《Fire》：Deep Learning for Wildfire Susceptibility Mapping in a Mediterranean Region: Towards an Operational Comparison with the Fire Weather Index
编辑推荐：
在气候变化与干旱加剧的背景下，地中海地区野火预计将愈发频繁和强烈。得益于现代GPU计算能力的提升，深度学习方法日益被应用于野火建模且常优于传统方法。本研究提出一种名为野火神经网络（Wildfire Neural Network，WNN）的深度前馈神经网络，用于
在气候变化与干旱加剧的背景下，地中海地区野火预计将愈发频繁和强烈。得益于现代GPU计算能力的提升，深度学习方法日益被应用于野火建模且常优于传统方法。本研究提出一种名为野火神经网络（Wildfire Neural Network，WNN）的深度前馈神经网络，用于生成每日野火易发性地图。该模型整合了气象变量、火险天气指数（Fire Weather Index，FWI）衍生指标、地貌属性、土地利用信息及人为因素代理变量。WNN以意大利南部卡拉布里亚（Calabria）这一地中海野火热点区域的多年度数据进行训练与验证。与业务化运行的FWI基线相比，WNN取得了更高的AUROC值和更大的空间信息量，在历史配置条件下AUROC提升约7%至21%。
研究背景方面，野火对生态、水文地质和公共卫生领域均有影响，不仅造成植被与野生动物损失，还导致土壤退化和生物多样性下降，燃烧释放的有毒物质直接威胁人类健康。气候变化使高温与 prolonged 干旱期叠加，增加了野火发生概率，地中海地区尤为突出。2017、2022和2023年均属有记录以来极端火灾季节，火灾季正在延长。卡拉布里亚地区尤其易受干旱和气候变化影响，野火活动持续高发。改进野火风险管理依赖于对野火发生与蔓延可能性增加的准确预报。由于天气条件作用显著，仅依赖气象输入的火险天气指数被广泛使用，其中加拿大FWI最为著名并于2007年被纳入欧洲森林火灾信息系统（EFFIS）用于火险评估。然而，火险天气指数虽能有效识别潜在危险的气象条件，却存在固有局限：仅部分考虑致灾因子，且未显式表征点火触发因素，尤其是与人类活动相关的因素。此外，土地利用和地貌特征也可作为增强火易发性的因素，例如2008至2019年间卡拉布里亚54%的野火发生在坡度大于35°的坡面，31%发生在南向坡面；同期55%的点火点位于道路100米范围内。这些习惯性行为可通过机器学习/深度学习方法加以利用。深度学习应用在过去十年因多领域成功、计算能力提升和大数据集可获得性而大幅扩展，并延伸至自然灾害应用包括野火管理。已有研究从三个方向探索FWI与数据驱动模型的关系：将FWI或其子组分作为机器学习/深度学习模型的输入特征；将FWI作为待超越的基准；以及应用机器学习/深度学习预测或改进FWI本身。本研究将FWI及其子组分同时作为模型的气象预测因子和评估基线，结合了前两种方法。与采用再分析、全球网格或低分辨率数据集的研究不同，本模型使用经专门评估的高分辨率数据进行训练与验证。本研究旨在评估基于深度学习的方法相对于卡拉布里亚地区业务化使用的经典物理基础FWI方法在预报野火易发区域方面的有效性，具体目标为：描述WNN架构并提供训练细节；比较WNN与FWI在准确性和信息量方面的性能；评估深度学习方法在业务化使用情境中的潜在优势。研究得出，结合全部18个特征（含人为因素、气候基和FWI衍生特征）与历史采样策略的WNN配置因AUROC和PR-AUC表现强劲且能利用额外训练年份预测2018年火行为而被选为最佳方案。与FWI方法相比，WNN产生更高的AUROC值、更大的空间信息量和更具空间选择性的易发性地图，表明深度学习方法能够超越全球广泛采用的标准模型。尤为重要的是，WNN模型已超越概念验证阶段并投入业务化运行，作为P-FireCast集成于PANORAMA网络平台，每日摄取研究区天气预报并生成高分辨率、4天预见期的野火易发性地图，每日更新。该天气预报系统由研究团队开发，自2020年1月起业务化运行，免费提供每日更新预报。研究的意义在于能够支持灭火资源的部署和预置，鉴于已证明的对高易发区域更锐利的空间判别能力。研究局限性包括：验证仅限于卡拉布里亚且独立测试期较短；植被状态被视为静态；人为因素通过简单空间代理表征；当前前馈架构未显式建模时间依赖性；模型可解释性仍有限。未来工作可开展留一组消融研究、应用LSTM等循环神经网络、探索基于深度学习的火险天气指数仿真，并考虑更多研究时段和区域以进一步评估该方法在业务化风险管理框架中的可靠性。
研究人员开展的研究为：提出并训练了一种深度前馈神经网络WNN，用于生成每日野火易发性地图，将野火易发性定义为在给定气象、地貌、土地利用和人为条件下100 m × 100 m网格单元受野火事件影响的概率，并明确其不应被解释为严格意义上的野火风险，因为暴露度和脆弱性未被显式建模。研究以卡拉布里亚地区为研究区，该半岛面积约15,000 km2，地形复杂陡峭，仅9%为平地，森林覆盖率约40.6%。研究将研究区离散为100 m × 100 m网格单元，共1,403,027个潜在受火影响陆面单元。气象变量通过区域监测网络（159个雨量计、104个温度站、30个湿度站、29个风速站）的站点测量空间插值获得，所有气象输入、中间FWI组分和最终FWI均在统一的100 m网格上计算。研究时段为2008至2018年共11个火灾季（每年4月1日至10月31日）。模型输入为最多18个站点状态变量的元组，分为每日输入和时间不变输入。每日输入包括气候观测数据（风速、温度、相对湿度、降雨）和FWI组分（DC、DMC、FFMC、ISI、BUI、FWI），以及两个衍生每日变量：tdry（无雨天数）和tlf（距上次火灾的时间，定义为自该单元最近一次火灾以来经过的天数，上限约两年即731天）。时间不变输入包括CUT（土地利用图）、DTM（数字地形模型）、坡向、坡度，以及两个额外变量：dr（到最近道路的欧几里得距离）和du（到最近城市中心的欧几里得距离）。基于上述输入变量，研究考虑了三种训练集类型：ALL集包含全部18个变量；FWI-based集包含8个变量（七个共享预测因子加FWI）；CLIMATIC-based集使用相同七个共享预测因子但以基本气候变量替代FWI，共12个变量。所有训练集类型均考虑人为因素。研究测试了两种采样策略（随机采样和历史采样）以平衡火与无火样本集，并采用权重平衡策略。研究设置两个训练期：TP1覆盖七个火灾季（2010–2016），在2017和2018年测试；TP2在训练数据中加入2017年季（2010–2017），仅在2018年测试。两个配置中均未使用测试年份的任何一天进行训练。2008和2009年被排除在训练之外，因为无法计算最后火灾指数。每个训练期内，采样的单元-日被随机分为训练集（80%）和验证集（20%），采用类别分层划分。系统架构包括数据准备、预处理数据、训练和生成易发性地图等阶段，采用基于阈值的分类诊断和ROC分析（包括AUROC），辅以精确率-召回率（PR）分析和PR-AUC，PR-AUC使用10次重采样的自助法估计不确定性，并评估Shannon熵。研究共进行12次WNN学习实验以定义12个基于深度学习的替代训练网络，网络在Keras中开发，通过TensorFlow引擎v1.13.1利用CUDA 11.8加速，在配备两块Nvidia Titan Xp GPU（各12 GB专用内存）的科学工作站上执行，卡拉布里亚研究区约需一周计算时间。训练阶段输入以512个单元的批次馈入，最大训练300个epoch，采用基于验证损失的早停准则。12个训练网络被应用于为测试期每天编制野火易发性地图，每天另用FWI方法编制一张易发性地图用于比较，每天共产生13张替代易发性地图。所有地图具有相同空间分辨率，与研究区离散网格一致。研究得出以下结论：在AUROC和PR-AUC评估中，将FWI相关气象信息与地貌、土地利用、人为和历史火灾信息相结合的WNN配置优于仅FWI的业务化基线；历史CLIMATIC-based实验（不使用FWI系统或其子组分的任何信息，因而独立于FWI）优于FWI，但此改进应解释为额外预测因子和WNN模型的联合效应，因为网络架构单独的贡献未被分离；优势取决于采样策略，所有采用随机采样的模型在两个测试期均低于FWI。历史-ALL WNN取得最佳结果，TP1平均AUROC为0.884，相比FWI的0.824提升7.3%；历史CLIMATIC-based WNN优于FWI 3.5%。TP2中最佳结果仍为历史-ALL WNN，AUROC为0.796，相比FWI的0.661提升21%；历史CLIMATIC-based WNN优于FWI基线14.4%。在分析的案例中，纳入时间信息、人为相关数据和其他因素改善了WNN对野火发生易发性的预报。历史ALL WNN取得最高AUROC，因而被假定为后续地图视觉评估、Shannon熵和定量评估的参考WNN模型。PR曲线分析中，WNN优于FWI（PR-AUC分别为4.81和0.99 × 10??），历史配置中ALL配置在两个时期均取得最佳性能（PR-AUC分别为9.27和1.22 × 10??），进一步证实了先前分析结果。
在关键技术方法方面，研究主要采用以下方法：深度前馈神经网络（DFFNN）建模，以二元交叉熵为损失函数，采用自适应矩估计（Adam）梯度下降算法优化，隐藏层使用修正线性单元（ReLU）激活函数，输出层使用sigmoid函数，并采用L2正则化和dropout技术防止过拟合；两种数据采样策略（随机采样和历史采样）及权重平衡策略以应对强烈的类别不平衡；ROC/AUROC和PR/PR-AUC分析评估预测性能；SHAP分析量化各预测因子的贡献；Shannon熵评估地图信息量；以及基于阈值的地图视觉和定量评估。样本队列来源为卡拉布里亚地区2008至2018年由林业、环境和农业食品单位宪兵司令部通过实地调查探测的9076起火灾（对应120,431公顷），分析限制在4月至10月火灾季期间的8609起火灾（占总数的95%）和116,880公顷过火面积（占总面积的97.1%），数据精度经文献[11]专门评估。
研究结果方面，AUROC与PR-AUC评估通过ROC曲线和曲线下面积比较WNN与FWI的预测效能，得出历史-ALL WNN在两个测试期均取得最高AUROC并优于FWI，而随机采样模型表现不佳。SHAP分析与可解释性通过量化各预测因子贡献，得出FWI及其子组分DC为最具影响力的变量，静态变量中土地利用和DTM作用显著，其次是坡向和坡度，较短的道路和城市中心距离增加预测易发性，证实模型将野火发生与人为活动邻近性相关联。地图视觉评估通过对2017年7月30日FWI和WNN易发性地图的视觉比较，得出WNN更好地匹配实际火灾事件，实际案例在FWI中落入低类别而在WNN中落入高类别，WNN地图对观测到火灾的区域赋予更高易发性值，而FWI地图倾向于在更广区域平滑分布高值，表明WNN提供了更具空间选择性的火易发条件表征。Shannon熵评估通过计算每日Shannon熵量化地图信息含量，得出WNN始终提供比FWI更高的信息和空间分布内容，平均Shannon熵FWI为8.23、WNN为13.2。定量评估通过统计测试期内各易发性类别截获的真实火灾事件频率，得出4月和5月两种方法预测性能均较差，6月、7月和8月两模型行为差异明显，多数真实事件在FWI中落入中间易发性类别而WNN中多数真实火灾落入较高易发性类别，WNN趋势更有利呈指数样单调增加至类别[0.8,0.9)后在类别[0.9,1.0]下降，而FWI在中间类别达到峰值，9月无明显趋势但WNN在利用高值易发性类别预测真实事件方面保持优势。
讨论与结论部分总结如下：本研究引入WNN深度神经网络模型用于野火易发性预报，并通过应用于卡拉布里亚这一地中海野火热点区域使用2010至2018年数据证明了其业务化就绪性。模型使用文献[11]数据集的子集：原始21个输入变量中的17个以及过火区域。研究考虑了两个学习期（2010–2016和2010–2017），测试期分别为2017–2018和仅2018。考虑两种采样策略（其中"历史"策略考虑了研究区既往火灾事件）和从18个变量组中提取的三组输入特征，共产生12次训练/测试实验。气象数据以原始形式、作为FWI构建块和通过FWI指数三种替代方式纳入每组输入特征，每个测试输入特征集还包含地貌和土地利用/土地覆盖变量以及人为触发因素。12次WNN实验与FWI模型通过多种方法比较，包括混淆ROC和精确率-召回率分析、SHAP分析和特征重要性、易发性地图定性视觉检查、Shannon熵分析以及定量评估。总体而言，结合全部18个特征与历史采样策略的特定WNN配置因AUROC和PR-AUC表现强劲且能利用额外训练年份预测2018年火行为而被选为最佳方案。历史采样策略的改进性能可能部分反映学习空间火灾重现性，即火灾倾向于在先前燃烧过的单元重复发生，随机采样无法利用这一点；此效应不应被视为完全独立于易发性，因为重现性很大程度上源于持续的致灾因素如植被类型、地形和人为活动邻近性，这些本身构成易发性基础；但部分优势也可能源于模型从既往火灾发生而非预测因子学到的位置特定模式，这些模式可能无法迁移至无火灾历史的区域；因此历史配置的技能应解释为易发性和空间持续性的联合效应。与FWI方法相比，WNN产生更高的AUROC值、更大的空间信息量和更具空间选择性的易发性地图，表明深度学习方法能够超越全球广泛采用的标准模型；此处易发性被理解为区分最易发火区域的相对度量，从而支持优先级排序并为野火管理各阶段提供信息。尤为重要的是，这些收益不限于研究环境：WNN模型已超越概念验证并投入业务化运行，作为P-FireCast集成于PANORAMA网络平台，每日摄取研究区天气预报并生成高分辨率、4天预见期的野火易发性地图，每日更新；该天气预报系统由研究团队开发，自2020年1月起业务化运行，免费提供每日更新预报；尽管预报系统性能的定量评估将在未来工作中准确评估且超出本文范围，研究人员强调其支持灭火资源部署和预置的潜力，鉴于已证明的对高易发区域更锐利的空间判别能力。本研究存在若干局限性：验证仅限于卡拉布里亚且独立测试期相对较短，尤其对TP2配置；方法的可迁移性取决于观测数据的可获得性，本工作使用了野火实地发生和气象变量的高质量观测，后者来自密集监测网络并遵循文献[11]插值，同一协议需扩展至其他区域；植被状态被视为时间静态是一重要局限，现实中植被是动态的可用卫星影像光谱植被指数表征；人为组分通过简单空间代理（如到道路和城市中心的距离）表征，无法完全捕捉人类点火行为；当前前馈架构未显式建模时间依赖性，尽管历史信息部分通过选定预测因子和采样策略引入；模型可解释性仍有限，应使用更复杂方法改进。基于当前业务化状态，本工作可向多个方向扩展：开展留一组消融研究，每次移除一个预测因子组后重新训练网络并在相同测试年份与完整模型比较，以独立于其他组量化各组对预测技能的贡献；将循环神经网络如LSTM应用于此处的前馈架构以更好考虑研究区事件历史；探索基于深度学习的火险天气指数仿真以更好地将气象驱动因素整合入建模框架；考虑更多研究时段和区域以进一步评估所提方法在业务化风险管理框架中潜在应用的可靠性。研究结论翻译如下：本研究证明深度学习方法在野火易发性制图中能够超越全球广泛采用的标准模型FWI，WNN模型已作为P-FireCast在PANORAMA平台业务化运行，生成每日4天预见期的高分辨率易发性地图，支持灭火资源预置，并指明了未来通过消融研究、循环神经网络和深度学习FWI仿真等方向进一步发展的路径。
