中国东北 boreal 森林雷击火预测模型构建与关键驱动因子解析

本研究针对中国东北 boreal 森林雷击火频发但预警机制缺失的问题，集成气象、土壤、闪电等多源数据，采用XGBoost算法构建了预测准确率达88.7%的雷击火预警模型（MAC）。通过SHAP框架解析发现，表层土壤湿度（燃料干燥度指标）和闪电密度是主导因子，显著优于传统火险指数，为 boreal 森林火灾防控提供了数据驱动的决策工具。

　　

研究背景与科学问题
boreal（北方针叶林）作为全球最大的陆地碳库，其火灾释放的温室气体对气候变化具有放大效应。中国东北的 Greater Khingan Mountain 森林是全国雷击火最频发区域，但传统预警依赖气象指标，忽视闪电特性与土壤湿度等关键因子，导致预测准确率不足。随着气候变暖加剧雷暴活动，建立数据驱动的精准预警体系成为迫切需求。

北京师范大学联合应急管理部森林草原火灾风险防控重点实验室，通过整合2019-2023年雷击与非雷击案例的多维环境数据，首次在该区域构建了基于XGBoost（极限梯度提升）的机器学习模型。研究创新性采用优化重复随机欠采样技术解决类不平衡问题，最终获得的MAC模型在测试集上实现88.7%的准确率，较传统方法提升显著。相关成果发表于《Global and Planetary Change》，为高纬度森林火灾防控提供了新范式。

关键技术方法

1. 数据整合：融合闪电定位数据（中国科院电工所提供）、ERA5气象再分析数据、30m分辨率DEM地形数据及MODIS植被参数；
2. 算法优化：训练1000个XGBoost分类器，通过AUC-准确率双指标筛选MAC；
3. 解释性分析：采用SHAP（沙普利加性解释）框架量化16个环境变量的贡献度；
4. 验证策略：通过单日闪电火事件和五年时间序列验证模型鲁棒性。

研究结果

1. 模型性能

• MAC的AUC达0.92，准确率较单次欠采样模型提高4.3%；
• 移除闪电特征后准确率下降12.1%，证实闪电参数不可替代。

1. 驱动因子解析

• 表层土壤湿度（SHAP值0.32）：低于15%时点火概率骤增3倍，反映燃料干燥度的阈值效应；
• 闪电密度：单位面积闪电次数<0.5次/km²时易发火，与干旱雷暴（dry thunderstorm）现象吻合；
• 次要因子：海拔（正相关）、叶面积指数（负相关）通过改变可燃物连续性影响火险。

1. 与传统指数对比

• 加拿大FWI（森林火险指数）在本区域误报率达41.6%，MAC将误报率降至11.3%；
• 土壤湿度与闪电参数的交互作用解释38.7%的预测方差，凸显多因子协同效应。

结论与意义
该研究首次在中国 boreal 森林实现雷击火的近实时预报（nowcasting），突破传统指数对气象条件的单一依赖。发现低土壤湿度与稀疏闪电的组合是高风险信号，为"干旱雷暴"致灾机制提供实证。方法论上，优化的重复欠采样策略将类不平衡问题的解决精度推向新高度。实践层面，MAC模型可集成至现有监测系统，助力东北森林的"空-地"一体化防控体系构建。未来需扩展至跨气候带验证，并探索气候变化情景下的模型外推能力。

（注：全文数据与结论均来自原文，未添加外部信息；专业术语如XGBoost、SHAP等在首次出现时均标注解释；作者单位按要求处理为中文名称；数值指标保留原文精度与单位）