《Geomatics, Natural Hazards and Risk》：Reliability evaluation of pseudo-samples from model-free and model-based approaches in wildfire susceptibility mapping
编辑推荐：
鉴于野火对人类社会和自然环境深远影响，以及传统监督学习方法在样本不足时面临的挑战，本研究旨在评估模型依赖与模型无关半监督学习(SSL)方法在生成野火易发性制图伪样本时的可靠性。两类SSL方法的核心区别在于伪样本生成过程中是否依赖特定预测模型（如随机森林、支持向
鉴于野火对人类社会和自然环境深远影响，以及传统监督学习方法在样本不足时面临的挑战，本研究旨在评估模型依赖与模型无关半监督学习(SSL)方法在生成野火易发性制图伪样本时的可靠性。两类SSL方法的核心区别在于伪样本生成过程中是否依赖特定预测模型（如随机森林、支持向量机或逻辑回归）。研究人员在中国江西省万载县采用自训练(self?training, ST)代表模型依赖方法，标签传播(label propagation, LP)代表模型无关方法，生成野火易发性地图。结果表明，随机森林结合自训练在伪样本质量可靠性评估中表现最优，总体精度(OA)达80.1%；标签传播亦具较高可靠性，OA为77.5%。进一步的间接可靠性评估证实，将伪样本纳入原始样本集可提升野火易发性制图精度，尤其在伪样本数量不超过1000时效果显著。此外，研究探讨了伪样本可靠性评估的动机、潜在效能机制及适用性。
研究背景与意义
野火作为失控或异常强烈的植被燃烧事件，由人类活动、自然现象或蓄意纵火引发，对社会经济与环境造成广泛负面影响，包括生命财产损失、生物多样性下降、水资源污染及气候变化加剧。野火易发性制图(wildfire susceptibility mapping)通过识别与量化特定区域野火发生概率与潜在影响，为防灾减灾规划与疏散路线设计提供依据。传统气象学方法如火灾天气指数(Fire Weather Index, FWI)、Nesterov指数及物理驱动蔓延模型虽能有效捕捉气象因子与可燃物含水率的非线性相互作用，但难以全面整合地形、植被和人类活动等空间显式因素。近年来，数据驱动方法成为主流，其核心是通过预测模型建立环境变量与野火发生的函数关系，但无论是经典统计模型还是机器学习(machine learning, ML)与深度学习(deep learning, DL)方法，均属监督学习(supervised learning, SL)，高度依赖大量标注样本。在县域尺度研究中，高质量正样本（历史野火记录）往往有限，负样本定义亦存在标签噪声与空间偏差问题，导致SL方法在数据稀缺地区性能受限。半监督学习(semi?supervised learning, SSL)通过融合少量标注数据与大量未标注数据，为解决样本不足提供了新思路，但不同SSL方法生成的伪样本可靠性尚缺乏系统比较。
研究方法与技术路线
研究以中国江西省万载县（面积1719.63 km2）为案例区，收集2017–2020年VIIRS 375 m热异常产品提取的135个野火正样本，并通过基于野地?城市交界域(Wildland?Urban Interface, WUI)类型的分层随机抽样生成等量负样本，最终构建270个样本的基准数据集。环境变量选取涵盖地形（高程、坡度SLP、平面曲率PLC、剖面曲率PFC、地形湿度指数TWI）、气象（年平均气温TEMP、年降水量PRE、年平均风速WIND）、植被（归一化植被指数NDVI）及人类活动（距道路距离ROAD）共10个协变量。SSL方法包括模型依赖的自训练(self?training, ST)与模型无关的标签传播(label propagation, LP)。ST分别以逻辑回归(LR)、支持向量机(SVM)和随机森林(RF)为基础分类器，通过迭代方式将高置信度未标注样本加入训练集；LP则基于特征空间相似性图，通过邻近节点标签传播实现伪标注。可靠性评估分为直接评估（以验证集真实标签比对伪样本分类精度，指标含总体精度OA、Cohen’s Kappa系数、精确率Precision、召回率Recall、F1分数）与间接评估（对比引入伪样本前后野火易发性制图精度，以受试者工作特征曲线下面积AUC衡量）。所有实验通过Python scikit?learn库实现，未做超参数优化。
研究结果
3.1 未标注样本的标签分配结果
直接评估显示，ST?RF的总体精度(OA)最高（平均80.1%），LP次之（77.5%），ST?LR最低（约74%）。Kappa系数排序与OA一致，表明ST?RF在标签分配一致性上最优。空间分布上，ST?RF、LP与ST?SVM的正确分类样本集中于万载县中北部丘陵区，而西南部平缓地形区域误分类率较高。特征空间中，海拔>100 m、坡度>10°的区域各方法标签分配准确率均较高，道路距离对标签分配模式影响不显著。模型依赖方法因设置置信度阈值，部分未标注样本未被标记，而模型无关方法可为所有样本赋值。
3.2 野火易发性制图性能
间接评估表明，当伪样本数量≤1000时，SSL方法普遍优于对应SL基线，其中LP?RF在1000样本量时AUC达84.6%。伪样本数量增至5000后，除ST?LR外，其余SSL方法AUC均低于SL基线，提示过量伪样本可能引入噪声。空间制图结果显示，SSL与SL生成的易发性等级空间格局相似，验证了伪样本对原始数据结构稳定性的维持能力。不同SL模型的空间预测存在差异，如RF倾向将河谷区划为高易发，SVM则更多识别山顶高易发区。
讨论与结论
研究指出，伪样本对制图精度的提升效应受基础分类器鲁棒性调节：集成学习RF与核方法SVM因抗噪性强，可有效利用伪样本；线性模型LR则易受伪标签噪声干扰。McNemar检验证实模型依赖与模型无关方法的标签分配结果存在显著差异（p<0.001），源于LP不依赖置信度过滤而ST受其约束。伪样本有效性机制在于其环境特征分布与原始样本高度相似（如图9所示）。研究局限包括单区域案例的代表性及VIIRS产品可能存在的漏检/误检误差。结论强调：①ST?RF与LP在伪样本质量评估中具高精度与稳定性；②适量伪样本（≤1000）可提升制图精度，过量则降低性能；③推荐优先采用随机森林结合SSL以提升野火易发性预测精度。本研究发表于《Geomatics, Natural Hazards and Risk》，为小样本条件下野火风险评估提供了可靠的方法学参考。
