森林火灾是主要的环境问题之一，每年全世界有数百万公顷的土地被毁，造成经济和生态破坏以及人的生命。因此，预测这样的环境问题成为缓解这一威胁的关键问题。目前已经提出了一些预测和检测森林火灾的技术和新方法。趋势是结合人工智能来自动预测和检测火灾的发生。该研究对基于机器学习算法的森林火灾预测和检测系统进行了全面的研究。本文以“A Survey of Machine Learning Algorithms Based Forest Fires Prediction and Detection Systems”为题于2020年11月5日发布于《Fire Technology》杂志上。

    研究背景  

森林在地球的生态平衡中起着至关重要的作用。然而，这些自然资源受到火灾的威胁，这与自然和人为因素有关。森林火灾是一种灾难，对自然环境、经济和人力资源都带来了相当大的负面影响。全球气候变暖和动植物物种生命的威胁是森林火灾的后果。

考虑到森林火灾造成的威胁，早期的火灾预测和检测是重要的措施，可以大大减少这种灾害造成的损失，减少消防工作。

森林火灾检测是通过多种监测技术/方法，在火势蔓延之前将火势扑灭，缩短反应时间，减少森林火灾的破坏性影响和人员伤亡。实际上，研究者可以将森林火灾检测监测系统分为两大类，即传统的森林火灾检测系统（基于人工观察的直接监测）和自动检测系统（距离监测）。

传统的森林火灾探测与监测系统主要包括瞭望塔或空中巡逻。但这些传统的方法比较繁琐，主要靠操作人员管理报警。探索新的森林火灾预测、检测和监测方法来替代旧的方法成为当务之急。在这种情况下；已经提出了一些技术和系统来早期检测火灾。

数据挖掘指的是一套基于计算机的工具，它允许探索性的数据分析;利用机器学习(ML)算法来揭示数据库中的模式和关系。大量的研究已经研究了机器学习算法在森林火灾预测和检测目的中的应用。

机器学习是人工智能(AI)的一个子集，它允许机器通过从数据中学习来做出决策。大量的研究已经探讨了人工智能在许多应用中的应用，其中包括森林火灾的预测和探测。在森林火灾预测与探测系统中引入人工智能是一个很有前途的发展方向。

在此背景下，利用人工智能技术对火灾发生模型进行了大量的研究。几乎所有类型的机器学习方法都被用来解决这个问题。这些基于机器学习的模型也被用作基于新技术的其他森林火灾预测和探测系统的单元。事实上，趋势是将人工智能集成到基于无线传感器网络和无人机的系统中，实现火灾发生的自动预测和检测。

人工神经网络是受大脑生物神经网络启发的计算模型。神经网络中的基本处理单元是人工神经元，它们以加权连接的方式排列在相互连接的层次上。

ANN的主要计算特性是并行性、模块化、对含噪数据的高容性及其通过实例学习和分类未经过训练的新数据模式的能力。这些特点使得人工神经网络模型在医学诊断、图像与信号处理、财务预测、模式识别等领域具有广阔的应用前景。

深度学习方法在森林火灾预测系统中也进行了研究，主要是卷积神经网络(CNN)，广泛应用于这一问题。例如，利用深度卷积逆图形网络(DCIGN)对霍奇斯等人的工作进行了火灾蔓延预测。该研究采用景观、燃料类型和天气条件(主要是风)变量。平均精密度为97%，灵敏度为92%，F值为93%。

Logistic回归是一种用于事件发生概率估计的数学建模方法。这种方法使用逻辑函数来建模可以用二进制模式表示的事件。它可以描述多个变量与二分变量之间的关系。使用一组解释变量的数学模型来预测带有两个值的因变量的Logit变换(例如‘0’和‘1’或‘是’和‘否’)。

决策树学习算法及其集成已经成功地应用于决策中。由于它们对噪声的鲁棒性、处理冗余属性的能力和良好的泛化能力，在多个领域得到了广泛的应用。这些方法在生态问题上有许多潜在的应用；在森林火灾预测和探测问题上也进行了探讨。

采用分类回归树(CART)算法对火灾发生概率进行了建模。建立了不同空间观测尺度下火灾发生的特殊模型。研究中考虑了植被状况和类型、可达性、火灾历史和地形等环境因素。

除了主要用于森林火灾预测和探测的ML算法(ANS、Logistic回归和DT)外，还对其他类型的ML算法进行了研究。

与图像处理技术相关的基于视觉的系统也被用作火灾探测系统。讨论了基于视频的火灾检测模型的图像处理技术(基于背景减法和颜色分割的运动区域检测)的结合。所提出的颜色模型是基于YCbCr颜色空间和时间变化，以正确地检测火灾，避免其他移动物体(如树木、动物、鸟类…)。

讨论了一种基于隐马尔可夫模型的火焰闪变过程建模方法。事实上，火焰边界上的像素变化迅速且随机，这使得马尔可夫模型更适合于这一过程的建模。特雷因等人提出了一种用于彩色视频火焰检测的三状态马尔可夫模型。该模型对火焰和非火焰像素进行了时间分析和特殊分析，火焰内颜色变化有两种状态(火焰运动像素)，非火色像素有一种状态。

提出了一种基于模糊逻辑的基于无线传感器网络技术的火灾探测与家庭监控系统。利用温度、湿度、CO、烟气四种传感器采集的数据，采用模糊规则法进行火灾概率值的计算。利用模糊规则给出的输出值进行睡眠模式设置，以降低传感器节点的功耗。对30个样本数据进行测试，报告错误率约为6.67%。在火灾预测方面，该研究提出了一种多层神经网络(3层BP神经网络)与模糊逻辑方法相结合的混合模型。

    讨论  

在讨论每项研究内的重要结果之前，研究者先讨论影响火灾发生的因素。对影响火灾发生和风险的因素的评估已经在该研究恢复的几项研究中考虑过。火灾点燃和蔓延的主要和关键因素是气象（温度、相对湿度、降水和风速）和气候条件。除气象要素外，地形和植被类型也是影响因素，在火灾风险图编制中主要考虑这些因素。甚至社会条件（人为原因、过失或纵火）在评估火灾风险和原因时也要考虑。这些因素构成了基于机器学习的森林火灾预测和检测模型训练的数据集。

有研究者对影响火灾发生和风险的因素进行了研究评估。根据这项研究，对天气条件影响最大的变量是过去24小时的降雨量，其次是温度、风速和相对湿度。据报道，这些天气条件在火灾天气指数中的影响比例，降雨量、温度、风速和相对湿度分别约为35.9%、28.7%、20.9%和14.5%。关于火灾危险性最显著的两个变量是10h燃料含水量和燃料型号。年月和距离城市地区的远近，是火灾风险指数中影响最大的变量，与人的存在和社会经济影响有关。

关于该研究所回顾的基于机器学习的森林火灾预测和检测模型，在火灾预测和检测方面，已经采用了多种ML方法并进行了研究。神经网络模型被广泛采用，特别是监督型ANN，如多层NN用于森林火灾检测目的，用于预测目的。多层神经网络的准确率从65%到87.9%不等。

值得注意的是，最近，以传统神经网络为主的深度ANN被应用于火灾建模。这种方法被采用于图像中的火灾存在检测和火灾蔓延预测。CNN和深层神经网络给出了最好的准确率，其准确率从90%到94.39%。深度神经网络是一种很有前途的森林火灾预测和检测方法。这种ML模型表现出可接受的预测能力，并呈现出良好的准确率。

第二种用于森林火灾建模的机器学习算法是逻辑回归，该算法主要应用于利用GIS数据进行野火点燃概率预测的研究中。对人为造成的火灾发生概率建模进行了处理。报告了正确预测火灾的最高百分比为82.6%。报道的对数回归的准确率从74%到85.7%不等。

考虑到ANN和逻辑回归模型在森林火灾预测和检测系统中的推广使用，进行了一些比较研究。报告的基于逻辑回归模型的最大准确率约为78.8%(点火)和74%(不点火)，基于ANN模型的最大准确率约为75.7%(点火)和87.8%(不点火)。ANN模型与逻辑回归模型的比较表明，两种方法的准确度相当，预测能力也可以接受。尽管如此，每种模型都有其优势和局限性。比较表明，ANN与逻辑回归相比更为复杂；然而，后者对于呈现序列相关的数据来说是一种限制。相反，基于ANN的模型性能并不会因为输入变量之间的高相关性（如地理变量和时间变量）而改变。

决策树学习算法及其集合，即Boosting DT、Bagging DT和RF算法也被应用于森林火灾预测和检测系统中。

在考虑WSN集成机器学习方法进行森林火灾检测时，研究表明，与基于单传感器的WSN系统相比，使用基于多传感器的WSN系统可以获得更好的精度。根据应用模糊逻辑作为火灾预测和检测模型的综述作品，模糊逻辑方法主要用于多传感器WSN中的数据融合。

在接下来的段落中，研究者将根据具体的任务(如基于视觉的森林火灾检测、点火预测、人为造成的火灾发生预测和建模......)独立于所采用的ML类型，对已评述的作品进行重新分组和讨论。在森林火灾检测目的方面，广泛讨论的问题之一是利用火灾图像或火灾视频进行基于视觉的火灾检测。

利用各种ML模型对基于视频的火灾检测系统进行了研究。根据研究，当采用SVM模型作为基于视频的火灾检测模型时，SVM模型允许最大真实检测率约为96.6%，并且每秒可以处理20帧（320×240帧）。提出了使用基于马尔科夫模型的火灾检测系统在彩色视频中进行火焰检测。据评估，与仅基于颜色信息和运动检测的方法相比，马尔科夫模型减少了误报次数。研究者报告说，对于尺寸为320×240的图像，处理时间约为10毫秒。

人为因素导致的火灾发生概率预测和建模已被处理。报道的全局准确率约为79.8%（正确预测点火的占78.2%，正确预测不点火的占82.7%）。研究表明，人口密度是解释点火空间模式的最有影响力的变量之一。

WSN技术与人工智能结合的实时火灾检测技术已被广泛考虑。值得注意的是，在考虑基于WSN的火灾检测系统时，ANN模型（主要是MLP模型）被广泛采用。为了节省能耗，MLP模型被用于网内处理。还采用了它来实时识别一个主导燃烧阶段，得到的准确率约为82.5%。同时采用模糊逻辑模型进行火灾概率值计算。在对30个样本数据进行的测试中，报告的误差比约为6.67%。

需要注意的是，与ANN和逻辑回归模型相比，SVM、贝叶斯、马尔科夫和模糊逻辑算法的应用较少。

    研究结论  

研究者在该研究中调查了针对森林火灾预测和检测系统提出的各种方法和途径。文献报道的作品表明，机器学习算法被广泛应用于森林火灾的预测和检测目的。研究者更多关注人工智能在森林火灾建模中的集成，主要是基于WSN和无人机的森林火灾监测系统。

研究者认为，该研究旨在帮助研究人员对森林火灾预测和检测系统的先进性有一个概述，这仍然是一个开放的问题。在这种系统中集成人工智能的先进系统的开发是一个非常有前途的方向，它可以预测这种关键的环境问题，并支持控制森林火灾的公共政策；另一方面，它为减轻森林火灾威胁的消防任务提供便利。

参考文献：Faroudja Abid A Survey of Machine Learning Algorithms Based Forest Fires Prediction and Detection Systems  Fire Technology (2020)