估计潜在的野火行为特征,以评估中国西南部的野火危险,使用深度学习方案
Rui Chen1, Binbin He1, Yanxi Li1
1School of Resources and Environment, University of Electronic Science and Technology of China, Chengdu, 611731, China.
Journal of environmental management
|January 6, 2024
概括
这项研究引入了一种结合双向长短期记忆 (BiLSTM) 和定量回归 (QR) 的AI模型,以准确估计潜在的野火行为特征 (PWBC),改进野火危险评估.
科学领域:
- 环境科学 环境科学
- 人工智能的人工智能
- 地理空间分析的研究.
背景情况:
- 传统的野火行为模型面临着不确定性和大规模应用挑战.
- 准确估计潜在的野火行为特征 (PWBC) 对于有效的野火危险评估至关重要.
研究的目的:
- 开发和验证一种新的AI模型 (PWBC-QR-BiLSTM) 来估计潜在的野火行为特征 (PWBC) 和它们的概率密度.
- 提高野火行为估计的准确性和适用性,以加强野火管理.
主要方法:
- 将双向长短期记忆 (BiLSTM) 与量子位回归 (QR) 结合起来,创建PWBC-QR-BiLSTM模型.
- 使用多种来源数据 (燃料,天气,地形,基础设施,景观) 来进行模型输入.
- 采用非主导排序基因算法II (NAGA-II) 进行最佳模型选择.
主要成果:
- PWBC-QR-BiLSTM模型在估计潜在传播速率 (ROS) 和火灾辐射功率 (FRP) 方面表现出高准确性.
- 估计的概率密度产生了模态PWBC值,与观察到的数据密切匹配,表明适合危险评估.
- 变量重要性分析强调了燃料和基础设施在驱动野火行为中的重要作用.
结论:
- 开发的AI模型显示了准确PWBC估计和概率密度预测的巨大潜力.
- 这些发现表明,人工智能可以增强野火危险评估和管理策略.
- 燃料和基础设施变量是野火行为的关键驱动因素,为有针对性的管理工作提供信息.
