Integrating earth observation and machine learning for forest fire risk assessment in Rasuwa district, Nepal

近年来，复杂的地形和日益增多的森林火灾事件使高山环境易受森林火灾影响，对生态和经济福祉构成威胁。然而，山区相关的森林火灾研究仍然有限。本研究旨在通过整合十一个预测图层（生物物理、地形、气候和人为因素）和随机森林（RF）模型，评估尼泊尔山区拉苏瓦地区的森林火灾风险。由于多重共线性问题，降水因子被排除在外。模型采用曲线下面积（AUC）和真实技巧统计量（TSS）进行验证。模型的AUC为0.9，TSS为0.67，显示出较强的预测性能，生成的火灾风险图具有较高的可靠性。模型预测森林火灾风险的最重要因子为海拔、温度、归一化植被指数（NDVI）和距居民点的距离。研究表明，拉苏瓦地区29.66%的森林面临火灾风险，其中卡利卡农村自治市的风险最高（53.7%）。在研究区域内，约30%的火灾事件发生在海拔3000米以上。研究结果可帮助相关利益方和主管部门制定有效的森林管理计划，优先将已识别的高风险区域纳入早期预警系统和可燃物管理。