森林地表细小可燃物含水量的预测与关键驱动因素分析：一种基于堆叠集成学习和物联网的系统

《Environmental and Sustainability Indicators》：Prediction and key drivers analysis of forest surface Dead Fine Fuel Moisture Content: A stacking ensemble learning and IoT-based system

dead fine fuel moisture content (DFFMC)预测研究提出集成学习模型与物联网技术结合的创新方法，通过多区域气象数据训练和PSO优化，在Bajia国家森林公园验证中实现R=0.91、MAE<2的预测精度，揭示湿度与降水是主要驱动因素，且非线性响应显著。

　　森林火灾的预防和控制是全球生态保护的重要任务之一。在这一过程中，死细燃料含水率（DFFMC）被视为影响火灾风险和火势传播的关键因素。然而，传统的DFFMC测量方法依赖于人工采样，不仅效率低下，而且成本高昂，同时难以实现大范围的空间覆盖。此外，现有预测模型大多基于单一的机器学习算法，这些模型在空间泛化能力和局部拟合能力之间难以取得平衡，从而限制了整体的预测效果。针对这些问题，本研究提出了一种结合堆叠集成学习模型与多地区混合数据集及物联网（IoT）技术的DFFMC预测方法，以实现高精度、强空间泛化能力和快速响应能力。通过使用覆盖多种生态和气候区域的公开国际数据集进行模型训练，并以北京八家庄国家公园的现场数据作为独立验证集，评估模型的空间泛化能力。实验结果表明，该模型在国内外数据集上均表现出色，达到了0.91的相关系数，并且平均绝对误差低于2。进一步的分析表明，湿度和降水是影响DFFMC的主要驱动因素，而部分依赖图（PDP）则揭示了当湿度超过60%或降水超过3毫米时，DFFMC的非线性响应特征。双变量依赖分析进一步揭示了气象因素之间的复杂相互作用，强调了多因素建模在提高DFFMC预测准确性和火灾风险管理中的重要性。

本研究的背景源于森林生态系统面临的多种威胁，其中火灾是最具破坏性和反复性的。例如，2025年洛杉矶的森林火灾造成了29人死亡，超过18,000栋建筑受损，超过200,000人被迫撤离，导致经济损失达到数十亿美元。除了直接的破坏，森林火灾还会改变林冠生物量和结构，干扰水文和生物地球化学过程，并引发地表能量平衡、碳动态、生态系统生产力、野生动物栖息地和人类活动的连锁影响。因此，研究火灾高风险季节中DFFMC的时间动态变化对于防火和灭火工作具有重要意义。同时，DFFMC作为预测火灾行为的关键参数，其模型的准确性已成为火灾相关研究的重要焦点。

近年来，越来越多的研究关注于使用气象变量预测DFFMC，尤其是在多种森林生态系统中。例如，Saglam等人通过在松树林中建模表面死燃料含水率与天气参数的关系，发现温度、相对湿度、降水、降雨天数和风速是关键预测因子。Slijepcevic等人在湿润桉树林中引入了包括近地表植被、落叶和树皮在内的多种燃料类型，而Tudela等人则在传统气象输入中加入了太阳辐射。Coskuner和Bilgili则专注于地中海松林生态系统，开发了基于回归的模型，以解释DFFMC的大部分变化。尽管这些研究在方法上存在差异，但普遍受到本地化现场数据和传统回归技术的限制，导致空间泛化能力不足，难以在异质的森林景观中广泛应用。

为解决上述问题，本研究提出了一种基于堆叠集成学习模型的实时预测方法，以提高DFFMC预测的准确性和稳健性。堆叠集成学习模型由两层结构组成，第一层是基础学习器，第二层是元学习器。通过将不同模型的预测结果作为输入，元学习器能够更有效地整合这些结果，从而提升最终的预测精度。本研究采用了k折交叉验证的方法对数据集进行划分和训练，并结合Spearman等级相关系数分析基础学习器之间的相关性，以筛选出互补性强的模型。此外，本研究还引入了粒子群优化（PSO）算法来优化基础学习器的超参数，以提高模型的整体性能。

在实验过程中，本研究构建了一个基于物联网的微气象数据采集设备，能够实时监测关键气象变量，如温度、相对湿度、风速和24小时降水量。设备采用STM32F103C8T6微控制器和LoRa无线通信模块，确保数据的高效采集和传输。同时，设备在采集1小时后进入睡眠模式，每4小时重新激活以恢复数据采集，从而在节能和数据可靠性之间取得平衡。通过多次实验验证和数据比较，确定了传感器的最佳安装高度为1.5米，以减少地面温度和湿度的局部干扰，并避免因沉积物和水分积累导致的问题。

为了进一步验证模型的性能，本研究从北京八家庄国家公园收集了现场数据，并将其作为独立验证集。该地区具有丰富的森林资源，代表典型的都市森林环境，地理坐标约为39.95°N和116.30°E，总面积约101.45公顷。该地区地形以低丘陵和缓坡为主，海拔范围在50至150米之间。通过在不同的测量周期内收集落叶样本，并在实验室中使用105°C的烘箱干燥，最终计算出DFFMC的值。实验结果显示，该模型在多地区数据集上的表现优于传统的单一模型，且具有良好的空间泛化能力。

在模型构建过程中，基础学习器的选择基于Spearman等级相关系数分析，以确保模型的互补性。研究初始选择了四种具有不同原理的算法作为候选基础学习器：随机森林（RF）、决策树（DT）、支持向量机（SVM）和k近邻（KNN）。通过比较这些模型在测试集上的表现，SVM被选为参考模型，而RF和DT由于其较低的相关性，被认为在特征提取方面更具多样性，因此被纳入堆叠集成模型。元学习器则根据交叉验证的结果选择，以确保最终模型的最优整合效果。

PSO算法被用于优化基础学习器的超参数，以提高模型的预测能力。PSO是一种基于群体智能的全局优化算法，能够有效指导搜索过程向最优解收敛。通过调整粒子的速度和位置，PSO能够在较少的迭代次数内找到最佳的超参数配置，从而提升基础模型的性能和泛化能力。实验结果表明，PSO优化后的模型在所有评估指标上均优于未优化模型和传统集成方法，显示出更强的预测能力和稳健性。

模型的评估结果显示，DFFMC预测值与实际测量值在大多数样本中高度吻合，特别是在DFFMC波动较小的稳定区间内，模型的输出能够很好地跟随实际趋势，显示出强大的全局拟合能力和稳定性。即使在DFFMC波动较大的情况下，模型也能够捕捉整体趋势，尽管存在一些轻微的偏差。这表明模型不仅在稳定状态下具有较高的准确性，还能有效处理复杂和不确定的环境条件，显示出对非线性关系的适应能力。

进一步的敏感性分析表明，模型在适度的传感器噪声下仍能保持较高的鲁棒性，但在数据缺失较多的情况下，模型性能会逐渐下降。这强调了确保数据完整性和传感器可靠性的必要性，同时也表明该模型在实际应用中具有较高的可行性。此外，通过单变量和双变量部分依赖图的分析，模型揭示了湿度和降水对DFFMC的主导作用，以及温度、风速和降水之间的复杂相互作用。

从应用角度来看，该模型在森林火灾风险评估和预警系统中具有显著的潜力。其能够集成到气象传感器网络中，提供接近实时的燃料含水率估计，从而为森林管理机构提供重要的决策支持。此外，将模型预测值映射到现有的火灾危险分类系统中，可以增强其在实际应用中的相关性，为火灾预警和资源分配提供科学依据。

尽管该研究取得了一定的成果，但仍存在一些局限性。首先，北京的现场验证数据仅限于一天的采样，虽然提供了有价值的现场验证，但未来研究需要扩展采样周期，以更好地捕捉燃料含水率的变化。其次，尽管当前数据集涵盖了四个气候多样的地区（葡萄牙、阿尔及利亚、土耳其和澳大利亚），但尚未覆盖全球所有生态系统，因此未来研究需要包括热带、寒带和干旱地区，以进一步提高模型的空间泛化能力。最后，虽然北京的独立验证显示了模型在都市针叶林中的有效性，但需要在更多类型的森林中进行测试，以验证其迁移能力。

在技术挑战方面，数据采集仍存在一些问题。气象传感节点在极端天气条件下（如强风、大雨或干旱）可能遭遇信号丢失、延迟或供电中断，从而导致数据连续性问题。此外，在密林地区，依赖LoRa等通信协议可能导致实时数据传输受限，影响模型输入的可靠性。为解决这些问题，需要采取多方面的措施，如扩大数据采集网络，增强传感节点的硬件韧性，采用边缘计算等技术，并引入更先进的通信策略，如多跳自组织网络、无人机中继或卫星-地面混合传输，以提高数据可用性和响应速度。

综上所述，本研究提出了一种基于堆叠集成学习模型和多地区数据融合的DFFMC预测框架，展示了其在多种环境条件下的预测能力和实际应用价值。同时，研究也指出了在数据覆盖、验证范围和传感器可靠性方面的不足，为未来的研究提供了改进的方向。通过扩展生态覆盖、加强现场验证和提升数据采集技术，可以进一步增强该模型的稳健性、迁移能力和实际应用价值。