基于树型机器学习算法的孟加拉国气候变化诱导森林火灾敏感性制图研究

推荐：针对孟加拉国吉大港山区(CHT)日益严峻的森林火灾风险，研究人员采用随机森林(RF)、AdaBoost等8种树型机器学习算法，整合19种环境与气候变量，构建了当前及未来RCP情景下的火灾敏感性预测模型。研究发现温度是最关键驱动因子，AdaBoost模型预测精度最高(AUC=0.82)，预计到2080年RCP8.5情景下高风险区将增加15.39%。该研究为气候适应性防火政策制定提供了科学依据。

　　

在气候变化加剧的背景下，森林火灾已成为威胁全球生态系统的重要环境灾害。孟加拉国吉大港山区(CHT)作为该国唯一的山地森林区，正面临日益严重的火灾威胁——88%的全国火灾热点集中于此，且与当地"刀耕火种"的传统耕作方式密切相关。尽管已有研究关注该区域火灾风险，但缺乏基于机器学习(ML)的系统性评估，更未考虑未来气候情景的影响。这一研究空白使得防火资源分配和长期策略制定缺乏数据支撑，亟需建立科学的预测模型。

针对这一挑战，来自中国研究机构的环境科学家团队在《Ecological Indicators》发表了创新性研究。该团队采用8种树型ML算法（包括随机森林RF、自适应增强AdaBoost等），整合地形、气候、植被等19种变量，构建了当前及未来四种代表性浓度路径(RCP2.6/4.5/6.0/8.5)下的火灾敏感性模型。研究特别关注温度、降水等关键气候因子与火灾的关联机制，并通过70:30的数据划分进行模型训练与验证。

关键技术方法包括：1) 基于Google Earth Engine(GEE)平台处理30m分辨率SRTM-DEM地形数据；2) 整合MODIS、Sentinel-2等多源遥感数据提取NDVI(归一化植被指数)、NDMI(归一化水分指数)等植被参数；3) 采用ROC-AUC曲线评估模型性能；4) 应用UCAR气候预测数据模拟2040-2100年不同RCP情景。

研究结果揭示：

1. 参数特征描述：温度在所有模型中均显示最高重要性评分(AdaBoost达27分)，其次是降水、风速和海拔(DEM)。南部地区因较高的干旱指数(0.45-0.65)和地表温度(LST>32°C)呈现更高火灾风险。

2. 树型模型比较：AdaBoost表现最优(AUC=0.82)，将研究区划分为高(4.31%)、中(66.74%)、低(28.94%)风险区；而决策树(DT)模型精度最低(AUC=0.73)。特征重要性分析显示，温度对火灾的贡献度是第二重要因子降水的2.1倍。

3. 区域风险分布：班多尔班地区(Bandarban)高风险面积占比最高(7.3%)，主要与其陡峭地形(平均坡度>25°)相关；而卡格拉查里(Khagrachhari)因水体密集(NDWI>0.4)未出现高风险区。

4. 未来情景预测：RCP8.5情景下，2080年高风险区将扩大至15.39%，主要向北部扩展；而RCP2.6情景下增幅较小(13.49%)。温度每升高1°C，高风险区面积平均增加2.8%。

讨论部分强调，该研究首次在孟加拉国实现多模型集成的火灾敏感性制图，其创新性体现在：1) 引入CatBoost等新型算法处理异构环境数据；2) 耦合CMIP5气候模型与机器学习预测；3) 识别出温度与DEM的交互作用是火灾扩散的关键机制。与地中海地区研究相比，CHT地区因人类活动(如Jhum耕作)导致的火灾占比更高(达72%)，这一发现为区分自然与人为火源提供了新视角。

研究结论支持联合国可持续发展目标(SDG13气候行动和SDG15陆地生物)的实现，建议采取三阶段应对策略：短期(2025年前)建立基于AdaBoost的实时预警系统；中期(2030年)在高风险区设置防火隔离带；长期(2040年后)推动气候适应性植被恢复。局限性在于未考虑CO₂施肥效应对植被可燃性的影响，未来研究可结合深度学习方法提升动态预测能力。该成果已被孟加拉国林业部门纳入《2023-2030国家防火计划》，示范了机器学习在热带山地森林管理中的转化应用价值。