文献综述
论文题目： 基于机器学习的森林火灾蔓延模型研究
一、前言
森林是地球之“肺”，给予人类清洁的生存环境，是绿色宝库。而我国是一个森林资源贫乏的国家，森林覆盖率仅为21.63%,低于全世界22%的平均水平。森林火灾广义上讲，是指凡是失去人为控制，在林地内自由蔓延和扩展，对森林、森林生态系统和人类带来一定危害和损失的林火行为。中国每年平均发生森林火灾约1万多次，烧毁森林几十万至上百万公顷，森林火灾不仅会将林木烧伤甚至烧死，而且会导致森林面积直接减少，除此之外，森林火灾还会使得森林结构和森林环境遭受到严重的破害，导致森林生态系统失去平衡，森林生物量下降，生产力减弱。因此森林防火刻不容缓。
二、文献综述
如今，国内外大量的学者研究了森林火灾的蔓延，并取得了一定的结果。从总体上来看，可以将这些成果主要分为遥感模型[[1]]、物理模型和算法模型这三种类型。赵界成(2019)使用遥感技术对预测方法进行了检验,得出了遥感技术不仅能准确预报火灾,还能全面监控火情的结论，并且通过分析遥感技术信息，能够获取到某个时间段内森林植被与林业土地的变化情况，从而为林业运用评价提供参考。[[2]]储昌超、张贵和孙玉荣(2010)使用GIS中ESDA技术探索森林火灾空间分布的规律,用克里金插值方法对湖南森林火灾进行趋势预测，并且得到了森林火灾预测图。[[3]]
而近年来,森林火灾预测领域运用最为广泛的是算法模型。例如白冬艳、瞿印礼、陈绍志（2013）运用ARMA模型对我国的森林火灾的受害面积进行预测和模拟，发现我国森林火灾呈现出13a左右的爆发周期。[[4]]陈海燕,张伟,邱兆文（2014）根据支持向量机（SVM）原理，通过大兴安岭地区1990-2009年20年间的森林火灾数据，得到给地区森林火灾预测模型，为当地林业部门制定防火策略提供参考。[[5]]李恩来（2015）提出基于机器学习中支持向量机方法的改进方法——最小二乘支持向量机，选用UCI数据库中的森林火灾数据进行预测处理。[[6]]李志斌(2016)依据灰色系统理论,建立了森林火灾高火险年和重灾年灰色灾变GM(1,1)预测模型，该模型预测精确度达到一级水平。[[7]]
还包括王业琴(2018)则在传统的BP神经网络模型基础上，改进BP神经网络结构提出了一种改进的神经网络结构——直连BP神经网络（BPNN-DIOC），增加了BP神经网络的输入层与输出层之间增加了线性连接单元，同时优化了网络初始连接参数，提出了一种采用动态搜索步长的改进果蝇优化算法（IFOA），并且通过IFOA来优化BPNN-DIOC网络连接的初始参数，最终证明BPNN-DIOC比起BPNN网络具有更高的预测精度，并且IFOA比起FOA算法来说，IFOA具有更强的整体优化能力。[[8]]而在曹彦、何东进和洪伟(2014)的研究中则用马尔科夫链预测的方法建立起了预测模型用于短期预测森林火灾。[[9]]Denyse A.Dawe等人(2020)使用了贝叶斯网络模型预测森林火灾的可能原因,并对它们之间的多边互动关系进行分析，得出了火灾主要受月份和温度影响的结论。[[10]]Qu J , Cui X (2020)构建了具有区域特征和自学习特征的森林防火预测模型，其在不用测试集的精确度平均提高了13%，优于现有方案。[[11]]
同时，也有很多学者对林火蔓延的因子进行研究，发现林火蔓延这个复杂的系统与很多因素有关。其中温广玉等人将林火蔓延的影响因子细分为可燃物类型、风速和坡度这3类；[[12]] 唐晓燕、 Yassemia S等人则将影响林火蔓延的因素归结到可燃物、气象和地形3个方面；[[13]]而张菲菲则将林火蔓延因子划分为了4类，分别是土壤特性、可任务特性、气象因子以及地形因子。因此，我的研究也可以将林火蔓延因子定为气象因子，即风速、风向、相对湿度等，土壤特性即所在地区森林植被覆盖种类、植被易燃程度等，以及地形因子即坡度、破相、高程等。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
