer将这些估计与四个预测静态因素相结合，在1公里网格上生成2019–2028年的月度野火概率估计。研究中区分了观测驱动因素分类和递归预测驱动因素评估。一项额外的回顾性实验使用单独训练的、正类权重为10的分类器并结合Platt校准，对2019–2025年可用的有效观测值获得了合并ROC-AUC为0.7835和平均精度为0.001475。然而，其平均预测概率约为观测正例比例的4.50倍，表明仍存在残余高估。季节性地图汇总了一至四月、五至九月和十至十二月的月度输出。十年输出是在外推的环境驱动因素和固定预测阶段土地覆盖条件下的条件性预测。研究结果指出了概率校准、罕见事件检测和观测覆盖方面的局限性；这些结果并不能建立跨完整十年范围可靠的月度预报。