《Environmental Geotechnics》：Assessing the spatiotemporal dynamics of wildfire drivers in Southeast Asia: An explainable spatial machine learning framework
编辑推荐：
本研究基于东南亚地区省级数据，整合地理加权XGBoost（G-XGBoost）与SHAP可解释分析，揭示野火强度（WI）的时空异质性与驱动机制。发现WI受气候、人类活动及植被共同作用，呈现双峰季节模式：春季以农事活动为主，夏季则受降水和植被影响显著。创新性提出SSHA和DBI指标，量化驱动因子贡献及系统稳定性，为区域精准防控提供理论支撑。
雷霞|杨志贤|杨永灵|梁涵|贾成文|李杰|范文轩|刘瑞
中国云南大学地球科学学院，昆明650500
摘要
东南亚（SEA）是全球野火高发区，面临着由气候、人类活动和植被之间复杂相互作用深刻影响的环境挑战。然而，驱动这些野火的空间异质性和季节性动态仍然知之甚少。为了解释影响野火强度（WI）的因素，我们建立了一个结合了地理加权XGBoost（G-XGBoost）和可解释人工智能（SHAP）的空间显式分析框架。我们提出了空间SHAP热点分析（SSHA）和驱动因素平衡指数（DBI）来定量评估驱动因素的贡献和系统稳定性。分析揭示了高强度和高频火灾模式之间的明显时空解耦。G-XGBoost模型捕捉到了这些模式（年R2 = 0.937），证实了其在驱动因素评估方面的稳健性。重要的是，我们的SHAP分析揭示了贡献特征的季节性重要性和相互作用。结果强调了人类活动在春季和秋季的多方面预测重要性。它们还强调了夏季降水对WI的贡献以及春季农业活动与湿度之间的强烈相互作用。例如，在春季，耕作方式和相对湿度是最关键的预测因子，而在夏季，叶面积和气象因素成为主导特征。这些模式标志着火灾系统从以点火为主导转变为受燃料-气候限制。SSHA框架可视化了预测因子效应的空间非平稳性，识别出相对湿度等变量从限制因素转变为促进因素的区域。DBI量化了相反力量的系统平衡，指出了以促进为主的高风险区域。本研究为理解复杂的野火动态提供了一个新颖的、基于系统的视角，并为制定有针对性的火灾应对措施提供了宝贵的基础。
引言
野火已成为全球日益严重的环境挑战，对生态系统、气候稳定性和公共健康构成重大威胁（Jones等人，2024；Lei等人，2024）。在全球气候变化和人类活动加剧的共同压力下，极端野火事件的频率、强度和破坏潜力正在迅速上升（Molina和Herrera，2019）。大规模野火会破坏植被群落、关键栖息地和人类居住区（Lv等人，2025；Mancini等人，2018）。此外，它们排放的温室气体和有害污染物加剧了气候变化并恶化了空气质量危机（Jin等人，2022）。例如，2023年的加拿大野火释放了超过13亿吨二氧化碳，这一数量远远超过了该国多年来的减排成就（Byrne等人，2024）。因此，通过复杂和精确的分析方法深入了解野火的根本驱动因素对于提高预防策略和减轻灾难性影响至关重要。
野火是一种复杂的现象，其发生和传播受到气候、人为和植被相关因素的相互作用的影响（Di Giuseppe等人，2025；Gan，2025）。在不同地区，野火的发生率和强度是由这些因素的耦合相互作用造成的，表现出显著的时空异质性（Huang等人，2015）。例如，温度上升会加速蒸发并导致植被水分不足，使燃料更易燃，从而促进野火的蔓延（Adeyeri等人，2024）。当高温与干旱条件同时发生时，这种效应会显著放大，极大地增加了野火事件的可能性和严重性（Richardson等人，2022）。在人为压力较大的地区，人类活动（如土地利用变化和农业扩张）的影响可能超过自然因素。因此，这些活动重塑了野火的时空模式（Ribeiro等人，2024；Xu和You，2023）。这种多种因素的复杂相互作用使得野火系统高度复杂、动态且不确定。因此，先进和精确的分析方法对于研究野火的复杂贡献因素至关重要。
在研究野火驱动因素时，传统的统计模型在处理复杂、稀疏和非线性关系时存在局限性（Zheng和Shuang，2026）。相比之下，机器学习（ML）技术在探索野火决定因素方面具有更强的建模能力。ML模型擅长处理大规模时空数据并整合异构变量类型。此外，它们能够以高预测准确性捕捉复杂的非线性关系（Amato等人，2020；Cao和Tao，2023）。因此，随机森林（Random Forest）、XGBoost和CatBoost等模型在各种应用中展示了相当大的潜力，包括野火风险评估、火灾检测和影响评估（Collins等人，2018；Tran等人，2024；Zhou等人，2021）。然而，标准ML模型通常假设空间均匀性，从而忽略了地理变量中固有的自相关性和异质性（Kopczewska，2022）。这种简化可能导致模型性能下降和对潜在特征关系的偏见解释（Y. Zhang等人，2025a）。尽管像地理加权回归（GWR）这样的模型可以解决空间异质性问题，但其线性假设限制了其适用性（Yu，2025）。
为了克服这些挑战，引入了空间机器学习（SML）的概念。地理加权XGBoost（G-XGBoost）是一种先进的SML模型，它通过将XGBoost与地理加权原则相结合来修改全局算法（Grekousis，2025）。它为每个空间位置或邻域拟合一个局部的XGBoost子模型，从而同时捕捉空间异质性和非线性关系。此外，G-XGBoost采用了一种集成架构，结合了全局和局部模型，特别关注初始模型预测误差最大的区域。这种方法提高了模型准确性，是相对于之前的SML方法（如地理随机森林和地理加权随机森林（GWRF）（Grekousis，2025；Wu等人，2024a）的一个显著进步。为了提高模型的可解释性，Shapley Additive exPlanations（SHAP）方法可以在不损害模型性能的情况下量化每个预测因子对预测结果的贡献。这种能力有效解决了复杂SML模型的“黑箱”性质（Chen等人，2026；Zakari等人，2025）。因此，G-XGBoost与SHAP的结合提供了一个强大的分析框架，可以高精度和透明地剖析野火的根本驱动因素和特征。
东南亚（SEA）是世界上最易发生火灾的地区之一，其野火模式表现出明显的区域差异（Yin，2020）。根据不同的野火和气候模式，该地区大致可以分为大陆SEA和海洋SEA。前者从12月到5月经历火灾高峰期，而后者则从6月到11月达到高峰期（Marvin等人，2024）。此外，频繁的人为活动，如刀耕火种农业、农业扩张和森林清理，与自然气候波动紧密交织在一起。这些因素共同塑造了该地区独特的野火模式（Sasaki等人，2021；Yin，2020）。气候变化加剧和持续的土地利用变化正在加剧SEA的野火风险，突显了深入研究其时空变化决定因素的必要性。
本研究以SEA的省级行政单位作为基本分析单元，旨在构建和应用一个结合了SML和可解释人工智能（XAI）的分析框架。该框架的核心是将先进的G-XGBoost模型与SHAP方法相结合，以精确捕捉和剖析野火强度（WI）背后的复杂非线性和空间异质性关系。这项研究分为三个主要阶段。初始阶段侧重于通过识别SEA范围内野火强度（WI）的时空分布模式和主导的火灾模式来表征野火景观。第二阶段专注于预测建模，通过使用多源数据开发和验证G-XGBoost模型的性能。最后阶段致力于评估和解释。它结合了SHAP方法以及本文开发的新方法（SSHA和DBI）。这种综合方法定量可视化了特征贡献，并阐明了贡献模式和驱动因素重要性的时空变化。本研究的结果预计将为制定更加有针对性和时空适应性的野火管理政策提供关键的科学证据，从而有助于保护区域生态安全、气候稳定性和人类健康。
部分摘录
野火强度数据
美国国家航空航天局（NASA）发布的可见红外成像辐射计套件（VIIRS）375米主动火灾产品（VNP14IMGT）被用作WI数据（Schroeder等人，2014）。选择该产品是因为其具有高检测精度和对小规模火灾的敏感性。从该产品中得出的火灾辐射功率（FRP）被用作量化WI的关键指标（Chatzopoulos-Vouzoglanis等人，2024；Li等人，2018）。为了与……野火强度的时空分布和聚类模式
SEA的WI表现出高度集中的空间模式，并伴随着明显的季节性动态。每年，强度最高的地区集中在东南亚大陆，特别是在老挝、缅甸、柬埔寨和泰国东部，形成了一个连续的高值区（图2a）。季节性WI（图2b-e）和国家层面的动态图表（图S2）共同揭示了两种不同的火灾活动节奏。第一种节奏典型地出现在像老挝这样的大陆国家……火灾模式的时空动态和区域差异
本研究揭示，SEA的WI不是由单一驱动因素引起的。相反，它是由相互作用的各种促进和限制因素的动态系统共同作用的结果。本研究的一个核心贡献是使用了一个空间显式的、可解释的机器学习模型来定量分解驱动因素的相对贡献和时空变异性。分析表明，这些因素之间的平衡表现出基本的时空差异……结论
本研究将空间机器学习与可解释AI相结合，以阐明东南亚WI的时空动态。我们引入了空间SHAP热点分析和驱动因素平衡指数来量化这些复杂关系。我们的结果揭示了显著的时空异质性。具体来说，核心风险区域在大陆和海洋地区之间季节性变化。G-XGBoost模型的表现优于其他方法。它通过同时捕捉……
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
本工作得到了中国国家重点研发计划（项目编号：2023YFF0805504）、云南省教育厅科学研究基金项目（项目编号：2026Y0014）和国家自然科学基金（项目编号：42365007）的支持。
