北京师范大学国家安全与应急管理学院汪明教授团队在生态领域国际期刊Ecological Applications（中科院1区TOP）和Ecological Indicators（中科院2区TOP）上陆续发表了两篇研究型论文，基于深度学习分别构建了全球野火发生的季节性空间预测模型和全球野火过火面积的月度动态预测模型，为全球野火预测提供了新思路和新方法。本研究得到了国家重点研发计划（2017YFC1502902和2018YFC1508802）共同资助。

研究背景与意义

野火是地球系统的重要扰动之一，是植被生态系统面临的主要自然灾害。近来，随着全球气候变化和人类活动的加剧，全球野火灾害频发，极具破坏性的野火灾害事件激增。提高野火预测精度对全球野火灾害的预防和管理具有重要意义。在地理大数据和云计算背景下，人工智能这种“新技术”为从大数据中提取可解释的信息并获得新的见解提供可能，人工智能领域的“新方法”不断得到拓展，为解决复杂的全球野火预测提供新途径。数据驱动的机器学习模型将在野火预测领域发挥关键作用，深度学习模型在全球尺度的野火预测研究中仍处于探索阶段。本研究基于深度神经网络模型提出了两种预测模型，一是适用于全球野火发生的空间预测模型，二是全球野火过火面积的月度时空序列预测模型。

研究内容

创新点

1.提出了一种适用于全球野火发生的空间预测模型，该模型的卷积特性能够自动考虑邻域关系、提取深层特征，挖掘野火发生与驱动因素之间的空间关系。

2.提出了全球野火过火面积的月度时空序列预测模型，该模型的卷积-循环结构能够自动提取时空序列特征，挖掘野火过火面积与驱动因素之间的时空关系，完成了具有提前期的全球野火过火面积的时空序列预测。

研究方法

在全球野火和驱动因素时空数据库构建的基础上，使用野火频次数据和野火驱动因素构建全球野火发生的空间预测模型，从处理单元、空间样本库的生成、模型结构和超参数的优化、模型训练和验证以及模型性能评估等众多方面，系统阐述卷积神经网络模型（CNN）在全球野火发生空间预测中的关键问题。

在全球过火面积与驱动因素滞后性分析的基础上，结合前馈神经网络CNN模型的空间特征提取优势和循环神经网络模型LSTM的时间记忆优势，探究卷积-循环神经网络（CNN2D-LSTM）在全球野火时空动态预测中的应用。从模型输入的时空张量特征、时空样本库的构建、卷积-循环网络结构设计和参数优化以及预测结果和精度的对比，系统阐述了基于卷积-循环的全球野火时空动态预测模型。

研究结论

全球野火发生的空间预测模型：与基准分类器相比，CNN-2D模型预测的准确率最高（AUC = 0.86），网格单元的输入更能发挥CNN-2D空间特征提取的优势，CNN-2D能够充分利用邻域信息，具有较强的拟合和分类能力。全球敏感性评估结果反映了全球野火发生的季节性时空格局差异（如图1），北半球野火高峰主要集中在3-5和6-8月，然后随着干旱季从北向南逐渐移动，赤道以南的南美洲地区和赤道以南的非洲地区集中在6-8和9-11月，赤道以北的南美洲地区和赤道以北的非洲地区在12-2月达到峰值。

图. 1 全球野火发生的季节性空间预测结果（CNN-2D模型）

全球野火过火面积的时空序列预测模型：通过全球野火过火面积与各驱动因素的滞后相关性系数分析，确定模型输入的时空序列长度，提出4种候选模型结构，最终使用最优的Cov2LSTM2模型生成全球野火过火面积的月度序列预测图（如图2），就全球结果来看，模型预测结果和GFED过火面积的IOA值达到0.90，表明该模型预测结果与GFED过火面积的一致性很高，可以很好地反应全球野火过火面积的月度变化。

图. 2 全球野火过火面积的时空序列预测结果（CNN2D-LSTM模型）

研究深入探讨了深度学习模型在全球野火预测中的应用，研究结果证明了数据驱动的深度学习模型在全球野火预测领域发挥的关键作用，为全球野火灾害的防灾减灾工作提供了科学决策依据和技术支撑。

论文引用

Zhang, Guoli, Ming Wang, and Kai Liu. 2022. “Dynamic Prediction of Global Monthly Burned Area with Hybrid Deep Neural Networks.” Ecological Applications 32(5): e2610. https://doi.org/10.1002/ eap.2610

Guoli Zhang, Ming Wang, Kai Liu. (2021). Deep neural networks for global wildfire susceptibility modelling. Ecological Indicators. 127(2):107735. https://doi.org/10.1016/j.ecolind.2021.107735

相关已发表论文：

Guoli Zhang, Ming Wang, Kai Liu. (2019). Forest Fire Susceptibility Modeling Using a Convolutional Neural Network for Yunnan Province of China. International Journal of Disaster Risk Science 10:386–403. https://doi.org/10.1007/s13753-019-00233-1

第一作者简介：

张国丽，北京师范大学自然灾害学博士毕业生，现工作于国家林业和草原局林草调查规划院，研究方向是林草火灾风险评估与预测

E-mail: zhangguoli@mail.bnu.edu.cn