基于人工智能的森林火灾易发区制图:一种遥感与机器学习方法
《Land Use Policy》:Artificial intelligence-driven forest fire land susceptibility mapping: A remote sensing and machine learning approach
【字体:
大
中
小
】
时间:2026年06月26日
来源:Land Use Policy 6.6
编辑推荐:
段旭龙|穆罕默德·哈西卜|扎伊娜布·塔希尔|赛义德·阿默尔·马哈茂德|阿基尔·塔里克中国云南省昆明市云南开放大学城市建设学院,邮编650500
摘要:森林火灾对生态稳定性构成严重威胁,尤其是在巴基斯坦开伯尔-普赫图赫瓦省这类气候脆弱且地形复杂的地区。本研究旨在识别哈扎拉地区的森
段旭龙|穆罕默德·哈西卜|扎伊娜布·塔希尔|赛义德·阿默尔·马哈茂德|阿基尔·塔里克中国云南省昆明市云南开放大学城市建设学院,邮编650500
摘要:森林火灾对生态稳定性构成严重威胁,尤其是在巴基斯坦开伯尔-普赫图赫瓦省这类气候脆弱且地形复杂的地区。本研究旨在识别哈扎拉地区的森林火灾发生的主要环境因素和人为驱动因素,并评估机器学习模型在空间易发性制图方面的预测性能。我们假设气候变率、植被状况以及人为可及性共同影响森林火灾的分布规律,而海拔则可作为这些环境梯度的间接空间指标。本研究旨在比较四种机器学习分类器——随机森林、支持向量机、XGBoost和梯度提升机在森林火灾易发性制图中的预测性能。研究使用了2100个地理参考点的数据集(1050个火灾点,1050个非火灾点),最初考虑了34个预测因子,这些因子来自四个主题领域:地形因素(海拔、坡度、地貌等)、基于植被的归一化差异植被指数、净初级生产力、叶面积指数等、气候因素(降雨量、最高温度、最低温度、土壤湿度)以及人为因素(距道路、居民点和水道的距离)。经过方差膨胀因子分析后,筛选出13个关键预测因子。接收者操作特征分析表明,在所评估的分类器中,随机森林的预测性能最佳(AUC=0.90),其次是支持向量机(AUC=0.87)、XGBoost(AUC=0.86)和梯度提升机(AUC=0.85)。随机森林和XGBoost对地形和植被指数的反应更为显著,而支持向量机则对气候参数更敏感。在所有模型中,海拔、人为因素和温度始终位列重要预测因子,这体现了地形和人类活动距离的重要性。空间分析结果显示,哈扎拉地区南部的低海拔城郊森林边缘地带火灾易发性较高。尽管该建模框架具有强大的预测能力,但由于卫星火灾检测的准确性以及不同环境预测因子的空间分辨率差异,仍可能存在不确定性。由此生成的易发性地图可为有针对性的减灾措施和更好的森林管理规划提供实用的支持。
引言:森林是地球上最重要的生态系统之一,能带来多种生态、经济和社会效益(Wang等人,2025年)。它们有助于调节全球气候、保护生物多样性、稳定流域,并作为重要的碳汇,减轻温室气体排放带来的影响。然而,在过去几十年里,森林火灾已成为最具破坏性和发展最快的灾害之一(Tan等人,2024年)。这类火灾会吞噬大量植被,向大气中释放大量二氧化碳和颗粒物,从而加剧气候变化并降低空气质量(Li等人,2025年;Uthappa等人,2025年;Wasserman和Mueller,2023年)。此外,人类活动如砍伐森林、农业扩张、无序的旅游业发展以及基础设施建设进一步增加了森林景观的脆弱性(Erdogan等人,2025年)。这些火灾不仅会导致森林生物量的损失,还会对野生动物栖息地、土壤健康以及当地居民的生计造成连锁影响(Mishra等人,2025年)。尽管在卫星监测和火灾检测方面取得了显著进展,但要高精度地预测森林火灾的易发性仍然是一项挑战,尤其是在那些地面数据有限、火灾管理基础设施不完善的发展中国家(Rahimi等人,2024年;Tan等人,2024年)。
在南亚地区,野火和植被火灾是一种重大的自然灾害,会对生态系统、人类生命和经济资产造成严重影响。卫星数据分析显示,印度和巴基斯坦是南亚地区每年火灾发生次数最多的国家,其农田和森林中也频繁出现火灾现象(通过中分辨率成像光谱仪/可见光红外成像辐射计组数据进行分析)(Vadrevu等人,2019年)。2001年至2020年间,巴基斯坦共记录了约175,000起火灾事件,其中仅有22,311起被归类为野火,这表明该国野生区域火灾频发(Rafaqat等人,2022年)。考虑到巴基斯坦的森林覆盖率极低(不到陆地总面积的5%),其与区域内的其他国家相比,火灾发生频率更高,这凸显出其剩余森林生态系统和人类居住区在面对火灾风险时的脆弱性。该地区山区和亚热带森林的生态脆弱性,再加上人口压力不断增加,给有效的森林火灾管理带来了巨大挑战。在开伯尔-普赫图赫瓦省,由于气候压力、长期干旱、温度异常以及森林砍伐、人类侵占和当地用火习惯等人为因素的共同作用,森林火灾事件日益增多(Naseer和Chaudhary,2025年)。哈扎拉地区拥有丰富的针叶林和高生物多样性,近年来也频繁发生火灾,尤其是在雨季前的干旱时期。
尽管一些南亚国家已经投资于先进的遥感技术和火灾监测系统,但仍然缺乏针对当地实际情况、能够综合考虑各种环境和社会经济因素的精确火灾危险模型。这一区域在主动进行森林火灾风险规划方面的不足,凸显出有必要运用机器学习、遥感和地理空间工具来提高预测能力并降低森林火灾风险。先前的研究已经证明了机器学习框架在生态风险建模中的有效性,尤其是在需要处理非线性环境相互作用的森林火灾易发性制图中(Achu等人,2021年)。这些发现进一步支持在气候敏感的森林生态系统中应用比较性的机器学习方法。
随着野火发生频率的上升,遥感和地理信息系统在火灾风险评估中的作用愈发重要。这些技术能够以较低成本提供大规模的环境数据,有助于监测植被状况、土地覆盖变化、地形以及气候变率(Aliani和Mohsen,2025年;Sunil等人,2025年)。MODIS和VIIRS等卫星数据集提供了包括NDVI、地表温度和树木覆盖率在内的关键指标,这些指标可用来反映燃料供应情况以及植被的受压程度。当与机器学习技术相结合时,遥感-地理信息系统框架能够整合地形、气候、植被和人为因素,从而模拟影响火灾发生的复杂非线性关系(Singha等人,2024年)。在南亚那些多山且数据匮乏的地区,这类地理空间机器学习方法尤为重要,它有助于进行空间风险分区以及制定科学的野火管理计划。
虽然遥感和地理信息系统为空间火灾风险评估奠定了基础,但机器学习的引入显著提升了预测的准确性和模型的稳定性(Sayad等人,2019年;Tan等人,2024年;Zhao等人,2024年)。随机森林、支持向量机、XGBoost以及深度学习算法等能够有效捕捉地形、气候、植被和人为因素之间的非线性关系,其性能往往优于传统的统计方法(Freitas等人,2025年;Gigovi,2019年)。这些模型还能进行特征重要性分析,提高模型的可解释性。最近的进展,如集成学习以及谷歌地球引擎之类的云平台,进一步提升了大规模火灾易发性建模和实时分析的能力。
尽管取得了这些进展,现有文献中仍存在一些不足之处。大多数以往的研究都只关注单一的机器学习模型或有限的对比,没有在同一建模框架下评估多种先进的分类器。此外,许多研究没有采用方差膨胀因子等严格的统计筛选方法来处理预测因子之间的多重共线性问题,这可能会影响模型的稳定性和可解释性。另外,巴基斯坦的森林火灾易发性研究仍然较少,尤其是那些将地形、气候、植被和人为因素整合在统一机器学习框架内的研究更为缺乏。对于开伯尔-普赫图赫瓦省的哈扎拉地区,也缺乏高分辨率的火灾易发性地图。因此,本研究的创新之处在于系统地比较了四种机器学习模型——随机森林、支持向量机、极端梯度提升机和梯度提升机,采用了基于方差膨胀因子的变量选择方法,并整合了多种地理空间预测因子,从而为巴基斯坦这个气候敏感且地形复杂的地区生成了可靠且具有空间明确性的森林火灾易发性地图。
本研究旨在为巴基斯坦开伯尔-普赫图赫瓦省的哈扎拉地区开发一种基于机器学习的精确森林火灾易发性模型。本研究的创新点在于采用了多模型比较框架、基于方差膨胀因子的变量筛选方法、平衡的火灾与非火灾样本选取方式,以及为巴基斯坦这个气候敏感的山区地区制定了区域级的操作用易发性地图。本研究的主要目标包括:(一)确定影响森林火灾发生的关键地形、气候、植被和人为因素;(二)系统比较四种机器学习模型——随机森林、支持向量机、XGBoost和梯度提升机的预测性能;(三)生成高分辨率的空间火灾易发性地图,以便用于森林管理的实际操作和早期预警规划。
研究区域:本研究聚焦于巴基斯坦开伯尔-普赫图赫瓦省的哈扎拉地区,该地区面积约为18,013平方公里,地处北纬34°00′至35°10′之间,东经72°55′至74°10′之间,涵盖了阿伯塔巴德、哈里布尔、曼塞拉、巴塔格拉姆、托尔加尔和科希斯坦这六个行政区(Khayyam和Noureen,2020年)。该地区生态多样,海拔从南部平原的300米到北部山区的5946米以上不等,这种地形梯度是由喜马拉雅山脉的形成所导致的。
预测因子的相关性分析:为了研究用于预测森林火灾易感性的34个预测因子之间的相互关系,我们进行了皮尔逊相关性分析(见图7)。这一步骤对于判断各变量之间的线性依赖程度至关重要,它为后续的多重共线性分析和变量选择提供了依据。皮尔逊相关矩阵显示出不同的相关系数,从强正相关(r>0.9)到强负相关(r<-0.9)不等,这些数值反映了变量之间的各种关联程度。
讨论:本研究通过应用四种机器学习分类器——随机森林、支持向量机、XGBoost和梯度提升机,生成了森林火灾易感性地图。以下讨论总结了主要研究结果,将其与类似研究进行了比较,并探讨了这些结果对野火管理及未来研究的意义。随机森林模型的高精确度(0.90)意味着误报率很低,即非风险区域的错误标记较少,这对于高效分配资源非常重要。同时,其高召回率(0.91)也确保了不会遗漏太多真正的火灾风险点。
结论:本研究为巴基斯坦开伯尔-普赫图赫瓦省的森林火灾易感性制图提供了一种全面的地理空间框架,其中运用了最先进的机器学习算法,包括随机森林、支持向量机、梯度提升机和XGBoost。研究共评估了34个初始的生物物理、地形、植被、气候和人为变量,通过多重共线性筛选(方差膨胀因子小于5),最终确定了13个关键预测因子。我们的研究结果表明,地形因素(海拔、坡度)、气候因素(温度、降雨量)、植被因素(NDVI、GNDVI)以及……
CRediT作者贡献声明:穆罕默德·哈西卜:写作——审阅与编辑、写作——初稿撰写、可视化、验证、资金获取、正式分析、数据整理、概念构思。赛义德·阿默尔·马哈茂德:写作——审阅与编辑、写作——初稿撰写、验证、软件使用、资源获取。扎伊娜布·塔希尔:写作——审阅与编辑、写作——初稿撰写、可视化、软件使用、资源获取、正式分析。阿基尔·塔里克:写作——审阅与编辑、写作——初稿撰写、可视化、验证。
伦理审批:所有作者均已阅读并理解《作者伦理责任》相关内容,并按照《作者指南》的要求履行相应义务。同时,他们知道,除少数特殊情况外,一旦论文提交,作者名单便不可更改。
资金支持:本研究得到了云南开放大学提供的资助。
利益冲突声明:作者们声明自己不存在任何可能影响本研究结果的已知财务利益或个人关系。
致谢:我们感谢那些匿名提供有益建议的审稿人。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号