科学家借助机器学习技术，提前一个月预测非洲野外火灾

最近，美国研究小组在Nature Communications发表论文称，借助机器学习技术，他们能够提前一个月预测非洲火灾的活动趋势。这一结果将有助于当地改善火情预防和管理。

非洲大陆一直深受野外火灾的影响。根据统计，过去数十年间，由于火灾所排放的二氧化碳，50%来自于赤道附近的非洲亚热带稀树草原，而这期间所发生的火灾陆地面积，70%在这一区域。长期以来，野外火灾对当地的生态系统和人类社区都构成了严重的威胁。

然而，对火灾活动的预测，特别是季节性活动的预测，却没有获得太多的成功。过去，野外火灾预测模型大多基于大气天气变化，植被种类以及人类活动；但这些模型对于火灾的季节性活动预测却是缺乏成效。因此，确定影响非洲野外火灾季节性变化的因素，成为科学家们迫在眉睫的任务。

越来越多的证据表明，海洋和陆地的异常与野外火灾的季节性活动存在关联。在这项研究中，科学家使用机器学习技术，揭示了北部非洲的野火活动对热带地区大西洋和印度洋的表面温度存在依赖关系。他们的结果显示，不同海洋区域的温度异常对非洲野外火灾产生不同的作用。在旱季（11月到次年三月），热带地区大西洋的温度异常影响更深；而在雨季（4月到9月），印度洋温度异常作用更突出。另一方面，厄尔尼诺-南方涛动（El Niño-Southern Oscillation）对非洲野外火灾活动的影响在空间上是不均匀，而大西洋尼诺模式（Atlantic Niño mode）的影响则相对均匀。

在陆地方面，相比于植被的叶面积指数（leaf area index，LAI），表层土壤湿度的变化能够更好预测野火活跃的强弱。在非洲大部分地区，较潮湿的土壤通过冷却地表和诱导大量降水抑制了野外火灾的发生。而LAI对非洲野外火灾活动的影响在空间上是不均匀的。较高的LAI值会导致西非季风区部分区域，南部非洲草原，以及冬季和春季北部非洲野外火灾活跃，但会在北方夏季的火灾活跃季节，抑制了南部非洲大部分地区的野外火灾活动。

在这基础上，研究人员利用训练好的模型对非洲野外火灾的活跃情况展开预测。他们的结果显示，模型能够提前一个月预测野外火灾高发季节的到来。这不仅为非洲当地的火情预防和管理提供支持；而且，参与项目的科学家认为，它为建立一个全球预警系统提供了令人鼓舞的基础。