使用基于机器学习和可变输入的森林燃烧PM2.5排放的数据驱动预测
Jibin Ning1, Yi Ye1, Yanpeng Zhang1
1Key Laboratory of Sustainable Forest Ecosystem Management-Ministry of Education, College of Forestry, Northeast Forestry University, Harbin, Heilongjiang 150040, China.
Journal of hazardous materials
|February 24, 2026
概括
这项研究引入了一种新方法,可以准确预测森林火灾造成的颗粒物 (PM2.5). 它平衡了预测准确度和计算速度,这对于实时野火管理和公共卫生建议至关重要.
科学领域:
- 环境科学 环境科学
- 大气化学 大气化学
- 计算建模 计算建模
背景情况:
- 森林火灾释放出大量的PM2.5,影响空气质量和公共健康.
- 准确的PM2.5量化对于全球影响评估至关重要.
- 现有的机器学习模型往往会为了准确性而牺牲计算效率.
研究的目的:
- 为评估PM2.5预测模型开发一种新的性能指标.
- 提高计算速度并减少用于PM2.5预测的数据输入.
- 为了确定最佳的机器学习算法和用于PM2.5预测的输入变量.
主要方法:
- 利用了844个燃烧实验和6个机器学习算法.
- 分析了气象,地形,燃料,火灾行为,火焰特性和火灾强度对PM2.5排放的影响.
- 引入了一个重-TOPSIS方法,用于全面的模型评估.
主要成果:
- 额外的树木 (ET) 使用火灾强度,传播速度,气象,燃料和地形实现了最高精度 (MAE = 717.7 μg/m3).
- 多层感知器 (MLP) 显示了所有变量的最快计算 (0.0025秒).
- 使用火力强度,气象和燃料的MLP提供了最佳平衡 (97.95分).
结论:
- 高质量的数据和适当的算法选择是有效预测PM2.5的关键.
- 变量冗余和模型复杂性可能导致预测冗余.
- 该研究提供了PM2.5排放的快速估计方法,有助于空气质量管理和减少野火风险.
