《Geomatics, Natural Hazards and Risk》：Leveraging explainable artificial intelligence and satellite time-series for unravelling nonlinear environmental drivers of post-wildfire vegetation recovery
编辑推荐：
理解野火后植被恢复对于气候变化下的生态修复至关重要。本研究以2024年3月中国高山生态系统雅江县严重森林火灾为案例，将时间序列预测与可解释机器学习相结合，利用Landsat导出的差分归一化燃烧比（dNBR）增强多源预测因子。在相同的时间顺序划分下对十一种模型进
理解野火后植被恢复对于气候变化下的生态修复至关重要。本研究以2024年3月中国高山生态系统雅江县严重森林火灾为案例，将时间序列预测与可解释机器学习相结合，利用Landsat导出的差分归一化燃烧比（dNBR）增强多源预测因子。在相同的时间顺序划分下对十一种模型进行基准测试，随机森林最准确地预测了植被指数残差（测试集R2 = 0.842，均方根误差RMSE = 0.0230）。SHAP分析得出了三个主要见解。首先，恢复受短期累积而非瞬时气象条件的控制：大气压的三期滚动平均值是最强的预测因子（占总SHAP重要性的41.6%），而dNBR作为单一因素排名第一，作为火灾遗留效应的控制因素总体排名第二。其次，恢复遵循以火灾后第一年为中心的强烈非线性动态，燃烧严重度的抑制效应在恢复早期至中期达到峰值，并在第二个生长季减弱，此后滞后的水热驱动因素反弹。第三，协同增强效应显著：土壤湿度与蒸散发的相互作用以及土壤湿度与恢复持续时间的相互作用分别达到了单独湿度效应的4.5倍和3.9倍，证实水分通过累积耦合调控恢复力。这种综合的、机制驱动的方法为易发生火灾的高山地区的灾后生态系统管理提供了依据。
一、研究背景与研究意义
在全球气候变化背景下，野火事件呈显著上升趋势，极端气象条件如干旱、高温和风速增加延长了火灾季节并加剧了火灾行为。野火不仅对森林生态系统造成严重破坏，还对人类健康和社会经济系统产生深远影响，例如2023年加拿大野火释放的细颗粒物（PM?.?）可能导致全球超过87,000例过早死亡。尽管遥感技术为区域尺度的灾后植被监测提供了关键支持，但传统线性模型或单因素分析方法难以充分揭示火灾后植被恢复过程中存在的显著非线性和多因素耦合效应。现有观测数据仍较为碎片化，多数研究聚焦于短期响应过程，对长期生态恢复背后的复杂机制认知不足。因此，亟需一种能够兼顾预测精度与生态可解释性的集成分析框架，以系统刻画灾后植被恢复过程及其驱动机制。
二、研究内容与结论
研究人员以2024年3月发生于中国四川省甘孜藏族自治州雅江县高山生态系统中的严重森林火灾为案例，整合多源遥感数据与气象再分析数据，构建了一个涵盖气象、地形、人类活动和火灾干扰等多维驱动因子的时间序列数据集。通过引入时间变量、滞后特征和交互项，旨在捕捉环境因素在不同时间尺度上的累积效应和协同作用。研究结果表明：在灾后植被恢复的时间预测任务中，随机森林（RF）模型的预测性能最优（测试集R2 = 0.842，RMSE = 0.0230），优于其他十种对比模型；短期累积的大气压状态是恢复过程的主导驱动因子，而燃烧严重度（dNBR）作为火灾遗留效应的独立控制因素，其抑制作用在恢复早期至中期最强，并在第二个生长季后衰减；多因素之间的协同增强效应显著，其中土壤湿度与蒸散发及恢复时间的交互作用远强于其单独效应。这项研究弥合了预测精度与生态可解释性之间的差距，为易发火灾的高山地区的生态恢复评估和火灾风险管理提供了科学依据。
三、关键技术方法
研究人员采用了一套四阶段集成分析工作流程。第一阶段，通过Savitzky-Golay去趋势分解将原始归一化差异植被指数（NDVI）分解为低频趋势和高频残差，以残差作为预测目标来隔离短期环境响应。第二阶段，进行系统性特征工程，从多源预测因子中生成滞后变量、滚动平均统计量和基于物理机制的交互项。第三阶段，在严格的时间顺序训练/测试划分下对十一种回归模型进行基准测试，包括线性正则化模型（岭回归、弹性网络）、核方法（支持向量回归SVR）、装袋集成（随机森林RF、极端随机树ET）、提升集成（梯度提升GBoosting、XGBoost、LightGBM、CatBoost）、堆叠集成（Stacking）以及神经网络（多层感知器MLP），以选择最准确稳定的模型。第四阶段，通过多层SHAP分析对所选模型进行解释，涵盖单因素重要性、交互效应以及驱动因子贡献的时间演变。数据来源包括MODIS MOD13Q1植被指数产品、ERA5-Land日尺度再分析数据集、VIIRS夜间灯光数据、航天飞机雷达地形测绘任务（SRTM）数字高程模型（DEM）以及Landsat Collection 2地表反射率数据。研究区位于雅江县，以（101.015°E，30.031°N）为中心设立半径20公里的圆形研究区，研究时段为2017年1月至2025年11月。
四、研究结果
1. 模型对比实验结果分析
在相同的特征选择方案下，不同模型在灾后NDVI预测任务中的表现差异显著。随机森林（RF）模型取得了最高精度，测试集R2达到0.842，均方根误差（RMSE）为0.023，平均绝对误差（MAE）为0.020，均优于所有其他模型。其他基于树的模型和提升模型构成明显的第二梯队，梯度提升、XGBoost和LightGBM的测试集R2分别为0.776、0.762和0.740。线性模型和核方法表现相对较弱，弹性网络和支持向量回归（SVR）的测试集R2仅为0.555和0.342。在计算效率方面，RF的训练时间仅为0.37秒，远低于其他高精度模型（如XGBoost 2.91秒、堆叠集成3.98秒）。因此，RF被选为后续SHAP可解释性分析的基准模型。
2. SHAP可解释性分析
单因素驱动力排序与交互模式： 排除交互项后，火灾严重度指数dNBR成为最具影响力的单一因素，其平均|SHAP|值为0.009，超过所有环境因子。低dNBR值（弱燃烧或大部分恢复区域）集中在负侧，高dNBR值（更严重燃烧斑块）聚集在正侧，表明燃烧严重度的遗留效应呈现出非线性、分化的控制作用。大气压（P）作为单一因素排名第二，平均|SHAP|值为0.006。
含交互项的综合驱动力分析： 纳入交互项后，前十大驱动因子揭示了多因素协同效应的关键贡献。一期滞后大气压（P_lag_1）的平均SHAP值约为0.014，高于二期滞后大气压（P_lag_2）。土壤湿度与火灾后天数（SM×D）的交互项平均SHAP值约为0.011，显著高于SM单独的贡献（约0.002），充分说明SM的有效性需要随时间积累才能发挥显著作用。
交互效应分析： 九个最强的特征交互中有八个以三期滚动平均大气压（P_roll3）为一方，将其确定为交互网络的枢纽。最强的交互P_roll3×D的平均绝对交互值为0.002630，在大约655 hPa阈值以上急剧转为正值并随恢复时间增强。P_roll3×dNBR交互排名第二（0.002201），在阈值以上骤降至强负值，表明持续高压条件下，更长的恢复时间促进正向NDVI响应，而更大的燃烧严重度则强化抑制作用。SM×ET（蒸散发）和SM×D的交互效应分别达到单独湿度效应的4.5倍和3.9倍。
驱动因子SHAP值的时间演变： 大气压及其滞后衍生因子组呈现一致的单向轨迹，在火灾后第一年（约365天）达到负谷底，随后持续增强。dNBR的贡献在前约450天内持续为负，在约390天附近达到约-0.015的谷底，随后回升并在约475天跨越零线，表明燃烧严重度的约束效应随恢复进程衰减。多个因子组（P、ST、T_lag2、E_lag2）在大约500-575天窗口内同步转为正值，表明后期恢复中存在累积压力、热力和蒸散发条件的协同促进作用。三期滚动平均特征是影响力最大的类别，占总|SHAP|的44.1%，其中P_roll3单独贡献了模型总|SHAP|的41.6%。
五、讨论与结论
在讨论部分，研究人员指出，野火并非仅有破坏性，在适应火的生态系统中，火可以加速养分矿化、减少竞争、打开冠层增加林下光照，从而启动次生演替。SHAP归因识别出短期累积的大气压状态是首要控制因素，其滚动均值捕捉了单日值无法反映的持续性天气型态。dNBR作为独立的火灾遗留效应，其贡献主要为抑制性。土壤湿度虽然单独作用微弱，但通过五种转换形式进入前十，表明它是一个非线性的、依赖于背景的调节因子。时间演变围绕火灾后第一年组织，大多数驱动因子组在此达到负谷底并同步反弹，为植被记忆效应提供了数据驱动的证据。八项最强交互涉及P_roll3，确认了平滑大气压作为交互枢纽的地位。
研究结论部分指出，恢复管理应具有阶段特异性和严重度特异性。在早期阶段，当dNBR抑制最大时，应优先对最严重燃烧的斑块进行减胁迫处理；在火灾后第一年后，管理应日益促进自然演替。由于单因素效应较弱而交互作用较强，协调土壤湿度保持与蒸散发及预期环流条件应优于单独灌溉。这套可解释的时间序列工作流程可推广至其他易发火灾、生态脆弱地区，为精准、分阶段的灾后生态管理提供机制驱动的参考。
