抽象的森林和土地火（FLF）严重损害了森林生态系统并降低其功能。预测容易发生火灾的地区对于有效的管理和预防至关重要。机器学习（ML）在该领域显示出潜力。到2022年，东努萨·坦加拉（East Nusa Tenggara）（NTT）在印度尼西亚的火灾发生率最高，燃烧了70,637公顷。这项研究使用七种ML方法评估了NTT的FLF漏洞：高斯天真的贝叶斯，支撑矢量机，逻辑回归，人工神经网络，随机森林，渐变升压机和极端的毕业增强机（XGB）。使用ArcGI开发了NTT 2022火灾数据和14个与火灾相关因素的地理空间数据集。使用信息增益比进行特征选择，确定了十二个关键特征：高程，斜率角，坡度，平面曲率，土地覆盖，NDVI，通往道路的距离，建筑物的距离，每年降雨，平均温度，风速，风速和相对湿度。XGB模型表现最佳，训练的AUC值为0.959，测试为0.743。由此产生的脆弱性图显示了关键的火灾因素：高程，柔和的斜坡，弯曲的地形，森林覆盖，植被不良，人类活动，遥远的消防资源，低降雨，高温，高风速和湿度低。建议包括土地管理，防火植被，政策执法，社区教育和基础设施增强。关键字：东努萨·坦格拉（East Nusa Tenggara），森林和陆地火，特征选择，机器学习，映射