综述：卫星遥感野火指示因子与时空建模方法综合述评：历史、现状与未来

《Earth》：A Comprehensive Survey of Satellite-Based Wildfire Indicators and Spatiotemporal Modeling Approaches: Past, Present, and Future

　　

野火对气候敏感区及热带区域的环境与社会经济风险持续加剧，亟需可靠的卫星监测与预测框架支撑。本研究系统梳理了卫星衍生野火指示因子及时空建模方法的发展历程、当前技术体系与新兴研究方向。研究人员回顾了基于中分辨率成像光谱仪（MODIS）、可见光红外成像辐射仪 suite（VIIRS）及相关平台的主要活跃火点与热点数据集，同时整合植被指数、气象变量与地表参数等关键环境驱动因子，并以印度尼西亚区域开展专项案例分析。在建模方法层面，从经典统计回归与时间序列分析，到当代机器学习与深度学习架构（包括卷积神经网络（CNN）、循环神经网络（RNN）及Transformer模型）进行了系统性归纳。分析表明，研究正逐步转向多源数据融合与时空深度学习框架，以捕捉复杂的野火动态过程。最后，研究人员指出了未来研究面临的挑战，包括物理机制与人工智能混合建模、不确定性量化及可扩展实时野火智能系统研发。本述评为致力于推进卫星遥感野火监测与预测的科研人员与从业者提供了结构化参考依据。

1. 1.
   引言
   野火作为最具破坏性的自然灾害之一，对社会经济系统、人类健康、空气质量及全球碳平衡产生深远影响。除直接损毁植被与基础设施外，野火释放大量温室气体与有毒大气污染物，包括二氧化碳（CO₂）、二氧化氮（NO₂）、甲烷（CH₄）、臭氧（O₃）、颗粒物（PM）及汞等，这些排放不仅驱动区域与全球气候强迫，还参与光化学臭氧生成、气溶胶-云相互作用等次级大气过程，导致空气质量长期恶化并放大健康风险。自2000年代末以来，野火活动已被确认为由气候变率、植被动态、土地利用变化与人类火源共同驱动的重大全球环境与生态灾害。早期研究将火视为关键地球系统过程，亚马逊地区研究揭示了气候变化与土地利用压力如何加剧热带雨林火险。2010年代后，全球火 regime 变化更为显著：评估预测气候变化将导致火季严重程度上升，2013年苏门答腊泥炭火与2015年印度尼西亚火灾危机表明，干旱、厄尔尼诺条件与土地退化显著提升了泥炭地与森林的火险敏感性；欧洲地中海松林则呈现出受气象驱动的极端火严重度模式。2019-2020年澳大利亚“黑色夏季”大火造成巨大生态损失并将烟雾注入平流层，2023年加拿大野火季过火面积约1500万公顷，烟雾严重影响北美地区。亚马逊与中非地区受干旱、土地利用变化与森林退化影响，火脆弱性持续升高；东南亚地区在厄尔尼诺驱动干旱与泥炭地开发压力下，2023年印度尼西亚过火面积约116万公顷。基于风险分析框架，野火风险由发生概率、强度与影响三部分构成，尽管火 regime 存在区域差异，但上述案例共同表明，2000年代末以来的当代野火风险由耦合的气候与人类驱动因子塑造，且多数可通过全球尺度卫星观测追踪。野火发生源于人类活动、气象条件与气候变率的非线性相互作用，不同区域主导驱动机制存在差异：撒哈拉以南非洲以农作焚烧与放牧为主，刚果盆地受土地利用变化与森林退化驱动，亚马逊地区与毁林相关燃烧联系紧密，北方寒带则主要受闪电、干旱与干燥度影响。地中海地区因土地撂荒、燃料积累与反复热浪导致火季延长，印度尼西亚多数火点发生于退化泥炭地、灌丛与农用地（含工业油棕种植园），南加里曼丹、中加里曼丹与南苏门答腊为热点集中区。气象因子（低降水、高温、低湿度、土壤湿度下降）与大尺度气候变率（如厄尔尼诺）进一步放大了点火概率，尤其在富含有机质的泥炭景观中，地下阴燃可持续数周至数月，产生持久热点信号并关联温室气体排放、跨境霾与长期空气质量退化。长时序卫星观测证实，反复火干扰是印度尼西亚森林覆盖丧失的持续驱动因素。由于这些过程具有多尺度与空间异质性特征，卫星指示因子成为监测野火发生、强度与动态的核心手段，其中火点热点作为活跃明火或阴燃燃烧的热异常，通过先进甚高分辨率辐射计（AVHRR）、MODIS与VIIRS的上下文算法，可有效区分火信号与周边背景环境。
2. 2.
   野火指示因子与热点数据源
   2.1 野火指示因子的概念框架
   2.1.1 野火指示因子的定义
   野火指示因子是基于代理的度量指标，用于表征火全生命周期（从灾前条件到灾后后果）的发生、驱动因子、行为与影响。由于大尺度下多数火过程无法直接观测，这类指示因子依赖卫星及相关数据源捕获的可测量信号。例如，活跃火产品检测的是燃烧相关的热异常而非火焰本身，火烧迹地数据集则用于划定火影响范围，并可进一步关联植被损失、碳排放、土地退化与生态系统恢复。这些指示因子在野外观测受限区域实现了大尺度野火监测，但其解读受限于传感器分辨率、重访频率与被测物理信号特性。概念上，野火指示因子可按火周期阶段划分：灾前指示因子表征提升火险的环境条件，如燃料可用性、植被状况与干旱严重程度；活跃火指示因子描述火事件本身的时空位置、发生频率与辐射强度；灾后指示因子捕捉野火的后果，如火烧面积、烧损程度、植被死亡率、大气排放及对空气质量与人类健康的影响。这种分阶段框架促进了野火指示因子在火 regime 分析、灾害评估及气候-火-生态系统相互作用研究中的整合。
   2.1.2 事件型与影响型指示因子
   野火研究中存在事件型与影响型指示因子的核心区分：事件型指示因子描述火发生的时空属性与即时物理特征，包括卫星检测的活跃火（热点）、火频次、火持续时间、火线推进及火辐射功率（FRP），共同反映燃烧过程的时空动态与能量特征；影响型指示因子则描述火灾后果，涵盖火烧面积、烧损程度、植被损失、灾后恢复、排放、烟雾暴露、空气质量退化及公共健康影响。二者不可互换，因为火发生并不必然对应生态或社会损害规模。近期研究日益强调整合两类视角，印度尼西亚野火研究中常将热点、火烧面积与碳排放作为互补指示因子，以全面表征野火过程与影响。
   2.1.3 时空尺度
   野火指示因子的解读与分析价值高度依赖时空尺度。空间上，指示因子应用于局地、区域与全球尺度：局地尺度高分辨率指示因子支持火行为、燃料条件、烧损程度与生态响应的精细评估；区域尺度聚合指标（如火频次、热点密度、季节性火烧面积）用于刻画火 regime 及其与气候变率、植被类型、土地利用格局的关系，印度尼西亚区域卫星产品在追踪省级与岛屿尺度火动态中已验证有效；全球尺度指示因子虽对估算总火烧面积、大气排放与气候反馈至关重要，但依赖粗分辨率数据，在小火、破碎火烧疤痕与异质性景观检测中存在显著不确定性。时间尺度同样关键：亚日到日尺度指示因子支持近实时监测，捕捉点火时机与短期火动态；季节尺度指标用于分析火季节性；年际到十年尺度指标则评估长期趋势、regime 转变及气候变化对火活动的影响。然而，长时序解读需依赖稳定的指示因子定义与一致的观测系统，因为表观趋势可能源于传感器、算法或检测阈值的变更，而非野火 regime 的真实变化。尺度依赖性对印度尼西亚尤为重要，粗分辨率MODIS活跃火与火烧迹地产品应用于破碎、低温且常被烟雾遮蔽的泥炭地与种植园区域时，检测性能在泥炭地与非泥炭地火灾间存在显著差异，传感器特性与热点聚类效应强烈影响监测精度。因此，选择野火指示因子需建立匹配研究目标、分析尺度与观测系统局限性的清晰框架。

2.2 活跃火（热点）指示因子与卫星热点数据源

活跃火（热点）指示因子因能在燃烧期间检测火情并提供近实时位置与强度信息，成为野火监测的核心工具，区别于灾后条件的火烧迹地产品。其检测基于中波与热红外谱段的热异常，燃烧像元辐射率显著高于周边地表，业务化算法通过邻域像元的上下文检验区分活跃燃烧与其他高温地表，降低误检率。由于检测反映的是亚像元燃烧而非总火蔓延范围，热点数据主要用于推导火发生、火频次与FRP等指标，对刻画火 regime 及其与气候、土地利用的联系具有重要价值。

FRP是具有明确物理意义的活跃火指示因子，量化燃烧过程中瞬时辐射能量释放速率，由中红外辐射测量值导出，与生物质燃烧速率近似成正比，广泛用作活跃火强度的代理指标。对火持续时间积分可得火辐射能量（FRE），进而通过燃烧效率关联燃料消耗与大气排放。这一框架使FRP分析与火烧迹地方法形成互补：后者描述火最终影响范围，前者捕捉活跃燃烧阶段的能量释放速率，为从活跃燃烧到排放的估算提供了更直接路径。

2.2.1 MODIS与VIIRS活跃火产品

MODIS与VIIRS是全球活跃火监测的两大主力极轨卫星系统。MODIS搭载于NASA的Terra（1999年发射）与Aqua（2002年发射）卫星，通过MOD14与MYD14产品提供了目前最长且内部一致的活跃火记录，2000年至今的连续性对长时序火气候学、年际变率分析与趋势检测至关重要。使用时需明确产品版本，Collection 6与Collection 6.1的差异（如云掩膜与误警去除所用红、近红外波段定标更新）可能导致火分类、热点计数与衍生时间统计量出现微小差异，未经校准的混合使用会影响时间序列可比性。VIIRS通过Suomi-NPP与NOAA-20双星提升重访频率，750 m产品像元面积较MODIS减少约44%，375 m产品像元面积减少约86%（约为750 m产品的1/4），其中375 m产品更适合检测小型分散火点与绘制火边界，750 m产品则因对强火像元的宽辐射量程优势，在FRP反演与火特性刻画中不可或缺。二者并非替代关系：MODIS凭借更长历史记录支撑长时序分析，VIIRS以更高空间分辨率提升小火检测能力，但在印度尼西亚等湿润热带泥炭区，烟雾遮挡、低温阴燃与破碎景观仍限制其检测效能，热点记录需经聚类、验证与上下文校验方可支撑实地泥炭火管理。

2.2.2 MODIS与VIIRS活跃火产品比较

近实时卫星火检测的地面直接验证常受限于可达性差、成本高与安全风验，因此产品间交叉比对成为实用验证途径。研究表明，VNP14IMG产品在检测小于50公顷火点时较MODIS性能提升10%-35%；土耳其区域评估显示，MODIS检测精度为0.6%-16.6%，而VIIRS S-NPP精度达1.3%-25.6%，二者检测率均随火面积增大而提升，但对小于10公顷的极小火仍存在漏检局限。婆罗洲研究进一步证实，MODIS与VIIRS的检测结果均与Sentinel-2高分辨率活跃火记录存在显著差异，其中VIIRS对小火花空间格局的匹配度优于MODIS，但在破碎热带景观中仍存在明显漏检。因此，二者应视为互补数据源：MODIS适合2000年以来的长时序火气候学与模型训练，VIIRS适合小型、分散或空间不均火点的检测。在印度尼西亚泥炭区，尽管VIIRS较粗分辨率产品改善了活跃火监测，但热点记录仍需结合上下文解读、聚类与验证，其性能受局地火行为与土地覆被条件影响显著，需根据研究目标、时间跨度、预期火类型与生态系统背景选择适配产品。

2.2.3 热点数据的不确定性与局限性

卫星热点指示因子主要面临两类不确定性：漏检误差（真实火点未被识别）与虚警误差（非火热异常被误分类为火）。全球评估表明，MODIS热点能有效刻画火发生，但易遗漏不良观测条件下的小型、短寿命或弱信号事件。高分辨率传感器验证显示，漏检与虚警率取决于火大小、背景地表、观测几何、云盖、烟雾与传感器分辨率。印度尼西亚作为典型热带泥炭案例，持续云烟遮挡、破碎火点与低温阴燃进一步放大了不确定性：基于Sentinel-2的婆罗洲2019年火灾验证显示，MODIS漏检率达45.1%，VIIRS漏检率为34.2%。此类误差会偏差热点衍生的火发生估计，并传递至火烧面积、燃料消耗、排放及GFED、GFAS等产品。缓解策略需结合置信度筛选、土地覆被或地理要素掩膜，以及基于高分辨率影像、静止轨道观测、独立活跃火检测与火烧迹地产品的多传感器验证。

1. 3.
   森林火灾建模变量
   森林火灾发生发展受生物物理条件、大气过程与地形相互作用驱动，本研究采用多源环境框架，整合遥感、气象、地形与植被数据集，聚焦自然驱动机制，将变量分为燃料（植被）、地形与气象三大类，共同控制火的点燃、蔓延与持续。
   3.1 植被变量
   植被数据是森林与陆地火研究的核心，描述影响火点燃、蔓延、持续与强度的燃料条件，尤其在季节性干旱期。归一化植被指数（NDVI）是常用表征指标，低值通常指示稀疏、胁迫或干燥植被，火易感性较高。差分NDVI（dNDVI，火前与火后NDVI差值）可用于评估燃烧导致的植被损失或退化。印度尼西亚区域研究显示，土地覆被数据与光谱指数对火脆弱性预测具有重要意义，尤其在加里曼丹、苏门答腊与巴布亚等火险区。泥炭生态系统中，完整泥炭沼泽森林向种植园、灌丛等排水土地的转化，会通过降低冠层覆盖、减少燃料湿度与暴露有机土壤提升可燃性。遥感分析进一步证实，火后NDVI下降与森林向灌丛、种植园的覆被转换可有效捕捉植被退化过程。
   3.2 地形变量
   地形并非直接火源，而是通过调控燃料积累、干燥度与火蔓延过程影响野火。高程表征气候梯度，影响植被类型与燃料湿度，部分区域烧损程度在中海拔达到峰值后随海拔升高下降；坡度主要通过加速上坡预热与火焰传递影响火蔓延，但在极陡地形中该效应减弱；坡向调节太阳照射与地表干燥度，进而影响燃料可燃性与局地火强度。为刻画地形异质性，引入坡长与地形起伏度作为代理指标：坡长反映倾斜地形上的潜在火传播距离，通过坡长陡度因子（LS因子）量化；地形起伏度表征局地高程变异与地表粗糙度，强烈调制烧损程度空间格局。
   3.3 气象变量
   气象条件是野火活动最重要的短期控制因子，通过调控燃料干燥度、燃烧条件与点火后蔓延概率发挥作用，其核心分析价值在于捕捉时间变率。业务化火险系统（如火灾天气指数（FWI））将每日大气条件转化为燃料可燃性与潜在火强度指标。除地面站点观测外，卫星衍生、再分析与网格化气象产品日益用于表征火前干旱与火期天气条件，如气候灾害组红外降水与站点数据（CHIRPS）、ERA5、ERA5-Land及MODIS衍生干旱或植被胁迫指数，可提供降水、温度、湿度、蒸散、径流异常与植被胁迫的连续空间信息，弥补气象站点稀疏区域的观测缺口。印度尼西亚火活动对降水亏缺与干旱条件响应强烈，火爆发与高强度常伴随火天气胁迫升高期。
   3.4 人类活动变量
   植被、地形与气象解释火蔓延潜力，人类活动变量则解释点火概率的空间差异。不同区域主导机制各异：美国道路网络影响人为火源分布，野地-城市交界域（WUI）扩张提升暴露风险；地中海与欧亚地区将可达性、土地利用与聚落变量纳入火险评估；亚马逊地区人类活动变量与毁林、农业扩张及前沿开发紧密相关。印度尼西亚背景下，土地清理、农业活动、种植园开发、可达性与社会经济条件与森林陆地火密切关联，土地利用变化、特许权边界、火历史、聚落邻近度与局地响应能力等变量可进一步提升建模精度，捕捉社会与操作层面的点火可能性。
2. 4.
   森林火模型
   森林火建模需结合野火指示因子类型与预测变量组特征选择适配方法。事件型指示因子（热点发生、火计数、FRP）适合分类、计数预测或短时时空预报模型；影响型指示因子（火烧面积、排放、火后效应）则需能捕捉空间范围、累积效应或长时依赖的模型。同时需匹配预测变量结构：气象变量主导短时预测，地形与地表变量提供稳定空间控制，人类活动变量在人为火 regime 中至关重要。
   4.1 森林火建模的早期方法
   早期方法适用于热点存在、火计数等简单指示因子，以空间诊断或可解释驱动归因为主要目标，可分为三类：空间模式检测方法（识别聚类或热点集中度）、回归方法（关联火发生与解释变量）与半参数扩展（放宽经典回归线性假设）。空间模式检测方法中，莫兰指数（Moran’s I）提供全局空间自相关度量，检验火事件在研究区尺度的空间聚类性；Getis-Ord G^*统计量识别局部显著性热点；核密度估计（KDE）生成离散火检测的平滑强度表面，适用于GIS可视化探索，但对带宽选择敏感，统计推断能力弱于前两者。回归方法中，逻辑回归适用于二元火发生问题，系数可解释驱动贡献；泊松回归扩展至计数数据，但需满足等离散假设，负二项与零膨胀模型通过处理过度离散与零值过多问题，更适配稀疏异质火计数数据集。广义加性模型（GAMs）通过平滑函数估计非线性协变量效应，在保持广义线性模型可解释性的同时，灵活捕捉降雨亏缺、植被状态等的非线性响应，但增加了数据需求与过拟合风险。这些方法并非简单迭代关系，而是针对不同分析场景：空间统计侧重空间依赖性诊断，KDE侧重可视化探索，回归侧重驱动推断，GAMs侧重可解释的非线性建模。
   4.2 监督机器学习方法
   监督学习方法在混合预测变量（气象、植被、地形、人为变量）建模中表现优异，核心权衡在于可解释性、数据需求、计算成本与泛化能力。决策树（DT）通过递归划分特征空间生成规则阈值，可透明呈现温度、降雨亏缺等与火险的关联，适合政策导向的阈值识别，但单树对样本变异敏感，易过拟合。随机森林（RF）通过bootstrap抽样与随机特征子集构建多树集成，显著提升预测稳健性，有效处理高维、共线与含噪的遥感地理数据，在火发生、易感性、脆弱性与热点预测中广泛应用，印度尼西亚研究也证实其在整合气候、植被、土地覆被等多变量建模中的有效性，但集成结构降低了可解释性，大数据集下计算成本较高。支持向量机（SVM）通过核函数映射实现非线性分类边界，在样本量中等、特征空间高维且火/非火信号微弱的场景中优于RF，但可扩展性较差，依赖核选择与超参数调优，难以适配大时空数据集。梯度提升模型（如XGBoost）通过序贯拟合弱学习器纠正残差，在高度非线性、复杂交互关系的火环境建模中预测精度常优于RF，但超参数敏感性强，空间自相关数据易过拟合，需充足数据与调优资源支持。
   4.3 无监督学习与降维在野火热点分析中的应用
   无监督学习与降维在标注数据有限时发挥关键作用，侧重模式发现、火 regime 识别、异常检测与多变量数据冗余削减。K均值聚类适用于将热点记录或火险区划分为少数相对均质的群组，计算高效、可扩展性强，但假设簇呈球形、大小相近且分离清晰，难以适配空间不规则、破碎或含噪的野火数据。基于密度的空间聚类应用与噪声（DBSCAN）无需预设簇数量，可检测任意形状簇并识别孤立噪声点，适合异质性景观下的空间热点分析，但参数选择敏感，在簇密度空间变异显著时性能不稳定。主成分分析（PCA）作为降维工具，将相关预测变量转换为少量正交成分，缓解多重共线性、降低计算负担，提升下游聚类或监督模型稳定性，但主成分物理意义不明确，牺牲了部分可解释性。三者功能互补：K均值用于粗尺度火 regime 划分，DBSCAN用于密度热点界定与噪声过滤，PCA用于多变量预处理。
   4.4 热点与野火建模的深度学习架构
   深度学习凭借表征非线性、高维时空与多模态关系的能力，在野火任务中应用日益广泛，包括活跃火与烟雾检测、火烧迹地分割、烧损制图、热点预报、次日火蔓延预测、火险评估与决策支持等。循环架构（RNN、LSTM、GRU）适用于序列预测问题（热点预报、火发生时间序列、干旱-火滞后效应），LSTM与GRU通过门控机制缓解长序列梯度消失问题，适合捕捉长时气候记忆与延迟燃料湿度效应。卷积神经网络（CNN）擅长从网格或影像数据中提取局部多尺度空间模式，在活跃火检测、烟雾识别、火烧迹地制图与火险分类中表现突出，U-Net等编码器-解码器架构可有效实现火烧像素精细划分。混合架构（CNN-RNN、ConvLSTM）结合空间特征提取与时序依赖学习，支撑火蔓延预测、火烧迹地序列演化等时空耦合问题。图神经网络（GNN）将野火系统表示为非欧几里得关系结构，编码景观连通性、空间单元邻接、道路网络、燃料连续性等关系，在捕捉空间依赖与遥相关方面优于纯卷积模型。Transformer模型基于注意力机制识别长时程依赖，在大型野火预报、火蔓延建模与多模态遥感分割中潜力显著，但需更大数据集、更强正则化与更高计算资源，中小区域研究适用性受限。当前研究趋势从单任务分类转向集成时空与多模态建模，架构选择需匹配目标变量、数据结构、时空分辨率、训练数据量与业务约束。
   4.5 时空建模范式
   野火动态的时空耦合特性推动建模范式向时空学习转型，核心目标不仅是预测火是否发生，更是模拟火条件如何跨时空涌现、持续与传播。主流范式分为三类：分离式时空建模先通过CNN或图算子提取空间特征，再输入RNN/LSTM等时序模型，模块化程度高、计算高效，但难以捕捉细粒度时空交互；耦合时空建模直接在张量或图上保留空间结构并随时间演化，有效支持火蔓延、热点迁移与短时空间火险预报，但计算与训练复杂度高；空间增强耦合建模进一步强化预测前后的空间表征，在强空间异质性下预测性能最优，但数据需求大、可解释性低、计算负担重。近期基准测试表明，GRU、LSTM等循环模型在时序主导场景中仍具价值，U-Net、Attention U-Net等架构在空间编码为核心的网格化应用中表现优异。随着野火预测向概率风险评估与蔓延预报发展，模型需同时具备多尺度空间表征与时序依赖学习能力，架构选择应聚焦具体火过程、空间域与预报时效的适配性。
3. 5.
   研究挑战与未来方向
   尽管野火指示因子研发取得显著进展，热点检测、火烧迹地制图与排放估算的不确定性仍限制着影响评估精度，尤其在小型、低强度或被遮挡火灾区域。传感器分辨率、过境时间与算法设计差异导致跨数据集比较困难，给长时序趋势分析引入结构性不确定性。未来需提升传感器性能、构建 harmonized 多传感器数据集并完善透明不确定性量化框架。
   5.1 野火建模的实践考量与持续挑战
   活跃火产品支持近实时监测，但受传感器分辨率、过境时间、云盖与漏检限制；火烧迹地产品存在传感器、生态系统与反演方法的异质性；排放估算仅依赖热点计数不足，需结合FRP、火持续时间、燃料消耗与燃烧效率，尤其在泥炭阴燃系统中，漏检火点仍可能导致大量碳排放低估。模型时空迁移性是另一核心挑战，气候、植被、点火机制与土地利用的区域差异导致模型跨区域应用性能下降，温带森林训练的模型难以直接迁移至地中海、热带泥炭地、稀树草原或WUI区域。尺度不匹配（不同分辨率数据未对齐）可能产生统计显著但物理误导的关系。气候变化导致的非平稳性削弱了历史火-气候关系的稳定性，降低静态预测模型的长期可靠性。
   5.2 下一代野火建模的集成路径
   未来建模需聚焦针对性集成策略：一是适应非平稳性，通过滚动重训练、重新校准、时间结构化验证与预测因子漂移监测应对气候变化影响；二是显式处理域偏移，采用多区域预训练结合局地重校准，提升模型在不同燃料、点火机制与管理实践区域的适用性；三是多模态集成，融合活跃火、火烧迹地、FRP、火持续时间与燃料信息，填补事件表征与排放估算的观测空白。同时需强化不确定性量化（校准概率预测、预测区间、敏感性分析）、可解释性（明确预测驱动因子以支撑决策）与可扩展计算（云端部署、分层架构），最终服务于同日预警、周度扑救规划、季节 preparedness、排放评估与烟雾健康响应的全链条决策支持。
4. 6.
   讨论
   野火无法单一指示因子、预测变量组或建模家族完整表征。活跃火检测对近实时监测至关重要，但受过境时间、云盖、分辨率与漏检限制；火烧迹地产品表征空间范围与灾后足迹，FRP类指标补充燃烧强度与能量释放信息，三者需匹配研究目标并作为互补指标解读。预测变量与模型选择同理，气候、植被、地形与人类活动的相对重要性随火 regime 变化，天气与干旱在气候限制系统中占主导，可达性、土地覆被变化与人为点火在人类主导的热带泥炭区更为关键。统计模型适用于可解释推断，机器学习擅长非线性表格数据预测，深度学习适配强时空或多模态数据，模型复杂性不等同于优越性，性能同时依赖指示因子选择、预测变量设计、预处理与验证策略。稳健的野火智能需整合互补指示因子、情境适配的预测变量与契合数据结构及决策任务的建模框架。
5. 7.
   结论
   本研究得出五点核心结论：第一，野火活动是气候、植被、地形、土地利用与人类驱动因子交互作用的产物，而非单一主导因子决定；第二，不存在普适的野火指示因子或模型家族，其适用性取决于研究目标、数据结构、时空尺度与火 regime；第三，尽管方法论多样性快速发展，但指标定义、预处理选择、预测变量设定与验证策略的高度异质性限制了研究间的可比性；第四，模型迁移性仍是重大未解挑战，温带系统发展的方法应用于印度尼西亚等热带泥炭区时性能显著下降；第五，未来进展将更多依赖数据 harmonization、不确定性处理、验证设计与物理机制-数据驱动方法的情境感知集成，而非单纯增加模型复杂性。