中国贵州省贵阳市森林火灾发生的驱动因素及预测模型

本研究基于贵阳市2001-2020年小尺度森林火灾数据，综合考虑气象、地形、植被及社会经济因素，构建随机森林和逻辑回归预测模型。结果显示气象因素（湿度、温度、降雨量）主导火灾发生，模型在验证集表现优异（准确率95.96%，AUC 0.998），2021-2023年数据验证显示强预测能力，并生成火灾风险分区地图，为精准防控提供依据。

　　

摘要

背景

森林火灾呈现出明显的区域差异。识别其驱动因素并开发预测模型对于早期预防和控制至关重要。尽管之前的研究已经探讨了中国西南地区的驱动因素，但由于模型预测在不同空间尺度上的差异以及对其可靠性的验证不足，这些模型在精细管理和风险分区中的应用受到了限制。基于此，本研究利用贵阳市2001年至2020年的小尺度区域森林火灾数据来分析其时空分布模式。通过综合考虑气象、地形、植被和社会经济因素，我们确定了森林火灾的主要驱动因素，并随后开发了数据驱动的概率火灾预测模型，即随机森林模型（RFM）和逻辑回归模型（LRM）。随后，将数据分为60%的训练集和40%的测试集，该过程重复了五次。训练集用于参数调整和模型构建，而测试集用于模型验证。使用性能评估指标（如准确性、精确度和召回率）来评估模型的稳健性和泛化能力。此外，还使用额外的数据集（2021年至2023年）对最优模型进行了时间和空间上的验证。最终生成了贵阳市的森林火灾风险分区图。

结果

结果显示，贵阳市的火灾事件最初有所增加，随后有所减少；97%的森林火灾主要发生在1月至4月期间。气象因素（月平均相对湿度、温度和月累计降雨量）是森林火灾发生的主要驱动因素，其重要性（%IncMSE）显著高于地形和人为因素。在五个随机样本中，RFM在预测火灾概率方面显著优于LRM。在全部样本中，RFM的准确率为95.96%，曲线下面积（AUC）为0.998，同时保持了高精确度和召回率。月平均相对湿度、温度和累计降雨量的特征重要性得分均超过了9%。此外，RFM在额外数据集上也表现出稳健的性能，准确率为82.61%，AUC为0.724，显示出较强的火灾预测能力。最终生成的森林火灾分区图表明，春季的火灾风险最高，其次是夏季，秋季和冬季的风险较低。

结论

本研究阐明了空间尺度如何影响火灾驱动因素的识别和模型预测性能，解决了以往研究中关于多尺度比较和机制解释的空白。除了提供尺度效应的理论解释外，该研究还提供了经过验证的森林火灾风险分区图。这些发现对该地区的科学森林火灾管理具有重要意义，并为研究不同尺度下的火灾驱动因素提供了参考。同时，可以指导相关部门在高风险时期实施有针对性的预防措施，并优化关键区域的监测基础设施。