基于LightGBM和SHAP的云南省森林火災(zāi)預(yù)測研究

摘要： 針對當前森林火災(zāi)預(yù)測研究中存在準確性不足和缺乏模型可解釋性的問題，選擇云南省為研究區(qū)域，提出融合LightGBM機器學習模型和SHAP可解釋模型的森林火災(zāi)預(yù)測方法。結(jié)果表明，與已有的多種機器學習模型相比，LightGBM表現(xiàn)出更高的準確率（90.5%），在高易發(fā)區(qū)域大部分火點被準確識別。通過引入SHAP模型，增強了LightGBM模型的可解釋性。其中，全局可解釋方法可以幫助使用...