全球数据驱动的火灾活动预测：突破传统局限，提升预测精准度

在火灾预测领域，传统方法常高估高火险，尤其在燃料受限地区易致误报。研究人员开展 “全球数据驱动的火灾活动预测” 研究，发现输入数据质量比 ML 架构复杂度更重要，数据驱动法可降误报率，对提升火灾预测意义重大。

　　在全球气候变化背景下，森林火灾等灾害的发生愈发频繁且难以预测，给人类生命财产安全和生态环境带来了巨大威胁。传统的火灾预测方法主要依赖经验模型和有限的数据，在面对复杂多变的火灾情况时，往往显得力不从心。比如，传统的火灾天气指数（FWI）在预测火灾时，常常会在燃料不足的地区高估火灾危险，导致大量的误报，这不仅浪费了宝贵的资源，还可能让人们在真正面临火灾威胁时放松警惕。同时，由于火灾的发生受到燃料、天气和点火源等多种因素的综合影响，且这些因素之间相互关联，使得准确预测火灾变得极具挑战性。

为了攻克这些难题，欧洲中期天气预报中心（ECMWF）的研究人员 Francesca Di Giuseppe、Joe McNorton 等人开展了一项关于全球数据驱动的火灾活动预测的研究。他们利用机器学习（ML）技术，深入挖掘燃料特征、点火源和观测到的火灾活动等数据中的信息，旨在建立更精准的火灾预测模型。该研究成果发表在《Nature Communications》上，为火灾预测领域带来了新的突破和希望。

研究人员在开展这项研究时，主要运用了以下几种关键技术方法：首先，采用了 ECMWF 开发的概率火灾（PoF）模型，该模型基于 XGBoost 库中的梯度提升决策树，通过迭代训练不断纠正误差，从而实现对火灾的预测；其次，训练了随机森林和神经网络模型，并与 PoF 模型进行对比，以探究不同模型的性能差异；此外，研究中使用了来自 ERA5-Land 的气象数据、McNorton 和 Di Giuseppe 的燃料特征模型数据以及多种与点火相关的数据作为训练数据集，同时以 MODIS AQUA 和 TERRA 卫星的 MCD14 v6.1 活跃火产品数据作为目标数据集。

数据作为火灾预测的来源

火灾的发生和严重程度通常由 “火灾三角形” 中的三个关键因素决定：点火源（人为或自然，如闪电）、燃料（丰富度、状态和连续性）和天气（风、温度和湿度条件）。为了评估数据相较于机器学习框架复杂度的重要性，研究人员进行了一系列消融实验。他们使用了随机森林、XGBoost 和神经网络这三种复杂度逐渐增加的模型，并在模型训练过程中逐步纳入更多的数据来源。通过多种评估指标发现，中等复杂度的 XGBoost 模型表现最佳，其性能优于简单的随机森林模型，且与更复杂的神经网络模型相当。综合所有数据进行训练，能够在全球和区域范围内对火灾活动做出最佳预测。仅考虑天气或点火数据时，预测技能预计会下降约 30%；仅考虑燃料数据时，下降约 15%；而任意两个因素组合使用时，预测质量会提高，技能下降幅度可控制在 3 - 7%。此外，研究还发现，燃料数据在全球范围内都是最重要的预测因素，尤其在燃料受限的生态系统以及热带地区，其重要性更为突出。

预测火灾活动而非火灾危险

传统火灾天气指数的一个显著局限性是，在燃料可用性低的地区，它们往往持续预测高火灾危险。例如，FWI 常常在沙漠地区显示出极高的火灾危险，尽管这些地区由于植被不足几乎不会发生火灾。而数据驱动的方法通过直接对观测到的火灾活动进行训练，能够预测火灾活动本身，而非仅仅是火灾危险，从而在一定程度上解决了这一问题。该模型可以从火灾活动的气候学缺失中学习到荒芜地区的位置，避免了传统指数的错误预测。并且，随着训练数据集的扩大，这种学习过程会显著改善，进一步提高预测的准确性。

预测极端情况

火灾是一种偶发事件，受到有利条件和随机触发因素的影响，在确定性的基于过程的预测系统中常常被过度预测。数据驱动方法的概率性质在预测极端情况时具有优势，其准确性体现在预测概率与事件发生频率的匹配程度上。在低概率情况下，所有数据驱动模型在全球范围内的表现都较好，预测概率与观测频率相符。然而，仅使用天气数据的驱动模型在预测高概率事件时往往会过度预测。而纳入燃料可用性和点火源信息后，不仅能在许多地区显著改善预测结果，还能提高模型在预测高概率事件时的置信度，这对于实际的早期预警系统至关重要。

数据驱动火灾预测系统的实时应用

研究人员通过 2025 年加利福尼亚州和 2023 年加拿大的火灾事件，展示了数据驱动的火灾预测系统的实际应用效果。2025 年，加利福尼亚州洛杉矶地区遭遇了一系列灾难性的野火，传统的 FWI 虽然发出了危险预警，但未能准确预测火灾的发生地点。而包含所有变量的数据驱动模型则能更好地定位火灾发生区域，这得益于该模型考虑了燃料的丰富度、状态以及与人类活动的接近程度等信息。2023 年，加拿大的火灾季节提前且火势凶猛，研究人员发现，即使在面对超出训练数据范围的火灾情况时，数据驱动的预测模型仍能提前 10 天准确预测极端火灾活动，并且能够校正卫星观测的遗漏，为火灾预警和相关决策提供了重要支持。

研究结论表明，数据驱动的火灾预测方法相较于传统方法具有显著优势，它能够学习火灾受抑制的条件，快速整合燃料信息，考虑人为点火等难以直接用物理模型解释的因素，并能随着时间不断适应和优化预测结果。然而，数据驱动预测的有效性高度依赖于输入数据的质量和相关性。目前，缺乏全球实时的燃料观测数据仍是发展全球火灾活动预测系统的最大限制因素。未来，获取高质量的全球数据对于成功训练基于机器学习的火灾活动模型至关重要。这项研究为火灾预测领域开辟了新的道路，为更有效的火灾预防和管理提供了有力的技术支持，有望在未来减少火灾带来的损失，保护生态环境和人类生命财产安全。