基于多源卫星与地理空间数据的印度尼西亚廖内省南部季节性野火易发性机器学习建模

《Fire》：Seasonal Wildfire Susceptibility Modelling Using Machine Learning with Multi-Source Satellite and Geospatial Data in Southern Riau, Indonesia

　　

印度尼西亚廖内省南部的森林与土地火灾具有季节性变化特征，但独立季节性易发性模型及历史环境趋势的效益仍存在不确定性。研究人员利用2010—2024年卫星与地理空间数据，比较了全季节、旱季与雨季模型。在仅条件（condition-only）与条件变化（condition-change）两种配置下评估了逻辑回归（Logistic Regression）、随机森林（Random Forest）、XGBoost与LightGBM，以精确率—召回率曲线下面积（PR-AUC）作为主要选择指标。在原始随机划分下，LightGBM的PR-AUC分别达到0.921、0.905与0.966。五折50 km空间验证将相应合并PR-AUC降至0.761、0.717与0.836，且旱季与雨季比较中领先算法不同。严格嵌套消融表明历史趋势的影响较小（PR-AUC变化分别为+0.0045、+0.0077与?0.0009）。全季节与旱季易发性图的空间相似性高于二者与雨季图的相似性，雨季模型中风速、植被状况与泥炭/低地背景在模型归因中较为突出。独立的POLRI火点记录显示，匹配事件中分别有77.60%、76.79%与78.57%落于高或极高易发性等级内，支持空间对应性但不支持事件级预测精度。因此，季节性建模识别出不同的相对易发性格局；历史趋势提供了适度且依赖于时段的信息，地理分离验证给出了更为保守的判别力估计。

森林与土地火灾是印度尼西亚反复出现的环境挑战，尤其在泥炭地及人类改造景观中更为突出。其发生反映了气候条件、植被与水分状况、土地利用、地形、水文及人类活动之间的交互作用，而非单一环境因素的影响。野火易发性制图提供了识别上述条件组合相对有利于火灾发生位置的空间框架，可支持监测与防控工作的空间优先级排序。印度尼西亚的火活动在年内变化显著，一般集中于较干燥时段，此时降雨减少与水分可用性下降促进植被与可燃物干燥。然而，火灾相关易发性在主要干旱期之外仍可能持续存在，因为局地条件持续反映气象、植被、水分、泥炭地、土地利用与可达性等因素的交互作用。因此，在单一全季节模型中表达对比鲜明的环境时段可能掩盖季节特有的空间格局与预测因子关系。独立季节性建模为评估全季节、旱季与雨季条件下易发性的空间分布及模型所学贡献结构是否存在差异提供了途径。机器学习与地理空间方法已日益应用于印度尼西亚不同尺度的野火易发性建模。以往研究表明，预测性能与重要环境变量可随地理环境、建模时段、预测因子构成及分析设计而变化。然而，廖内省南部全季节、旱季与雨季易发性格局的定量比较仍然有限，尤其在跨季节空间一致性、持续性与季节特有的高易发性区域以及空间显式的模型贡献格局方面。印度尼西亚野火研究亦多强调年尺度、静态或同期环境条件，因此前期环境轨迹的附加预测价值探索较少。状态—趋势（state–trend）方法为整合当前环境条件与前期轨迹提供了框架，但历史信息的预测价值必须通过实证评估，因为其贡献可能随环境与建模情境而变化。模型解释与外部验证在预测性能之外提供了互补信息，可阐明拟合模型如何利用环境预测因子以及制图易发性是否与独立火观测在空间上对应。以往印度尼西亚研究虽使用了预测因子重要性分析、部分依赖分析、SHAP（SHapley Additive exPlanations）解释或独立火观测，但这些组成部分通常被分别考察，而未在单一区域季节性框架内与定量跨季节图比较、空间主导驱动因子分析及年际易发性评估相整合。本研究在以往季节性与状态—趋势建模方法基础上，利用2010—2024年多源卫星与地理空间数据，为廖内省南部构建全季节、旱季与雨季野火易发性模型。研究在仅条件与条件变化两种预测因子配置下比较逻辑回归、随机森林、极端梯度提升（XGBoost）与轻量梯度提升机（LightGBM），随后开展定量跨季节空间比较、基于SHAP的全局解释与独立空间贡献分析、年际易发性评估，以及利用印度尼西亚国家警察（POLRI）2023年11月至2024年10月独立火灾事件记录进行外部空间验证。通过该框架，研究评估前期环境轨迹是否提供季节依赖的预测信息，以及独立季节模型是否揭示可能被全季节表达所掩盖的易发性格局与模型贡献结构。

研究区为印度尼西亚苏门答腊廖内省南部，涵盖Kuantan Singingi、Indragiri Hulu、Indragiri Hilir与Pelalawan四个连片县，行政面积约40,113 km2，作为单一区域建模单元。分析空间单元为EPSG:23833投影下的500 m网格，裁剪后保留159,703个网格单元。方法流程包括研究区准备与多源数据获取、产品质量控制、季节时间过滤、空间协调、缺失值筛查及网格—年—季节数据集组装。季节火烧迹地响应标签由中分辨率成像光谱仪（MODIS）MCD64A1 BurnDate构建，环境与景观预测因子组织为仅条件与条件变化两种配置，后者纳入仅源自目标年份之前年份的历史环境轨迹。预测因子筛查结合概念与冗余评估、地理探测器（GeoDetector）分析及基于随机森林的递归特征消除（RF-RFE），随后进行共同样本构建、1:5火—非火采样及分层70:30训练—测试划分。以留出精确率—召回率曲线下面积（PR-AUC；平均精度）为主要模型选择标准，辅以受试者工作特征曲线下面积（ROC-AUC）、精确率、召回率、F1分数、Brier分数及混淆矩阵分量。选定季节模型用于回溯制图，2024年易发性图用于空间比较；SHAP汇总全局与局部模型贡献；独立POLRI火灾事件记录用于与2024年易发性图的回溯性仅存在（presence-only）空间对应。数据来源整合卫星、气候、地形、水文、土地利用、泥炭地、种植园、可达性及火灾事件数据集，主要经Google Earth Engine（GEE）获取MODIS MCD64A1、CHIRPS降水、TerraClimate气象变量、MODIS植被与地表产品、SRTM地形及HydroSHEDS，行政区划、RBI道路河流居民点图层与BIG泥炭多边形经本地地理空间处理制备，年度油棕土地覆盖栅格取自MapBiomas Indonesia Collection 4.1。所有栅格与矢量数据裁剪至研究区并协调至EPSG:23833下500 m建模网格，空间协调按数据类型特定处理：MODIS NDVI与SRTM连续变量采用均值聚合，分类土地覆盖采用保类最近邻对齐，年度二值油棕分类聚合为比例覆盖；道路、河流与居民点矢量在网格欧氏邻近计算前栅格化，泥炭多边形转换为二值泥炭掩膜。产品质量控制包括MOD13Q1 NDVI保留SummaryQA为0或1的观测并应用0.0001比例因子，MOD09A1地表反射率经State QA层筛查云、云影与气溶胶条件并限制于有效范围后计算归一化差异红外指数（NDII），MOD11A2日间地表温度（LST）保留强制QA位为00且估计误差不超过2 K的观测，MOD15A2H叶面积指数（LAI）经FparLai_QC筛查并转换。TerraClimate变量转换为物理单位后季节聚合，相对湿度由蒸气压与温度导出；各建模窗口内月温度、相对湿度、风速与土壤湿度以算术平均聚合，CHIRPS五日元降水累积为季节总量，QA有效MODIS观测以季节均值汇总。MCD12Q1土地覆盖与MapBiomas油棕比例作为年度预测因子取自目标年t。地形、水文、泥炭掩膜与可达性预测因子作为静态空间背景。温度植被干旱指数（TVDI）由季节NDVI–LST特征空间经湿边与干边估计导出，解释为植被—热干旱指标。风速由TerraClimate vs波段经0.01比例因子转换。协调过程统一了坐标参考系、像元大小、空间范围、网格原点、仿射变换与栅格结构，但未创建真正的500 m环境信息，CHIRPS、TerraClimate与MODIS LST保留接近其原生分辨率的有效信息尺度。源定义的缺失或无效值在网格—年—季节组装时排除，采用完整案例过滤而无统计插补。本地处理、特征筛查、机器学习分析、模型评估与解释在Python 3.11.15中使用scikit-learn 1.8.0、XGBoost 3.1.3、LightGBM 4.6.0与SHAP 0.51.0完成。三个建模时段独立定义与分析：全季节为上年11月至目标年10月，旱季为目标年5—10月，雨季为上年11月至目标年4月；2024年对应全季节2023年11月—2024年10月、旱季2024年5—10月、雨季2023年11月—2024年4月。为表征两个固定六月窗口的水文气候对比，使用CHIRPS降水与MCD64A1火烧迹地进行描述性季节性分析，降水配对差异经10,000次配对自助法重复与百分位95%区间及双侧配对Wilcoxon符号秩检验评估。季节响应标签由MCD64A1 BurnDate构建，网格单元内时间窗口出现至少一个BurnDate大于0即标记为1；无检测BurnDate的单元初始视为潜在非火观测而非确认无火。在最终确定负类前，对检测火烧单元施加1 km排除缓冲以降低混合像元、位置不确定性、火烧边缘效应及邻近环境条件的模糊性。预测因子组织为仅条件与条件变化配置，后者添加各目标年之前十年（至）的Sen斜率指标，不含目标年观测；区间由2015—2024年5、8、10、12与15年备选评估选定。历史变化以Sen斜率汇总，Mann–Kendall统计量保留为趋势方向与单调性支持信息而非模型预测因子。NDVI趋势在三个建模时段均进入活跃筛查池，TVDI趋势进入全季节与旱季池但因历史覆盖不满足数据完整性要求在预测选择前被排除出雨季池。预测因子筛查与选择在模型比较前通过六阶段流程分别应用于每个建模时段与预测因子配置：概念过滤、Spearman相关与方差膨胀因子（VIF）筛查、GeoDetector因子与交互分析、RF-RFE、基于家族的冗余审查及基于稳定性的最终预测因子集构建。概念过滤依据与野火易发性的相关性、时间可用性、空间覆盖、对廖内省南部景观的适用性、可解释性及目标泄漏风险评估候选预测因子，行政标识、空间坐标、目标年、建模时段标签等仅用于数据管理与制图的元数据被排除于模型拟合。Spearman相关标记潜在冗余预测因子供审查，VIF评估多变量共线性。GeoDetector评估空间解释结构，因子探测器以q统计量排序单个预测因子，交互探测器评估预测因子对的联合空间解释力；连续预测因子在分析前离散化，评估多种离散化方法与类别数。RF-RFE作为预测特征选择阶段，以随机森林为基学习器迭代评估缩减的预测因子子集，分类预测因子的虚拟变量重要性在排序前聚合回源变量，PR-AUC作为主要RF-RFE性能指标。最终预测因子集在24个算法比较前冻结，无基于留出评估的回溯特征重选。建模使用各季节时段内匹配共同样本以确保仅条件与条件变化配置的受控比较，条件变化完整性过滤后相应仅条件数据集限制为相同网格单元与目标年记录，两种配置使用相同观测、响应标签、采样记录与训练—测试成员。共同样本数据集保持强不平衡：全季节含6514火与1,999,575合格非火记录，旱季含3428火与1,541,183非火记录，雨季含1665火与1,047,395非火记录；火观测分别占0.3247%、0.2219%与0.1587%，对应火—非火比约1:307、1:450与1:629。保留全部火观测，非火观测按火观测五倍无放回随机采样，采样在季节共同样本数据集内于合并网格—年记录水平进行，无年份特定非火配额，随机种子固定为42。采样数据集含全季节6514火与32,570非火、旱季3428火与17,140非火、雨季1665火与8325非火，各以分层随机划分70%训练与30%留出。评估逻辑回归、随机森林、XGBoost与LightGBM四种算法，完整模型比较含24次运行（三时段×两配置×四算法），各模型以固定算法特定超参数拟合完整70%训练子集，超参数在各建模时段与配置间保持不变。所有24个候选模型运行在相应30%留出子集上以互补的排序、判别、阈值与概率指标评估，PR-AUC作为主要选择指标，ROC-AUC作为补充阈值无关判别度量，阈值依赖指标在固定概率阈值0.5下计算，Brier分数量化预测概率与观测二值标签的均方差异。各建模时段内留出PR-AUC最高的候选配置选为最终模型，选定模型应用于相应2024年预测因子图层进行易发性制图与模型解释。稳健性分析包括30次重复随机采样（种子1001—1030）、1000次配对网格ID聚类自助法重采样评估固定预测不确定性、五折25与50 km空间块交叉验证、严格嵌套趋势消融（将NDII趋势与土壤湿度趋势追加至完整原始仅条件集）、非火训练比例敏感性（1:1、1:3、1:10）及等预算仅训练超参数搜索。选定模型应用于2024年输入获得回溯相对易发性分数，各模型分数独立以30、50、80与95百分位分为极低、低、中、高与极高五类。跨季节比较使用配对有效单元的Spearman秩相关、精确类别一致率及高与极高类合并的Jaccard重叠。SHAP用于解释选定LightGBM模型，全局重要性与蜂群摘要源自保留制图模型及每季最多8000观测的标签分层样本。空间主导驱动因子图将每个单元分配给绝对SHAP贡献最大的预测因子。年际易发性回溯汇总于2010—2024年目标年。独立POLRI fire-incident记录（2023年11月—2024年10月）经事件位置、日期、照片与描述筛查，保留441条火存在记录，未用于模型拟合、选择、SHAP或易发性分类；旱季子集244条（2024年5—10月），雨季子集197条（2023年11月—2024年4月）。

研究结果显示，特征筛查揭示预测因子冗余与相对重要性随建模时段与筛查方法变化。LST与TVDI间相关性最强且最持续，相关配置中Spearman系数为0.939—0.970；气温家族内及全季节与旱季条件变化数据集中NDVI与NDII趋势间亦存在强相关，触发冗余审查而非自动剔除。最高温度保留为气温代表变量，平均与最低温度被移除；LST与TVDI进入后续筛查。GeoDetector揭示边际空间解释结构的季节差异，LST在全季节与旱季数据集产生最高单因子q值，风速在雨季数据集排名第一；交互q值一般高于相应单因子值，雨季仅条件数据集中最强交互为风速—NDII，其次为风速—NDVI与风速—土地覆盖。RF-RFE为全季节、旱季与雨季分别保留16、15与15个仅条件预测因子，条件变化数据驱动筛查结果为17、16与15个；NDVI在全季节与旱季RF-RFE中排名第一，风速在两个雨季配置中均排名第一。最终预测因子集保留由降水、最高温度、相对湿度、风速、土壤湿度、NDVI、NDII、LST、可达性相关变量与海拔构成的共同核心，若干预测因子为季节特有：LAI、TVDI与油棕比例主要保留于全季节与旱季配置，土地覆盖与泥炭掩膜保留于雨季配置。NDVI趋势在各时段均被考虑但未被RF-RFE保留，其与NDII趋势的相关性触发冗余审查，最终排除遵循多变量筛查而非自动相关截断。TVDI趋势在全季节或旱季筛查后未被保留；雨季TVDI趋势因86.87%初始观测不可用（含2442个燃烧候选中的2342个）在候选池前被排除。最终条件变化池保留NDII与土壤湿度趋势，其增量贡献通过将两指标添加至各完整原始仅条件集单独评估。在24个固定参数候选中，树集成一般优于逻辑回归，尤其全季节与旱季；LightGBM在各时段取得最高观测PR-AUC：选定的全季节与旱季条件变化模型为0.921与0.905，雨季仅条件模型为0.966，树集成间差异小于其与逻辑回归的差异。原始条件变化与仅条件LightGBM差异为全季节+0.008、旱季+0.009、雨季?0.001 PR-AUC，因两配置经独立特征筛查，该比较混合了趋势纳入与预测因子构成变化。在30次匹配随机采样/划分实现中，LightGBM在全部90次季节特定比较中排名第一；雨季条件配对自助法比较中，LightGBM与随机森林或XGBoost差异未能清晰区别于零。五折50 km空间块下，原选定LightGBM配置合并折外PR-AUC降至0.761、0.717与0.836，该空间比较下最高PR-AUC算法分别为LightGBM（全季节）、XGBoost（旱季）与随机森林（雨季）。仅将NDII与土壤湿度趋势添加至各原始仅条件预测因子集，使主要留出PR-AUC分别变化+0.0045、+0.0077与?0.0009。十年历史在2015—2024窗口比较实验中获得最高平均季节特定最佳PR-AUC（0.945113），对8年与12年优势较小且合格样本不同，十年选择为条件性性能—覆盖折中。八候选每算法调参仅依三折训练集PR-AUC选择，在全部六个时段—配置比较中保持LightGBM为最高排名算法；原选定工作流固定参数LightGBM PR-AUC 0.920714、0.905364与0.965587在有限调参后升至0.943905、0.925865与0.972358，调参竞争集成中XGBoost在雨季仅条件集最接近（0.970763对0.972358）。30次重复训练比例敏感性使用相同1:5留出测试集，非火训练成员降至1:1使平均PR-AUC降至0.897221、0.874619与0.948993，增至1:10得0.923562、0.913321与0.970132。单实现全算法背景比较中，随机森林在完整合格非火训练背景下成为最高排名候选（全季节条件变化0.951333；旱季条件变化0.942014；雨季仅条件0.978170），XGBoost仅条件在雨季1:10设置略领先（0.970733）。水文气候对比显示，2010—2024年5—10月平均六月CHIRPS降水为1149.50 mm，11—4月为1614.95 mm，5—10月在全部15个配对年均更干（平均差?465.45 mm；配对Wilcoxon检验显著），确立固定建模窗口间清晰水文气候对比。MCD64A1检测到63.38%日历月火烧迹地发生于5—10月，36.62%发生于11—4月，但精确跨年季节比较仅9/15年显示5—10月燃烧更多（配对Wilcoxon检验），2—3月与6—8月贡献可观检测，表明两个操作六月窗口包含显著窗口内变异。2024年易发性图显示廖内省南部季节特定相对易发性，以完整159,703单元分析网格为分母，高与极高类分别覆盖全季节、旱季与雨季研究区的19.94%、21.49%与19.31%。全季节与旱季图对应性高于二者与雨季图的对应性，2024年图跨季节比较得Spearman相关0.600、0.264与0.289，精确类别一致率42.56%、30.60%与31.43%，高+极高Jaccard指数全—旱43.10%、全—雨19.97%、旱—雨18.46%；三向上类交集含5428单元（1357 km2），而14155单元（3538.75 km2）仅在雨季图为上类。Pelalawan在2024年图中具最大县級高+极高比例：全季节26.84%、旱季29.86%、雨季40.30%；Indragiri Hilir为17.92%、20.68%与15.87%，Kuantan Singingi与Indragiri Hulu雨季上类比例较小（3.86%与3.94%）。三幅2024年图识别出持续性与季节特有上易发性位置，预测因子完整敏感性在其较小制图足迹上产生类别比例与重叠的一些差异。最终LightGBM模型基于共同样本观测的SHAP分析揭示 distinct 季节贡献格局：全季节模型前三位预测因子为NDVI、土壤湿度趋势与降水；旱季为降水、NDVI与油棕比例；雨季为风速、NDVI与泥炭掩膜。最高排名预测因子分别占全季节总平均绝对SHAP贡献的12.76%、旱季12.61%、雨季22.66%，前三位预测因子累积贡献分别为33.25%、35.85%与45.20%。依赖分析进一步阐明选定预测因子值与拟合LightGBM模型符号贡献的关联：全季节模型中较低NDVI值一般对原始模型输出正贡献，自助法支持的SHAP符号转变约在0.803，LST呈相反方向格局，贡献在约30.95 °C转为 predominantly 正，两个显示转变在全部200次网格ID聚类自助重采样中恢复；旱季依赖结构显示相似植被—热对比，较低NDVI一般与正模型贡献相关，符号转变约0.810，LST贡献约30.83—30.84 °C转为 predominantly 正，两个转变在全部200次重采样中恢复；雨季模型贡献结构最集中，风速占总平均绝对SHAP贡献22.66%，约为第二位NDVI的1.70倍，风速与其SHAP贡献呈强正关联，留出火观测中位风速1.907 m s?1，操作非火观测为1.250 m s?1，依赖关系显示约1.50—1.51 m s?1的自助法支持符号转变，高于此一般正贡献，雨季NDVI相应转变约0.802，较低值一般正贡献，两个雨季转变在全部200次重采样中恢复。风速在全部15个雨季目标年中年均绝对SHAP贡献超过NDVI（比率1.12—2.40），2023年相对优势最小。2024年图高与极高类内，NDVI为全季节最频繁绝对TreeSHAP贡献者（42.3%与74.2%），旱季亦突出（30.1%与65.5%）；旱季LST占25.8%与19.5%，雨季风速占54.5%与63.3%。回溯年际评估显示2010—2024年高与极高易发性类占有效制图面积比例显著变化，全季节与旱季序列呈现若干大致对应的上易发性扩张时段，雨季序列遵循不同时间格局。2013年高与极高易发性覆盖全季节模型有效制图面积的44.38%、旱季46.93%，相应MCD64A1火烧迹地参考值为476.50与442.00 km2；2015年上易发性范围亦升高，全季节达45.64%、旱季49.43%，相应火烧迹地值214.75与173.25 km2；选定年份中最大上易发性范围出现于2019年，全季节高与极高易发性达有效制图面积54.96%、旱季62.91%，相应火烧迹地参考值490.25与410.50 km2，表明该年广泛上易发性与可观检测燃烧并存。雨季序列呈不同时间格局，2014目标年窗口（2013年11月—2014年4月）记录高+极高易发性34.05%及最大雨季火烧迹地参考值292.75 km2。若干年份显示上易发性范围与检测火烧迹地背离：旱季2023年高+极高易发性覆盖有效制图面积40.28%而火烧迹地参考为68.00 km2；雨季2024年类似记录高+极高易发性21.32%而检测火烧迹地仅12.25 km2。总体而言，全季节与旱季上易发性在若干显著年份尤其2013、2015与2019年扩张，雨季序列在2014跨年窗口记录其最大火烧迹地值。与2024年易发性图的空间叠加中，441条POLRI火灾事件记录（2023年11月—2024年10月）主要位于相应易发性图的上易发性类；全季节图441条中433条与有效易发性类单元相交，其中336条位于高或极高类，对应77.60%；2024年5—10月旱季子集244条中237条匹配，其中182条位于高或极高类，对应76.79%；2023年11月—2024年4月雨季子集197条中196条匹配，其中154条位于高或极高类，对应78.57%。类别分布集中于两个上易发性类：全季节评估含194条高与142条极高匹配事件，旱季子集含98条高与84条极高，雨季子集含96条高与58条极高；高与极高类之外记录分别占全季节97条、旱季55条与雨季42条匹配事件。全季节、旱季与雨季图分别有8、7与1条事件无法分配有效易发性类，计入事件总数但排除于类别百分比。匹配事件中高与极高类比例在三项评估中窄幅变动于76.79%—78.57%，尽管雨季比例数值最高，该差异不能确立雨季易发性一般更高或雨季图具更高独立分类精度，因季节验证子集在事件数与有效制图覆盖上不同且易发性类由各季节模型独立定义；结果反而表明每项评估中超过四分之三的匹配独立火事件发生于相应易发性图相对高排名区域内。由于POLRI记录观测火事件位置，其与高与极高制图类的重叠提供仅存在证据，表明记录火灾发生于相对高排名区域而非完整外部分类精度评估，故POLRI评估不提供特异性、ROC-AUC、PR-AUC或完整混淆矩阵性能的独立估计。

讨论部分指出，廖内省南部野火易发性的解释取决于建模时段、预测因子配置与评估设计。在原随机划分下，树集成比加性逻辑回归基线更有效判别火烧迹地观测，其表达植被、水分、天气与景观变量间非线性响应与条件交互的能力是合理解释，尽管该机制未经实验隔离。LightGBM在主要比较中取得最强性能，但该结果应在测试设置内理解；算法在树结构与正则化上存在差异，即使名义学习率或树数相似。有限等预算仅训练调参实验与重复随机实现广泛支持LightGBM在随机评估下表现，而空间块比较与单独单实现全算法训练背景实验显示排名取决于评估与采样设计。因此，最终LightGBM模型适于解释2024年回溯易发性图，但未确立对其他算法的普遍优越性。全季节与旱季易发性格局更接近对应，表明5—10月所代表条件对全年模型获得的空间排序贡献显著，但格局并非可互换；全季节配置亦纳入5—10月之外条件，雨季配置使用不同11—4月窗口、响应标签与拟合预测因子关系，空间比较支持独立季节评估而非假设单一年度表面可充分描述每一时段。月度分析有助于解释该分离的效用与局限：5—10月在全部15个目标年比较中一致较跨年11—4月窗口更干，但MCD64A1检测燃烧未遵循同等均匀季节划分，5—10月占较大汇总火烧迹地份额但仅在9/15目标年超过11—4月总量，月度分布亦表明2—3月与6—8月火活动，故两个六月时段捕获清晰降雨对比同时混合更细年内变异，不应呈现为气候均质或互斥火季。雨季图通过识别在较湿大尺度窗口下被赋予高相对易发性的位置而增加信息，并非暗示整个区域在该时段变得更易燃；仅在雨季评估中排名高的位置可能反映与全季节和旱季模型所强调不同的植被状况、大气因子与景观背景组合。季节降水总量掩盖潜在重要的窗口内变异，相似六月累积可源于不同降雨与无雨日序列，短干期即使在较湿11—4月窗口内亦可能影响植被或暴露地表可燃物；因前期无雨持续时间与事件时燃料湿度未联合建模，这提供待研究的物理解释而非单个燃烧的实测解释。仅条件与条件变化配置比较表明历史环境轨迹至多提供适度且季节依赖的预测信息增量。原独立筛查LightGBM配置中PR-AUC差异为全季节+0.008、旱季+0.009、雨季?0.001，因独立筛查预测因子集非严格嵌套，这些差异反映历史趋势纳入与其他保留预测因子构成变化，本身不能解释为历史信息的孤立效应。严格嵌套消融通过将NDII趋势与土壤湿度趋势追加至各完整原始仅条件预测因子集而不移除现有变量，解决该模糊性，所得PR-AUC变化分别为+0.004532、+0.007659与?0.000853；前两时段正增量表明目标时段条件之外的一些互补价值，雨季可忽略负增量不支持相应效益。这些发现表明前期轨迹与同期环境状态代表相关但非相同信息，多年水分下降可描述未被单季平均充分表达的渐变，而当前条件已可编码多数对判别有用的变异；雨季弱或无增量价值与历史指标和同期预测因子间大量重叠相容，但拟合模型未确立何种物理机制解释该差异，故历史趋势应视为潜在有用的支持性预测因子而非各季节模型假定改进。所选十年趋势窗口同样代表经验折中而非固定生态时间尺度，测试的5、8、10、12与15年备选在中心窗口长度间差异有限且随历史区间增加出现不同完整性损失，共同十年窗口支持一致比较而优选长度可随季节不同；Sen斜率强调持续方向变化并可能平滑较短干燥或土地覆盖扰动事件，未来工作可测试较短滞后摘要、前一季节条件或显式观测景观转变。雨季小增量不确立较短前期降雨或水分滞后无信息，测试这些滞后需单独时间一致实验。SHAP分析揭示拟合季节模型分配预测贡献方式的改变，而非点火物理控制以相同比例变化的直接证据。NDVI各季保持突出，但领先全季节贡献结构结合植被状况、土壤湿度趋势与降水；5—10月期间降水与NDVI尤其重要，油棕比例作为年度土地利用背景变量一并重要；这些格局与植被状态、水分可用性及管理景观特征联合相关的易发性信号一致，但未确立任何单个预测因子的因果效应。旱季模型中累积降水的突出表明广域水分可用性有助于在选定样本中区分燃烧与操作非火观测；NDVI与热指标可添加植被与地表条件信息，但其意义非单向，植被绿度可反映潜在生物量与水分状态；油棕比例类似描述种植园相关景观的空间背景，不应解释为油棕种植导致特定火灾事件的证据；年度土地覆盖状态与油棕比例可随目标年变化，但两输入均不直接编码近期土地转换的时间或方向。这些环境关联可能与人类改造土地利用环境重合，道路、居民点与种植园镶嵌提供可达性与扰动背景指标，而点火源本身未在模型中观测，故油棕比例重要性应读作景观关联而非特定土地利用活动导致火灾的证据。雨季模型显示更集中归因格局，风速占总平均绝对SHAP贡献22.66%，领先NDVI，泥炭存在贡献于选定模型空间背景；风速输入为11月至次年4月可用TerraClimate月值的等权算术平均，描述广域同期季节条件而非事件时阵风、风向或单个点火位置天气，其大贡献可反映与水分、植被及景观条件的交互，但未因果检验此类机制；SHAP依赖符号变化是拟合模型及其选定输入聚合的属性，而非火发生的操作风速阈值。在较湿建模时段，风速可在湿度与前期水分允许时促进暴露细燃料大气干燥，或影响点火后火发展，这些是不同过程：季节平均风速与泥炭存在指标均不确立点火时间或局地地下水位是否下降；季节风速指标为聚合量，不能识别事件尺度干燥、蔓延、泥炭水位变化或人类点火；泥炭掩膜识别景观背景而非排水或地下水条件，故风速、植被、泥炭范围与人类可达性应解释为不同潜在组分而非已证明因果链。保留特征差异对该解释至关重要：LAI、TVDI与油棕比例在选定全季节与旱季配置中可用，而土地覆盖与泥炭掩膜保留于雨季配置；因模型结构、选定预测因子与解释样本不同，归一化SHAP百分比不能将环境季节性从特征选择效应中隔离；泥炭掩膜在另一季节模型中未保留不意味着泥炭地在那一时段不重要；GeoDetector与RF-RFE提供不同形式的关联与预测筛查，无需将每个变量置于相同顺序。空间主导驱动因子摘要需与全局重要性额外区分：局地空间归因分配绝对TreeSHAP贡献最大的预测因子，故局地主导贡献可正可负，其跨图类频率不得解释为因果火驱动因子计数或独家增易发性效应。季节图的主要实践贡献为其互补空间排序：跨多时段被赋予高易发性的位置是经常性监测关注的合理候选，而主要在11—4月图中排名高的位置可能需在主要5—10月操作窗口之外额外检查；此类使用不假设类别代表观测火灾、跨季节相同概率或确定性预报，空间比较应保留各图相关有效面积分母。稳健性实验对图解释施以重要限定：原随机划分LightGBM PR-AUC为全季节0.921、旱季0.905、雨季0.966，50 km空间块验证下相应合并折外值较低，约0.761、0.717与0.836；这些降低表明随机混合网格—年观测内判别不等同于分离空间组间地理迁移，雨季随机划分特别高分不应视为雨季燃烧本身更易建模，相对少正观测、重复网格单元与空间聚类可使随机任务较不困难；空间块验证提供更谨慎评估，但预测因子集在空间分块前选择而非各训练折内重选，允许后来被空间折留出的观测影响特征选择并可能在报告空间PR-AUC中留下乐观偏差，无块间缓冲施加进一步限制。训练背景敏感性进一步限制算法单一性能排名：操作1:5火—非火采样比促进一致主要比较但未重现全网格—年总体中燃烧观测自然流行率，相同留出子集上30次重复重采样选定LightGBM模型显示PR-AUC随非火训练比例变化，单独单实现四算法两配置比较亦显示排名条件变化；较大非火训练池有时增加PR-AUC但未一致改善Brier分数，后者取决于概率校准与选定评估流行率；因此原模型输出最好解释为特定采样与训练设计下的相对易发性分数而非校准全景观火概率。年际分析亦为描述性而非独立时间验证，MCD64A1提供用于开发模型的火烧迹地响应标签，故将其历史火烧迹地序列与重建易发性并置不能作为单独地面真值检验；选定高活动年一致性可用于解释广泛回溯格局，但年度分数变化受有效空间覆盖、建模窗口与相对类别截断影响；未开展2024年后冻结模型前瞻评估，任何后续年分析需区分使用观测目标期输入的时间迁移与真正季前预报。独立POLRI事件记录提供额外较窄证据形式：与2024年易发性图空间叠加中，441条全季节记录中433条、244条旱季记录中237条、197条2023年11月—2024年4月雨季记录中196条有匹配制图类，匹配记录中分别77.60%、76.79%与78.57%落于高或极高类；这些事件位置提供独立检查记录火灾是否发生于被赋予较高相对易发性的网格单元，其在上类集中支持空间对应但不确立精确事件预测、外部特异性、PR-AUC、ROC-AUC或概率校准，因无独立观测非火参考可用；POLRI事件日期范围与全部三个2024建模窗口一致。对本地实施，跨时段反复被赋予上易发性类的位置可优先验证与预防监测，结果中县級对比可指导此类基于图的检查从何处开始，但优先级应在制图单元水平解决而非分配给整个县；空间产品可通过指示不同操作窗口田间检查可能集中何处来补充现有火监测，但其使用应考虑未制图单元与基础区域数据可靠性；将当前工作流转为季前预警系统需发布时已知预测因子、当前质控景观数据及真正独立未来期评估。局限性包括：主要随机训练—测试划分可将邻近位置与重复网格单元记录置于划分两侧；空间块结果提供更谨慎地理判别评估但非完全嵌套空间验证流程估计，预测因子筛查在空间折定义前完成且仅拟合模型与预处理在各训练折内重估，故固定预测因子集可含随后留出位置信息，可能向上偏倚空间块性能；块间排除缓冲亦未施加；独立地理迁移评估需仅用各空间训练折重复完整特征选择流程并在其留出块上评估所得流程。主要1:5火—非火采样与1 km负标签排除缓冲亦定义相对于全景观更易、选择的分类群体，故报告分数应在该采样设计内解释而非校准点火概率。500 m建模网格标准化对齐但较粗降水与气候输入保留原生信息尺度；空间覆盖与预测因子完整性随时段变化，固定六月窗口不能代表所有短干期或局地季节转换；MCD64A1火烧迹地响应可遗漏小或遮蔽燃烧且季节边界附近有燃烧日期不确定性；POLRI记录含火存在位置而无代表性非火参考集，虽日期覆盖全部三个定义2024窗口，仅存在空间对应不评估前瞻时间迁移。所提水分、风速与土地利用路径为解释性假设，SHAP可在相关预测因子间重新分配贡献且不识别点火原因；年度土地覆盖与油棕比例不注明土地转换日期；泥炭掩膜不含地下水位、泥炭深度或排水信息。未来研究应结合注明日期的景观变化、前期无雨间隔、局地水分与风速测量及独立调查事件，并应在考虑操作预报前在空间与时间独立数据上评估冻结模型。结论部分指出，本研究表明独立拟合季节模型提供单一全季节图未捕获的廖内省南部野火易发性信息。LightGBM被选为主要回溯全季节、旱季与雨季工作流，在原分层随机设计下取得留出PR-AUC 0.921、0.905与0.966；全季节与旱季格局更接近对齐，而雨季模型识别相对 distinct 空间排序；然而空间块评估下较低结果表明原性能数字不应读作地理分离位置迁移性估计。选定模型提供有用条件比较但不提供普遍算法优越性或前瞻预报技能证明。历史环境变化信息跨时段适度且不均贡献：虽原独立筛查配置显示全季节与旱季系列条件变化模型小幅PR-AUC优势，严格嵌套添加NDII与土壤湿度趋势仅产生+0.004532与+0.007659增益及雨季?0.000853变化；故前期环境轨迹贡献为附加而非根本，其价值应按季节并对照历史数据制备成本评估。SHAP分析进一步显示不同拟合模型贡献格局：全季节期间植被、土壤湿度历史与降水突出；5—10月期间降水、植被与油棕土地利用背景突出；11—4月期间风速、植被状况与泥炭地背景特征强烈；这些关联不证明因果点火机制或普遍环境阈值。图的最直接实践用途是通过区分跨时段保持高排名区域与特定季节窗口出现区域来补充区域监测与预防规划；田间验证可聚焦反复高排名制图单元并关注县间空间差异与缺乏有效预测区域。独立POLRI事件（2023年11月—2024年10月）提供仅存在空间支持：匹配全季节、旱季与雨季事件子集分别77.60%、76.79%与78.57%与2024年易发性图高或极高类相交；事件清单与2023年11月—2024年10月全季节窗口对齐，两个季节事件子集与相应六月窗口对齐，独立非火位置不可用。对比季节归因格局表明植被与水分条件应与土地利用及可达性背景一并解释；风速、泥炭范围与可达性与雨季拟合模型相关，但其贡献不能识别单个点火源或证明因果风—泥炭—人类机制。总体而言，发现支持互补回溯季节易发性图用于空间筛查与监测优先级排序；其操作扩展应强调空间与时间独立验证、更清晰说明源数据分辨率与缺失覆盖，以及可在预期预警发布前观测或预报的预测因子定义；在这些步骤完成前，输出应区别于校准火概率、确定性点火预测与实时预警预报。