使用PSO-WOA算法的CNN-MLP框架用于森林燃烧面积预测

为何预测火灾损失很重要

随着气候变暖和人类向林区扩张，野火变得更热、规模更大且发生更频繁。对消防队和地方社区来说，爆发期间最紧迫的问题之一不仅是火灾是否会发生，而是它可能烧毁多少土地。本研究展示了一种新型人工智能如何将简单的天气和干旱测量转化为对最终燃烧面积的高精度估计，从而在每小时都至关重要的情况下为应急管理者争取更有力的先机。

从原始天气数据到火灾影响

研究者聚焦于来自葡萄牙一处国家公园的知名数据集，该数据集记录了517起森林火灾。对每次火灾，他们知道发生的时间和地点、气温、湿度、风速、近期降雨以及若干描述不同森林燃料层干燥状况的火险天气编码。挑战在于记录中的大多数火灾都很小，而少数火灾非常大，且天气读数与燃烧面积之间的联系高度复杂且非线性。早期方法，包括支持向量机和简单神经网络等常规机器学习工具，在面对这种混乱模式时表现受限，仅能给出中等准确度的预测。

让算法决定哪些输入重要

团队并没有将每个可用变量直接输入到模型中，而是先让一种受萤火虫启发的算法搜索最有信息量的输入组合。在该方案中，每个“萤火虫”对每个特征提出一个是/否选择：包含气温、排除降雨、包含某个干旱编码，等等。更亮的萤火虫代表在试验模型下能得到更准确预测且输入数量较少的组合。经过多轮迭代，较暗的萤火虫会向较亮的移动，过程最终收敛到一组精简的关键因素。这一程序持续强调了五个主要的燃烧面积驱动因子：气温、相对湿度、两个分别反映中期和长期干旱的干旱指标，以及一个简单的坐标，表明火灾发生在公园的哪个位置。

由自然启发搜索调优的混合神经网络

在确定了这些核心输入后，作者构建了一个轻量但专用的神经网络。其中一部分称为一维卷积网络，用于寻找所选特征如何相互作用的模式——例如高温、低湿和某些区域深度干旱的组合。该部分的输出随后流入更传统的多层感知器（MLP），由其执行最终的回归步骤以估计燃烧面积。为该混合模型选择所有内部设置——层数、神经元数、学习速度等——本身就是一个复杂的问题。为了解决这一点，团队结合了另外两种受自然启发的搜索方法：一种模拟鸟群（粒子群优化，PSO），另一种模拟鲸鱼的捕猎策略（鲸鱼优化算法，WOA）。这些算法分阶段工作，探索许多可能的网络设计，并逐步收敛到那些在保留验证数据上将预测误差最小化的设计。

与真实火灾几乎完全一致

经过这种自动调优后，优化后的混合模型与几个强劲的深度学习对手进行了测试：独立的卷积网络、经典的前馈网络以及面向序列的模型如LSTM和GRU。所有模型在相同的数据划分上训练和比较。混合CNN–MLP系统明显领先。其预测与观测到的燃烧面积匹配程度的决定系数约为99.9%，并且其平均误差（以公顷计）极小。交叉验证（反复将数据打乱并分成不同的训练和测试折）表明这种性能是稳定的，而非某次幸运划分的偶然结果。使用SHAP这一模型决策解释工具的额外分析证实了温度升高和干旱加深会将预测推向更大的燃烧面积，而较高湿度会抑制预测结果，这与既有的火灾科学结论一致。

这对火灾管理的意义

对非专业读者来说，核心信息是：经过精心设计的现代人工智能与优化方法的结合，能够将少数常规的天气和干旱读数转化为对火灾可能烧毁森林面积的高度可靠估计。通过自动选择最有说明力的输入并微调模型内部结构，该方法兼顾了准确性和可解释性。尽管该研究集中于葡萄牙的一个公园和相对较小的数据集，但从原则上讲，该框架可以推广到更丰富的数据和其他地区。随着此类系统成熟并连接到实时天气数据源，它们可以帮助机构优先识别高风险区域、更早规划疏散并更有效地分配灭火资源，最终减少野火对人类和生态系统的损害。

引用: Mousa, M.H., Algamdi, A.M., Fouad, Y. et al. CNN-MLP framework for forest burned areas prediction using PSO-WOA algorithm. Sci Rep 16, 4982 (2026). https://doi.org/10.1038/s41598-026-35836-4

关键词: 野火预测, 燃烧面积, 深度学习, 火险天气指数, 森林火险