Ecological Engineering & Environmental Technology·10月6日 · 周二论文农业遥感与作物表型阅读 0
Evaluation of risk scenarios in Ecuador using Visible Infrared Imaging Radiometer Suite remote sensing, ERA5-Land climate data, and XGBoost
César José Avila Martínez · Byrone Antonio Almeida Salazar · Byron Gustavo Almeida Gavino 等 6 人
论文解读
66接近精选线
速览
结合VIIRS热异常、ERA5-Land气象数据与XGBoost，构建厄瓜多尔5公里分辨率森林火灾风
方法
VIIRS热异常与ERA5-Land气象变量，5公里网格加XGBoost分类，处
发现
测试集精度81%，AUC 0.8382；降水亏缺与季节时相比地表温度更主导火险。
机会点
可将该遥感+机器学习火险框架迁移至中国农林交错带，融合植被指数与人类活动因子提升预警精度。
影响力8
信息增量20
专业深度17
信源权威12
时效性9
方法扎实、数据规模大的遥感+机器学习火灾风险建模论文，但属厄瓜多尔区域研究，对国内三农信息化仅有方法借鉴价值。
原文摘要
本研究旨在通过整合机器学习与卫星遥感技术，开发并优化厄瓜多尔森林火灾的空间风险情景模型。为此，研究处理了VIIRS传感器捕获的103 224条历史热异常记录，以及来自ERA5-Land全球再分析数据的五个连续气象变量、空间坐标（纬度和经度）和时间指标（月份），时间跨度为2015年至2025年。方法基于构建5公里分辨率空间网格并结合XGBoost分类算法，旨在高效应对极端气候事件下的类别不平衡问题。该计算系统在测试集上达到了81%的准确率，以0.86的真阳性率和0.8382的ROC曲线下面积验证了其稳健性。此外，特征重要性分析确定，降水亏缺和季节时序是点火风险的主要驱动因素，其影响显著大于地表温度。研究结论认为，这一可扩展且开放获取的工具通过情景实验实现了对安第斯和沿海地区脆弱区域的高精度制图，旨在优化国家预防资源在全球变暖持续威胁下的配置。