编辑推荐：
亚马逊地区森林火灾频发，威胁生态系统。研究人员开展 “Mapping the spatio?temporal distribution of burned areas in the Amazon from 2001 to 2020: an ensemble modeling approach” 主题研究。结果显示土地覆盖和时间对火灾影响大，集成模型性能更优，为火灾管理和预防提供依据。
近年来，全球多地火灾频发，亚马逊热带雨林也未能幸免。这片世界上最大的热带雨林，不仅是无数珍稀动植物的家园，还在全球气候调节方面发挥着至关重要的作用。然而，森林火灾的肆虐，正严重威胁着这片绿色宝藏。一方面，火灾会迅速破坏森林生态系统，导致大量植被被烧毁，生物多样性遭受重创；另一方面，火灾还会向大气中释放大量二氧化碳，进一步加剧全球气候变化，形成恶性循环。而且，当前对于火灾发生的地理和时间分布规律，以及背后的驱动因素，我们的了解还十分有限。在这样的背景下，开展相关研究以深入认识亚马逊地区的火灾问题，制定有效的防控策略迫在眉睫。
来自 King Abdullah University of Science and Technology（KAUST）等机构的研究人员，针对 2001 - 2020 年亚马逊地区的火灾展开了研究。他们旨在通过构建集成模型，分析火灾发生区域（burned area）的时空分布模式，识别影响火灾发生的复杂风险因素。研究发现，土地覆盖（Land Cover）和时间（如月份、年份）是影响火灾发生区域的关键因素。同时，集成模型在预测火灾发生方面表现出卓越性能，其 AUC（Area Under the Curve，曲线下面积）和 AUCPR（Area Under the Precision - Recall Curve，精确率 - 召回率曲线下面积）值在多种评估场景中均达到最高。这一研究成果对于亚马逊地区的火灾管理和预防意义重大，为相关部门制定科学合理的防控策略提供了有力依据，有助于减少火灾对生态和社会经济的负面影响。该研究成果发表在《Environmental and Ecological Statistics》杂志上。
研究人员主要运用了以下关键技术方法：首先，整合了亚马逊雨林火灾发生区域数据和高分辨率变量数据，包括土地覆盖信息、温度、降水等；其次，采用降采样（downsampling）策略处理大规模数据，以提高计算效率并解决数据不平衡问题；最后，运用随机森林（Random Forest，RF）、分布式随机森林（Distributed Random Forest，DRF）、广义线性模型（Generalized linear models，GLMs）、梯度提升机（Gradient boosting machine，GBMs）和极端梯度提升（Extreme gradient boosting，XGBoost）等机器学习算法构建模型，并通过交叉验证和超参数调优优化模型性能。
研究结果
- 模型性能评估：通过计算 AUC 和 AUCPR 评估模型性能，发现不同模型在不同区域的表现存在差异。分布式随机森林（DRF）在多数区域的 AUC 和 AUCPR 表现出色，尤其在识别火灾事件和减少误判方面优势明显。而集成模型在各种评估场景下，AUC 和 AUCPR 值均最高，性能优于单个模型。
- 火灾发生区域概率的时空分布：根据集成模型预测，亚马逊盆地部分地区，如玻利维亚和秘鲁的部分区域，受火灾影响较为严重。同时，研究发现火灾发生区域的概率存在季节性变化，在 7 - 10 月气温较高的月份，火灾发生概率上升，且概率的标准差减小，意味着这几个月火灾发生的预测更为确定。
- 影响火灾发生的变量重要性：研究分析了各变量对模型的重要性，发现土地覆盖在所有模型中都是影响火灾发生区域的最重要因素。此外，时间变量（月份和年份）在广义线性模型（GLM）中也表现出较高的重要性。相比之下，土壤湿度对火灾的影响最小。与传统火灾预测指标相关的变量，如气温、湿度、风速和降水，在该研究模型中的重要性不如土地覆盖和时间变量。
研究结论和讨论
本研究通过集成模型，全面分析了 2001 - 2020 年亚马逊地区火灾发生区域的时空分布及影响因素。研究表明，土地覆盖和时间对火灾发生区域影响显著，这为深入理解亚马逊地区火灾发生机制提供了重要依据。然而，研究也存在一定局限性，如数据的时间分辨率处理可能会混淆变量关系，同时未充分考虑遥感数据中的时空相关性等。尽管如此，该研究成果对于亚马逊地区的火灾管理和预防具有重要的指导意义，为后续研究和实际防控工作指明了方向。未来研究可进一步优化模型，考虑更多复杂因素，以提高火灾预测的准确性，更好地保护亚马逊雨林生态系统。
