基于可解释机器学习模型的南宁市野火灾害易发性研究

野火易发性评价对野火灾害的前期预防以及灾害管理决策的制定至关重要。目前野火易发性的研究主要集中于提高模型的预测精度,而往往忽略对模型的内部决策机制进行解释分析。为此,构建了一种基于可解释机器学习的野火易发性模型,并详细分析了各因子对野火易发性预测结果的影响。以南宁市历史野火样本为基础,综合考虑样本的空间分布特征,选取高程、归一化植被指数(normalized difference vegetation index, NDVI)、年均降雨和平均气温等18项评价因子,利用分类和回归树(calssification and regression tree, CART)、随机森林(random forest, RF)、轻量的梯度提升机(light gradient boosting machine, LGBM)和极致梯度提升(extreme gradient boosting, XGBoost)4种机器学习模型构建野火易发性预测模型。基于性能最优的易发性模型,运用沙普利加和解释(shapley additive explanations, SHAP)方法完成特征全局性解释、依赖性分析和典型样本的局部性分析。结果表明:XGBoost较其他模型拥有更优的预测性能,其极高易发区位于南宁市西北部、东部及南部,占全域面积的39.113%;野火灾害易发性主要受NDVI、年均降雨、土壤类型等9项因子的影响;对典型历史野火样本的局部性解释结果可为南宁市指定区域的野火灾害的治理提供针对性参考和指导。

基于信息量-机器学习耦合的野火灾害易发性评估

为充分发挥统计学和机器学习模型在野火灾害易发性分析和评估中的优势,以森林资源丰富且深受野火灾害困扰的桂林市为研究区,分别从气候、地形、水文以及人文等方面选取16个评价因子。将信息量(IV)模型分别与逻辑回归(LR)、人工神经网络(ANN)、随机森林(RF)和极致梯度提升(XGBoost)4种机器学习(ML)模型相耦合,对桂林市野火灾害易发性进行评价分析。结果表明,IV-XGBoost模型的AUC和准确率分别为0.957和0.921,具有最佳的预测性能,能够有效评估野火灾害的易发性,并为当地野火灾害的防治提供有价值的参考。