《Natural Hazards Research》：A Calibrated Spatio-Temporal Machine Learning Model for Tropical Peatland Fire Risk
编辑推荐：
热带泥炭地火灾是复杂的环境灾害，具有显著影响。然而，现有的火灾风险方法，包括经验性干旱-火灾指数和仅关注空间或时间方面的机器学习模型，在表示异质性泥炭地景观中火灾发生的动态方面仍然有限。在此，研究人员开发了一个集成的时空机器学习模型，并采用概率校准方法，以分析
热带泥炭地火灾是复杂的环境灾害，具有显著影响。然而，现有的火灾风险方法，包括经验性干旱-火灾指数和仅关注空间或时间方面的机器学习模型，在表示异质性泥炭地景观中火灾发生的动态方面仍然有限。在此，研究人员开发了一个集成的时空机器学习模型，并采用概率校准方法，以分析和预测热带泥炭地火灾风险。该框架采用卷积神经网络（CNN）提取空间特征，卷积长短期记忆网络（ConvLSTM）捕捉时间依赖性，以及等渗回归校准预测的火灾概率。研究人员使用了来自印度尼西亚加里曼丹热带泥炭地的气象、水文、土地覆盖、人为和历史火灾数据。所提出的模型取得了良好性能，并生成了与观测到的火灾热点分布一致的火灾概率图。此外，预测结果表明，该模型能够识别不同时间范围内泥炭地地区火灾风险模式的变化。这些发现表明，所提出的框架不仅提供了预测工具，还为热带泥炭地生态系统的早期预警、风险评估和火灾缓解提供了可操作的信息。
热带泥炭地是重要的生态系统，具有高碳储量、水文调节和生物多样性支持功能，但易受严重且持久的火灾影响，导致温室气体排放、空气污染和巨大经济损失。现有火灾风险方法包括经验性干旱-火灾指数（如Peat Fire Vulnerability Index, PFVI）和仅关注空间或时间方面的机器学习模型，这些方法难以充分表示异质性泥炭地景观中火灾发生的时空动态。为此，研究人员开发了一个集成的时空机器学习模型，采用概率校准方法，以分析和预测热带泥炭地火灾风险。该模型整合了卷积神经网络（CNN）提取空间特征、卷积长短期记忆网络（ConvLSTM）捕捉时间依赖性，以及等渗回归校准预测概率，并使用印度尼西亚加里曼丹（Kalimantan）的气象、水文、土地覆盖、人为和历史火灾数据。研究结果表明，模型具有良好的区分能力，生成的火灾概率图与观测到的热点分布一致，并能识别不同时间范围内的风险变化。该研究发表在《Natural Hazards Research》。
主要关键技术方法包括：使用CNN从网格化环境预测变量中提取空间特征，ConvLSTM处理时间序列以捕捉火灾发生的时间动态，等渗回归进行后处理概率校准以提升输出与观测事件频率的一致性。数据来源包括来自印度尼西亚加里曼丹热带泥炭地的降雨（CHIRPS）、气温和土壤湿度（ERA5-Land）、土地覆盖（MODIS Collection 6）、人为活动距离（GHSL）以及火灾热点（FIRMS MODIS，置信度>80%），所有数据重采样至5×5 km网格，并采用时间顺序划分（2020-2023年训练，2024年测试）。样本队列覆盖加里曼丹五个省份，约454万公顷泥炭地。
研究结果部分：
- **3.1 模型性能**：通过ROC-AUC曲线评估，模型达到0.845的AUC值，表明良好的区分能力。校准前Brier分数约0.198，经等渗回归校准后降至约0.011，概率可靠性显著提升。干季（AUC=0.811）和湿季（AUC=0.822）性能稳定，滚动验证显示模型在多数年份保持良好性能，但2023年验证期AUC较低（0.6987），表明年际变异性。
- **3.2 预测能力**：3天和10天预测的火灾概率图与观测热点在空间上一致，定量评估显示3天预测AUC为0.836，召回率0.842；10天预测AUC为0.784，召回率0.764。模型能捕捉风险区域随时间的变化，且不确定性随预测时间增加（3天95%预测区间宽度0.221-0.336，10天为0.176-0.319）。
- **3.3 变量重要性分析**：排列重要性分析显示，土地覆盖类型对模型贡献最大（AUC减少0.085），其次为降雨（0.060）和人为活动距离（0.057），土壤湿度和气温影响较小。
- **3.4 敏感性分析**：对降雨、气温和土壤湿度进行扰动，湿冷条件（增加降雨和土壤湿度，降低气温）使火灾概率降低，零风险区域比例从约22%增至42%（3天预测）和从18%增至35%（10天预测）；干热条件（减少降雨和土壤湿度，升高气温）使火灾概率显著增加，零风险区域比例从约10%降至1%（3天预测）和从8%降至0%（10天预测）。
讨论部分总结了模型相比PFVI和仅空间/时间机器学习模型的优势，即综合了时空动态和概率校准，能更全面表示火灾风险。敏感性分析结果符合湿冷条件降低火灾风险、干热条件增加风险的预期。局限性包括：等渗回归对稀疏火灾事件敏感，可能产生不稳定校准函数；模型未考虑泥炭物理特性（如容重、孔隙度）和土地利用变化；5 km空间分辨率可能忽略小尺度火灾斑块。未来研究方向包括集成物理模型、考虑土地利用动态、开发操作面板。结论部分翻译：本研究通过集成卷积神经网络（CNN）进行空间特征提取、卷积长短期记忆网络（ConvLSTM）进行时间依赖性学习以及等渗回归进行概率校准，开发了一个时空框架来分析和预测热带泥炭地火灾风险。通过这一集成结构，所提出的模型能够识别火灾概率增加的区域，并生成与观测热点分布一致的火灾概率图。此外，该框架采用的概率校准方法提高了模型输出与观测火灾事件频率之间的一致性，从而支持热带泥炭地生态系统的风险评估。因此，所提出的模型不仅提供了预测工具，还为改善热带泥炭地火灾缓解和恢复管理提供了决策支持信息。
