基于Sentinel-2 MSI数据与混合机器学习的Similipal生物圈保护区森林火灾风险精准制图研究

本研究针对印度Similipal生物圈保护区森林火灾频发问题，通过整合Sentinel-2多光谱数据与混合机器学习模型（RF-XGBoost/RF-LightGBM/RF-HGB等），构建了高精度火灾风险预测框架。结果显示RF-HGB模型表现最优（AUC=0.94），首次量化了降雨作为关键影响因素（Gini指数），为SDGs 13/15目标下的森林可持续管理提供了决策支持。

　　

森林作为地球最复杂的生态系统，承担着碳封存（CO₂ sequestration）和维持生物多样性的关键功能。然而气候变化与人类活动导致全球每年损失1000万公顷森林，其中野火是最具破坏性的威胁之一。印度Similipal生物圈保护区（SBR）作为濒危物种栖息地，近年频发火灾却缺乏高精度风险评估工具。传统基于MODIS数据的预测方法受限于分辨率，难以满足精准管理需求。

为突破这一技术瓶颈，来自King Saud University等机构的研究团队在《Forest Ecology and Management》发表创新性研究。该工作首次将Sentinel-2多光谱仪器（MSI）数据与混合机器学习（ML）模型结合，通过差异归一化燃烧指数（dNBR ≥ 0.1）识别过火区域，构建了包含2000个样本点（1000个火灾/1000个非火灾）的高质量数据集。研究团队创新性地采用堆叠集成策略，对比评估了随机森林（RF）与四种混合模型（RF-XGBoost、RF-LightGBM、RF-HGB、RF-HGB-AdaBoost）的性能差异。

关键技术方法包括：1）基于ArcGIS和实地调查的空间数据采集；2）Sentinel-2 MSI光谱特征提取与dNBR计算；3）NASA Power气候数据整合（降雨/温度/湿度等）；4）五折交叉验证的模型性能评估；5）基尼特征重要性（Gini importance）分析。

研究结果
模型性能比较
RF-HGB模型展现出最佳平衡性，测试集准确率达0.75，AUC值0.94，但计算成本最高（427.28秒）。RF-HGB-AdaBoost虽保持同等AUC值，却因过拟合导致准确率微降（0.74）且耗时激增（560.52秒）。值得注意的是，RF-XGBoost和RF-LightGBM在效率与精度间取得最优平衡，运行时仅211-301秒且AUC稳定在0.94。

风险区划特征
RF-HGB-AdaBoost划定的高风险区面积最大（924 km2，占16.60%），而RF-XGBoost和RF-LightGBM更侧重中高风险区识别（覆盖39%以上区域）。空间分布显示东部丘陵地带风险集中，与历史火灾记录高度吻合。

驱动因子解析
基尼重要性分析揭示降雨是最关键预测变量，其次为温度与坡度。这一发现颠覆了传统认为人为活动主导的观点，为气候适应性管理提供了新依据。

结论与意义
该研究通过多模型对比，证实混合机器学习能显著提升火灾预测精度（较传统RF提升19%）。特别推荐RF-XGBoost作为实时监测的优选方案，其兼具0.94 AUC值与211秒的高效运算能力。研究成果不仅为SBR制定了首套10米级风险地图，更创新性地量化了气候因子的主导作用，支持联合国可持续发展目标（SDG 13气候行动和SDG 15陆地生态）的实现。未来研究可结合实时气象数据流，开发动态预警系统以应对日益严峻的野火威胁。