基于LightGBM和SHAP的云南省森林火灾预测研究

作者：汪祖民; 王恺锋; 李艳志; 李国辉

来源：消防科学与技术, 2023, 42(11): 1567-1571.

• 森林火灾
• 预测模型
• 机器学习
• 可解释性

针对当前森林火灾预测研究中存在准确性不足和缺乏模型可解释性的问题，选择云南省为研究区域，提出融合LightGBM机器学习模型和SHAP可解释模型的森林火灾预测方法。结果表明，与已有的多种机器学习模型相比，LightGBM表现出更高的准确率（90.5%），在高易发区域大部分火点被准确识别。通过引入SHAP模型，增强了LightGBM模型的可解释性。其中，全局可解释方法可以帮助使用者理解各个特征在模型中的响应趋势，而局部可解释方法则可以解释特定森林火灾实例的预测过程。本文提出的基于LightGBM和SHAP可解释机器学习方法不仅有助于云南省森林火灾预测，还对其他灾害预测领域的风险预测建模具有启示意义。

• 单位
  公安部天津消防研究所