《Ecological Informatics》：Deep learning prediction of wildfire burned-area extent and burn probability from ignition conditions using topography, fuel, and meteorology in South Korea
编辑推荐：
# 摘要翻译
在 wildfire 被调度的那一刻，要做出扑救、疏散和灾后恢复决策，就需要在任何火线形成之前知道火势会发展多大以及最可能在哪里燃烧。研究人员提出了一种深度学习框架，利用点火时可获得的地理空间和气象条件，无需过程模型所需的详细可燃物载量和水分图，
# 摘要翻译
在 wildfire 被调度的那一刻，要做出扑救、疏散和灾后恢复决策，就需要在任何火线形成之前知道火势会发展多大以及最可能在哪里燃烧。研究人员提出了一种深度学习框架，利用点火时可获得的地理空间和气象条件，无需过程模型所需的详细可燃物载量和水分图，即可生成经过校准的地理参考燃烧概率场，适用于在记录中占主导地位的小型至中等规模的火灾。一个 U-Net 将十二通道输入堆栈——点火先验、地形、可燃物、火灾持续时间和气象——在固定 4.5 km 点火中心窗口（256 × 256 网格，每像素 17.6 m）上映射为单位积分空间分配，同时梯度提升回归根据火灾持续时间和聚合气象预测烧毁面积大小；两者组合成一个连贯场 p(x) = E[A]·a(x)。研究人员在韩国火灾上训练并评估了该框架，地面真实数据取自 Sentinel-2 烧毁面积掩膜，并经官方记录验证（未变换面积 R2 = 0.872，对数空间 R2 = 0.752，检测与官方比率中位数 0.82），预测因子来自 SRTM 地形、卫星燃料代理以及站点和再分析气象数据。在运行包络内（102 起火灾；87 起交叉验证，15 起留出测试），该场在总体上是良好校准的（期望校准误差 0.025），但在稀疏的高概率区间中过于自信。其相对于六个参考基线的优势在于对稀少燃烧类别的精确率：单次火灾的精确率-召回率 AUC 达到 0.429，而最强基线为 0.321（配对 Wilcoxon p = 0.008），而排序能力（单次火灾 ROC-AUC 0.950）仅适度超过气候学基线的 0.904。烧毁面积大小在留一法验证下具有中等可预测性（r = 0.475，存在欠离散），最精细的火线仍受限于无法表示扑救和飞火的输入。对于在记录中占主导地位的常规火灾，基于公共数据的点火时预测可以提供经过校准的燃烧概率场和事件尺度的大小预报，以支持火灾管理和生态风险评估。
# 论文解读
## 一、研究背景与问题
全球范围内，野火是造成严重生态退化、重大经济损失和持续人类安全威胁的最具破坏性自然灾害之一。火后景观面临加速的土壤侵蚀、流域退化和生物多样性丧失，并伴随持续数十年的演替轨迹改变。在朝鲜半岛东海岸山脉地区，陡峭地形、冬季和春季低湿度以及干燥的焚风型西风（当地称为"yanggan风"）共同构成了快速蔓延的有利条件。然而，决定火灾结果的关键决策——扑救力量部署位置、疏散方向引导、灾后恢复规划——都必须在火灾刚被调度、火线尚未形成的那一刻做出。此时响应人员仅有起火点、周围地形和可燃物以及当前天气信息。
传统的野火蔓延模拟方法（如 Rothermel 火蔓延方程支撑的 FARSITE 和 FlamMap 工具）依赖于详细的燃料和气象场数据，而这些数据在点火时预测所需的精度下往往难以获得。耦合的大气-火灾模型虽然能解析精细尺度的火-天气反馈，但其计算成本与时间紧迫的扑救决策不相容。深度学习方法中，许多已有工作预测的是基于已观测火线的次日传播，这种输入在点火时预测中无法假设。因此，亟需一种能够直接从点火时可获得的稀疏信息出发，预测烧毁面积大小和空间燃烧概率的方法。
## 二、研究内容与研究结论
本研究提出了一种深度学习框架，直接从点火时可获得的地理空间和气象输入预测烧毁面积大小和逐像元燃烧概率，无需过程模型所需的详细可燃物载量和水分图。研究在韩国 2018 年至 2025 年间的 wildfire 事件上训练并评估了该框架，运行包络限定为 102 起烧毁面积至少 95% 落在以点火点为中心的 4.5 km 固定窗口内的火灾事件。
研究得出的核心结论是：在调度时可获得的信息范围内，烧毁面积的位置、大小和粗略结构是可预测的，模型生成的校准概率场而非单一硬轮廓是更合适的预测产品。该框架在 15 起留出测试火上超越了全部六个参考基线，在单次火灾精确率-召回率 AUC 上达到 0.429（最强基线随机森林为 0.321），排序能力方面单次火灾 ROC-AUC 达到 0.950，总体校准误差为 0.025。烧毁面积大小在留一法交叉验证下具有中等可预测性（r = 0.475），但存在欠离散问题。细尺度火线几何受限于无法表示扑救努力和随机飞火的输入数据，即便使用真实烧毁面积作为阈值参考，Dice 仅能恢复到 0.413。
这项研究的重要意义在于展示了仅依赖公共数据（Sentinel-2 影像、SRTM 地形、ERA5 再分析和气象站观测）即可在点火时刻生成校准的、地理参考的燃烧概率场和事件尺度大小预报，为火灾管理和生态风险评估提供了新的工具。论文发表在《Ecological Informatics》。
## 三、主要关键技术方法
研究人员构建了双头耦合深度学习框架。空间分配模型采用带自注意力机制的 U-Net 编码器-解码器架构，将十二通道输入堆栈（点火高斯先验、四个地形通道（SRTM 衍生的海拔、坡度、距山脊距离、地形位置指数）、两个燃料通道（树冠高度和火前 NDVI）、火灾持续时间和四个站点气象通道）映射为单位积分空间分配 a(x)。烧毁面积大小模型采用梯度提升回归，从火灾持续时间和聚合 ERA5 再分析气象预测对数空间烧毁面积。两者通过 p(x) = E[A]·a(x) 组合为连贯的概率场，其中 Duan smearing 因子校正重变换偏差。地面真实数据来自 Sentinel-2 Level-2A 影像的自动化烧毁面积检测流程，使用差分归一化燃烧比和相对化燃烧比指数，经韩国林业厅官方记录验证。研究基于 87 起开发火灾进行五折交叉验证，15 起火灾作为留出测试集。
## 四、研究结果
### 4.1 数据集构建与地面真实验证
研究从韩国林业厅火灾数据库汇编了 2018 年 1 月至 2025 年 8 月的火灾事件，经窗口包含准则筛选后获得 102 起火灾，其中 87 起用于交叉验证、15 起用于留出测试。烧毁面积范围为 5.0 至 660.8 公顷（中位数 17.3 公顷，均值 52.3 公顷）。被排除的 16 起火灾是记录中最大的事件（中位数 851.6 公顷），其中 14 起位列前 16 大火灾。卫星检测面积与官方记录在未变换面积上 R2 = 0.872（对数空间 R2 = 0.752），检测与官方比率中位数约 0.82，验证了掩膜作为地面真实的可靠性。
### 4.2 运营点火中心预测
在 15 起留出测试火上，模型在 0.5 阈值下 Dice 系数为 0.377（95% CI [0.292, 0.464]），单次火灾 ROC-AUC 为 0.950，池化 ROC-AUC 为 0.902，微平均 PR-AUC 为 0.344，单次火灾 PR-AUC 为 0.429（燃烧像元基准率仅为 0.028）。总体校准良好，期望校准误差为 0.025，但高概率区间中预测概率平均超过实际燃烧频率约 0.44，存在过度自信。研究发现排序指标和阈值指标差异显著，ROC-AUC 高值表明模型对燃烧/未燃烧像元的排序非常可靠，而 Dice 的适中值反映了在极低基准率下单一阈值复现精确形状的严格要求。
#### 4.2.1 与运营基线对比
模型与六个共享相同信息约束的参考预测器进行比较，在单次火灾 Dice 上以 0.377 领先全部基线：oracle 大小圆盘（0.275）、面积匹配圆盘（0.237）、逐像元逻辑回归（0.205）、逐像元随机森林（0.173）、最近驱动因子邻居（0.134）和气候学平均概率场（0.001）。模型相对于随机森林的配对逐火优势为 +0.108（Wilcoxon p = 0.008，15 起中 13 起更优），相对气候学基线为 +0.163（p = 0.002）。优势在精度-召回率指标上最为明显，排序指标仅适度超越气候学基线。
#### 4.2.2 烧毁面积大小预报
梯度提升大小模型在留一法交叉验证下，仅用火灾持续时间的预测与观测对数面积相关系数为 r = 0.312（RMSE 0.526 dex），加入 ERA5 再分析气象后提升至 r = 0.475（RMSE 0.460 dex），为最强配置。预测-观测关系呈欠分散特征，OLS 回归斜率仅 0.34，表明最小火灾被高估、最大火灾被低估。
#### 4.2.3 站点气象的贡献
容量匹配对比（零化四个气象通道）显示，气象通道使单次火灾 ROC-AUC 平均提升 +0.041（95% CI [0.011, 0.077]，Wilcoxon p = 0.022），但 Dice 和 PR-AUC 的对比虽方向一致但未达显著。气象通道作为整体改善了概率排序能力，而非仅单一方向性通道的作用。
#### 4.2.4 预测场与细尺度火线限制
燃料代理在边界带探针中贡献最大增益（边界带 AUC 增量 +0.076），其次为脊线相对地形通道（+0.050），坡度和气象分组贡献较小。两类证据表明细尺度火线误差源于输入而非模型：第一，以真实烧毁面积作为阈值时 Dice 仅升至 0.413；第二，具有几乎相同点火驱动因素的火灾产生的归一化火线相互重叠程度不比随机配对更好。
#### 4.2.5 训练-验证行为与稳健性
五折交叉验证的平均训练-验证 Dice 差距仅为 0.042，记忆化压力测试确认该差距反映的是训练协议而非容量限制。去除自注意力、逐个移除复合损失项、变化距离权重尺度、缩减骨干网络等消融实验均显示性能对这些设计选择不敏感，表明结果由输入信息决定而非超参数调优。
## 五、讨论与结论总结
讨论部分指出，框架的核心贡献在于双头耦合的连贯产品设计，使预测大小和空间分配保持一致。模型优势在与六种共享信息约束的基线对比中最清晰，精度的优势源于对稀少燃烧类别的高精度识别。生态学意义上，该框架输出的校准地理参考概率场可与保护区边界、栖息地图层或物种分布图相交，用于识别给定点火情景下暴露度最高的保护单元，并支持概率加权的灾后监测。误差分析表明模型可解析烧毁面积的位置、大小和粗中尺度结构，但细尺度边界细节超出静态站点输入可约束的范围。限制包括运行包络局限于小型至中型火灾、留出测试仅 15 起导致统计功效有限、气象数据来自单个最近站点等。未来方向包括扩大事件样本、引入时间编码器、自适应窗口、三维动态燃料描述符以及混合物理约束框架。
结论部分总结：研究提出了一种深度学习框架，将自注意力 U-Net（生成校准的逐像元燃烧概率场）与梯度提升烧毁面积回归相结合，通过 p(x) = E[A]·a(x) 形成连贯场。在韩国 102 起 wildfire 事件的运行包络内，模型产生了总体校准良好的概率场（ECE 0.025）和强大的排序能力（单次火灾 ROC-AUC 0.950），超越全部六个运营基线，约 158 m 尺度即达到分数技巧评分阈值，并能从火灾持续时间和再分析气象预报烧毁面积大小（留一法 r = 0.475）。单次火灾的精细火线仍受输入限制而非模型限制，因此适当的预测产品是校准概率场而非单一硬轮廓。该框架基于公共地理空间数据构建，原则上可迁移至类似火灾易发区域，尽管尚未进行韩国以外区域的验证。研究通过展示一种点火时刻概率燃烧场方法为生态信息学做出贡献，而具体的生态应用仍有待评估。
