协同地面与卫星观测的大兴安岭森林火灾预测:季节性驱动因素与模型衍生阈值

《Ecological Indicators》:Synergizing ground-based and satellite observations for Forest fire prediction: seasonal drivers and model-derived thresholds in the greater Khingan Mountains

【字体: 大 中 小 】 时间:2026年07月24日 来源:Ecological Indicators 8.7

编辑推荐:

  摘要:森林火灾是寒温带生态系统中的关键干扰机制。为克服单一源监测的局限性,研究人员整合了2001–2024年的地面记录与MODIS数据,构建了大兴安岭地区的双源数据集。研究人员采用13折空间块交叉验证,评估了四种机器学习架构(BRT、XGBoost、RF和AN

  
摘要:森林火灾是寒温带生态系统中的关键干扰机制。为克服单一源监测的局限性,研究人员整合了2001–2024年的地面记录与MODIS数据,构建了大兴安岭地区的双源数据集。研究人员采用13折空间块交叉验证,评估了四种机器学习架构(BRT、XGBoost、RF和ANN)。结果确认,两种数据源均一致地识别出东部农林交错带为高风险区。然而,显式时空交叉验证揭示了高度条件依赖的事件匹配率。卫星探测受到夏季茂密冠层的严重限制(15.14%),但在秋季落叶期激增(66.67%)。这种物理差异决定了不同的监测优势:地面记录穿透了盛季冠层盲区,而MODIS捕捉了偏远地区的自然火灾。基于卫星的集成算法取得了最高的预测精度(合并AUC > 0.83)。此外,SHAP分析量化了驱动因素的季节性演变。春季火灾季节以强风和人为活动为主导,日最低气温?3°C成为关键物理临界点。相比之下,夏季火灾季节受水热平衡控制;其中,15天累积降水量和归一化植被指数(NDVI)是主要预测因子,40 mm降水量阈值标志着风险拐点。高风险区呈现出显著的季节性迁移,从春季的东部地区迁移至夏季的中部和北部原始森林,随后在秋季重新聚集于东部和西南部。因此,研究人员倡导一种时空差异化的监测框架:春季/秋季优先在东部进行人为预防,夏季重点在北部监测雷电引发的火灾。
**论文解读文章**

**研究背景与现存问题**

森林火灾是寒温带生态系统面临的主要干扰之一,对生物多样性、全球碳循环及人类社会经济活动构成严重威胁。大兴安岭作为中国最大且最连续的原始寒温带森林区,兼具重要的碳汇与生物多样性保护功能,同时又是森林火灾高发区。该区域位于欧亚多年冻土带南缘,大陆性季风气候与茂密针叶林相互作用,形成了高度复杂的火环境。与其他以单一火因主导的区域不同,大兴安岭火灾具有明显的二元性:夏季高温雷暴频繁引发自然火灾,而春季和秋季农林交错带的人为活动(如农事用火、山野采集)则导致大量人为火源。这种自然与人为驱动因素的时空交织与演替,使得该区域的森林火灾预测极具挑战性。

高质量的火灾观测数据是构建高精度预测模型的前提。地面记录由林业部门获取,包含精确的起火时间、原因和扑救信息,被视为历史火灾分析的“金标准”。然而,受可达性、通讯覆盖范围和巡逻半径的限制,这些数据往往存在显著的空间采样偏差,倾向于记录靠近城镇、居民点和道路网络的火灾,而偏远腹地存在监测盲区。相比之下,基于MODIS和VIIRS等传感器的卫星观测具有覆盖广、高频监测的优势,可客观捕捉偏远无人区的热异常。但光学遥感在特定环境下也存在局限性,尤其在冠层郁闭度高的原始森林中,稠密冠层可能掩蔽地表或地下火的热辐射信号,导致漏检。现有研究多聚焦于单一数据源建模,忽视了系统评估多源数据在相同区域内的时空互补性及其对模型性能的差异化影响。

分析森林火灾发生的驱动机制是预测建模和制定有效管理策略的核心。气象、地形、植被和人类活动通过复杂的非线性相互作用驱动火灾发生。在季节尺度上,气候因子通过调节温度、降水和可燃物湿度产生累积效应,同一驱动因子在不同季节的贡献和作用方向可能截然不同。因此,超越传统静态视角,考虑火灾驱动因素的季节性演变模式,对于提升预测模型的泛化能力和深化火灾机理认知至关重要。

传统森林火灾风险评估常采用逻辑回归(LR)和地理加权回归(GWR)等统计模型,这些算法假设解释变量与因变量呈线性关系,需单独进行多重共线性诊断,存在过早排除重要变量的风险。面对复杂的非线性火灾-环境交互,传统线性方法预测精度有限。近年来,随机森林(RF)、极端梯度提升(XGBoost)、增强回归树(BRT)和人工神经网络(ANN)等机器学习算法因其非参数建模能力和自适应学习机制而被广泛应用。这些方法不仅能有效处理高维多源数据,还表现出较强的抗过拟合能力和高预测精度。此外,基于合作博弈论的SHAP方法可统一量化特征边际贡献并可视化非线性响应和交互作用,为打开机器学习“黑箱”、识别火灾爆发的算法响应边界提供了有效手段。

**研究内容与结论**

为应对上述挑战,本研究利用大兴安岭2001–2024年的长期多源数据,构建了整合地面记录与卫星观测的双源森林火灾数据集,并引入SHAP可解释性框架。研究目标包括:(1)定量评估两种数据源在时空分布上的偏差,阐明其互补关系;(2)比较不同机器学习算法(BRT、XGBoost、RF、ANN)在不同数据源和季节尺度上的适用性,筛选最优预测模型;(3)深入分析火灾驱动因子的非线性响应机制,揭示驱动机制随季节变化的演化规律。本研究将季节性动态和多源观测整合到统一分析框架中,拓展了传统静态风险评估,最终为寒温带森林火灾的精准预警和时空差异化管控提供科学依据。

**主要关键技术方法**

研究人员采用了四种关键技术方法:(1)双源数据集构建:整合地面记录(1223起验证火灾)与MODIS MCD14DL全球月度活跃火产品(1 km分辨率),经多阶段清洗(掩膜排除、置信度筛选、时空去重、季节过滤)后获得5073个有效卫星火点,并以1:1比例生成非火点样本,施加严格时空约束(最小距离1 km、月度概率分布匹配)以消除伪缺失偏差。(2)时空数据划分与评估框架:按季节分为春季(3月15日–6月15日)、夏季(6月16日–9月14日)、秋季(9月15日–11月15日)三个阶段;采用前向时间序列阻断(2001–2020年训练,2021–2024年测试)评估时间泛化能力,以及13折留一区域空间块交叉验证评估空间可迁移性。(3)四类机器学习模型构建与参数优化:基于R 4.3.1环境,分别构建BRT(树复杂度5,学习率0.01)、XGBoost(最大深度6,学习率0.05)、RF(树数1000,节点特征数平方根)和ANN(两层隐藏层,神经元数32和16,ReLU激活,Dropout比例0.2/0.1)。(4)可解释性分析:采用SHAP方法量化全局特征重要性、非线性响应(依赖图)及交互效应(H统计量)。样本数据来源包括中国气象局地面气象数据、ChinaMet高分辨率气象驱动数据集、ASTER GDEM V2数字高程模型、中国区域250 m NDVI数据集、国家基础地理信息数据库(1:250,000)以及WorldPop人口密度、GDP网格和VIIRS夜间灯光数据。

**研究结果**

**(1)双源数据的时空特征与事件级匹配**

地面记录显示2001–2024年共1223起火灾,年均约51起;MODIS检测到5175个热点,年均约216个。地面记录呈“单峰”模式,集中于夏季(5–7月,6月最高);MODIS呈“双峰”模式,春季(3–5月)为主峰,秋季为次峰。在±1天严格时间窗下,事件级匹配率高度依赖季节和火势等级:夏季重大火灾匹配率在3 km缓冲区仅12.68%,10 km内为15.14%;秋季落叶期匹配率在3 km时升至41.67%,10 km内达66.67%。这定量证实了冠层遮蔽效应:夏季稠密冠层严重限制卫星探测,秋季落叶后显著改善。

**(2)机器学习模型性能评估**

时间泛化评估显示,卫星驱动模型整体优于地面驱动模型。全火灾季节中,卫星BRT模型最优(AUC=0.9305,F1=0.8193);春季卫星XGBoost模型表现最佳(AUC=0.9753,F1=0.8659);夏季模型双源均表现优异(地面XGBoost AUC=0.9312,卫星ANN AUC=0.9317);秋季卫星RF模型最优(AUC=0.9520,F1=0.9109)。空间块交叉验证中,卫星模型表现出强空间可迁移性,夏季ANN模型合并AUC达0.892;地面模型在夏季也表现稳健(XGBoost AUC=0.836)。PR曲线和校准曲线进一步验证了模型可靠性,但确认了平衡采样导致的概率偏移,故输出为相对易感性指数。

**(3)驱动因子多视角分析**

基于SHAP全局重要性排序:全火灾季节中,气象因子累积贡献超过50%(地面模型52.4%,卫星模型50.7%);地面模型中基础设施因子贡献28.7%,卫星模型中地形因子贡献20.3%。春季,地面模型以地形和基础设施为主,卫星模型以气象和地形为主。夏季,气象因子主导,地面模型中30天累积降水为第一变量,卫星模型中NDVI贡献达季节峰值(13.51%),且与火概率呈显著负相关。秋季,地面模型社会经济因子(GDP)贡献19.4%,卫星模型地形因子(高程)贡献20.8%。

非线性响应分析揭示了关键阈值:春季卫星模型中,日最低气温?3°C为临界点(加速雪融、暴露地表可燃物);相对湿度45%为拐点,低于25%时贡献最大。夏季卫星模型中,15天累积降水40 mm为阈值,低于此值火风险居高不下;NDVI在0.3–0.75区间贡献为正,超过0.78转为负。秋季卫星模型中,实际蒸散发(AET)约0.65 mm为正向贡献阈值。地面模型中,距最近消防队距离25 km为空间阈值,超出后火险非线性上升;GDP阈值0.25(指数),低于此值火险高。

交互效应分析表明,春季卫星模型中,风速与气压交互强度最高(H=0.31),表征“风驱燃烧”机制;夏季地面模型中,月实际蒸散发与30天累积降水交互最强(H=0.15),体现水分对植被的“开关调节”;秋季卫星模型中,AET与高程交互(H=0.18),反映地形对水热资源的再分配。

**(4)火险时空分布特征**

双源模型在全火灾季节尺度上一致识别出东部(阿荣旗、扎兰屯、莫力达瓦达斡尔族自治旗、鄂伦春自治旗)为高风险区。但北部原始林区存在分歧:地面模型指出北部国境线附近原始林为高风险,而卫星模型仅将东南部列为高险区。春季,东部为核心高风险区;夏季,高风险中心显著北移至中北部原始林,与夏季雷电火灾高发区高度重叠;秋季,高风险中心回迁至东部,且西南部(呼伦贝尔、牙克石、额尔古纳、阿尔山)的“城市-森林界面”也出现较高风险斑块。

**讨论与结论总结**

讨论部分指出,双源数据在东部农林交错带空间一致性高,但事件级交叉验证揭示了高度条件依赖的匹配率,定量证实了MODIS与地面记录捕捉的是物理上不同的火灾子集。地面记录受道路可达性和巡逻半径限制,主要记录靠近基础设施的火灾,擅于刻画人为火模式;而卫星通过热异常探测克服地形障碍,有效监测偏远腹地火,但夏季冠层遮蔽导致系统性漏检。秋季落叶期匹配率飙升,进一步证实了冠层遮蔽效应。因此,双源集成在物理上不可或缺。卫星模型整体优于地面模型,源于空间尺度匹配优势;空间块交叉验证证实了模型的地理可迁移性。集成树模型(BRT、XGBoost、RF)在处理中等规模表格生态数据时优于ANN。SHAP分析揭示了关键驱动因子的季节性演替规律:春季以“强风+人为干扰”复合驱动,夏季以水分亏缺驱动,秋季以地形和蒸散发驱动。模型导出的阈值(?3°C、40 mm降水、25 km消防距离)为精细化预警提供了直接定量依据。高风险区的季节性迁移要求差异化防火策略:春季/秋季聚焦东部农林交错带控制人为火源,夏季转向北部原始林监测雷电火,并需优化北部偏远地区瞭望塔和消防队布局以缩短响应延迟。

研究结论总结如下:(1)地面记录与卫星观测因物理探测极限不同而呈现根本性差异和空间互补,显式时空交叉验证揭示了高度条件依赖的匹配率(夏季重大火灾卫星探测率仅15.14%,秋季落叶期升至66.67%),双源集成对消除区域监测盲区物理上不可或缺。(2)卫星集成树模型在区域预警中表现出强空间泛化能力,XGBoost和BRT的地理可迁移性最优,集成树算法在中等规模表格生态数据处理中优于深度学习。(3)算法响应边界定量揭示了关键驱动因子的季节性演替规律:春季由“强风+人为干扰”驱动,夏季由降水亏缺驱动,模型识别出可复现的阈值(?3°C、40 mm降水、25 km消防距离),为精细化预警提供直接定量参考。(4)防火策略需适应火险的季节性空间迁移:春季/秋季优先在东部农林交错带控制人为火源,夏季重点在北部原始林监测雷电火,并需优化北部偏远地区消防设施布局以缩短响应延迟。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号