气候变化下黑龙江省森林火灾发生风险预测(Prediction of Forest Fire Occurrence Risk in Heilongjiang Province Under Future Climate Change)
《Forests》:Prediction of Forest Fire Occurrence Risk in Heilongjiang Province Under Future Climate Change
Zechuan Wu,
Houchen Li,
Mingze Li,
Xintai Ma,
Yuan Zhou,
Yuping Tian,
Ying Quan and
Jianyang Liu
编辑推荐:
在全球气候变化背景下,森林火灾日益破坏黑龙江省生态系统稳定性并重塑物种分布。因此,量化火发生驱动因子并进行长期火险预报对该区域生态安全具有重要价值。本研究以黑龙江省林区为中心,系统评估了地形、植被及气象条件等多源因子对火发生的相对贡献,并比较了带残差连接深度神
在全球气候变化背景下,森林火灾日益破坏黑龙江省生态系统稳定性并重塑物种分布。因此,量化火发生驱动因子并进行长期火险预报对该区域生态安全具有重要价值。本研究以黑龙江省林区为中心,系统评估了地形、植被及气象条件等多源因子对火发生的相对贡献,并比较了带残差连接深度神经网络(Deep Neural Network with Residual Connections, ResDNN)、人工神经网络(Artificial Neural Network, ANN)和支持向量机(Support Vector Machine, SVM)三种模型的预测性能。基于历史火记录的建模结果表明,ResDNN模型精度最高(85.6%),凭借其强非线性映射能力,在捕捉复杂特征交互方面优于ANN和SVM,证明其对黑龙江省森林火险预测具有良好的适用性。在此基础上,研究人员采用最优ResDNN模型结合CMIP6(Coupled Model Intercomparison Project Phase 6)多模式气候预估数据,模拟并绘制了2030—2070年森林火灾发生概率的时空分布图。结果直观呈现了未来气候情景下长期火险演变轨迹,为气候变化背景下区域防火、监测、预警及森林管理提供科学支撑。
论文解读:《Prediction of Forest Fire Occurrence Risk in Heilongjiang Province Under Future Climate Change》(发表于Forests)
一、研究背景与意义
火灾是塑造陆地生态系统的基本地球系统过程,影响地表反照率和碳平衡。近几十年全球变暖使森林防火期延长约20%,伴随升温、干旱频发及湿度降低,全球森林火灾频次与强度均呈上升趋势。森林火发生受气候、地形、火源及可燃物条件等多因子交互调控,属高度复杂非线性过程。以往研究多依赖Logistic回归等参数方法或浅层机器学习,对高维非线性特征交互刻画不足;传统深层神经网络(DNN)随层数加深易出现梯度消失与退化问题。黑龙江省位于中高纬度,是我国重点国有林区,春季干旱多风、秋季干燥,林下可燃物载量大,火险防控形势严峻。在此背景下,研究人员引入残差学习框架克服深层网络训练瓶颈,构建带残差连接的深度神经网络(ResDNN)并与ANN、SVM对比,筛选最优模型耦合CMIP6多模式气候情景推演2030—2070年林区火险时空演变,量化驱动因子贡献,为区域火险区划与资源管理提供依据。
二、主要关键技术方法
研究人员以黑龙江省林区为研究区,选取2011—2020年防火期(3—11月)MODIS(MOD14A1)热异常产品置信度>85%的"植被火"像元为正样本,结合林业局地面火点记录校验,在非林区外按1:1比例于火点10 km缓冲区内生成负样本构建平衡数据集。纳入13个解释变量:气象因子——月最高温(Tmax)、月最低温(Tmin)、月均温(Tave)、月降水量(PPT)、相对湿度(RH)及气候水分亏缺(Climate Moisture Deficit, CMD);地形因子——高程(Elevation)、坡度(Slope)、坡向(Aspect,自DEM提取并重采样至1 km);人为干扰因子——距居民点(resa_dist)、铁路(lrrl_dist)、公路(lrdl_dist)欧氏距离;植被因子——可燃物类型(ID)。数据经Z-score标准化后按7:3划分训练/测试集(固定随机种子seed=42)。分别构建:(1)ResDNN——输入层→全连接层(512神经元)→两个残差块(256、128神经元,含快捷连接Shortcut Connections、Batch Normalization、ReLU、Dropout=0.2)→Sigmoid输出,Adam优化器(lr=0.0001, batch=64, Early Stopping patience=30);(2)标准MLP型ANN(两层隐藏层64/32神经元,ReLU+Sigmoid,Adam+binary cross-entropy);(3)SVM(RBF核,C=1.0,gamma=scale)。采用Accuracy、Precision、Recall、F1-score及AUC评价。利用Permutation Feature Importance(PFI,重复10次)与SHAP(Shapley Additive exPlanations)解析特征贡献。最优ResDNN耦合CMIP6多模式集合(Multi-Model Ensemble, MME)月气候数据(SSP1-2.6/SSP2-4.5/SSP3-7.0/SSP5-8.5),在1 km格网下模拟2030—2070年火发生概率并制图。
三、研究结果
3.1. Feature Importance(特征重要性)
基于ResDNN的PFI与SHAP分析显示,高程(Elevation)和月最低温(Tmin)贡献最高,其次为气候水分亏缺(CMD)、相对湿度(RH)和降水量(PPT),再次为坡度(Slope)、Tmax、Tave);可燃物类型(ID)和距居民点距离(resa_dist)贡献较小但仍正向;坡向(Aspect)、距公路(lrdl_dist)及距铁路(lrrl_dist)贡献最低。SHAP表明低高程、低RH关联正SHAP值(促进火发生),高新海拔、高RH关联负贡献;距居民点/道路/铁路越近SHAP值越高,反映人为干扰增加火险。最终保留全部13个因子以维持特征空间完整性。
3.2. Performance Comparison of ResDNN with ANN and SVM Models(模型性能比较)
ResDNN准确率85.6%、AUC=0.908、Recall=90.3%,均高于ANN(准确率81.5%)和SVM(准确率77.8%),Precision与F1-score亦最优。结果表明ResDNN具更强整体判别力与火点检出灵敏度(漏报率低),最适用于黑龙江省森林火险预测。
3.3. Forest Fire Occurrence Probability Prediction Based on ResDNN(基于ResDNN的火发生概率预测)
ResDNN对2011—2020年历史火点预测稳定可靠。耦合CMIP6的2035年9月火险空间分布显示:四情景下高风险区集中分布于大兴安岭北段及西北侧("北高南低、西高东低"),小兴安岭及完达山以低风险为主。随辐射强迫增强(SSP1-2.6→SSP5-8.5),高风险斑块向北扩展并连片,极高危险区面积显著增大,表明极端气候情景下秋防期火险明显升高。
3.4. Evolution Trend of Forest Fire Risk Under Future Climate Scenarios(未来气候情景下火险演变趋势)
2030—2070年经5年滑动平均处理,各SSP早期波动同步,中期分异:SSP5-8.5与SSP3-7.0高危火点数加速上升,2070年SSP5-8.5较SSP1-2.6高约15.7%;SSP1-2.6近基线水平无显著增长。累积高危火点数与全球平均地表温度异常(Global Mean Surface Temperature Anomaly, GMSTA)呈阶梯正相关(SSP5-8.5>SSP3-7.0>SSP2-4.5>SSP1-2.6),证实变暖对极端火险的非线性放大效应;序列中存在约2058年相对峰值及2048/2066年谷值,反映太平洋年代际振荡(Pacific Decadal Oscillation, PDO)等气候系统内部变率影响。
四、讨论与结论总结
讨论部分指出:高程与Tmin构成火发生基本控制框架——低海拔因积雪早融、可燃物偏干更易起火,较高Tmin削弱夜间火活动抑制屏障;CMD、RH、PPT组成第二气候驱动组,低RH明确促进火发生。可燃物类型及距居民点距离虽贡献次之于气候地形因子,但反映燃料属性与人为干扰的补充作用;距路/铁路近处火险升高印证人类活动对火空间格局的影响。Tmax、Tave、坡向及距路/铁路距离因信息被主导因子涵盖或仅具局部作用而贡献较弱。ResDNN优越性源于深度非线性变换与残差连接(Residual Connections / Shortcut Connections)缓解梯度消失,自动提取从低级环境特征到高级火险模式的分层表征,且高Recall适合防火漏报敏感场景;传统ANN受限于浅层特征交互,SVM依赖核函数选择且难自动学多级特征。时空预测验证历史期稳定,未来高风险核心区锁定大兴安岭,不同SSP差异提示需依减排路径制定差异化防火资源分配与气候适应策略。研究未考虑植被演替、土地利用剧变及防火政策大幅调整的非平稳性影响,CMIP6单用MME未细分模式间变异,未来可引入动态植被模型闭环模拟"气候–植被–火"交互并评估模式间不确定性。
结论(Conclusions): 融合PFI与SHAP解析确认气象(尤其高程、Tmin、CMD、RH、PPT)、地形、人为及植被因子为火发生核心驱动,气象影响最显著。ResDNN、ANN、SVM精度均>75%,其中ResDNN准确率85.6%为最优模型,擅长非线性特征学习与多因子交互识别。耦合CMIP6四SSP情景(SSP126/SSP245/SSP370/SSP585)的2030—2070年模拟显示高危火险区主要位于大兴安岭北段及西北侧并随变暖幅度和辐射强迫扩大。研究证实带残差连接的深度神经网络(ResDNN)适于复杂环境下林区火险制图与未来情景预测,成果为黑龙江省尤其是大兴安岭等高火险区制定前瞻性防火策略与气候变化适应规划提供定量化科学依据。