面向森林火灾风险评估的可解释性比较空间决策支持框架

《Fire》：An Explainable Comparative Spatial Decision-Support Framework for Forest Fire Risk Assessment

　　

专业术语翻译（摘要部分） 森林火灾正因气候变化和日益加剧的人为压力而变得愈发复杂，这增加了对可靠、透明且可解释的空间风险评估方法的需求。本研究在土耳其安塔利亚省开发了一个用于森林火灾风险评估和景观规划的比较性空间决策支持框架。研究人员通过德尔菲（Delphi）技术识别森林火灾风险因子，并利用层次分析法（Analytic Hierarchy Process，AHP）和最优最劣法（Best–Worst Method，BWM）确定其相对重要性，准则优先级通过波达（BORDA）聚合方法进行整合。基于专家知识的风险图采用基于地理信息系统（Geographic Information System，GIS）的加权叠加（Weighted Overlay）和地图代数（Map Algebra）方法生成。与此同时，研究人员应用随机森林（Random Forest，RF）和极端梯度提升（Extreme Gradient Boosting，XGBoost）模型进行数据驱动的风险预测，并采用沙普利加法解释（SHapley Additive exPlanations，SHAP）分析来解读模型输出。专家驱动与数据驱动两种方法被分别开发，并在变量重要性和空间风险格局方面进行比较。结果显示，两种方法在识别关键风险因子方面存在部分一致性，同时在变量排序和空间分布上表现出差异。在嵌套空间分块交叉验证下，RF和XGBoost分别取得了0.9066和0.9129的平均ROC-AUC值。所提出的框架支持基于证据的森林火灾风险管理和景观规划。

论文解读文章

一、研究背景与问题

森林火灾被公认为最复杂的环境灾害之一，其发生源于气候条件、地形特征、植被属性和人类活动的相互作用，对生态、经济和社会系统产生深远影响。近年来，全球许多地区森林火灾的频率、规模和严重程度持续上升，这与气候变化导致的气温升高、干旱延长、降水格局改变以及极端天气事件密切相关，同时也与土地利用变化、无规划城市化和人为引火因素有关。地中海盆地因其炎热干燥的夏季和温和湿润的冬季气候、高度易燃的植被以及密集的人类活动，被公认为全球最易发生火灾的区域之一。土耳其安塔利亚省在过去二十年间经历了该国最大的森林过火面积，约91,422公顷，是开展森林火灾风险研究的代表性区域。

在方法层面，传统的专家驱动多准则决策分析（MCDM）方法，如层次分析法（AHP），已被广泛应用于森林火灾风险评估，而最优最劣法（BWM）因其所需的成对比较更少且能产生更一致的准则权重而日益受到关注。与此同时，机器学习方法凭借其识别复杂非线性关系的能力，在森林火灾风险建模中得到了广泛应用，其中随机森林（RF）和极端梯度提升（XGBoost）因其高预测性能和鲁棒性被视为最成功的算法之一。然而，这些模型的可解释性有限，促使可解释人工智能（XAI）技术如沙普利加法解释（SHAP）被引入以增强模型输出的透明度。

尽管已有研究开始探索专家驱动MCDM方法与数据驱动机器学习方法在森林火灾敏感性评估中的互补作用，但如何将不同的专家加权程序与机器学习预测在共同的空间决策支持框架内进行系统比较和解释，仍需进一步研究。此外，可解释人工智能技术与专家驱动评估的并行使用仍存在研究空白。因此，本研究旨在构建一个基于GIS的比较性框架，将专家驱动的MCDM分析与机器学习模型相结合，并利用可解释人工智能从景观规划角度审视其结果模式。

二、研究内容与主要技术方法

研究人员在土耳其安塔利亚省开展了这项研究，构建了一个五阶段比较性空间决策支持框架。首先，采用德尔菲（Delphi）技术确定森林火灾风险准则集，该过程汇集了来自景观建筑、森林工程、测绘工程、GIS与遥感、森林管理、灾害管理、消防服务和环境法等领域12名专家，经过三轮迭代调查达成共识，最终确定13个子准则，归入气候与气象条件、地形、植被与生态、人为因素四个维度。其中12个子准则能够通过可测量的空间变量表达，被保留用于后续分析，唯一例外是输电线路维护状况，因缺乏合适的空间可测指标而未纳入机器学习模型。

在专家驱动MCDM框架中，研究人员采用AHP和BWM两种方法分别计算准则权重。AHP基于成对比较矩阵，通过主特征向量导出权重，一致性比率（CR）为0.036，远低于0.10的可接受阈值。BWM则通过识别最重要和最不重要准则并建立优化模型来确定权重。两种方法产生的排序通过肯德尔Tau-b系数（Kendall's Tau-b）检验相关性，结果显示中等程度正相关（τ-b = 0.5032，p = 0.0171）。随后采用BORDA聚合方法将两种排序整合为统一的准则优先级方案，用于GIS环境中的加权叠加分析。同时，研究人员还实施了等权重的Map Algebra分析作为对照。

在机器学习建模方面，研究人员使用RF和XGBoost算法，基于相同的12个空间预测变量和二元森林火灾清单数据集进行训练。训练区域选取安塔利亚省的Serik、Manavgat、?brad?和Akseki四个区，覆盖2016–2026年间大部分森林火灾事件。初始数据集包含1,038,022个像元，经排除缺失值后最终为1,037,966个观测值，其中火灾类387,463个像元，非火灾类650,503个像元。火灾位置以1000米缓冲区表示，非火灾区域同样以相同半径缓冲区在无火灾记录的森林区域生成。模型开发采用嵌套空间分块交叉验证（5×5 km空间块，164个空间组，5个外部验证折和3个内部超参数优化折）以减少空间信息泄漏，随机欠采样仅应用于训练数据以平衡类别。模型性能通过准确率、精确率、召回率、F1分数和ROC-AUC进行评估。模型解释采用SHAP分析量化各预测变量对模型输出的贡献。

三、研究结果

3.1 森林火灾风险准则选择与基线数据集准备

德尔菲研究确定了13个子准则，其中12个可空间化变量被保留用于MCDM和机器学习分析。所有空间数据层经过投影统一（WGS 84/UTM Zone 36N）、裁剪和分辨率标准化处理，建立了共同的地理空间数据库。

3.2 基于MCDM的森林火灾风险评估结果

AHP分析显示，温度（0.171）为最高优先级准则，其次是风（0.149）、枯死植被（0.105）、输电线路维护状况（0.099）和植被类型与密度（0.096）；降水（0.014）、相对湿度（0.031）、坡向（0.033）和距道路距离（0.040）权重最低。BWM分析中，距居民点距离（0.1541）为最高优先级准则，其次是温度（0.1443）、植被类型与密度（0.1266）、输电线路维护状况（0.0952）和人口密度（0.0952）；降水（0.0134）、距道路距离（0.0167）和相对湿度（0.0419）权重最低。经BORDA聚合后，12个空间准则的权重被归一化用于加权叠加分析。

加权叠加分析显示，研究区57.27%的面积处于中等风险等级，高风险等级占36.09%，低风险仅占6.61%，极高风险占0.03%，无极低风险区域。Map Algebra分析则产生更均衡的分布：中等风险29.32%、高风险27.43%、低风险19.54%、极高风险14.86%、极低风险8.85%。两种方法的空间格局差异主要归因于加权叠加中专家赋予准则的不同重要性。

3.3 基于机器学习的森林火灾风险建模结果

在嵌套空间交叉验证下，RF模型取得平均准确率0.8441、精确率0.7844、召回率0.8057、F1分数0.7876和ROC-AUC 0.9066；XGB模型相应值为0.8389、0.7833、0.7904、0.7794和0.9129。RF在默认决策阈值下的分类指标略优，而XGB在ROC-AUC上略高，两者差异较小，预测性能总体相当。

空间预测方面，RF模型将27.17%的区域划分为中等风险，低风险26.01%，极低风险18.12%，高风险18.06%，极高风险10.64%，分布相对均衡。XGB模型则将43.62%的区域划分为极低风险，极高风险占29.27%，低风险10.25%，中等风险8.51%，高风险8.35%，呈现明显的两极集中特征。

SHAP分析显示，两个模型的变量重要性排序大体一致。RF模型中，距输电线路距离、相对湿度、温度和降水为贡献最高的变量；XGB模型中，距输电线路距离和相对湿度为最具影响力的变量，其次是降水、温度、人口密度和风速。两个模型中，植被覆盖与密度和坡向均属于影响力最低的预测变量。

四、讨论与结论

讨论部分指出，BORDA结果与SHAP分析在变量重要性排序上存在部分一致性和明显差异。温度、风、植被类型与密度、距居民点距离等在专家驱动评估中排名靠前，而距输电线路距离、相对湿度、温度、降水、人口密度和风速在SHAP分析中贡献较高。相对湿度在BORDA中排名较低但在SHAP中贡献突出，风和枯死植被在专家评估中重要性较高但在机器学习模型中贡献有限。这些差异源于两种方法的信息来源不同：BORDA反映专家对火灾发生和行为的理论及经验判断，SHAP则量化训练模型从历史火灾观测中学习到的预测关系。输电线路维护状况在BORDA中排名第三，但因无法空间化而未纳入SHAP分析，距输电线路距离作为替代空间变量在两个模型中均为最具影响力因素，但两者代表不同维度的火灾相关风险，不应互换理解。

空间格局方面，四种方法产生的风险图存在显著差异。专家加权的Weighted Overlay图呈现较为平缓的空间过渡，Map Algebra图显示更强的局部对比，RF产生较均衡的类别分布，XGB则集中于两个极端类别。高风险区域出现在西部沿海地区（Kumluca、Finike、Demre周边）以及部分西北和东部区域，低风险区域在Manavgat周边和部分沿海地区更为突出，但各方法识别的范围与空间连续性存在差异。

对景观规划的意义在于，该框架将森林火灾风险评估从单纯的灭火导向视角扩展至景观规划过程，可支持土地利用策略修订、新居民点和旅游区开发引导、绿色基础设施网络连续性维护、缓冲区规划、野地-城市交界区（WUI）管理以及关键基础设施走廊的风险知情管理。但风险图不应被视为最终规划决策工具，而应结合土地所有权、生态敏感性、社会脆弱性、疏散能力和实施成本等额外规划考量进行综合评估。

研究局限性包括：仅针对安塔利亚省、专家权重可能因专家群体不同而异、部分管理相关变量无法空间化、年均气候变量无法完全捕捉季节性变化和短期气象极端、模型预测依赖火灾清单的质量和代表性、空间分块交叉验证仍可能存在残余空间依赖性以及1000米缓冲区可能跨越空间块边界导致同一火灾事件的观测出现在不同训练和验证子集中。

研究结论为：专家驱动评估中温度、风、植被类型与密度、距居民点距离和输电线路维护状况为最具影响力的准则，SHAP分析则识别出距输电线路距离、相对湿度、温度、降水、人口密度和风速为最具影响力的预测变量。两种方法在关键火灾相关因素上存在部分收敛，但排序差异反映了各自确定变量重要性的信息来源不同。RF和XGB的空间敏感性模式与MCDM方法存在显著差异。该框架的主要贡献在于在共同空间决策支持框架内比较性地应用专家驱动MCDM方法和可解释机器学习方法，展示了两种方法的互补优势，为维护保护-利用平衡、管理野地-城市交界区、优先化高风险区域和规划火灾韧性景观提供了科学依据的空间决策支持。然而，基于四个区训练模型的全省预测应谨慎解读，框架的适用性需在不同火灾制度和景观条件的区域进一步验证。