基于文獻計量的近20年森林火災模型研究進展

開放科學（資源服務）標識碼（OSID）：

Advances in Forest Fire Models Research Based on Bibliometrics over the Past 20 Years SU Yan-yin1，ZHANG Li-fan，LI Yang（Beijing Global Safety Technology Co.，Ltd.，Beijing 100080

AbstractForestfieodels，sporatsietificsisdhcalsupprtforforstfirepevetiondontrolavecdoe andmoreatentionirecenyears.UsingtheWebofSiencecorecolltionasthedatasourceandmployingbbliometricsmetodndib liomtrixsoftwaretols，heesearchhotspotsandevelopmentaltrendsiforestfirestudiesfromO2toO22wereanalyzdseach showedthatthemberofpublicatiosrelatedtofrestfiemodelsassowanoverallupwardrndinthepast2Oyars，ndalagber ofresearchacievemetshaveebad.Teodelshavebenwdelyusedinforestireiskssesentadpredictio，firesprdsiu latinandfieimpactessnteskprictioodelsvoleowadslrgaledgresio;esprdsilatiomodlseeoptowardsitellgtandhdiesioal;ndviotalipctmodelsradntowadslondlsts，te datasuportisdfaleldpadvelitfelsodd future researc and practiceh.

KeywordsForest fire;Model;Bibliometrics;Bibliometrix

森林火災是由自然因素或人為因素引起的林地燃燒現象，對森林生態系統的結構和功能、生物多樣性保護、水土資源保持、氣候變化調節、人類社會經濟發展等方面都產生了巨大影響[1]。因此，有效預測、模擬和評估森林火災，是提高森林火災防治能力和減輕森林火災損失的重要手段。森林火災模型能夠基于數據和數學方法，對森林火災的發生概率、蔓延過程、影響范圍和程度等進行定量分析和預測，為森林火災防治決策提供科學依據，是當前國內外森林火災防治研究中最重要的課題之一[2]。近年來，國內外學者在森林火災模型方面進行了大量研究，對不同類型或不同區域的森林火災模型應用進行了闡述，并從不同角度對各種模型進行了比較評價[3-8]。然而，目前仍缺乏一種基于文獻計量學方法、全面反映近20年來國際森林火災模型研究進展和趨勢的綜合分析。文獻計量學是一種基于文獻數據進行定量分析和統計描述的科學方法，可揭示某一領域的研究現狀、演變過程等信息，為相關研究提供參考和指導。基于此，該研究采用文獻計量學方法，分析2002—2022年森林火災模型的研究熱點和發展趨勢，展望森林火災模型未來的研究方向和應用前景，旨在為森林火災防治的科學決策和技術創新提供有益參考。

1資料來源與方法

采用文獻計量學方法，利用R語言Bibliometrix軟件包[9]，以WebofScience核心數據庫為數據源，以“Forest FireModel\"和“ForestFireModeling”為關鍵詞進行標題檢索，系統梳理了2002—2022年森林火災模型的研究現狀和發展趨勢，并從多個維度對其進行了定量和可視化分析。

2結果與分析

2.1森林火災模型整體發文情況分析基于以上關鍵詞進行文獻檢索，共篩選出2002—2022年與森林火災模型相關的論文。經過去重和質量評估，最終得到561篇有效的文獻樣本，其中有418篇是正式發表在國際期刊上的學術論文，占比為 74.51% ，另外143篇是在國際會議上發表或收錄的會議論文，占比為 25.49% ，這說明森林火災模型研究既有較高的學術水平和質量，也有較強的實踐性和應用性。統計結果顯示，2002—2022年，有1736位作者參與了森林火災模型相關的研究，并在336個不同的期刊上發表了論文，獨立完成論文的作者37位，這些論文引用了17343篇參考文獻，反映了森林火災模型領域的學術交流和影響力。在21年間，森林火災模型相關的文獻每年平均發表26.71篇，呈現出逐年增長的趨勢。在561篇文獻中，平均每篇論文由3.71個共同作者完成， 28.09% 的共同作者來自不同國家和地區。

2.2歷年發文情況分析2002—2022年，隨著森林火災防治的重要性日益凸顯，以及相關數據和技術的不斷完善和發展，森林火災模型作為一種有效的分析和預測工具，受到了國內外學者的廣泛關注和研究。根據文獻計量分析結果（圖1），21年間，與森林火災模型相關的論文年發文量整體呈現逐年增加趨勢，其中2014、2016和2022年論文發表數量相對較多，特別是2022年，年發表數量達到了歷史最高的68篇，占總發文量的 12.12% 。這說明近年來森林火災模型研究的熱度和活躍度有所提高，也反映了該領域的研究進展和創新活力。

圖12002—2022年森林火災模型發表論文情況

2.3國際發文情況分析采用“通信作者國家分析”的統計口徑（將一篇文獻的地理歸屬唯一地認定為其通信作者的所屬國家），統計得到森林火災模型相關研究發文前10位國家的發文量（圖2a）。由圖 2a 可知，美國與中國的發文量相近，共同構成了森林火災模型領域研究的核心引領梯隊；這些主要發文國家在該領域存在差異化的國際合作策略，多數國家的研究產出以單一國家發表為主，但多國合作發表的程度分異顯著。采用“國家合作分析”的統計口徑（一篇文獻中只要有該國作者參與，該國的年度發文量即計一次），統計了排名前5位國家在研究周期內的年度發文量（圖2b），從演變軌跡來看，各國科研產出呈現出顯著的分異特征：美國作為傳統核心國家，其年度發文量在整個研究周期內保持高位平穩運行，奠定主導地位；中國則表現出強勁的追趕態勢，發文量在2015年之后進人快速增長階段，成為該領域最具活力的新興增長極。

2.4期刊與領域分析發表期刊可以反映森林火災模型的研究方向和應用領域。在森林火災模型相關的論文發表數量前1O位的期刊中，在InternationalJournalofWildlandFire上發表的論文數量最多，為21篇，占總發文量的 3.74% ;其次為Forests 和ForestEcology And Management，分別發表了20和17篇，占總發文量的 3.57% 和 3.03% 。這3個期刊都是與森林火災防治以及森林生態保護和管理密切相關的專業期刊，說明森林火災模型主要應用于這些領域，為解決森林火災問題提供科學支撐。除此之外，森林火災模型還在遙感、生態學、大氣化學和物理學等學科領域有交叉研究應用。例如，EcologicalModelling和RemoteSensing是另外2個高產期刊，均發表了12篇論文，各占總發文量的 2.14% ;緊隨其后的是PhysicalReviewE，發表了11篇論文，占比 1.96% 。這些期刊都是各自學科領域的權威期刊，說明森林火災模型在多學科交叉領域有著重要的研究價值和應用意義。例如，在遙感領域利用森林火災模型結合衛星或無人機等遙感平臺獲取的數據，實現對森林火災的實時監測、預測和評估；在生態學領域利用森林火災模型分析森林火災對生態系統結構和功能、物種多樣性、碳循環等方面的影響；在大氣化學和物理學領域利用森林火災模型研究森林火災產生的煙霧對大氣質量、氣候變化、輻射平衡等方面的影響。

圖2森林火災模型發表論文前10位國家的發文量（a）與前5位國家的發文量變化（b）

Fig.2The top10statesbynumberof publishedpapersonforestfiremodels（a）andchangesinthenumberofpublished papersof thetop 5 states （b）

表1森林火災模型發表量前10位的期刊

Table1Top10journalswiththehighestpublicationvolumeonforest fire models

2.5高被引論文分析關于森林火災模型的研究前10位高被引論文如表2所示（數據統計截止年份為2023年）。由表2可知，論文分別提出了森林火災風險預測與火災模擬方法、指數和數據源的創新。其中，總被引次數最高和年均被引量最高的論文是2012年發表在Forest Ecology and Manage-ment期刊上的論文，題目是“Modelingspatialpatternsof fireoccurrence in Mediterranean Europe using Multiple RegressionandRandomForest”[1o]，該研究使用多元回歸和隨機森林方法模擬了發生在歐洲地中海氣候區森林火災發生的空間格局。研究提出使用隨機森林方法來模擬火災的空間格局，利用歐洲森林火災信息系統提供的數據進行訓練和驗證模型，并將自然、社會經濟和人口變量同時納入森林火災風險預測模型中，繪制了火災風險的空間分布圖。并且通過與傳統線性回歸模型的對比，得出了隨機森林模型具有更好的森林火災預測能力的結論，更適合大尺度森林火災風險的評估。該研究的高被引現象反映了一個趨勢，即在森林火災的預測和模擬研究中，機器學習模型正逐漸得到應用和發展，通過與傳統的統計學模型進行比較分析，學者們正在逐步探索最適合不同森林火災發生情境和目標的方法和技術。

2.6關鍵詞共現聚類通過文獻耦合、共引和共現數據分析，對文獻進行基于關鍵詞的共現聚類分析。各個聚類用不同顏色表示，關鍵詞節點之間距離越小表明其之間越相似，反之則表明差異越大。結果顯示，森林火災模型文獻按照關鍵詞被分為3類（圖3）。

（1）在第1個聚類（綠色）中，主要關鍵詞包括風險（risk）系統（system）分類（classification）、回歸（regression）、空間模式（spatial-patterns）、引燃（ignition）算法（algorithm）、區域（area）地理信息系統（GIS）指標（index）等，反映了森林火災模型在火災風險評估和區劃方面的應用。該類文獻利用系統理論、分類方法、回歸分析、空間模式分析等技術，結合GIS平臺和算法工具，建立森林火災風險指標體系和評價模型，對不同區域的森林火災風險進行定量化和空間化的分析和劃分。

（2）在第2個聚類（紅色）中，主要關鍵詞包括野火（wildfire）、管理（management）、蔓延（spread）、動力學（dy-namics）模擬（simulation）、預測（prediction）、行為（behav-ior）、可燃物（fuel）、風速（wind）、擴散（propagation）等，體現了森林火災模型在火災動態過程模擬和預測等方面的應用；該類文獻利用動力學理論、擴散方程、預測模型等技術，結合火災傳播影響因子，建立森林火災行為和傳播的數學模型和計算機模擬系統，對森林火災的發生、發展和變化規律進行動態的模擬和預測。

表22002—2022年森林火災模型引文前10位論文情況

Table 2Top 10 papers in terms of citations for forest fire models from 20o2 to 2022

（3）在第3個聚類（藍色）中，主要關鍵詞包括植被（veg-etation）氣候變化（climate-change）、影響（impacts）、干擾（disturbance）排放（emissions）、二氧化碳（carbon）針葉林（borealforest）等，體現了森林火災模型在火災遙感監測和生態環境影響評估等方面的應用；這些關鍵詞反映了該類文獻的主要研究內容，即通過建立森林火災的遙感監測和探測模型和系統，分析森林火災對氣候變化、生態系統服務、生物多樣性、碳循環等生態環境要素的影響和機制，為森林火災的生態環境影響評估和恢復提供理論和方法。

2.7高頻詞歷時演變高頻詞的歷時演變可在一定程度上體現該領域的研究熱點變化趨勢。該研究采用高頻關鍵詞突現分析方法，通過計算關鍵詞的突現程度和持續時間，分析森林火災模型研究領域研究熱點的演化軌跡。如圖4所示，橫軸為年份，縱軸對高頻關鍵詞進行了排序，水平線段展示了各關鍵詞熱點突現的起始與結束年份，圓點大小則對應其研究頻次，以“元胞自動機”這一關鍵詞為例，其研究熱度存在于2008—2017年，該高頻詞出現頻次最高時期處于2011—2012年。可以看出，森林火災模型研究熱點呈現出階段性演化特征，體現出從基于物理過程的傳統模擬，向基于人工智能的數據驅動方法演進的范式轉變。具體的演化階段為：

（1）第一階段（2002—2010年）。這一階段的研究熱點主要集中在從物理學角度分析火災蔓延行為的模型，關鍵詞包括自組織臨界性、火災頻度、控制體積、燃燒和元胞自動機等。這些模型主要關注了火災發生和傳播的物理機制和規律，以及火災對局部森林生態系統的影響。

（2）第二階段（2010—2016年）。研究熱點主要涉及基于遙感和地理信息系統以及數學模型的可視化森林火災蔓延和影響評估和模擬，關鍵詞包括火勢蔓延、燃料、數學模型、遙感、地理信息系統、野火、森林管理和干擾等。

（3）第三階段（2016—2022年）。研究熱點轉向了基于人工智能方法的森林火災預測和生態環境影響模擬，如火災天氣、預測、氣候變化、森林火災檢測、隨機森林、機器學習和深度學習等。這些模型主要運用了人工智能技術來處理復雜的非線性和高維的森林火災因子數據，用以提高火災預測的準確性和效率，以及模擬氣候變化對于森林火災的影響與響應。

圖3森林火災模型發表的相關論文關鍵詞共現聚類圖

根據文獻計量法綜合分析森林火災模型研究領域的情況可知，根據不同的研究目標和應用場景，森林火災模型總體可以分為三大類： ① 火災風險預測模型，主要用于評估某一區域或時段內發生森林火災的可能性和危險程度； ② 火災蔓延模擬模型，主要用于模擬已經發生的或假設的森林火災在空間和時間上的擴展規律； ③ 火災影響評估模型，主要用于評估森林火災對生態環境、社會經濟等方面造成的損失和影響。這三類模型在不同階段（災前、災中和災后）發揮著不同的作用，同時積累了大量研究成果。

2.8森林火災模型研究進展分析

2.8.1森林火災風險預測模型向大規模、高精度演化。森林火災風險評估和預測的模型用于分析和預測一個區域在一定時間內發生森林火災的概率。傳統的廣義線性模型（GLM）是最常用的森林火災風險評估統計模型之一，但其預測準確性在大尺度空間中相對較低。邏輯斯蒂回歸模型也是一種常用的概率統計模型，它是我國最早采用的森林火災預測方法之一，但這一模型沒有考慮到模型變量間的空間相關性和林火數據的非對稱性等問題，因此存在一定的局限性[8]。地理加權邏輯斯蒂回歸模型和Gompit回歸模型可以部分彌補這些局限性，提高預測效果[20-21]。近年來，隨著NPP-VIIRS等新型傳感器的出現，高分辨率數據的出現增強了森林火區提取和火點信息識別能力[22]，通過高分辨率衛星獲取的輻射計（AVHRR）數據和歸一化差異植被指數（NDVI）作為關鍵變量而定義的風險指數能夠大大改進對于森林火災的預報和監測精度[23]

機器學習方法是一種利用數據和算法來訓練模型，使其能夠自動完成特定任務的技術，它可以處理難以用物理方程描述的復雜問題，近年來因其高建模精度越來越受到科研人員的關注，并在森林火災預測這一領域得到了大量應用[24]。在火災預測研究中最常用的機器學習方法是人工神經網絡[25]。此外，隨機森林[26]、決策樹[26]、BP神經網絡[26]、支持向量機[27]、深度學習、貝葉斯網絡[28] MaxEnt^[29] 等機器學習算法也已經在森林火災預測領域展現出優異的性能。還有學者嘗試將不同類型的機器學習方法結合，Mohajane等[30]提出了5種新的混合機器學習算法，即頻率比-多層感知器（FR-MLP）頻率比-邏輯回歸（FR-LR）、頻率比-分類和回歸樹（FR-CART）、頻率比-支持向量機（FR-SVM）和頻率比-隨機森林（FR-RF），用于在摩洛哥北部地區進行森林火災風險區域的評估;vanBreugel等[31]構建了由機器學習方法（RF、SVM、BRT、MaxEnt、ANN和CART）和非機器學習方法（GLM和MARS）加權組合而成的集合模型;Dutta等[32]開發了一種基于兩層機器學習模型的集成方法，建立了火災發生和氣候數據之間的關系，在一個長達336周的數據試驗中，證明了該模型可以提供以周為時間尺度的高度準確的森林火災發生熱點估計。機器學習方法的更新迭代有利于森林火災風險預測朝著大規模、高精度和便于操作的方向發展。然而，機器學習模型也存在數據質量、模型復雜性和模型可解釋性等方面的不足，還需要在實踐中進行針對性的改進和優化。此外，機器學習方法的應用需要建立在森林火災科學的專業知識的基礎上，來確保建模的真實性和有效性。

2.8.2森林火災蔓延模擬模型向智能化、立體化集成。森林火災的蔓延是一種涉及多種物理現象相互作用的復雜過程，它對人類和自然環境造成了巨大的危害和損失。森林火災蔓延模擬模型可快速準確地預測火勢在不同的地形可燃物和氣象條件下的演化，以有效地預防和控制火勢蔓延。現有的森林火災蔓延模型通常分為統計模型、經驗模型和數學模型[33]。統計模型是基于概率和統計的方法，可以考慮不確定性和隨機性，但不能反映物理機制和因果關系。經驗模型是基于經驗公式和半經驗規則的方法，可以簡化復雜的物理過程，但不能適應不同的情境和條件。數學模型是基于物理定律和數值方法的方法，可以描述詳細的物理現象，但需要大量的輸入參數和計算資源。Rothermel模型和元胞自動機是最常用的森林火災模擬模型之一，但其是一維模型，不能考慮火災在其他方向上的擴散和交互。傳統元胞自動機的仿真是由火勢蔓延速率（ROS）驅動的，在火災蔓延模擬轉換規則的獲取上較為復雜和耗時，且當前ROS模型的某些輸入參數無法提供高精度模擬[34]。針對以上不足，有學者提出元胞自動機與機器學習方法結合的森林火災蔓延模擬模型，旨在快速獲得火災傳播的狀態轉換規則，提高森林火災蔓延的預測精度[35-36]。Hodges 等[33]提出了一種基于深度卷積逆圖形網絡的機器學習方法，用于估計模擬森林的時空演化。Ganapathi等[37 提出了一種基于強化學習的森林火災動態模擬的新方法，將火看作是任何一個單元格中的智能體，它可以從一個位置在任何時間點向各個方向擴散或不擴散，這個方法顛覆了馬爾可夫決策過程對于火災擴散是一個已知函數的設定。

森林火災蔓延模擬模型可以在森林火災的應急救援中提供直接的技術支持。在森林火災管理實踐中，許多國家專門研制了森林火災蔓延的模擬系統，經過多次實際應用的驗證和調整，逐漸提高模擬結果與真實火災情況的吻合度，為森林火災預警、控制和評估提供了有效的工具，例如，加拿大的普羅米修斯[38]、美國林務局開發的BehavePlus[39]和FlmaMap[40]、阿根廷學者開發的HPC 森林火災模擬器[41]，以及開源軟件Cell2Fire[42]和ForeFire等[43]。基于森林火災蔓延模擬系統的三維可視化也是研究熱點之一，Meng等[44]提出了一個對于森林火災的點燃方式、傳播過程和滅火方法的三維可視化模擬系統。研究通過建立3D幾何模型模擬森林尺度的火災傳播，并在構建的沉浸式森林場景中，探索了虛擬環境中的各種滅火方式，并實現火災發生、傳播和滅火過程的交互式模擬和可視化。You等45針對傳統的森林火災蔓延模型無法清晰和動態地顯示火災蔓延過程的問題，以及現有的三維可視化方法的粗糙和低效的缺點，提出了一種基于樹形態和有限狀態機的新方法，用于模擬和顯示森林火災蔓延過程，并使用Unity3D技術開發了一個森林火災蔓延模擬系統。

2.8.3森林火災環境影響模型朝長期性、整體性方向擴展森林火災特別是重大的森林火災可以改變生物群落結構、地球化學成分、空氣質量、景觀格局等，大量溫室氣體的排放還會引起長期的氣候變化，對生態環境的結構和功能具有巨大和深遠的影響[46]。森林火災環境影響模型旨在通過模型模擬森林火災對上述生態環境要素的潛在影響。常用的模型包括用于計算火災對大氣成分和輻射平衡的影響的全局動力植被火災模型[47]，用于評估森林火災對土壤的物理、化學和生物性質的影響的森林土壤有機碳動態模型[48]，用于評估森林火災對森林物種組成、豐富度和分布的影響的景觀動態模擬模型[49]，以及用于分析煙霧中的有害氣體和顆粒物的排放量和擴散范圍的藍天煙霧預測系統[50]等。

森林中儲存了大量的碳，是全球碳循環的重要組成部分。在氣候變化背景下，森林越來越多地受到火災影響，改變了物種組成、森林演替和碳平衡[51]。近年來，學者們更加關注森林火災對局部和全球氣候的長期性、系統性的影響的模擬。 Xu 等[52]提出了一個基于森林動態模型（LANDISPRO）和生態系統過程模型（LINKAGES）的耦合模型研究了氣候變化下未來森林火災規律對中國東北寒溫帶交錯帶的影響。Brazhnik等[53]使用了一個新的空間顯式火災模塊DISTURB-F和間隙動態模型SIBBORK，模擬未來氣候變化下西伯利亞地區的針葉林一溫帶林過渡帶的火災和植被變化。Fischer[51]使用FORMIND 模型模擬乞力馬扎羅山熱帶森林的火災動態和碳平衡的關系。Pellegrini等[54]利用PJ-GUESS全局植被動態模型根據不同火災頻率場景來模擬全球不同地區的生態系統碳氮動態和生態系統生產力的變化。有學者基于森林火災對環境的影響開發了相應的風險評估模型，例如，Lerma-Arce等[55]開發的排放風險模型考慮了地理空間變量，旨在估計森林火災排放溫室氣體的風險；也有學者通過模型系統評估森林火災與生態系統和氣候變化的相互作用，例如，Seo 等[56]使用CommunityLand Model（CLM4.5）模擬火災和生態演替的相互作用對地表碳和水通量的影響； Zou 等[7]利用CESM-RESFire模型模擬火災排放和火災引起的土地覆蓋變化對大氣和陸地表面的影響，以及氣候、火災和生態系統之間的反饋機制。總之，為了更好地模擬和預測森林火災對生態系統的影響，研究人員正在不斷地改進和更新模型的結構、性能、參數和應用場景，以提高森林火災環境影響模型的可靠性和適用性。

3結論與展望

該研究對2002—2022年的森林火災模型研究進行了文獻計量分析。近20年來，森林火災模型的相關研究發文量整體呈現上升趨勢，特別是在全球氣候變化的背景下，相關研究受到了國內外學者越來越多的關注，取得了大量研究成果。森林火災模型的應用貫穿于災前、災中和災后的過程中，在火災風險評估與預測、火勢蔓延模擬和火災影響評估方面得到了廣泛應用。森林火災模型的研究熱點逐漸從火災行為的物理機制分析轉變為基于遙感和地理信息系統和人工智能方法，森林火災發生和蔓延的高精度可視化預測與模擬及生態環境影響評估研究。該研究分別從災前、災中和災后3個方面論述了森林火災模型的最新進展，發現了森林火災風險預測模型向大規模、高精度演化；蔓延模擬模型向智能化、立體化發展；環境影響模型朝長期性、整體性方向拓寬的3個趨勢，但是也存在森林火災模型的預測和模擬準確度和及時性仍需提高、基于機器學習的模型的可解釋性不強、模型的系統化和普適性有待拓展等方面的不足。為更好地服務于森林火災管理實踐，未來的研究應著重考慮以下3個方面：

（1）加強森林火災模型的實時數據支撐能力，提高數據的質量、完整性和實時性。數據是模型建立和運行的基礎，也是模型精度和效率的關鍵因素。隨著傳感器的技術進步，衛星遙感、氣象監測及地面觀測等多源數據是森林火災高精度建模的重要數據基礎。但目前森林火災預測和模擬模型所需的數據往往屬于不同的來源和平臺，存在著數據不一致、不完整、不及時等問題，影響了模型的可靠性和適用性。因此，需要在未來的研究中集成和融合多源、多尺度、多時相的森林火災相關數據，包括遙感數據、地面觀測數據、歷史數據、實時數據等，為森林火災模型提供高質量、高效率的數據支撐。

（2）提高森林火災模型的有效性和專業化水平。機器學習方法可獲得比傳統回歸模型更高的預測精度，是森林火災模型未來的重要發展趨勢，但其也存在數據質量、模型復雜性和模型可解釋性等方面的不足。因此，未來應結合機器學習方法和統計、經驗模型等方法建立復合預測模型，在提高模型預測精度和適應性的同時獲得具有明確意義的表達形式，并在實踐中進行針對性的改進和優化。森林火災是一個涉及多種物理、化學、生物、氣象、地理等因素的復雜系統，機器學習方法在實踐中的應用需要建立在扎實的森林火災科學的專業知識的基礎上，加強多學科交叉融合，建立合理的假設、適當的參數和有效的評估來保證模型的準確性和穩定性，來確保模型的科學性和有效性，并在更好地服務于森林火災管理實踐的同時，逐步形成多學科協同的森林火災模型研究框架。

（3）拓展森林火災模型的系統化和普適性。單一的森林火災模型往往難以全面地反映森林火災發生、蔓延和影響的各個方面，需要將不同類型和層次的森林火災模型進行耦合和集成，建立從多源數據實時采集、融合，到穩定高效傳輸通道，再到并行和高性能計算的森林火災實時預測與模擬硬件體系，以及針對大數據的自動化數據處理和關鍵特征分析算法，以快速生成實時的預測和模擬結果。構建能夠進行自動學習、自我更新和參數校準的動態模型，結合GIS可視化，將預測模擬模型與緊急響應模型和決策支持模型集成，便于森林火災救援工作迅速決策和統一調度。同時，森林火災預測和模擬結果因環境條件和驅動因子不同而存在差異，未來需要在考慮空間尺度和異質性的基礎上，完善驅動因子和特征模型的選取方法，提高模型的精度和靈敏度，在精準反映森林火災復雜性和多樣性的同時提升模型的普適性。

參考文獻

[1]田曉瑞，舒立福，王明玉，等.林火與氣候變化研究進展[J].世界林業 研究，2006，19（5）：38-42.

[2]舒立福，田曉瑞，寇曉軍.林火研究綜述（I）：研究熱點與進展[J].世界 林業研究，2003，16（3）：37-40.

[3]朱政，趙璠，王秋華，等.林火發生預報模型研究進展[J].世界林業研 究，2022，35（3）：26-31.

[4]趙璠，舒立福，周汝良，等.林火行為蔓延模型研究進展[J].世界林業 研究，2017，30（2）：46-50.

[5]龔固堂，劉淑瓊.林火干擾與森林群落動態研究綜述[J].四川林業科 技，2007，28（4） ：21-25.

[6]李穎，杜逆索，歐陽智.森林火災仿真研究綜述[J].智能計算機與應 用，2023，13（1）：186-188.

[7]王睿琛，張文文，龍騰騰，等.森林火災風險性評估方法綜述[J].林業 調查規劃，2021，46（6）：44-47，54.

[8]高超，林紅蕾，胡海清，等.我國林火發生預測模型研究進展[J].應用 生態學報，2020，31（9）：3227-3240.

[9]ARIA M，CUCCURULLO C.Bibliometrix：AnR-tool for comprehensive sciencemapping analysis[J].Journal of informetrics，2O17，11（4）：959-975.

[10] OLIVEIRA S，OEHLER F，SAN-MIGUEL-AYANZ J，et al. Modeling spatial patternsof fire occurrencein Mediterranean Europe using Multiple Regression and Random Forest[J]. Forest ecology and management， 2012，275：117-129.

[11]TIENBUID，BUIQT，NGUYENQP，et al.Ahybrid artificial intelligence approach using GIS-based neural-fuzzy inference system and partiarea[J].Agriculturaland forest meteorology，2O17，23244.

[12]RIANO D，MEIER E，ALLGOWER B，et al. Modeling airborne laser scanning data for the spatial generation of critical forest parameters in fire behavior modeling[J]. Remote sensing of environment，2003，86（2）：177- 186.

[13] POURTAGHI Z S，POURGHASEMI H R，ARETANO R，et al. Investigation of general indicators influencing on forest fire and its susceptibility modeling using diferent data mining techniques[J].Ecological indicators，2016，64：72-84.

[14]ADABH，KANNIAHKD，SOLAIMANIK.Modelingforestfire risk in the northeast of Iran using remote sensing and GIS techniques[J]. Natural hazards，2013，65（3） ：1723-1743.

[15] CRUZ M G，ALEXANDER M E，WAKIMOTO R H. Development and testing of models for predicting crown fire rate of spread in conifer forest stands[J]. Canadian journal of forest research，20o5，35（7）：1626-1639.

[16] GONZALEZ J R，PALAHf M，TRASOBARES A，et al. A fire probability model for forest stands in Catalonia （north-east Spain）[J].Annals of forest science，2006，63（2） ：169-176.

[17]KOTZ B，SCHAEPMANM，MORSDORFF，etal.Radiative transfer modeling withinaheterogeneous canopyfor estimationofforestfirefuel prop erties[J].Remote sensing of environment，2004，92（3）：332-344.

[ 18] ALEXANDRIDIS A， VAKALIS D，SIETTOS C I，et al. A cellular automata model for forest fire spread prediction：The case of the wildfire that swept through Spetses Island in 199O[J].Applied mathematicsand computation，2008，204（1） ：191-201.

[19]FERNANDES P M. Combining forest structure data and fuel modellng to classify fire hazard inPortugal[J].Annals of forest science，2Oo9，66（4）： 1-9.

[20]梁慧玲，王文輝，郭福濤，等.比較邏輯斯蒂與地理加權邏輯斯蒂回歸 模型在福建林火發生的適用性[J].生態學報，2017，37（12）：4128- 4141.

[21］蘇漳文，曾愛聰，蔡奇均，等.基于Gompit 回歸模型的大興安嶺林火預 測模型及驅動因子研究[J].林業工程學報，2019，4（4）：135-142.

[22] CHEN J，ZHENG W，SHAN T C. Dynami fire monitoring analysisand risk assessment based on multisource satellite remote sensing[J]. Mobile information systems，2022，2022：2-11.

[23]HERNANDEZ-LEAL P A，ARBELO M，GONZALEZ-CALVO A. Fire risk assessment using satelite data[J]. Advances in space research，2006，37 （4） ：741-746.

[24]朱馨，李建微，郭偉，等.基于機器學習的森林火險預測模型[J].中國 安全科學學報，2022，32（9）：152-157.

[25] JAIN P，COOGAN S C P，SUBRAMANIAN S G，et al. A review of machine leaming applications in wildfirescience and managementJ].Environmental reviews，2020，28（4）：478-505.

[26]LI Y D，FENG Z K，CHEN S L，et al. Application of the artificial neural network and support vector machinesin forest fire prediction in the Guangxi autonomous region，China[J]. Discrete dynamics in nature and society，2020，2020：1-14.

[27]SINGH K R，NEETHU K P，MADHUREKAA K，et al. Parallel SVM model for forest fire prediction[J].Soft computing lettrs，2021，3：1-12.

[28]SEVINC V，KUCUK O，GOLTAS M. A Bayesian network model for prediction and analysis of possible forest fire causes[J].Forest ecology and management，2020，457：1-11.

[29]YANG X H，JIN X B，ZHOU Y K. Wildfire risk assessment and zoning by integrating maxent and GIS in Hunan Province，China[J]. Forests，2021， 12（10） ：1-18.

[30] MOHAJANE M，COSTACHE R，KARIMI F，et al. Application of remote sensing and machine learning algorithms for forest fire mapping in a Mediterranean area[J].Ecological indicators，2021，129：1-17.

[31] VAN BREUGEL P，FRIIS I，DEMISSEW S，et al. Current and future fire regimesand their influence on natural vegetation in Ethiopia[J].Ecosystems，2016，19（2） ：369-386.

[32]DUTTAR，DAS A，ARYAL J.Big data integration shows Australian bushfire frequency is increasing significantly[J]. Royal society open science， 2016，3（2） ：1-11.

[33] HODGES JL，LATTIMER B Y. Wildland fire spread modeling using convolutional neural networks[J].Fire technology，2019，55（6）：2115-2142.

[34]LI X D，ZHANG M X，ZHANG S Y，et al. Simulating forest fire spread with cellular automation driven by a LSTM based speed model[J]. Fire，

[35」ZHENG Z，HUANG W，LI S N，et al. Forest fire spread simulating model using cellular automaton with extreme learning machine[J]. Ecological modelling，2017，348：33-43.

[36] WU Z C，WANG B，LI M Z，et al. Simulation of forest fire spread based on artificial intelligence[J].Ecological indicators，2O22，136：1-13.

[37] GANAPATHI SUBRAMANIAN S，CROWLEY M. Using spatial reinforcement learning to build forest wildfire dynamics models from satellite images[J].Frontiers in ICT，2018，5：1-12.

[38]TYMSTRAC，BRYCERW，WOTTONBM，etal.Development and structure of Prometheus：The Canadian wildland fire growth simulation model [R].Edmonton，Alberta：Natural Resources Canada，Canadian Forest Service，Northern Forestry Centre，2010.

[39]ANDREWS PL.Currentstatus and future needsof the BehavePlus Fire Modeling System[J]. International journal of wildland fire，2014，23（1） ： 21-33.

[40] YAVUZ M，SAGLAM B，KUCUK O，et al. Assessing forest fire behavior simulation using FlamMap software and remote sensing techniques in Western Black Sea Region，Turkey[J]. Kastamonu University journal of forestry faculty，2018，18（2） ：171-188.

[41]DENHAM M M，WAIDELICH S，LANERI K. Visualization and modeling of forest firepropagationin Patagonia[J].Environmental modelling amp; software，2022，158：1-10.

[42] PAIS C，CARRASCO J，MARTELL D L，et al. Cell2fire：A cell based forest fire growth model[J/OL]. ArXiv preprint，2019-05-22[2024-07- 28]. https：//arxiv. org/pdf/1905. 09317.

[43] SUN JJ，QI W W，HUANG Y D，et al. Facing the wildfire spread risk challenge：Where are we now and where are we going？[J].Fire，2023，6 （6） ：1-21.

[44]MENG Q K，LU H，HUAI Y，et al. Forest fire spread simulation and fire extinguishing visualization research[J].Forests，2O23，14（7） ：1-21.

[45] YOU JW，HUAI Y J，NIE X Y，et al. Real-time 3D visualizationof forest fire spread based on tree morphology and finite state machine[J]. Computers amp; graphics，2022，103：109-120.

[46]劉斌，田曉瑞.林火碳排放模型研究進展[J].世界林業研究，2010，23 （6） 35-39.

[47]THONICKE K，VENEVSKY S，SITCH S，et al. The role of fire disturbance forglobal vegetation dynamics：Coupling fire intoa Dynamic Global Vegetationmodel[J]Globaleologyandbiogeogaphy，2001，10（6）661677.

[48] CHERTOV O G，KOMAROV A S，NADPOROZHSKAYA M，et al. ROMUL：A model of forest soil organic matter dynamics as a substantial tool for forest ecosystem modeling[J]. Ecological modeling，2001，138（1/2/ 3） ：289-308.

[49]SCHELLER R M，DOMINGO J B，STURTEVANT B R，et al. Design，development，and application of LANDIS-II，a spatial landscape simulation model with flexible temporal and spatial resolution[J].Ecological modelling，2007，201（3/4） ：409-419.

[50] O'NEILL S M，LARKIN N S K，HOADLEY J，et al. Chapter 22 regional real-time smoke prediction systems[J].Developments in environmental science，2008，8：499-534.

[51]FISCHER R.The long-term consequences of forest fires on the carbon fluxes of a tropical forest in Africa[J]. Applied sciences，2021，11（10） ：1- 17.

[52] XU W R，HE H S，HUANG C，et al. Large fires or small fires，will they dier in affecting_shifts in species composition and distributions under climate change？_[J]. Forest ecology and management，2022，510：1-10.

[53]BRAZHNIK K，HANLEY C，SHUGART H H. Simulating changes in fires and ecology of the21st century Eurasian boreal forests of Siberia[J].Forests，2017，8（2） ：1-27.

[54]PELLEGRINI A F A，AHLSTROM A，HOBBIE S E，et al.Fire frequency drives decadal changes in soil carbon and nitrogen and ecosystem productivity[J].Nature，2018，553（7687）：194-198.

[55] LERMA-ARCE V，YAGUE-HURTADO C，VAN DEN BERG H，et al. Development of a model to estimate the risk of emission of greenhouse gases from forest fires[J].Fire，2023，6（1）：1-27.

[56] SEO H，KIM Y. Interactive impacts of fireand vegetation dynamics on global carbon and water budget using Community Land Model version 4.5 [J]. Geoscientific model development，2019，12（1） ：457-472.

[57] ZOU Y F，WANG Y H，QIAN Y，et al. Using CESM-RESFire to understand climate-fire-ecosystem interactionsand theimplications for decadal climate variability[J].Atmospheric chemistry and physics，2O20，20（2）