基于机器学习的森林火灾易发性制图：采用随机森林（Random Forest）和分类与回归树（CART）模型

《Rangeland Ecology & Management》：Machine Learning-Based Forest Fire Susceptibility Mapping Using Random Forest and CART Models

森林火灾易感性分析：基于随机森林与决策树的Bandipur虎保留地研究整合了2001-2024年MODIS火灾数据和Google Earth Engine的环境变量，通过Boruta算法识别关键驱动因子（海拔、SAVI、NDVI、降水），验证随机森林模型（AUC 0.802）优于决策树（AUC 0.706），空间映射显示两者风险分区差异显著，为生物多样性热点区域提供可扩展的火灾管理框架。

　　森林火灾对生物多样性和生态系统稳定性构成了严重威胁，特别是在干旱炎热的地区。随着机器学习（ML）在火灾易发性图（Fire Susceptibility Map, FFS）中的广泛应用，研究仍然存在一些空白，尤其是在生物多样性丰富的区域，以及如何将长期气候数据整合到分析中。本研究通过开发基于随机森林（Random Forest, RF）和分类与回归树（Classification and Regression Tree, CART）模型的森林火灾易发性图，结合Google Earth Engine（GEE）提取的环境变量，填补了这些空白。研究目标包括：（1）利用MODIS FIRMS数据分析2001年至2024年的火灾时空模式；（2）评估地形、气候和植被变量；（3）比较模型在火灾风险区划中的表现。研究分析了火灾发生数据和14个环境预测因子，例如海拔、NDVI、降水量、地表温度（LST）等。Boruta算法识别出海拔、SAVI、NDVI和降水量是关键驱动因素。RF模型在准确率（77.54%）和AUC（0.802）方面优于CART模型（76.08%，AUC：0.706），空间映射显示两种模型在风险模式上存在差异：RF将保护区的40.21%和47.14%划分为中等和高风险区域，而CART则将91%的区域划分为低（47.9%）和非常高（43.32%）风险区域。RF模型的细致分类突显了其在捕捉环境相互作用方面的强大能力，使其成为有针对性火灾管理的理想工具。本研究提供了一个可扩展的框架，用于将机器学习与遥感技术结合在火灾风险评估中，帮助政策制定者在生物多样性热点地区优先采取缓解措施。通过解决特定区域机器学习应用的空白，并强调包含气候因素的变量，我们的研究推动了火灾易发生态系统中生态保护策略的发展。

森林在维持地球生态平衡方面发挥着至关重要的作用，占据全球约31%的陆地面积，同时作为碳汇、气候稳定器和生物多样性丰富的生态系统（Giannakidou等，2024）。然而，森林与火灾之间的关系因人类活动的影响而变得更加复杂。森林火灾现在对生态系统、经济和公众健康构成了重大威胁（Haydar等，2024）。仅在2021年，全球野火就摧毁了702万公顷的树冠（Dos Reis等，2021），而气候变化导致火灾频率和强度不断上升（Cha等，2020；Ashfaq等，2025）。在2002年至2016年间，每年平均燃烧4.2亿公顷，突显了火灾风险的加剧（Giglio等，2018）。气候因素，如长期干旱和森林砍伐，会加剧火灾风险，例如2023年亚马逊地区的火灾爆发增加了152%，主要由森林砍伐驱动（Brown，2024）。极端天气条件也会加剧火灾的发生（Brown，2024）。野火显著降低了空气质量，导致呼吸系统疾病和其他健康的负面影响（美国环境保护署，2024）。例如，在东南亚，跨境烟雾不仅对健康造成影响，还对心理产生影响（Dzikes，2024；Belhaj等，2025）。农业、放牧和狩猎等人为活动是森林火灾的主要原因，特别是在印度的森林社区（Murthy等，2006）。印度面临着日益严重的森林损失问题，这可能因火灾而加剧（Chaudhry和Tambe，2023）。生物多样性丰富的地区如西高止山脉特别容易受到火灾威胁，因为干旱期延长且缺乏季风后的降雨，会增加火灾风险（Babu等，2023；Raj等，2025）。森林火灾对全球生态系统构成了持续且日益增长的威胁，造成巨大的生态损害，并可能影响长期的气候动态；因此，创新且数据驱动的策略对于减轻和预防这些灾难性事件至关重要（Carta等，2023）。最近的研究重点在于将机器学习技术引入模型，以提高森林火灾易发性的预测能力（Celis等，2023；Fahd等，2025）。地理信息系统（GIS）和遥感等地理空间工具在研究火灾风险方面具有重要作用（Das等，2023；Sharma和Mauzerall，2022）。数据驱动的方法在使用免费的遥感数据进行大陆级火灾事件预测时，是创建训练数据集的关键（Sulova和Arsanjani，2020）。机器学习算法与云平台如Google Earth Engine（GEE）的结合，已经彻底改变了森林火灾易发性（FFS）图的制作（Fahd等，2025）。机器学习方法的一个显著优势是能够自动检测火灾风险与多种环境变量之间的复杂关系，有效避免了对火灾类型及其依赖性的显式先验知识的需要（Lu等，2023）。机器学习模型的整合使研究人员能够识别影响火灾发生和蔓延的关键风险因素，从而为火灾预防和管理提供有针对性的措施和资源分配（Ma等，2025）。在土耳其、古吉拉特和Metaponto等地区的研究表明，机器学习技术在分析火灾影响和生成高分辨率风险图方面非常有效（Kumar等，2025；Jodhani等，2024；Fattore等，2021）。其他研究强调了多标准决策模型与机器学习技术结合在创建火灾易发性图中的效用，特别是在西高止山脉东侧（Renard等，2012）。空间多标准建模和评估等先进技术，当与机器学习方法相结合时，已显示出在火灾风险评估中的增强效果，突显了混合方法的潜力（Yakubu等，2015）。这些地图对于政策制定者实施预防措施至关重要（Zhao等，2024）。其他研究还利用地理空间方法评估了印度东部和北阿坎德邦等地区的火灾风险（Das等，2023；Rihan等，2023）。在果阿，多标准决策和机器学习方法被应用于绘制森林火灾风险区域，强调了其在有效管理中的重要地位（Xie等，2025）。使用Sentinel影像进行的机器学习方法比较分析已证明其在火灾易发性图中的可靠性（Chen等，2024）。其他方法，如模糊系统和核逻辑回归，也被用于风险区域划分（Prabagar等，2023）。无人机与遥感和机器学习的结合已成为火灾检测和行为预测的有力工具（Partheepan等，2023）。这些预测模型的重要性被日益增长的野火频率和强度所强调，这些野火因气候变化和人为因素而加剧，因此迫切需要增强火灾管理策略和预警系统（Barmpoutis等，2020）。

在生物多样性丰富的地区，如班迪尔老虎保护区，应用机器学习模型的研究仍然较少。此外，长期气候预测很少被整合到火灾易发性分析中，尽管气候变化是火灾风险的关键因素。为了解决这些问题，本研究采用了先进的地理空间和机器学习技术，为班迪尔老虎保护区创建详细的火灾易发性图，结合MODIS火灾数据（2001–2024）和环境变量。本研究将分析2001年至2024年班迪尔老虎保护区的森林火灾时空模式，以识别趋势。本研究将评估地表、植被、大气和光谱指数，利用相关矩阵和Boruta变量重要性分析。最后，本研究将开发和验证基于随机森林（RF）和决策树（CART）算法的火灾易发性模型，比较它们在分类易发区域中的表现，以提高火灾风险管理和缓解策略的效果。

班迪尔老虎保护区位于印度卡纳塔克邦南部，地理坐标为东经76°12'至76°51'，北纬11°35'至11°57'。它是西高止山脉的重要组成部分，西高止山脉被联合国教科文组织列为世界遗产，是全球八大“热点热点”之一，具有极高的生物多样性（Nath等，2022）。该保护区占地874平方公里，成立于2007年，是尼尔吉里生物圈保护区的一部分，支持多种动植物，包括易危物种。西高止山脉地区由于长期干旱且缺乏季风后的降雨，火灾风险显著增加（Babu等，2023；Raj等，2025）。因此，该地区的森林火灾对生态系统的稳定性构成了严重威胁，亟需有效的预防和监测策略。森林火灾不仅对生态环境造成破坏，还对人类健康和气候稳定产生影响，因此，优先采取缓解措施至关重要。人类活动仍然是森林火灾的主要驱动因素，常见的火灾原因包括未熄灭的篝火、丢弃的香烟和农业焚烧。班迪尔老虎保护区作为一个生态价值极高的区域，其火灾管理策略的有效性直接影响着整个区域的生态安全和生物多样性保护。因此，本研究旨在通过整合机器学习和遥感技术，为该地区提供科学依据，以支持更有效的火灾管理措施。

本研究采用了Pearson相关矩阵来分析用于该研究的环境变量，揭示了这些变量对班迪尔老虎保护区森林火灾易发性的影响（表1）。地表温度（LST）与裸土指数（BSI）和水分胁迫指数（MSI）显示出强正相关（r=0.83和r=0.80），表明地表温度较高的区域往往与裸土暴露和水分胁迫较高相关联。归一化的植被差异指数（NDVI）与土壤调整的植被指数（SAVI）和归一化的水分差异指数（NDMI）显示出强正相关（r=0.91和r=0.94），以及归一化的燃烧比（NBR）显示出较高的相关性。这些变量的分析表明，植被覆盖情况、水分状况和地表条件在火灾发生和蔓延中扮演了关键角色。因此，通过整合这些变量，可以更准确地预测火灾风险，并为政策制定者提供科学依据，以制定有效的火灾预防和管理措施。

本研究的讨论部分强调了机器学习算法在班迪尔老虎保护区森林火灾易发性建模中的重要性，以及不同方法的优势和局限性。通过使用随机森林（RF）和决策树（CART）模型，本研究展示了先进的计算技术在应对复杂环境挑战中的应用价值。随机森林模型在大多数评估指标中表现优于决策树模型，这突显了其在捕捉环境变量之间复杂关系方面的强大能力。此外，随机森林模型在分类火灾风险区域时，能够更细致地识别出不同区域的风险等级，而决策树模型则倾向于将区域划分为极端风险类别。这种差异表明，随机森林模型在处理环境数据时具有更高的灵活性和适应性，能够更全面地反映火灾风险的复杂性。因此，对于需要精准预测和管理的地区，随机森林模型可能是更优的选择。此外，本研究还强调了在制定火灾管理策略时，必须考虑气候变化和人为活动的双重影响，以确保策略的有效性和可持续性。通过结合机器学习和遥感技术，本研究为森林火灾风险评估提供了一个可扩展的框架，有助于在生物多样性热点地区实施更有效的缓解措施。

本研究的结论部分总结了森林火灾在班迪尔老虎保护区的长期影响，并强调了采取有效预防和监测策略的紧迫性。鉴于野火对生态系统、人类健康和气候稳定构成的严重威胁，优先采取缓解措施至关重要。人类活动仍然是森林火灾的主要驱动因素，常见的火灾原因包括未熄灭的篝火、丢弃的香烟和农业焚烧。本研究的结果表明，通过整合机器学习和遥感技术，可以更准确地识别火灾风险区域，并为政策制定者提供科学依据，以制定有效的火灾预防和管理措施。班迪尔老虎保护区作为一个生态价值极高的区域，其火灾管理策略的有效性直接影响着整个区域的生态安全和生物多样性保护。因此，本研究的成果为该地区的火灾管理提供了新的视角，并有助于推动生态保护策略的改进。此外，本研究还强调了在制定火灾风险评估时，必须考虑长期气候数据和环境变量的整合，以确保评估的全面性和准确性。通过结合这些因素，可以更有效地预测火灾风险，并为政策制定者提供科学依据，以制定长期的缓解和管理策略。这些策略不仅有助于保护生态系统，还能减少火灾对人类健康和经济的影响，为可持续发展提供支持。