《Frontiers in Forests and Global Change》:Spatial bias in wildfire ignition models using a wildland urban Interface Pressure Index in the Tamil Nadu and Karnataka Belt
编辑推荐:
野火点火受人类活动与环境条件之间复杂相互作用的支配,但许多现有预测模型强调气候变量,而对人类-环境相互作用和空间泛化关注有限。本研究提出一个野地-城市交界域压力指数(Wildland-Urban Interface Pressure Index, WUI-PI
野火点火受人类活动与环境条件之间复杂相互作用的支配,但许多现有预测模型强调气候变量,而对人类-环境相互作用和空间泛化关注有限。本研究提出一个野地-城市交界域压力指数(Wildland-Urban Interface Pressure Index, WUI-PI),明确表示人类压力与燃料可用性之间的相互作用,用于印度泰米尔纳德邦-卡纳塔克邦地区的野火点火建模。多源遥感、环境和人类活动数据集被整合到随机森林(Random Forest)框架中,研究人员使用传统指标和空间独立验证评估模型性能。提出的WUI-PI模型实现了接收者操作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve, AUC)为0.948,精确率-召回率曲线下面积(Area Under the Precision–Recall Curve, PR-AUC)为0.220,以及前10%火灾率(Top-10% Fire Rate)为9.88%,在整体预测性能上优于比较的逻辑回归(Logistic Regression)和XGBoost模型。空间验证揭示了全局预测准确性与地理可迁移性之间的权衡,加入水汽压亏缺(Vapor Pressure Deficit, VPD)提高了全局模型性能但降低了空间泛化能力。空间偏差分析进一步识别出一致的地理误差模式,低估在气候胁迫区域更频繁发生,高估在人类影响更大的景观中更常见。这些发现表明,纳入基于交互的人类-燃料预测因子以及空间验证,为野火点火建模提供了比仅依赖全局准确性指标更全面的框架。提出的框架可以支持野火风险制图、高风险野地-城市交界域(Wildland-Urban Interface, WUI)区域的识别,以及更空间知情的野火预防和管理决策。
野火点火作为人-环境耦合现象,其建模面临传统方法偏重气候变量、忽视人类活动与燃料交互作用以及空间泛化能力不足等问题。为应对这些挑战,研究人员在《Frontiers in Forests and Global Change》发表论文,提出基于野地-城市交界域压力指数(WUI-PI)的框架,在印度泰米尔纳德邦-卡纳塔克邦区域开展研究。该研究通过整合多源遥感与人类活动数据(包括MODIS火点、VIIRS夜光、OpenStreetMap道路密度、ESA WorldCover建筑密度、NDVI、地表温度LST、地形坡向、ERA5水汽压亏缺VPD等),在随机森林(Random Forest)算法中构建WUI-PI变量(人类压力与燃料压力的乘积),并采用空间独立验证(将研究区分为西部训练区与东部测试区)评估地理迁移性。主要结论包括:WUI-PI模型全局AUC达0.948,优于Logistic回归和XGBoost;但加入VPD虽提升全局精度却降低空间AUC(从0.614降至0.547),揭示精度与泛化间的权衡;空间偏差分析显示低估集中于高温低湿区域,高估出现在人类活动与中等植被覆盖区。该框架为野火风险制图和高风险WUI区域识别提供了更可靠的空间决策支持。
**关键技术方法**:研究采用多源遥感与人类活动数据集(MODIS MOD14A1火点、VIIRS夜光、OpenStreetMap道路密度、ESA WorldCover建筑密度、MODIS NDVI、MODIS LST、SRTM坡向、ERA5 VPD),所有数据统一至约500?m分辨率并归一化。通过随机森林(Random Forest)算法建模,构建WUI-PI(人类压力与燃料压力的乘积)及交互特征(如坡向×破碎度)。采用空间独立验证(西部训练、东部测试)与10次重复背景采样评估稳定性,利用偏差图(错误>0.5为高估,<-0.5为低估)分析空间误差模式。
**4 Experimental Results(实验结果)**
**4.1 Data characteristics and WUI pressure distribution(数据特征与WUI压力分布)**
通过分析约133万像素(仅1.2%为火点),WUI-PI值在人类活动与可燃植被共存的局部热点区域较高,而在交互有限的连续区域较低,其空间分布与设计目的一致。
**4.2 Model performance comparison(模型性能比较)**
基于随机森林的WUI-PI模型取得全局AUC为0.948、PR-AUC为0.220、Top-10%火灾率为9.88%,均优于XGBoost(0.913、0.146、7.98%)和Logistic回归(0.681、0.024、3.02%)。在选定阈值下,WUI-PI模型精确率0.20、召回率0.41、F1分数0.27,高于其他模型。10次重复实验显示均值AUC为0.9475±0.0006,证明结果稳健。
**4.2.1 Robustness of repeated validation(重复验证的稳健性)**
10次独立实验表明,全局AUC、PR-AUC、阈值和Top-10%火灾率的标准差均极小(如AUC标准差0.0006),空间AUC(0.5474±0.0034)和空间Top-10%火灾率(0.0087±0.0003)同样稳定,证实模型性能不受背景样本随机选择影响。
**4.3 Feature configuration(特征配置)**
通过比较4种特征集(基线、基线+WUI-PI、基线+VPD、基线+WUI-PI+VPD),基线模型AUC为0.907、空间AUC为0.612;加入WUI-PI使空间AUC微升至0.614;加入VPD使全局AUC升至0.943但空间AUC降至0.567;全特征集获得最高全局AUC(0.948)但最低空间AUC(0.547),凸显精度与泛化间的权衡。
**4.4 Spatial validation and bias diagnosis(空间验证与偏差诊断)**
全局AUC(0.91–0.95)远高于空间AUC(0.55–0.61),表明模型在独立地理区域性能下降。误差图显示低估主要发生在高温干燥区域(LST较高、NDVI较低),高估主要出现在人类活动与中等植被覆盖区域,说明空间误差具有系统性模式。
**4.5 Feature wise interpretation of model errors(基于特征的模型误差解释)**
基于基尼重要性(impurity-based)和置换重要性(permutation importance)均将VPD、LST、道路密度、WUI-PI和人类相关变量列为最影响预测的因子,证实了人-环境交互对点火建模的关键作用。
**4.6 Summary of key findings(关键发现总结)**
随机森林WUI-PI模型在全局性能上最优,但空间AUC低于全局;特征配置分析揭示了VPD提升精度但降低空间泛化;重复验证支持结果稳健;重要变量(VPD、LST、道路、WUI-PI)的识别为模型解释提供了依据。
**5 Discussion(讨论)**
**5.1 Interpreting wildfire ignition as a socioecological process(将野火点火解释为社会生态过程)**
WUI-PI与火点正相关(图6、表6),结合特征重要性分析,表明人类活动与可燃植被共存区域更易发生点火,与已有研究一致,但需注意这仅为模型关联而非因果关系。
**5.2 Assessment of model efficiency and its nonlinear nature(模型效率及其非线性性质评估)**
随机森林WUI-PI模型优于线性Logistic回归,说明非线性交互关系对预测至关重要;重复验证确认结果稳定,但空间验证仍远低于全局性能,表明高全局精度不等同于高地理迁移性。
**5.3 Finding the balance between model accuracy and spatial generalization ability(寻找模型精度与空间泛化能力间的平衡)**
加入VPD提升全局AUC但降低空间AUC,显示气候变量导致区域特异性;WUI-PI虽仅小幅提升空间性能,但避免了精度与泛化间的显著权衡,更适合表征人-环境交互。
**5.4 Understanding and assessing spatial bias in wildfire models(理解与评估野火模型中的空间偏差)**
空间偏差图显示误差非随机:低估集中在高温低湿区,高估出现在人类活动与中等植被区;重复实验证实模式稳定,可能源于极端气候下模型对点火过程刻画不足,以及人类影响区域过高估计。
**5.5 Implications for wildfire risk mapping and management(对野火风险制图与管理的启示)**
WUI-PI有助于识别高点火风险区域(尤其城市边缘和破碎景观),空间验证应作为模型应用前的必要环节,以提升决策支持的空间可靠性。
**7 Conclusion(结论)**
本研究表明,泰米尔纳德邦和卡纳塔克邦地区的野火点火与人类活动与环境条件之间的相互作用相关。提出的野地-城市交界域压力指数(WUI-PI)提供了人-环境交互的有效表征,并与野火发生呈正相关。将WUI-PI纳入建模框架,在保持竞争性全局预测精度的同时,使空间验证性能略有提升。在评估的方法中,基于随机森林(Random Forest)的WUI-PI模型取得了最强的整体预测性能,并在严重类别不平衡下保持稳健。然而,结果也表明,提高全局预测精度并不一定转化为更好的空间迁移性。特别是,加入水汽压亏缺(VPD)显著提高了全局预测性能,但降低了空间验证性能,凸显了预测精度与地理泛化之间的权衡。空间偏差分析进一步显示,预测误差表现出一致的地理模式,而非随机发生。低估在极端干燥环境中更频繁出现,而高估在人类影响更大且植被覆盖中等的景观中更常见。这些模式应被解释为基于模型的关联而非确定的因果机制,但为当前野火点火模型的局限性提供了有价值的见解。总体而言,研究结果强调了在开发地理空间机器学习模型时,同时评估全局预测性能和空间迁移性的重要性。提出的WUI-PI框架为将人-环境交互纳入野火点火建模提供了实用基础,并可支持野火风险制图、高风险野地-城市交界域(WUI)区域的优先排序,以及更空间知情的野火预防和管理决策。未来研究应纳入更高分辨率数据集、季节性和时变预测因子,以及更先进的空间验证策略,以进一步提高野火点火模型的地理迁移性和可操作性。