《Ecological Informatics》：Geospatial deep learning and SHAP-based explainable AI for wildfire susceptibility and exposure mapping in Western Canada
编辑推荐：
加拿大不列颠哥伦比亚省（British Columbia, BC）的野火活动近年来有所加剧，然而，用于评估易感性并优先排序暴露的空间显式、可解释方法仍然有限。本研究提出一个集成框架，将对地观测、地理空间指标、地理空间深度学习与基于SHAP的可解释人工智能相结合
加拿大不列颠哥伦比亚省（British Columbia, BC）的野火活动近年来有所加剧，然而，用于评估易感性并优先排序暴露的空间显式、可解释方法仍然有限。本研究提出一个集成框架，将对地观测、地理空间指标、地理空间深度学习与基于SHAP的可解释人工智能相结合，用于气候信息约束的野火易感性与暴露评估。研究人员将2000年至2024年的野火记录与来自SRTM、TerraClimate、ERA5-Land、Sentinel-2及国家数据集的十八个气候、植被、地形和人为指标相结合。长短期记忆（Long Short-Term Memory, LSTM）和双向长短期记忆（Bidirectional LSTM, BiLSTM）模型，包括粒子群优化（Particle Swarm Optimization, PSO）增强变体，用于绘制易感性图，而SHapley加法解释（SHapley Additive exPlanations, SHAP）识别出主导控制因子。研究人员评估了十个易火行政区中极高易感等级内的住户、道路以及植被和牧场的潜在暴露。结果表明，野火制度日益受气候驱动，2019年后加剧，并在更暖、更干条件下出现2023年极端季节。BiLSTM-PSO模型取得了最佳性能（测试AUC=0.92，准确率=82.5%，F1分数=82.6%），在随机种子和大火阈值下保持稳定，并将全省24.7%的面积划为极高易感等级。干旱指数（Drought Severity Index, DSI）和森林（树冠覆盖）土地利用、道路与住户邻近度、温度和风速成为最有影响力的预测因子，而湿度、降水和土壤湿度降低了易感性。高和极高易感性集中在中南部和东南部内陆，其中Central Kootenay、Okanagan-Similkameen、East Kootenay和Thompson-Nicola是最突出的暴露热点。厄尔尼诺-南方涛动（El Ni?o-Southern Oscillation, ENSO）和太平洋年代际振荡（Pacific Decadal Oscillation, PDO）遥相关仅间接影响野火，而易感性与独立跨境模型一致（Spearman ρ=+0.42）。总体而言，该框架为易感性建模、暴露优先排序和适应规划提供了可解释的基础。
该研究发表于《Ecological Informatics》。研究背景方面，加拿大不列颠哥伦比亚省（BC）近年来野火活动显著加剧，2023年过火面积和碳排放均创纪录。然而，现有易感性与暴露评估方法往往缺乏空间显式性和可解释性，难以支撑风险排序与适应规划。因此，研究人员提出一个集成框架，将对地观测、地理空间指标、地理空间深度学习与基于SHAP的可解释人工智能（XAI，旨在让模型输出可被人类理解的解释）相结合，用于气候信息约束的野火易感性和暴露评估。
研究内容与总体结论方面，研究人员将2000—2024年历史野火记录与来自SRTM、TerraClimate、ERA5-Land、Sentinel-2及国家数据集的18个气候、植被、地形和人为指标相结合，构建了LSTM、BiLSTM及其PSO优化模型，利用SHAP识别主导因子，并在十个易火行政区评估极高易感等级内住户、道路及植被和牧场的潜在暴露。结果表明，野火制度对气候日益敏感，2019年后加剧，2023年出现极端季节；BiLSTM-PSO模型性能最佳，测试AUC=0.92，准确率82.5%，F1分数82.6%，且对随机种子和大火阈值稳健。干旱指数（DSI，反映干旱严重程度的综合指数）和森林（树冠覆盖）土地利用、道路与住户邻近度、温度和风速是最强预测因子，而湿度、降水和土壤湿度降低易感性。高和极高易感区集中于中南部和东南部内陆，Central Kootenay等地区为暴露热点。ENSO和PDO遥相关仅间接影响野火；易感性与独立跨境模型一致（Spearman ρ=+0.42）。该框架为易感性建模、暴露优先排序和适应规划提供了可解释基础。
关键技术与方法方面，研究人员以来自加拿大野火信息系统（CWFIS）和国家火灾数据库（NFDB）的1992个≥70 ha野火事件为火灾样本，另生成1992个非野火点（采用20 km排除缓冲和最小间距以避免空间自相关），构成1:1分类样本并按70/30分层划分训练集与测试集。研究采用递归特征消除（RFE，通过迭代剔除不相关特征以降低冗余）从18个预测因子中筛选出15个；使用粒子群优化（PSO，一种受鸟群觅食启发的群体智能优化算法）优化LSTM和BiLSTM的超参数；通过10折空间交叉验证和独立测试集评估模型；利用SHAP进行全局和局部解释；将最优模型的极高易感等级与道路、住户、树木和牧场等图层叠加，评估十个行政区的潜在暴露，并以美国FSim燃烧概率模型进行跨境一致性验证。
研究结果方面：3.1 特征选择：RFE从18个预测因子中保留15个，剔除非信息变量，降低模型复杂度并减少偏差。3.2 野火趋势与格局：Theil-Sen估计显示过火面积呈显著增加趋势（+16,645 ha·yr
?1），≥70 ha野火次数呈较弱上升；Thompson-Nicola和Cariboo是野火事件最多的行政区。3.3 时空密度：野火密度自2000年代初至2024年总体增加，2023年最高；高密度集中在5—8月，夏季为最活跃季节。3.4 气候变异：野火季（5—8月）较非野火季显著更热、更干，最高温度、蒸散和比湿更高，而降水、土壤湿度和风速更低；2000—2024年野火季最高、平均和最低温度均显著上升。3.5 模型验证：PSO优化显著提升模型性能，BiLSTM-PSO准确率82.51%、召回率82.83%、特异度82.18%、精确率82.29%、F1分数82.56%，独立测试AUC为0.916，
