气候变化情景下基于 GIS 与贝叶斯优化人工神经网络的火灾易发性预测研究

《ISPRS International Journal of Geo-Information》：GIS-Integrated Machine Learning for Wildfire Susceptibility Mapping Under Temperature Increase Scenarios: A Bayesian-Optimized ANN Approach

　　

摘要

火灾越来越受到气候变化的影响，因为温度的升高改变了火灾的发生规律。在气候变暖的情景下，准确预测火灾易发性对于有效的风险管理和土地利用规划至关重要。本研究开发了一个基于地理信息系统（GIS）与人工神经网络（ANN）相结合的框架，并通过贝叶斯超参数调整进行了优化，以预测火灾易发性并评估其对温度升高的空间响应。所提出的方法将多源地理空间数据（Sentinel-2 NDVI、SRTM地形模型、Copernicus ERA5再分析数据和VIIRS主动火灾观测数据）集成到GIS环境中，将基于事件的特征提取与经过贝叶斯优化的ANN相结合。该ANN模型使用了气候、地形、植被和环境等预测变量进行训练。模型评估表明，较小且平衡的训练数据集比大型数据集具有更强的泛化能力。基于情景的分析模拟了温度升高0.5°C、1.0°C、1.5°C和2.0°C的情况，这些变化反映了全球气候模型的预测结果，同时保持其他所有变量不变。研究结果表明，气候变暖加剧了现有火灾易发区域的火灾风险，并导致了新的无历史火灾记录的火灾易发区的出现。与当前条件相比，新预测的火灾易发区域在 respective scenarios 中分别增加了约36%、51%、85%和118%，这表明火灾易发性对气候变暖的反应是非线性的。这些发现强调了将气候情景纳入基于GIS和机器学习的火灾易发性建模中的价值，并为积极的减灾措施和具有气候适应性的土地利用规划提供了空间明确的框架。