森林火灾是一类严重的自然灾害,给国民经济和生态环境的健康持续和稳定发展带来了极大的安全隐患,及时准确地对森林火险进行监控和预测是降低林火损失的重要手段。目前针对森林火险预测领域的研究已取得了较好的成果,主要进行了林火预测和趋势分析、实时火灾的关联规则挖掘、火灾事件序列的模式检测、聚类分析和火点识别等方面的研究。这些研究主要使用了回归方法的改进、集成和多源数据的融合等算法或技术以提高火险预测的准确率。但其在数据不断增加的情况下,会导致模型的预测准确率低、鲁棒性弱、以及算法的计算复杂度高等问题,即实用性较差,不利于有效管理口益增长的森林火险数据库。本文针对这些问题,提出了基于模糊预分类(Fuzzy Pre-classification)和极限学习机(Extreme Learning Machine,ELM)模型的森林火险定性与定量预测方法,分别从提高准确率、增强鲁棒性以及降低计算复杂度等方面优化现有算法。实验结果表明,随着森林火险数据库规模的不断扩大,该模型与传统模型对比具有较高的预测准确率和更强的鲁棒性。本文的主要工作有:(1)使用模糊预分类方法对森林火灾数据库进行管理。本文根据林火天气指数(Fire Weather Index,FWI)的值定义输入的隶属函数参数。针对每一个实验样本,模糊分类器将其归类到对应的子数据库中,分类器的输出分别是S组,M组,L组。分别对每个子数据库的样本进行森林火险等级以及过火面积的预测。(2)使用极限学习机(Weighted Extreme Learning Machine,W-ELM)实现森林火险等级的预测。首先,使用t-SNE算法进行特征抽取得到主成分序列作为极限学习机的网络输入。接下来,重新加权处理训练数据,将不同的惩罚系数添加到对应于不同输入的训练误差中。采用Memetic算法优化加权极限学习机(Weighted Extreme Learning Machine,W-ELM)的输入层和隐含层连接权值和偏置值,并且将W-ELM的隐含层节点进行分类,将隐含层分为多个子模块。最后,极限学习机的网络输出为森林火险等级。(3)在森林火险等级预测的基础上分别预测每一类(火险等级)样本的过火面积。将特征集分为四类,根据最佳均值、方差以及协方差分割输入的每个连续特征,并以给定的置信度对目标数值变量进行稳定的区间预测,即分别将每个特征集结合间隔预测树(Interval Prediction Tree)算法实现对过火面积的预测。