Fire has been an integral part of the Earth for millennia. Several recent wildfires have exhibited an unprecedented spatial and temporal extent and their control is beyond national firefighting capabilities. Prescribed or controlled burning treatments are debated as a potential measure for ameliorating the spread and intensity of wildfires. Machine learning analysis using random forests was performed in a spatio-temporal data set comprising a large number of savanna fires across 22 years. Results indicate that fire return interval was not an important predictor of fire spread rate or fire intensity, having a feature importance of 3.5%, among eight other predictor variables. Manipulating burn seasonality showed a feature importance of 6% or less regarding fire spread rate or fire intensity. While manipulated fire return interval and seasonality moderated both fire spread rate and intensity, their overall effects were low in comparison with meteorological (hydrological and climatic) variables. The variables with the highest feature importance regarding fire spread rate resulted in fuel moisture with 21%, relative humidity with 15%, wind speed with 14%, and last years’ rainfall with 14%. The variables with the highest feature importance regarding. Fire intensity included fuel load with 21.5%, fuel moisture with 16.5%, relative humidity with 12.5%, air temperature with 12.5%, and rainfall with 12.5%, Predicting fire spread rate and intensity has been a poor endeavour thus far and we show that more data of the variables already monitored would not result in higher predictive accuracy.

几千年来，火一直是地球不可分割的一部分。最近发生的几场野火显示出前所未有的时空范围，其控制能力超出了国家消防能力。辩论中规定或控制的燃烧处理作为减轻野火蔓延和强度的一种潜在措施。使用时空数据集进行了使用随机森林的机器学习分析，该数据集包括22年中的大量稀树草原火灾。结果表明，回火间隔不是火灾蔓延率或火灾强度的重要预测指标，在其他八个预测变量中，其特征重要性为3.5％。对于火势蔓延率或火势强度，控制燃烧季节表现出的特征重要性为6％以下。尽管受控的回火间隔和季节性控制了火势蔓延率和烈度，但与气象（水文和气候）变量相比，其总体影响较低。在火灾蔓延率方面，具有最重要特征重要性的变量导致燃油湿度为21％，相对湿度为15％，风速为14％，而去年的降雨为14％。具有最高特征重要性的变量。火灾强度包括：燃料负荷（21.5％），燃料水分（16.5％），相对湿度（12.5％），气温（12.5％）和降雨（12.5％），到目前为止，预测火势蔓延率和强度一直是一项较差的努力，我们证明已经监视的变量的更多数据不会导致更高的预测准确性。与气象（水文和气候）变量相比，它们的总体影响较低。在火灾蔓延率方面，具有最重要特征重要性的变量导致燃油湿度为21％，相对湿度为15％，风速为14％，而去年的降雨为14％。具有最高特征重要性的变量。火灾强度包括：燃料负荷（21.5％），燃料水分（16.5％），相对湿度（12.5％），气温（12.5％）和降雨（12.5％），到目前为止，预测火势蔓延率和强度一直是一项较差的努力，我们证明已经监视的变量的更多数据不会导致更高的预测准确性。与气象（水文和气候）变量相比，它们的总体影响较低。在火灾蔓延率方面，具有最重要特征重要性的变量导致燃油湿度为21％，相对湿度为15％，风速为14％，而去年的降雨为14％。具有最高特征重要性的变量。火灾强度包括：燃料负荷（21.5％），燃料水分（16.5％），相对湿度（12.5％），气温（12.5％）和降雨（12.5％），到目前为止，预测火势蔓延率和强度一直是一项较差的努力，我们证明已经监视的变量的更多数据不会导致更高的预测准确性。在火灾蔓延率方面，具有最重要特征重要性的变量导致燃油湿度为21％，相对湿度为15％，风速为14％，而去年的降雨为14％。具有最高特征重要性的变量。火灾强度包括：燃料负荷（21.5％），燃料水分（16.5％），相对湿度（12.5％），气温（12.5％）和降雨（12.5％），到目前为止，预测火势蔓延率和强度一直是一项较差的努力，我们证明已经监视的变量的更多数据不会导致更高的预测准确性。在火灾蔓延率方面，具有最重要特征重要性的变量导致燃油湿度为21％，相对湿度为15％，风速为14％，而去年的降雨为14％。具有最高特征重要性的变量。火灾强度包括：燃料负荷（21.5％），燃料水分（16.5％），相对湿度（12.5％），气温（12.5％）和降雨（12.5％），到目前为止，预测火势蔓延率和强度一直是一项较差的努力，我们证明已经监视的变量的更多数据不会导致更高的预测准确性。