Although low-intensity forest fires are a necessary part of healthy echo system, high-intensity forest fires continue to affect the diversity of forest ecosystems and species. Therefore, it is necessary to study the driving factors of forest fires and explore their possible locations and probabilities in complex forest terrain. In this article, we determined the relative influences of different types of factors on the occurrence of forest fires in Heilongjiang forest areas and compared the performance of artificial neural networks and logistic regression for wildfire prediction. By analyzing Heilongjiang forest fire data from 2002 to 2015 and constructing a model, we found that climate factors, topographical factors, and vegetation type factors play a crucial role in Heilongjiang’s wildfires. During the fire prevention period, temperature and wind speed have a more significant influence than other factors. According to the variable screening that we conducted, the model built by the variables that we used can predict 84% of forest fires in Heilongjiang Province. For recent wildfires (2019–2020) in most areas, we can use artificial neural networks for relatively accurate verification (85.2%). Therefore, artificial neural networks are very suitable for the prediction of forest fires in Heilongjiang Province. Through the prediction results, we also created a probability distribution map of fire occurrence in the study area. On this basis, we also analyzed the changes in the probability of natural fires under the weather changing trend, which can effectively aid in fire prevention and extinguishment.

中文翻译：

---

利用人工智能估计东北黑龙江地区森林大火的可能性

尽管低强度森林火灾是健康回声系统的必要组成部分，但高强度森林火灾继续影响着森林生态系统和物种的多样性。因此，有必要研究森林火灾的驱动因素，并探讨其在复杂森林地形中的可能位置和概率。在本文中，我们确定了不同类型因素对黑龙江林区森林火灾发生的相对影响，并比较了人工神经网络和逻辑回归在野火预测中的性能。通过分析黑龙江省2002年至2015年的森林火灾数据并构建模型，我们发现气候因素，地形因素和植被类型因素在黑龙江的山火中起着至关重要的作用。在防火期间，温度和风速比其他因素影响更大。根据我们进行的变量筛选，由我们使用的变量构建的模型可以预测黑龙江省84％的森林大火。对于大多数地区最近发生的野火（2019–2020年），我们可以使用人工神经网络进行相对准确的验证（85.2％）。因此，人工神经网络非常适合黑龙江省森林火灾的预测。通过预测结果，我们还创建了研究区域火灾发生的概率分布图。在此基础上，我们还分析了天气变化趋势下自然火灾可能性的变化，可以有效地帮助防火和灭火。根据我们进行的变量筛选，由我们使用的变量构建的模型可以预测黑龙江省84％的森林大火。对于大多数地区最近发生的野火（2019–2020年），我们可以使用人工神经网络进行相对准确的验证（85.2％）。因此，人工神经网络非常适合黑龙江省森林火灾的预测。通过预测结果，我们还创建了研究区域火灾发生的概率分布图。在此基础上，我们还分析了天气变化趋势下自然火灾可能性的变化，可以有效地帮助防火和灭火。根据我们进行的变量筛选，由我们使用的变量构建的模型可以预测黑龙江省84％的森林大火。对于大多数地区最近发生的野火（2019–2020年），我们可以使用人工神经网络进行相对准确的验证（85.2％）。因此，人工神经网络非常适合黑龙江省森林火灾的预测。通过预测结果，我们还创建了研究区域火灾发生的概率分布图。在此基础上，我们还分析了天气变化趋势下自然火灾可能性的变化，可以有效地帮助防火和灭火。对于大多数地区最近发生的野火（2019–2020年），我们可以使用人工神经网络进行相对准确的验证（85.2％）。因此，人工神经网络非常适合黑龙江省森林火灾的预测。通过预测结果，我们还创建了研究区域火灾发生的概率分布图。在此基础上，我们还分析了天气变化趋势下自然火灾可能性的变化，可以有效地帮助防火和灭火。对于大多数地区最近发生的野火（2019–2020年），我们可以使用人工神经网络进行相对准确的验证（85.2％）。因此，人工神经网络非常适合黑龙江省森林火灾的预测。通过预测结果，我们还创建了研究区域火灾发生的概率分布图。在此基础上，我们还分析了天气变化趋势下自然火灾可能性的变化，可以有效地帮助防火和灭火。我们还创建了研究区域火灾发生的概率分布图。在此基础上，我们还分析了天气变化趋势下自然火灾可能性的变化，可以有效地帮助防火和灭火。我们还创建了研究区域火灾发生的概率分布图。在此基础上，我们还分析了天气变化趋势下自然火灾可能性的变化，可以有效地帮助防火和灭火。