奥地利地区人为引发森林火灾的脆弱性因素

《Fire Ecology》：Local drivers of anthropogenic forest fire ignition vulnerability in Austria

　　

摘要

背景

在气候变化的影响下，森林火灾变得越来越频繁且破坏性更强，对生态系统和社会构成了威胁。现有的用于模拟森林火灾易发性的机器学习方法往往缺乏进行局部尺度评估所需的空间分辨率，依赖于有限的人为引发压力代理指标，并且对引发因素及其在不同局部条件下的变化了解有限，这限制了这些方法在开发具有实际意义的火灾危险模型方面的实用性。

结果

我们利用2012年至2021年间记录的1569起森林火灾事件以及同等数量的非火灾样本，开发了一个用于评估奥地利地区人为森林火灾易发性的机器学习框架。该模型整合了高分辨率的环境、社会经济、基础设施相关和人类活动变量，以在奥地利各地的空间分辨点位置上估算概率性脆弱性评分。一个基于网络的工具可以在50×50米的网格上可视化这些预测结果，并在较低缩放级别下实现自适应聚合。CatBoost和随机森林模型的精确度达到了80.7%，准确率为77.9%，超过了之前奥地利研究中约60%的准确率。这两种模型都产生了高度一致的空间模式，并特别识别出奥地利东部和南部的火灾高风险区域。可解释人工智能（Explainable AI）分析显示，跑步频率、建筑密度和细燃料湿度代码具有积极影响，而坡度则具有负面影响，从而使局部引发因素及其空间相关性变得清晰可见。

结论

所提出的框架能够实现高分辨率的人为森林火灾易发性映射，并通过可解释人工智能（XAI）驱动的多标准评估方法，同时揭示了环境因素和人为因素的相对影响。这些模型在局部和区域尺度上识别出了历史上火灾频发的区域，表明人为因素与既定的环境条件共同构成了火灾易发性的关键驱动因素。更广泛地说，这种方法论和研究发现展示了可解释和可理解的机器学习如何帮助评估在不同局部条件下哪些变量是相关的，从而支持有针对性的缓解和适应计划以及更具情境意识的模型开发。未来需要进一步的工作来评估在不断变化的人为和环境压力下的火灾危险性。