黑龙江省森林火灾数据驱动的火灾原因识别与预测

《Ecological Indicators》:Data-driven fire cause identification and prediction for forest fires in Heilongjiang Province, China

【字体: 大 中 小 】 时间:2026年07月11日 来源:Ecological Indicators 8.7

编辑推荐:

  森林火灾通常由闪电或人类引起,分别称为闪电火(lightning-caused fire)或人为火(human-caused fires)。火灾原因识别对于火灾个案研究和后续的森林火灾预防与控制至关重要。大量历史森林火灾记录被归类为“原因不明”,这阻碍了有效的

  
森林火灾通常由闪电或人类引起,分别称为闪电火(lightning-caused fire)或人为火(human-caused fires)。火灾原因识别对于火灾个案研究和后续的森林火灾预防与控制至关重要。大量历史森林火灾记录被归类为“原因不明”,这阻碍了有效的火灾管理。为解决这一问题,研究人员收集了与中国黑龙江省气象、植被、地形和人类活动相关的8类27个变量,这些变量将用于火灾原因识别。研究人员分析了每种火灾原因的高发变量峰值,并利用空间分析技术检验了不同火灾原因的空间聚类。通过熵权-TOPSIS方法(entropy weight-TOPSIS)评估了八种机器学习算法,以确定最优的火灾原因预测模型,并将其应用于预测未知火灾原因。结果表明,闪电火主要发生在大兴安岭地区,吸烟相关火灾集聚在黑河与鹤岗交界处,农林业火灾分布在黑龙江省多个火灾易发区。熵权-TOPSIS分析确定多层感知器(MLP)为最优模型,综合得分为0.91。MLP的关键驱动因素包括日平均蒸发量(DME)、海拔、未完成初等教育成年人比例(AWCE)和植被类型,其SHAP值均超过0.15。MLP模型在大兴安岭等主要火灾易发区显示出高预测精度,解决了区域火灾原因预测难题。此外,对于约52.4%的未知原因火灾,MLP提供了两种可能原因,且这两种原因预测概率之和超过80%。本研究提出了一个森林火灾原因预测的综合框架,能够识别历史未知原因火灾并协助未来的火灾原因判定。该方法为火灾管理提供了科学依据,提高了预防效率,并为森林火灾风险减缓提供了关键见解。
# 数据驱动的黑龙江省森林火灾原因识别与预测:研究解读

## 研究背景与意义

森林生态系统在地球生态功能和经济价值中占据核心地位,是区域生物多样性的主要载体和动植物物种的关键庇护所,驱动着生物地球化学循环(包括碳和氮)、能量传递及全球气候调节。然而,森林极易受到自然和人为干扰,其中森林火灾是最常见的自然灾害,由自然或人类活动引发。闪电是几乎所有自然森林火灾的起因,而人为火灾多分布在荒野-城市交界区(WUI),威胁人民生命财产安全。准确有效的火灾活动预测一直是森林火灾管理者和研究者的核心关注点。现有研究多聚焦于量化相关驱动因素对火灾发生的影响,识别统计显著特征,并基于这些特征利用线性或非线性机器学习模型预测火灾事件。然而,大多数研究仅单独分析自然或人为因素对不同火源类型的影响,缺乏对不同点火源独特驱动机制的深入探讨。随着遥感技术的发展,几乎所有森林火灾都能被卫星、观测塔、无人机等监测到,但遥感技术无法识别点火原因。由于火灾点破坏、证据缺失等因素,越来越多的火灾被归类为原因不明。在美国西部、土耳其、法国南部,未知原因火灾比例分别达50%、54%和60%以上。利用不同点火原因驱动机制的差异预测未知原因火灾,可为火灾调查人员提供关键参考,补充历史未分类火灾信息,有助于制定科学且有针对性的区域火灾管理策略。

黑龙江省作为中国最大的国有重点林区,也是天然林保护的关键区域,同时其北大荒地区是最重要的粮食生产基地。全省农林用地交错分布,点火源高度多样化,给人为火灾管理带来巨大挑战。高纬度的大兴安岭地区尤其易发生闪电火,其随机性难以预防。从2003年至2023年,黑龙江省共记录1158起森林火灾,其中10%为原因不明火灾。本研究旨在利用机器学习分类算法,基于自然条件(气象、地形、植被、可燃物)、火灾点距居民区和农田的距离以及社会经济变量等驱动因素预测火灾原因,并推断未知原因火灾的可能起因。研究主要解决两个问题:不同火灾原因之间驱动因素的差异是什么,以及如何建立火灾原因预测方法。

## 主要技术方法

研究人员收集了2003至2023年间黑龙江省森林火灾历史记录中的8类火灾原因(闪电火、农林业火、吸烟火、短路火、生活用火、反常火、境外火、未知火)及27个变量,涵盖气象、植被、地形和人类活动四大类。数据来源包括国家海洋与大气管理局(NOAA)气象数据、ERA5再分析资料、中国气象局日照数据、中国植被图、全球数字高程模型(ASTER GDEM V2)、中国土地覆盖数据集(CLCD)等。在模型开发中,研究人员首先将已知原因数据集按3:1比例分层抽样分为训练集和测试集,对连续变量进行标准化,对分类变量进行独热编码,并通过方差膨胀因子(VIF)阈值为5进行多重共线性诊断,最终筛选出18个连续变量。采用八种机器学习算法(AdaBoost、极端随机树、梯度提升、LightGBM、多层感知器、随机森林、支持向量机、XGBoost)进行训练,并使用贝叶斯优化进行超参数调优(200次迭代,10次重复5折分层交叉验证)。利用熵权-TOPSIS方法,基于准确率、平衡准确率、马修斯相关系数(MCC)、Kappa系数、对数损失、精确率、F1分数和AUC八个指标对算法进行综合评价,确定最优模型。SHAP值用于解释特征重要性。最后将最优模型应用于185起未知原因火灾的预测。

## 研究结果

### 3.1 森林火灾时空分布

黑龙江省森林火灾中,闪电火占主导,主要分布在大兴安岭,少量在黑河和伊春;农林业火较少,主要发生在南部大兴安岭、小兴安岭、三江平原和松嫩平原等农林区域;吸烟火共118起,主要分布在小兴安岭和长白山等东部山区;短路火12起,发生在林业生产区;生活用火主要分布在牡丹江和七台河;反常火数量少,较多在双鸭山和鸡西交界;境外火多从内蒙古传入;未知火约占16%,散布于各火灾易发城市。时间上,闪电火年际波动上升后近年下降,人因火灾先增后减;月分布上,闪电火仅6-7月高峰,其他火灾在4月、5月和10月出现双峰;不同防火期分布显示短路火在春防期,闪电火在夏季生长季,农林业火在春秋防期。

### 3.2 不同变量对森林火灾发生的影响

地形方面,农林业火集中在低海拔(200-300米)平坦耕地,闪电火在高海拔(600-700米)山区,几乎所有火灾随坡度增大而减少,南坡和半阳坡火灾频率高于北坡。距离因素上,短路火均靠近农田,农林业、生活、反常火多距农田1公里内,未知火也靠近农田,境外火靠近省界。植被方面,闪电火NDVI(归一化植被指数)高峰与夏季高植被绿度相关,人因火灾在NDVI≈0.35处高峰;闪电火多发生在针叶林和草甸,农林业火在阔叶林、草甸和农田,吸烟火分布相似。气象因素上,闪电火在高温(22℃左右)、高相对湿度、低风速(1.5 m/s)、低降水条件下仍有发生,而人因火灾在降水>5mm时消失;日平均蒸发量(DME)对闪电火较高,其他火灾较低。人为因素上,人口密度增加初期火灾稳定后下降,GDP先升后降,人类足迹指数(HFI)类似;教育水平中,未完成初等教育成年人比例(AWCE)呈复杂双峰,中学(MS)和大学以上呈单峰。FWI系统(加拿大森林火险等级系统CFFDRS)中,FFMC差异不大,闪电火和吸烟火在较高干旱码(DC)下发生,BUI和ISI随指数先增后减。

### 3.3 火灾原因预测

基本数据统计显示所有连续变量均值、标准差等,反映极端条件。通过多重共线性诊断,最终保留18个变量,包括NDVI、海拔、坡度、DMT、DMP、DMWS、DMRH、SD、DME、DTPB、DTC、HFI、PD、GDP、AWCE、MS、FFMC、FWI。混淆矩阵表明,所有算法对闪电火识别准确率高(除Ada外均>0.9),人因火灾预测精度不一,短路火常误判为吸烟或农林业火,Ada在反常火上表现好,SVM和XGB对生活火达1.0,Ada对境外火1.0。AUC值显示RF、GBM、XGB、GB、MLP均>0.9。熵权-TOPSIS综合评价确定MLP为最优模型,综合得分0.91,MCC和Kappa系数分别为0.60和0.59,对数损失0.66。SHAP分析显示DME、海拔、AWCE、植被类型为核心驱动变量(SHAP>0.15),天然特征(NDVI、DMT、季节类型、FWI)影响较大,社会经济特征(HFI、GDP、PD)影响较小。不同火灾原因的正负驱动逻辑不同:闪电火受DME、海拔、DMRH、NDVI正向驱动;农林业火受DME、NDVI负向影响,与较低教育水平相关;反常火在高海拔和低温下概率低;生活火受HFI正向驱动;境外火驱动因素较分散;吸烟火受DMRH抑制,AWCE和MS正向影响。MLP模型在火灾高发城市(大兴安岭、伊春、黑河)预测精度高,在低样本城市(鹤岗、牡丹江)精度较低。对未知原因火灾的预测显示,第一高概率原因中农林业火占49.7%,吸烟火22.7%,闪电火9.2%等;若将前两种原因概率之和>80%视为可靠,则52.4%未知火有可靠结果;若阈值降至70%,比例升至77.8%。

## 讨论与结论

讨论部分指出,核心变量(如DME、海拔、AWCE、植被类型)的影响机制与森林火灾理论一致。蒸发量与地表可燃物含水量密切相关,在高纬度地区(如芬兰)已纳入火险等级系统,建议黑龙江省也重视蒸发量监测。海拔反映了人类可达性和植被分布,闪电火在高海拔集中,人因火在低海拔高活动区。教育水平中,AWCE高与吸烟火、农林业火相关,提示防火教育需针对性优化。与其他研究比较,本研究的火灾原因预测框架更适应当地条件,考虑了多种原因(包括低频原因如反常火、境外火),而未简单删除。模型比较中,MLP在熵权-TOPSIS评价中优于其他算法,但需注意机器学习应结合火灾科学理论基础,避免黑箱模型。研究局限性包括数据时间覆盖不足、样本不平衡、极端天气影响考虑不够、不同城市预测精度差异等。未来应扩展时空范围、增强不平衡数据处理、发展机理与机器学习混合模型。对管理政策的启示包括:加强蒸发量监测、在低海拔区实施可燃物管理、针对不同教育群体设计防火教育、根据植被类型设置差异化预警措施。

研究结论部分翻译:准确识别点火原因是有效管理火源、减少野火资源损失的基础。针对原因判定困难和大量未知原因火灾的问题,本研究调查了气象、植被、地形和人为变量对不同原因火灾发生的影响,评估了多种机器学习算法的预测性能,选择了最优算法,并将其应用于推断历史未知原因火灾。结果表明,在熵权-TOPSIS评估框架下,MLP算法在原因预测中取得了较高的综合精度,尤其擅长处理不同原因样本不平衡问题。MLP预测的关键驱动变量包括日平均蒸发量(DME)、海拔、未完成初等教育成年人比例(AWCE)和植被类型。MLP模型在黑龙江省森林火灾高发地级市表现出高预测精度,并在未知原因火灾预测中表现良好。因此,本研究提出的方法框架为传统调查难以确定原因时提供了科学依据。此外,不同变量类型对各种火灾原因影响的分析为制定针对性森林火灾预防策略和政策提供了有价值见解。未来获取更高质量和更广泛的数据,结合更先进的算法,有望进一步提升区域森林火灾防控能力,这对于在全球变暖背景下火灾频发时减少资源损失至关重要,将提高社会-生态对气候变化的适应能力,并促进气候变化减缓措施的制定。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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