论文标题：Vegetation Cover Type Classification Using Cartographic Data for Prediction of Wildfire Behaviour

论文链接：https://www.mdpi.com/2571-6255/6/2/76

期刊名：Fire

期刊主页：https://www.mdpi.com/journal/fire

全球每年约有4.2亿公顷土地遭受野火侵袭，由此引发的健康、社会经济和环境影响范围甚广。火情制度（fire regime）具体表现受火灾季节性、可燃物类型与分布、地形特征、天气模式以及对植被和土壤的影响等多重因素制约。在气候变化与土地利用压力加剧的双重作用下，野火正变得愈发频繁和剧烈，且这一趋势预计将持续恶化。各国每年需投入数十亿美元资金用于预防和减轻野火造成的负面影响。准确预测野火行为对挽救生命、降低健康风险、减少社会经济和环境损失具有重要意义。由于野火行为高度依赖于可燃物类型及其空间分布，精确估算植被覆盖类型是预测火灾蔓延动态的关键。

本研究通过结合贝叶斯优化的自动超参数优化与递归特征消除方法，系统评估了三类集成学习模型的表现：包括三种提升算法（AdaBoost、XGBoost、CatBoost）、两种装袋算法（随机森林、极端随机树）以及三种堆叠集成模型在利用地图数据进行植被覆盖类型分类中的准确性。研究采用加州大学欧文分校（UCI）的覆盖类型数据集，通过五折交叉验证进行模型训练，并通过特征重要性评分和递归特征消除分析，探讨了不同特征组合对模型精度的影响。

本研究系统评估了三类集成学习模型的性能表现：包括三种提升算法（AdaBoost、XGBoost、CatBoost）、两种装袋算法（随机森林RF、极端随机树XT）以及三种堆叠集成模型（见图4），其中XGBoost展现出最优异的分类性能。所有分类器均采用加州大学欧文分校（UCI）的植被覆盖类型数据集，通过五折交叉验证进行训练与测试，并运用贝叶斯优化方法进行超参数调优。为解决数据不平衡问题并降低计算成本，研究对数据集进行了平衡子图采样。通过特征重要性分析，确定了各分类器实现最高精度所需的最优特征组合。实验结果表明，在平衡子采样数据集上，经过贝叶斯优化调参并选取9个关键特征的XGBoost模型，最终实现了97.1%的最高分类准确率。