🌐 文献导览

题目：Synergizing ground-based and satellite observations for Forest fire prediction: seasonal drivers and model-derived thresholds in the greater Khingan Mountains

作者：马赫，张恒*, 班擎宇，张剑峰, 周庆

期刊：Ecological Indicators

中科院分区：1区

发布日期：2026年07月21日

DOI：10.1016/j.ecolind.2026.115234

论文封面

摘要：林火是寒温带生态系统的关键干扰机制。为解决单一数据源监测的局限，本研究整合了2001—2024年的地面记录和MODIS数据，构建了大兴安岭双源数据集。研究使用13折空间分块交叉验证评估了四种机器学习架构（BRT、XGBoost、RF和ANN）。结果证实两种数据源均一致识别出东部农林交错带为高风险区。然而，显式的时空交叉验证揭示了高度条件依赖的事件匹配——卫星探测在夏季密冠期间严重受限（15.14%），但在秋季落叶期间激增（66.67%）。这一物理分异决定了不同的监测优势：地面记录穿透盛夏冠层盲点，而MODIS捕捉偏远天然火。基于卫星的集成算法实现了最高预测精度（合并AUC>0.83）。此外，SHAP分析量化了驱动机制的季节演化——春季火险期由强风和人为活动主导，日均最低温度−3°C成为关键物理临界点；夏季火险期由水热平衡控制，15天累积降水和NDVI是主要预测因子，40毫米降水阈值标志着风险拐点。高风险区表现出明显的季节迁移：春季从东部转移到夏季的中北部原始林区，再到秋季重新聚集在东部和西南部。因此，研究倡导时空差异化的监测框架：春秋季在东部优先人为防范，夏季在北部聚焦雷击火。

📡 研究背景

林火是全球生态系统面临的主要自然灾害之一，对生物多样性、全球碳循环和人类社会经济活动构成严重威胁。除了改变森林生态系统的物种组成和结构外，林火还加剧森林退化并释放大量温室气体和气溶胶，从而对区域和全球气候系统产生深远的反馈效应。近年来，在全球变暖的"放大效应"驱动下，林火的频率和严重程度显著加剧，这一趋势在高纬度寒温带森林尤为明显。因此，在全球变暖背景下，精准预测林火风险已成为生态学和环境科学领域的关键议题。

在中国，内蒙古大兴安岭是最大且最连续的原始寒温带森林区。作为重要的碳汇和生物多样性保护区，该地区也是林火高发区。位于欧亚永久冻土带南缘，该地区拥有由大陆性季风气候和茂密针叶林相互作用塑造的高度复杂火环境。与单一火因主导的地区不同，大兴安岭具有明显的二元性特征：它是中国雷击火最集中的地区，夏季高温雷阵雨频繁引发天然火；相反，在春秋两季——农林生产高峰期——农林交错带的人为用火和上山采野菜等人类活动频繁。这种自然与人为驱动因子的时空交替和演替，使该地区林火发生预测极具挑战性。

高质量的火灾观测数据是构建高精度预测模型的前提。目前，林业部门提供的地面记录包含准确的起火时间、原因和扑救信息，被视为历史火灾分析的"黄金标准"。然而，受可及性、通信覆盖有限和巡逻半径限制，这些数据常表现出显著的空间采样偏差，倾向于记录城镇、居民点和道路网附近的火，而在偏远腹地留下监测空白。相反，基于MODIS和VIIRS等传感器的卫星观测具有覆盖广、高频监测的优势，客观捕捉偏远无人区的热异常。然而，光学遥感在特定环境中也有局限——特别是在高冠层郁闭度的原始森林中，茂密冠层可能掩盖地表或地下火的热辐射信号，导致漏检。现有研究常聚焦于单一数据源的建模，忽视了系统评估多源数据时空互补性及其对模型性能差异影响的重要性。

分析林火发生的驱动机制是预测建模和制定有效火灾管理策略的核心。气象、地形、植被和人类活动通过复杂的非线性相互作用驱动火灾发生。在季节尺度上，气候因子通过调节温度、降水和可燃物含水率对林火产生累积效应。因此，同一驱动因子对不同季节火灾发生的贡献和方向影响可能差异巨大。超越传统静态视角、考虑火灾驱动因子的季节演化模式，对于提高预测模型的泛化能力和深化对火灾机制的理解至关重要。本研究正是针对上述挑战，利用大兴安岭2001—2024年的长期多源数据，构建整合地面记录和卫星观测的双源林火数据集，并引入SHAP可解释性框架，深入分析火灾驱动因子的非线性响应机制。

🌍 主要方法

1. 双源林火数据集构建

研究构建了整合地面记录和卫星观测的双源火灾数据集。地面记录来自内蒙古林业和草原局，包含2001—2024年1223份经验证的林火档案；卫星观测采用NASA FIRMS发布的MCD14DL全球月度活跃火产品（1公里分辨率），经掩膜排除、置信度筛选（≥80）、时空去重（1公里/24小时）和季节过滤后，最终获得5073个有效卫星火点样本。负样本（非火点）以1:1比例在森林覆盖区内随机生成，施加严格时空约束（最小1公里欧氏距离、基于历史火灾月度概率分布赋时间属性）。

2. 双源互补性定量评估

研究在建模前进行了显式的事件匹配交叉验证，将时间窗口（±1、±3、±7天）与空间缓冲（1、3、5、10公里）组合，在四个时间尺度（全火险期、春季、夏季、秋季火险期）严格分层评估匹配率。同时设立对照组，严格基于地面记录中的官方火灾严重性等级排除小火灾，仅对官方定级的"大火"和"重大"林火重复匹配分析。

3. 时空数据分区与评估框架

基于《内蒙古自治区森林防火条例》和区域物候特征，将全火险期（3月15日—11月15日）分为三个连续季节研究阶段：春季火险期（3.15—6.15）、夏季火险期（6.16—9.14）、秋季火险期（9.15—11.15）。采用双维度评估框架：时间泛化评估使用前向时间序列分块（2001—2020年训练，2021—2024年独立测试）；空间可转移性评估采用留一区域法13折空间分块交叉验证。

4. 机器学习模型构建

选择36个变量（气象、地形、植被、基础设施、社会经济5大类）作为潜在驱动因子。通过VIF（方差膨胀因子）进行特征选择消除多重共线性，构建并优化四种机器学习模型：BRT（提升回归树）、XGBoost（极端梯度提升）、RF（随机森林）和ANN（人工神经网络），使用AUC、Accuracy、Precision、Recall和F1-score多维指标评估。

5. SHAP可解释性分析

引入基于合作博弈论的SHAP方法，统一量化边际特征贡献，可视化因子间的非线性响应和交互作用。计算SHAP交互值分析环境因子间的非线性耦合关系，表征不同因子对火灾发生的协同或拮抗效应。

🌍 数据来源

1. 林火数据

● 地面记录：内蒙古林业和草原局提供的2001—2024年1223份验证林火档案，含准确的起火时间、原因和扑救信息，作为高置信度地面真值。

● 卫星观测：NASA FIRMS发布的MCD14DL全球月度活跃火产品（1公里分辨率），经多阶段清洗后获得5073个有效火点样本（2001—2024年）。

2. 气象数据

● 中国地面气象资料日值数据集（V3.0）：来自国家青藏高原数据中心（TPDC），研究区及周边14个国家气象站观测记录，计算日均/最高/最低温度、相对湿度、风速和24小时降水，并衍生15天和30天累积降水。

● ChinaMet高分辨率气象强迫数据集：提供潜在蒸散发（PET）和实际蒸散发（AET），表征水分亏缺状态。

3. 地形与植被数据

● ASTER GDEM V2数字高程模型（30米分辨率）：计算高程、坡度、坡向等地形变量。

● 月度合成NDVI产品（250米分辨率，TPDC）：表征地表可燃物负荷和植被生长状态。

4. 基础设施与社会经济数据

● 基础地理信息：来自国家地理信息公共服务目录，包括铁路、道路、居民点、防火隔离带、消防队和瞭望塔，使用ArcGIS近邻分析工具计算样点到各要素的欧氏距离。

● 人口密度（WorldPop）、网格化GDP数据和长时序夜间灯光指数（VIIRS）：表征宏观经济强度对林火的潜在驱动效应。

5. 研究区概况

● 内蒙古大兴安岭重点国有林区：位于中国东北边境，总面积约1067万公顷，海拔165—1741米；寒温带大陆性季风气候，年均降水约442毫米（85%—90%集中于6—8月生长季），无霜期仅70—100天；植被以兴安落叶松为主，伴生白桦、山杨和樟子松。2001—2024年累计过火面积达30.88万公顷。

🔍 研究结果

1. 时空特征与事件级匹配

研究分析了2001—2024年两种数据源在不同时间尺度上的林火频率。地面记录显示大兴安岭24年间共发生1223次经验证林火，年均约51次；MODIS数据检测到5175个林火热点，年均约216次。值得注意的是，MODIS记录的火灾频率显著高于地面记录，且两者时间分布存在鲜明差异。年际变化上，地面记录的峰值年为2007年（140次），其次是2006年（100次）；MODIS数据识别2003年为最高频率年（681个热点），其次是2008年（502个热点）。

月度变化上，季节分布模式截然不同。地面记录显示火灾主要发生在5—7月，6月频率最高（353次），5月次之（282次），冬季（12—2月）无火灾记录。相反，MODIS热点高度集中于3—5月，3月热点最多（1369个），4月次之（1037个），8月（445个）和10月（399个）也相对较高。总体上，地面记录的火灾分布呈现明显的"单峰"模式，高度集中于夏季；MODIS数据呈"双峰"模式，春季为主峰、秋季为次峰。这种季节分布模式的鲜明对比暗示两种数据源在捕捉特定类型林火能力上存在固有差异。

在严格±1天时间窗口下，空间扩展（1公里到10公里）揭示了高度分异的季节匹配特征。当评估包含小火灾的所有地面记录时，各季节总匹配率持续较低。然而，当分离官方定级的"重大"火灾时，匹配率显著提升且变化巨大：夏季火险期重大火灾匹配率在3公里空间缓冲处出现明显拐点（12.68%），在10公里缓冲下稳定于15.14%；秋季火险期重大火灾匹配率持续飙升，3公里达41.67%，10公里缓冲下峰值达66.67%。这些高度可变且条件依赖的匹配率定量证实了地面和卫星数据集捕捉了物理上截然不同的火灾子集，明确验证了独立建模策略的必要性。

图1 研究区概况（地理位置、土地覆盖、基础设施、双源火点分布、高程）（原文Fig. 1）   

图2 基于双源数据互补性和可解释机器学习的林火驱动机制分析方法框架（原文Fig. 2）   

图3 2001—2024年地面记录与卫星观测林火频率的年际和季节变化对比（原文Fig. 3）   

2. 机器学习模型性能评估

时间泛化评估：在全火险期，基于卫星的模型普遍优于地面模型。卫星BRT模型表现最佳（AUC=0.9305，准确率0.8626，F1=0.8193）；最优地面模型为ANN（AUC=0.8466，F1=0.7282）。季节性能差异显著：春季卫星XGBoost超越所有模型（AUC=0.9753，F1=0.8659，召回率0.9378），而最优地面模型ANN显著滞后（AUC=0.7939，F1=0.5352）；夏季两种来源模型均表现优异（地面XGBoost AUC=0.9312，卫星ANN AUC=0.9317）；秋季最优卫星模型为RF（AUC=0.9520，F1=0.9109），最优地面模型BRT因低精度（0.5000）导致F1降至0.6667。

空间可转移性评估：留一区域法13折空间分块交叉验证的合并指标显示模型在完全未见地理空间上保持稳健预测力。全火险期最优卫星模型BRT合并AUC=0.836，最优地面模型ANN=0.706。卫星模型在夏季表现出强空间可转移性（ANN AUC=0.892）；地面模型在夏季也可靠（XGBoost AUC=0.836）。秋季地面模型性能相对下降（BRT AUC=0.590），主要归因于该特定时期样本量极其有限。总体上，尽管较时间验证有所下降，模型成功捕捉了林火的广义物理驱动因子，未过度拟合空间自相关。

图4 不同数据源和季节尺度下机器学习模型性能指标雷达图比较（原文Fig. 4）   

3. 驱动因子的多视角分析

重要性排序：SHAP分析显示地面和卫星模型的驱动因子相对重要性和类别不同。全火险期地面模型中气象因子累计贡献最高（52.4%），相对湿度和海拔排名前两位；基础设施因子贡献（28.7%）超过地形（14.8%）。卫星模型中气象因子同样占主导（50.7%），最高温度、15天累积降水和风速为关键指标；但地形因子贡献（20.3%）超过基础设施（18.4%），且植被因子NDVI（5.8%）在卫星模型中更显著。季节差异：春季地面模型气象贡献43%、基础设施30.9%（海拔、相对湿度、距防火隔离带距离、距消防队距离排名前四）；卫星模型地形占主导（25.3%），海拔为首要因子。夏季气象因子主导两模型，卫星模型植被相关指标达到季节峰值贡献（13.51%），NDVI排名第一。秋季驱动机制显著不同，地面模型社会经济因子贡献19.4%（人均GDP排名第一）；卫星模型地形变量贡献20.8%，海拔排名第一。

非线性响应：夏季卫星模型中15天累积降水呈指数衰减趋势——降水低于40毫米时SHAP值保持高正值，超过该阈值后SHAP值迅速降至负值范围（40毫米降水阈值成为风险拐点）；春季卫星模型中相对湿度在45%处出现拐点（低于25%时SHAP贡献达峰值），最低温度在−3°C至0°C范围出现显著转折点（与春季融雪和地表可燃物暴露物理过程高度吻合）；夏季卫星模型中NDVI呈单峰模式，0.3—0.75区间正贡献集中，超过0.78时SHAP转为负值。

交互强度：BRT模型交互分析显示大兴安岭林火驱动因子普遍呈稀疏交互（大多数因子对H统计量低于0.1）。但特定时期和因子组合表现出显著更高交互强度：全火险期地面模型NDVI与月均降水交互最强（H=0.22）；春季卫星模型月均风速与气压交互达全研究期最高（H=0.31）；夏季地面模型月均实际蒸散发与30天累积降水交互最强（H=0.15）；秋季地面模型距防火隔离带距离与相对湿度交互最强（H=0.16）。

图5 基于SHAP的驱动因子重要性排序（多季节对比）（原文Fig. 5）   

图6 关键驱动因子的非线性响应（SHAP依赖图）（原文Fig. 6）   

图7 驱动因子交互强度分析（BRT模型H统计量）（原文Fig. 7）   

4. 林火易发性时空分布特征

高风险区表现出明显的季节迁移模式。春季火险期，高风险区主要分布在东部农林交错带，受强风和人为活动驱动；夏季火险期，高风险区转移至中北部原始林区，主要由雷击火和水热平衡驱动；秋季火险期，高风险区重新聚集在东部和西南部，与植被衰老和秋收活动相关。这种季节迁移模式与SHAP揭示的驱动机制演化高度一致，印证了时空差异化监测框架的必要性。

图8 林火易发性的时空分布特征（季节迁移模式）（原文Fig. 8）   

⚛️ 结论

主要发现：

1.双源数据物理互补性：地面记录穿透盛夏密冠盲点，卫星在秋季落叶期检测率激增至66.67%，两者捕捉物理上不同的火灾子集，验证了独立建模的必要性。

2.卫星集成模型优势：基于卫星的BRT、XGBoost、RF模型在多季节表现优异（AUC>0.93，F1>0.80），且在空间可转移性上保持稳健。

3.驱动机制季节演化：春季由强风和人为活动主导（−3°C最低温度临界点）；夏季由水热平衡控制（40毫米降水阈值、NDVI）；秋季由地形和社会经济因子驱动。

4.风险区季节迁移：高风险区从春季东部→夏季中北部原始林→秋季东部和西南部，与驱动机制演化一致。

管理启示：

●时空差异化监测框架：春秋季在东部农林交错带优先人为防范，夏季在北部原始林区聚焦雷击火监测。

●阈值化预警：−3°C最低温度、40毫米15天累积降水等物理临界点可直接纳入早期预警系统。

●多源数据整合：单一数据源存在固有盲点，未来林火预测应整合地面记录和卫星观测以弥补监测空白。

●季节针对性防范：基于SHAP揭示的各季节主导驱动因子，制定差异化的防火资源配置和宣传教育策略。

🔖 引用格式

Ma H, Zhang H, Ban Q, et al. Synergizing ground-based and satellite observations for Forest fire prediction: seasonal drivers and model-derived thresholds in the greater Khingan Mountains[J]. Ecological Indicators, 2026, 189: 115234. 

📋免责声明

       公益传播和学习目的，内容源于官网期刊论文。使用AI进行解读，如有错误请联系我们修改或删除。     

💡温馨提示

       由于微信公众号调整了推送规则，为确保您能第一时间收到我们的更新，请将"全球变化与风险防范"设为星标（操作方法：公众号主页→右上角菜单→设为星标），或每次阅读后点击页面下方的"点赞👍"和"推荐❤️"。感谢您的支持！