农业科学黄土高原野火危险性时空分异及其生态风险评估

岳韦霆; 高云骥; 向中意; 张玉春; 朱辉

doi:10.12404/j.issn.1671-1815.2600176

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (26) :11212-11225 DOI: 10.12404/j.issn.1671-1815.2600176

农业科学

农业科学黄土高原野火危险性时空分异及其生态风险评估

岳韦霆 ¹ ,
高云骥 ¹ ,
向中意 ¹ ,
张玉春 ¹^,^* ,
朱辉 ²

作者信息 +

Assessment of Spatiotemporal Heterogeneity in Wildfire Hazard and Ecological Risk on the Loess Plateau

Author information +

文章历史 +

摘要

黄土高原作为我国典型的生态脆弱区,受气候变化与人类活动叠加影响,野火风险日益复杂且呈增强态势。识别野火危险性的时空特征并评估其潜在生态影响,对区域生态安全与火灾防控具有重要意义。基于2001—2024年多时期野火数据,系统分析了野火活动的时序演变规律,采用机器学习算法构建野火危险性模型,并耦合生态系统服务价值(ecosystem service value,ESV)开展生态风险评估。结果表明:野火危险性呈现显著时空分异性,夏、秋季及非防火期野火活动呈显著增长趋势,揭示了传统防火期外火险压力日益增大的新特征;春、冬季及防火期的高危险区分布范围更广,呈连续带状分布。危险性因子的驱动机制在不同时期存在差异,明确了气象、植被与人类活动贡献的季节变化规律。ESV空间分布呈东南高、西北低的梯度格局,春、冬季及防火期是生态风险管控的关键时期,其高风险区域连续性高,预期ESV损失显著高于其他时期。研究结果可为黄土高原地区制定时空差异化防火策略与维护生态安全提供科学支撑。

Abstract

The Loess Plateau, a typical ecologically fragile region in China, is increasingly facing complex and intensified wildfire risks due to the combined impacts of climate change and human activities. Identifying the spatiotemporal patterns of wildfire hazard and assessing its potential ecological impacts are crucial for regional ecological security and fire prevention. Based on multi-period wildfire data from 2001 to 2024, the temporal evolution patterns of wildfire activity were systematically analyzed, a wildfire hazard model was constructed using machine learning algorithms, and it was coupled with ESV(ecosystem service value ) to conduct an ecological risk assessment.The results show that: wildfire hazard is characterized by significant spatiotemporal heterogeneity. A significant increasing trend is observed in wildfire activity during summer and autumn as well as during the non-fire-prevention period, revealing a new feature of increasing fire risk outside the traditional fire-prevention period. During spring and winter, as well as during the fire-prevention period, the high-hazard areas are more extensively distributed, exhibiting a continuous zonal pattern. The driving mechanisms of hazard factors are found to differ across periods, and the seasonal variations in the contributions of meteorology, vegetation, and human activities are identified. The spatial distribution of ESV is characterized by a gradient pattern, with higher values in the southeast and lower values in the northwest. Spring and winter, as well as the fire-prevention period, are identified as the critical periods for ecological risk management and control, during which the high-risk areas are characterized by strong continuity, and the expected ESV losses are significantly greater than those in other periods. The findings provide scientific support for developing spatiotemporally differentiated fire prevention strategies and for maintaining ecological security in the Loess Plateau.

Graphical abstract

关键词

野火灾害 / 风险评估 / 生态系统服务价值 / CatBoost / 黄土高原

Key words

wildfire disaster / risk assessment / ecosystem service value / CatBoost / Loess Plateau

引用本文

引用格式 ▾

岳韦霆, 高云骥, 向中意, 张玉春, 朱辉. 农业科学黄土高原野火危险性时空分异及其生态风险评估[J]. 科学技术与工程, 2026, 26(26): 11212-11225 DOI:10.12404/j.issn.1671-1815.2600176

YUE Wei-ting, GAO Yun-ji, XIANG Zhong-yi, ZHANG Yu-chun, ZHU Hui. Assessment of Spatiotemporal Heterogeneity in Wildfire Hazard and Ecological Risk on the Loess Plateau[J]. Science Technology and Engineering, 2026, 26(26): 11212-11225 DOI:10.12404/j.issn.1671-1815.2600176

登录浏览全文

4963

注册一个新账户忘记密码

生态系统是人类社会生存与发展的基础,除提供食物、水源等供给服务外,还在气候调节、水土保持及生物多样性维护等方面发挥着不可替代的作用^[1]。然而,在全球气候变化背景下,野火作为一种重要的自然扰动因素,其发生频率与强度呈显著上升趋势,严重威胁生态系统的结构完整性与功能稳定性^[2]。野火不仅直接造成植被破坏、生物量损失和碳循环紊乱,还可能引发水土流失、土地退化等一系列连锁生态效应^[3-4]。因此,系统评估野火危险性并揭示其时空演变规律,对维护区域生态安全具有重要意义。

野火的发生是地形、气象、植被与人类活动等多维因子复杂交互的结果^[5-6]。其中,气象条件(如气温、降水、风速和太阳辐射)调控可燃物的含水率与易燃性;植被特征及其物候变化决定了可燃物载量及空间连续性;高程、坡度、坡向等地形因子通过调节局地微气候和可燃物累积进一步影响火行为;而人类活动则通过改变火源分布改变野火的发生概率与空间格局^[7-10]。鉴于野火危险性的驱动机制具有明显的时间特异性,笼统的年度分析可能掩盖关键过程特征。因此,有必要从多时期视角解析野火危险性的主导驱动机制,以支撑精准化、差异化的火灾风险管理。此外,野火不仅直接破坏植被,还会通过改变土壤结构和水文过程削弱生态系统的服务供给功能^[11]。高强度或频繁的火灾会降低植被净初级生产力,进而影响水源涵养、土壤保持和气候调节等关键功能,加剧区域生态脆弱性^[12]。在此背景下,量化生态系统服务价值并评估其在野火干扰下的潜在损失,成为生态风险评价与环境保护决策制定的关键环节。

作为中国“两屏三带”生态安全战略格局的关键组成部分,黄土高原生态系统对国家生态安全具有重要战略意义^[13-14]。然而,该地区植被动态受自然过程与人为干预双重驱动,气候变化与人类活动交织影响,使野火成为制约生态建设成效的重要风险源。目前相关研究多集中于年度尺度或单一季节的野火风险评估,缺乏对多时期(季节与防火期)危险性演变规律及其驱动机制的全面揭示,更鲜有将生态系统服务价值的时空动态纳入野火生态风险评价框架。

为此,现集成多源遥感数据,将时序趋势检验、机器学习与可解释分析方法相结合,在黄土高原开展多时期野火危险性评估,并耦合动态修正的生态系统服务价值,定量评估不同时期的生态风险。该研究旨在揭示各时期野火主导驱动因子的季节转换规律,并明确高风险区的时空差异与预期生态损失,为区域野火防控与生态安全屏障建设提供科学参考。

1 研究区与野火样本

黄土高原位于中国中北部(33°41'N~41°16'N,100°52'E~114°33'E),跨山西、陕西、甘肃、宁夏、青海、河南及内蒙古七省(自治区),总面积约64万km²,如图1所示。该区域是世界上分布最集中、面积最大的黄土沉积区,也是中国典型的生态脆弱区与关键过渡带。区域地势西北高、东南低,海拔介于800~2 000 m。其气候属大陆性季风气候,降水量自东南向西北递减,且年内分配不均,多集中于夏、秋两季,而冬、春季则干旱少雨。自然植被以草原和森林为主。东南部森林以落叶阔叶林和针阔混交林为主;中部丘陵沟壑区以灌丛和农田为主;西北部植被稀疏,以干旱、半干旱草原为主。近年来,随着退耕还林、三北防护林等重大生态工程的持续推进,区域植被覆盖率显著提升。然而,生态格局的演变加之气候条件的季节性波动,改变了区域内可燃物负荷与分布格局,导致野火危险性及其潜在的生态影响日趋复杂。

野火点位数据来源于主动火点产品MCD14DL数据集。该数据集由Terra和Aqua卫星搭载的中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)获取,具备1 km的空间分辨率,并提供日尺度的逐像元主动火点监测信息^[15]。为获取可靠的野火样本,对原始数据进行了严格筛选:选取时段为2001年3月至2025年2月,以涵盖完整的年度周期;仅保留类型为“Presumed vegetation fire”,且置信度大于80%、火点辐射功率(fire radiative power,FRP)大于10.0 MW的观测记录,以确保所选火点限定为植被火灾且具有一定强

度。同时,参考同期(2001—2024年)MCD12Q1年度土地利用产品,仅保留位于林地、草原、灌木丛等自然植被类型区域的野火样本,剔除位于农田、水体、建设用地等非目标地类的记录。为排除同一野火事件的重复记录,剔除24 h内距离小于1 km的火点。在此基础上,依据黄土高原气候与防火管理实际,将最终筛选出的火点按季节划分为春季(3—5月,2 181个)、夏季(6—8月,639个)、秋季(9—11月,354个)和冬季(12月—翌年2月,382个),并进一步合并为防火期(3—5月及12月—翌年2月,2 563个)与非防火期(6—11月,993个),以支撑不同时期的野火危险性建模与分析,其空间分布如图1所示。

2 研究方法

2.1 时序非参数检验

为探究黄土高原地区不同时期野火活动的时序变化规律,采用非参数统计方法对2001—2024年间春、夏、秋、冬、防火期及非防火期6个时段的年度野火样本数量进行趋势与突变性检验。Mann-Kendall趋势检验是一种基于秩次的非参数统计方法,广泛应用于时间序列趋势显著性分析。该方法不要求数据服从特定分布,通过比较序列中所有前后数据的秩次关系来识别单调趋势^[16]。对于一个长度为n的时间序列{x₁,x₂,…,x_n},其统计量S定义为

(1)

$\mathit{S}=\sum _{\mathit{i}=1}^{\mathit{n}-1}\sum _{\mathit{j}=\mathit{i}+1}^{\mathit{n}}\mathit{s}\mathit{g}\mathit{n}({\mathit{x}}_{\mathit{j}}-{\mathit{x}}_{\mathit{i}})$

(2)

$\mathit{s}\mathit{g}\mathit{n}({\mathit{x}}_{\mathit{j}}-{\mathit{x}}_{\mathit{i}})=\left\{\begin{array}{ll}1,& {\mathit{x}}_{\mathit{j}}-{\mathit{x}}_{\mathit{i}}>0\\ 0,& {\mathit{x}}_{\mathit{j}}-{\mathit{x}}_{\mathit{i}}=0\\ -1,& {\mathit{x}}_{\mathit{j}}-{\mathit{x}}_{\mathit{i}}<0\end{array}\right.$

式中:sgn为符号函数。

当样本量n≥8时,统计量S近似服从正态分布,其标准化统计量Z计算式为

(3)

$\mathit{Z}=\left\{\begin{array}{ll}\frac{\mathit{S}-1}{\sqrt{\mathit{V}\mathit{a}\mathit{r}\left(\mathit{S}\right)}},& \mathit{S}>0\\ 0,& \mathit{S}=0\\ \frac{\mathit{S}+1}{\sqrt{\mathit{V}\mathit{a}\mathit{r}\left(\mathit{S}\right)}},& \mathit{S}<0\end{array}\right.$

式(3)中:Var为方差。

在给定的显著性水平p=0.05下,若|Z|>1.96,则拒绝无趋势的原假设,认为序列存在显著统计趋势;Z>0表示上升趋势,Z <0表示下降趋势^[17]。此外,计算了Kendall’s Tau系数和Sen斜率以量化趋势强度。Tau系数的取值范围为[-1,1],绝对值越大代表趋势越显著;Sen斜率代表序列中位数随时间的变化率,其计算公式为

(4)

$\mathit{\beta }=\mathit{M}\mathit{e}\mathit{d}\mathit{i}\mathit{a}\mathit{n}\frac{{\mathit{x}}_{\mathit{j}}-{\mathit{x}}_{\mathit{i}}}{\mathit{j}-\mathit{i}},\mathit{　}1\le \mathit{i}<\mathit{j}\le \mathit{n}$

式(4)中:β为趋势斜率;Median为中位数。

通过上述指标可综合判断黄土高原各时期内野火活动的年际变化趋势。Mann-Kendall突变检验通过计算时间序列的顺序统计量序列(UF_k)与逆序统计量序列(UB_k),进一步识别野火活动的突变年份与阶段性变化。UF_k序列按时间顺序计算,其值大于0表明序列呈上升趋势,反之则为下降趋势;UB_k序列按时间逆序计算^[18]。若UF_k或UB_k的绝对值超过α=0.05显著性水平对应的置信界限(±1.96),则表明趋势达到统计显著。当UF_k和UB_k两条曲线在置信界限之内相交时,交点对应的年份即可能为突变点^[19]。当交点位于置信区间边界外时,需进一步采用Pettitt突变检验进行验证。

2.2 危险性建模与评估

为系统评估野火危险性,选取地形、人类活动、植被与气象等多维驱动因子,依据时序变化特征分为非时序因子与时序因子两类。非时序因子包括地形特征与人类活动强度。其中,地形因子包括高程、坡度、坡向、地形湿度指数(topographic wetness index,TWI)和水流强度指数(stream power index, SPI)。上述因子基于SRTM DEM利用GIS空间分析工具进行处理,并采用平均法重采样至500 m空间分辨率。对于人类活动因子,距道路距离基于OpenStreetMap主要道路网数据,距建成区距离基于ESA WorldCover 10 m土地覆盖数据,两者均通过欧氏距离计算获取;人口密度数据来源于LandScan全球人口分布数据集(2001—2024年);夜间灯光数据采用由陈佐旗等发布的NPP-VIIRS年度夜间灯光数据集(2001—2024年),以反映人类经济活动强度^[20-21]。时序因子用于表征不同时段的植被状况与气象条件。植被因子采用MOD13A1产品提供的归一化差异植被指数(normalized difference vegetation index,NDVI)。气象因子包括降水量、气温、太阳辐射量、潜在蒸散发及风速,均来源于ERA5-Land再分析数据集,并采用反距离权重法插值至500 m分辨率。所有时序因子均按春、夏、秋、冬及防火期/非防火期时段,提取相应时间范围内的平均值作为建模输入,以捕捉不同时期的动态环境影响。各时期建模因子组合的多重共线性诊断结果(图2)表明,所有因子的方差膨胀因子(variance inflation factor,VIF)均小于10,即因子之间不存在显著多重共线性,满足后续建模需求^[22]。

CatBoost(categorical boosting)是一种基于梯度提升决策树的机器学习算法,其核心优势在于通过有序提升策略有效处理类别型特征并克服梯度偏差,对异构数据和默认超参数配置均表现出优异的性能与鲁棒性^[23]。以各时期的历史野火点作为正样本(1),并相应生成等量的非火点作为负样本(0),按7∶3的比例划分为训练集与测试集。模型训练阶段基于标准化后的特征数据,并采用贝叶斯优化组合五折交叉验证的方法自动确定最优超参数,以提升模型泛化能力。最终,利用测试集评估各时期CatBoost模型的预测性能。

采用受试者工作特征曲线(receiver operating characteristic curve, ROC)及其对应的曲线下面积(area under curve, AUC)评估模型的分类性能。ROC曲线反映不同分类阈值下模型在真阳性率(true positive rate)与假阳性率(false positive rate)间的权衡关系,其越接近左上角说明判别性能越优^[24]。AUC值定量表征了模型区分正负样本的整体能力,其取值范围为0.5~1.0。一般地,AUC>0.9表示模型具有极高的预测精度,AUC在0.8~0.9为良好,AUC在0.7~0.8则表示模型具备稳定的判别能力^[25]。此外,基于各时期CatBoost模型对研究区的野火危险性进行逐像元预测,并采用自然间断点法将其离散化为极低、低、中等、高和极高5个危险性等级。为检验空间区划合理性,引入频率比进行定量评估。频率比定义为某一危险性等级区域内的野火样本占比与此区域面积占比的比值^[26]。若从极低到极高危险性等级的频率比值呈现单调递增的趋势,则表明更高危险性的区域内的野火样本更加集中。频率比值越高,表明在更小的空间范围内包含了更多的野火样本,反映出更优的空间拟合效果与区划精度^[27]。

为解析各因子对各时期野火危险性的驱动机制,采用SHAP(shapley additive explanation)方法对CatBoost模型进行可解释性分析。SHAP基于博弈论思想,通过计算每个特征在模型预测中的边际贡献来量化其影响方向与强度^[28]。通过SHAP摘要图来展示因子的全局影响。如图2中纵轴列出了所有输入特征,并依据其平均绝对SHAP值从高到低排序,以此表示特征对模型输出影响的重要性;横轴为对应的SHAP,代表该特征对于单个预测样本的输出贡献度,其绝对值越大,表明该特征对预测结果的影响越显著;图2中每个点代表一个样本,其颜色表示该样本中特征的原始数值大小(红色代表高值,蓝色代表低值)。基于颜色分布的左右偏移,可反映特征取值变化对预测危险性的影响方向。

2.3 生态系统服务价值计算

生态系统服务价值(ecosystem service value, ESV)是量化自然生态系统为人类福祉所提供产品与服务的经济价值总量的重要指标^[29]。为构建适用于黄土高原地区的ESV评估模型,以谢高地等^[30]针对中国陆地生态系统修订的当量因子表为基础,根据研究区实际情况进行综合修正。具体地,以黄会平等^[31]计算的2020年黄土高原标准单位面积ESV(1 766.92元/hm²)为基准值(ESV_std)。为进一步体现区域自然环境与社会经济异质性,通过粮食单产、净初级生产力(net primary production,NPP)及人均GDP对基准价值进行修正^[32]。公式为

(5)ESV_base=ESV_std

$\frac{{\mathit{Y}}_{\mathit{S}}}{{\mathit{Y}}_{\mathit{N}}}\frac{\mathit{N}\mathit{P}{\mathit{P}}_{\mathit{S}}}{\mathit{N}\mathit{P}{\mathit{P}}_{\mathit{N}}}\frac{\mathit{G}\mathit{D}{\mathit{P}}_{\mathit{S}}}{\mathit{G}\mathit{D}{\mathit{P}}_{\mathit{N}}}$

式(5)中:ESV_base为修正后的价值当量;Y_S和Y_N分别为研究区与全国的粮食单产;NPP_S和NPP_N分别为研究区与全国的植被净初级生产力;GDP_S和GDP_N分别为研究区与全国的人均GDP。

不同时期生态系统的植被覆盖情况具有显著差异。已有研究表明,植被覆盖度与生态系统的服务价值存在显著相关关系^[33]。据此,为体现ESV的季节性波动,依据各时期植被覆盖度(fractional vegetation cover, FVC)对其进行二次修正^[34]。对于某个时期,有

(6)FVC_i=$\frac{\mathit{N}\mathit{D}\mathit{V}{\mathit{I}}_{\mathit{i}}-\mathit{N}\mathit{D}\mathit{V}{\mathit{I}}_{\mathit{m}\mathit{i}\mathit{n}}}{\mathit{N}\mathit{D}\mathit{V}{\mathit{I}}_{\mathit{m}\mathit{a}\mathit{x}}-\mathit{N}\mathit{D}\mathit{V}{\mathit{I}}_{\mathit{m}\mathit{i}\mathit{n}}}$

(7)ESV_i=ESV_base

$\frac{\mathit{F}\mathit{V}{\mathit{C}}_{\mathit{i}}}{\mathit{F}\mathit{V}{\mathit{C}}_{\mathit{m}\mathit{e}\mathit{a}\mathit{n}}}$

式中:FVC_i为第i个栅格的植被覆盖度;NDVI_max和NDVI_min分别为研究区内的NDVI最大值与最小值;FVC_mean为研究区平均植被覆盖度。

由此可综合反映黄土高原地区在不同时期内ESV的空间分异特征及受野火扰动的易损性。

2.4 生态风险性评估

野火灾害的发生会破坏地表植被结构,降低生态系统的稳定性与服务供给能力。为定量评估黄土高原地区生态系统在野火作用下的潜在受损风险,依据联合国人道主义事务部(United Nations Department of Humanitarian Affairs, UNDHA)提出的灾害风险框架,构建野火生态风险评估模型^[35]。

(8)Risk=Hazard×Vulnerability(ESV)

式(8)中:Risk指野火生态风险;Hazard为野火危险性指数;Vulnerability为基于修正后ESV的生态脆弱性指标。

3 结果与分析

3.1 时序演变特征分析

依据Mann-Kendall趋势分析结果(图3),黄土高原2001—2024年间不同时期野火活动的年际变化趋势存在显著差异。在季节尺度上,夏季与秋季呈现极显著上升趋势(p<0.001,Z>1.96)。其中,夏季的Tau系数与Sen斜率为各季节中最高,表明该季节野火活动的增长最为迅速。秋季的Tau系数为0.59,Sen斜率为1,趋势强度次于夏季。冬季呈现显著但较弱的上升趋势(p<0.05,Z>1.96),其Tau系数为0.30,Sen斜率为0.70,说明冬季野火活动增长幅度较季风季节更为缓和。春季则未检测到显著趋势(p>0.05,Z<1.96),表明该时期野火活动在年际尺度上较为稳定。在防火管理尺度上,非防火期的野火活动呈现强烈且显著的上升趋势(p>0.01,Z<1.96),其Tau系数为0.79,Sen斜率为3.32,野火活动增长速度明显。相对而言,防火期虽整体呈上升态势,但趋势未通过显著性检验(p<0.05,Z>1.96),表明该时段内野火活动未发生系统性增强。

进一步采用Mann-Kendall突变分析识别野火活动在年际变化过程中的潜在突变年份(图4)。结果表明,不同时期的突变特征存在明显差异。在季节尺度上,春季UF_k与UB_k曲线于2003年在置信区间内相交,为突变节点。此后UF_k转为正值并于2005年后在显著性临界值附近波动,未呈现持续的显著增长态势。夏季UF_k曲线在2006年转为正值并持续上升,于2010年后超过临界值,且在2011—2014年间与UB_k曲线在置信区间外多次相交。结合Pettitt检验结果[图5(a)],可确认2014年为突变节点,野火活动显著增强。秋季UF_k曲线于2005年转为正值,整体呈上升态势,并于2008年在置信区间内与UB_k相交,为突变节点。随后UF_k在2009年后突破显著性界限,野火活动进入显著增长阶段。冬季UF_k曲线全程为正并持续上升,与UB_k曲线在2004年相交,为突变节点。UF_k曲线于2012年超过临界值,野火活动显著增多。在防火管理尺度上,防火期UF_k曲线自2003年后持续大于0,并与UB_k在置信区间内相交,为突变节点。其后UF_k在临界值附近波动,未呈现持续的显著增长态势。相较之下,非防火期UF_k曲线在2005年起转为正向并快速上升,2007年超过显著性界限,野火活动显著增长。UF_k与UB_k于2011—2012年间在置信区间外相交,结合Pettitt检验结果[图5(b)],可确定2012年为突变节点。

3.2 空间危险性分析与评估

黄土高原不同时期野火危险性空间分布如图6所示。结果表明,野火危险性空间格局具有显著的时空分异特征。在季节尺度上,春季极高与高危险区主要集中分布在黄土高原的东部、东北部及中北部,形成较为连续的高危险带,其面积占比为20.31%。夏季高危险区空间分布较为分散,呈破碎化分布特征,主要斑块位于北部、中北部和西北部,在东部和南部有零星分布,面积占比13.41%。秋季高危险区呈现出“北多南少”的格局,集中于北部、西北部与中北部地区,面积占比17.98%。冬季高危险区范围最广,在东部和西部地区形成两大连片分布区,面积占比29.00%。在防火管理尺度上,防火期的空间格局与春季相似,面积占比20.24%,体现了春季在防火期内的主导地位。相较之下,非防火期危险性水平明显较低,其极高与高危险区的空间分布特征更接近夏季,面积占比15.41%。

为评估各时期野火危险性模型的预测性能与区划合理性,基于测试集绘制了ROC曲线并计算了不同危险性等级的频率比(图7)。预测性能评估结果表明,除冬季外,所有时期的模型AUC均高于0.90,展现出优秀的预测能力。冬季模型的AUC为0.856,略低于其他时期,但仍处于良好的预测水平。区划频率比结果显示,所有时期的频率比均呈现出从极低危险区向极高危险区单调递增的趋势,验证了区划结果的合理性。此外,各时期极高危险区的频率比均显著大于1,说明野火样本高度聚集,模型能够以较小的空间范围有效捕捉大部分火点。相反,各时期的极低与低危险区频率比均远小于1,说明此区域野火活动处于较低水平。

如图8所示,不同时期影响野火危险性的主导因子及其驱动作用存在显著差异。在季节尺度上,春季野火危险性主要受太阳辐射量(正向)、NDVI(正向)和高程(负向)驱动,表明在植被返青期,日照充足、植被茂盛的中低海拔区域更易发生火灾。夏季驱动机制发生明显转变,人类活动强度(VIIRS,正向)成为首要驱动因子,同时NDVI转为负向作用,结合气温和潜在蒸散发的正向影响,反映出人类活动密集、植被稀疏且高温强蒸发的区域野火危险性最为突出。秋季以降水量的负向驱动为主导,突出干旱条件的关键控制作用;人类活动(VIIRS,正向)与风速(正向)进一步加剧野火发生及蔓延。冬季的主导因子为距建成区距离(负向),说明人类火源在寒冷季节的支配性作用;NDVI(正向)与风速(正向)则反映了可燃物载量与风力干燥条件的叠加影响。在防火管理尺度上,防火期的主导因子与春季高度相似,以NDVI(正向)、高程(负向)和太阳辐射量(正向)为核心,再次印证了春季在防火期内的主导作用。相较之下,非防火期的驱动机制则融合了夏、秋两季的特征,人类活动(VIIRS,正向)与植被状况(NDVI,正向)占据主导地位,同时太阳辐射量(正向)与气温(正向)的作用凸显了这一时期能量条件的重要性。

3.3 生态系统服务价值与风险性评估

不同时期研究区的ESV空间分布如图9所示。各时期ESV被划分为5个等级:[0, 5 000]、(5 000, 10 000]、(10 000, 15 000]、(15 000, 20 000]及(20 000, +∞)。分析表明,各时期的ESV空间分布具有相似性,均呈现出由西北向东南逐步递增的梯度变化特征,形成明显的空间过渡带。西北部区域由于地形干旱、植被稀疏及生产力水平低,ESV普遍较低;而东南部水热条件更优、植被覆盖度高,形成显著的高ESV集聚区。这种梯度格局决定了不同区域受野火扰动的潜在生态脆弱性,东南部高ESV区域一旦遭受火灾,将面临更大的生态服务功能损失风险。在季节尺度上,ESV均值表现为春季最高(14 929.13),冬季次之(13 714.88),秋季(13 014.94)和夏季(12 653.90)相对较低。高价值区域(>20 000)的面积占比同样呈现春、冬季高于夏、秋季的特征。在防火管理尺度上,防火期ESV均值(13 945.59)显著高于非防火期(12 801.28)。同时,高价值区域(>20 000)在防火期的面积占比亦高于非防火期。

基于式(8),将野火危险性与生态脆弱性进行耦合,构建了不同时期的野火生态风险评价模型。同时,采用相同的分类区间将区域划分为5个风险等级(图10),表征野火发生可能造成的ESV预期损失。在季节尺度上,春季(3 737.03)和冬季(4 905.29)的区域平均ESV预计损失显著高于夏季(1 349.07)和秋季(1 513.47)。其中,春季高风险区主要分布于东部和中东部;夏季高风险区呈现零散斑块状,分布于中南部和中东部部分区域;秋季高风险区集中于东部地区,范围较小且呈断续分布;冬季高风险区范围最广,在南部和东部形成集中连片分布,并在西部地区出现少量破碎化斑块。在防火管理尺度上,防火期的区域平均预期损失(3 667.05)显著高于非防火期(1 980.44)。防火期的高风险空间格局与春冬季高度一致,呈现大范围、较高连续性的风险集聚特征;非防火期的高风险区则呈夏秋式格局,以小尺度、碎片化斑块为主。

4 结论

基于2001—2024年间的历史野火数据,从季节和防火管理两个尺度系统揭示了黄土高原野火危险性的时空分异特征,并在此基础上耦合ESV开展生态风险评价,得出如下结论。

(1)时序演变上,夏季、秋季及非防火期的野火活动呈极显著上升趋势,且分别在2014年、2008年和2012年发生突变性增强;冬季亦呈显著上升但增幅较弱,而春季与防火期未发生显著趋势变化。可见区域野火活动已进入新的活跃阶段,传统防火期外的风险管理压力日益增大。

(2)空间格局上,野火高危险区域在春、冬季集中连片分布,夏、秋季则趋于零散分布。CatBoost模型在各时期均表现出良好预测性能,且等级区划结果合理。各时期因子驱动作用差异显著,春冬季及防火期则主要受气象和植被条件主导,而夏秋季与非防火期的人类活动影响更为突出。

(3)生态风险方面,ESV呈现由西北向东南递增的梯度格局,说明东部和东南部生态系统对野火扰动更为敏感。耦合风险评估结果显示,冬、春两季及防火期的预期ESV损失显著高于其他时期,高风险区域主要集中在东部与东南部。研究结果明确了生态风险管控的关键时段与重点区域,为优化资源配置、提升生态防护效能提供了精准方向。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Xu Y, Xiao F. Assessing changes in the value of forest ecosystem services in response to climate change in China[J]. Sustainability, 2022, 14(8): 4773.

[2]	Pausas J G, Keeley J E. Wildfires and global change[J]. Frontiers in Ecology and the Environment, 2021, 19(7): 387-395.

[3]	焦淼, 全兴文, 何彬彬, 等. 2001-2021年四川省森林草原火灾时空特征遥感分析[J]. 遥感学报, 2024, 28(11): 2984-3001.

[4]	Jiao Miao, Quan Xingwen, He Binbin, et al. Remote sensing-based spatial-temporal characteristics of forest grassland fires in Sichuan Province from 2001 to 2021[J]. National Remote Sensing Bulletin, 2024, 28(11): 2984-3001.

[5]	Bento-Gonçalves A, Vieira A, Santos S M. Research on wildfires, soil erosion and land degradation in the XXI century[J]. Fire, 2024, 7(9): 327.

[6]	Calviño-Cancela M, Chas-Amil M L, García-Martínez E D, et al. Interacting effects of topography, vegetation, human activities and wildland-urban interfaces on wildfire ignition risk[J]. Forest Ecology and Management, 2017, 397: 10-17.

[7]	胡雨鑫, 王雪梅, 陈滢, 等. 基于地理探测器的我国不同林区林火驱动因素对比分析[J]. 生态学报, 2025, 45(1): 227-238.

[8]	Hu Yuxin, Wang Xuemei, Chen Ying, et al. Comparative analysis of forest fire driving in different forest regions of China based on the geographical detector approach[J]. Acta Ecologica Sinica, 2025, 45(1): 227-238.

[9]	Wang W, Zhao F, Wang Y, et al. Seasonal differences in the spatial patterns of wildfire drivers and susceptibility in the southwest mountains of China[J]. Science of the Total Environment, 2023, 869: 161782.

[10]	郭瀚文, 杨小龙, 张玉春, 等. 气象要素与潜在林火风险关联性研究[J]. 消防科学与技术, 2024, 43(6): 860-866.

[11]	Guo Hanwen, Yang Xiaolong, Zhang Yuchun, et al. Study on the correlation between meteorological elements and potential forest fire risk[J]. Fire Science and Technology, 2024, 43(6): 860-866.

[12]	张金钰, 彭道黎, 张超珺, 等. 基于深度学习的内蒙古大兴安岭林区火灾预测建模研究[J]. 林业科学研究, 2024, 37(1): 31-40.

[13]	Zhang Jinyu, Peng Daoli, Zhang Chaojun, et al. Deep learning-based forest fire prediction model research in the Daxing’anling Mountains, Inner Mongolia[J]. Forest Research, 2024, 37(1): 31-40.

[14]	Tang X, Machimura T, Li J, et al. Evaluating seasonal wildfire susceptibility and wildfire threats to local ecosystems in the largest forested area of China[J]. Earth’s Future, 2022, 10(5): e2021EF002199.

[15]	Vukomanovic J, Steelman T. A systematic review of relationships between mountain wildfire and ecosystem services[J]. Landscape Ecology, 2019, 34(5): 1179-1194.

[16]	Roces-Díaz J V, Santín C, Martínez-Vilalta J, et al. A global synthesis of fire effects on ecosystem services of forests and woodlands[J]. Frontiers in Ecology and the Environment, 2022, 20(3): 170-178.

[17]	赵雪雁, 丁静, 马平易. 人类活动对黄土高原生态系统服务权衡/协同关系影响的多尺度研究[J]. 地理学报, 2025, 80(7): 1920-1936.

[18]	Zhao Xueyan, Ding Jing, Ma Pingyi. Multi-scale study of the impact of human activities on the trade-off/synergy relationship of ecosystem services in the Loess Plateau[J]. Acta Geographica Sinica, 2025, 80(7): 1920-1936.

[19]	贾天朝, 胡西武. 1985-2020年中国“两屏三带”生态屏障区土地利用时空动态演化特征[J]. 水土保持研究, 2024, 31(4): 348-363.

[20]	Jia Tianchao, Hu Xiwu. Spatiotemporal dynamic evolution characteristics of land use in China’s ‘Two Screens and Three Belts’ ecological barrier areas from 1985 to 2020[J]. Research of Soil and Water Conservation, 2024, 31(4): 348-363.

[21]	郑昕馨, 孙楠, 罗凡. 基于Modis的黄土高原2001-2020年活跃火发生时空特征分析[J]. 第四纪研究, 2024, 44(1): 191-200.

[22]	Zheng Xinxin, Sun Nan, Luo Fan. Spatio-Temporal feature of active fire occurrence on the loess plateau from 2001 to 2020 based on Modis[J]. Quaternary Sciences, 2024, 44(1): 191-200.

[23]	Ji C, Wu C, Li X, et al. Methods for spatial and temporal detection of forest wildfire disturbance based on time series eco-environment indicators[J]. Ecological Indicators, 2024, 168: 112765.

[24]	Khan M A, Gupta A, Sharma P, et al. Investigation of wildfire risk and its mapping using GIS-integrated AHP method: a case study over Hoshangabad Forest Division in Central India[J]. Environment, Development and Sustainability, 2024.DOI: 10.1007/s10668-024-05225-w.

[25]	Aicong Z, Xinbin G, Wenxia Z, et al. Temporal and spatial dynamic characteristics of forest fire in Zhejiang Province of eastern China based on MODIS satellite hot spot data[J]. Journal of Beijing Forestry University, 2020, 42(11): 39-46.

[26]	杨少斌, 曹萌, 祝鑫海, 等. 2001-2019年内蒙古大兴安岭北部原始林区森林火灾发生规律研究[J]. 灾害学, 2022, 37(3): 122-128.

[27]	Yang Shaobin, Cao Meng, Zhu Xinhai, et al. Research on occurrence law of forest fire in the northern primitive forest area of Greater Khingan range, Inner Mongolia from 2001 to 2019[J]. Journal of Catastrophology, 2022, 37(3): 122-128.

[28]	Dobson J E, Bright E A, Coleman P R, et al. LandScan: a global population database for estimating populations at risk[J]. Photogrammetric Engineering and Remote Sensing, 2000, 66(7): 849-857.

[29]	Chen Z, Yu B, Yang C, et al. An extended time-series (2000-2018) of global NPP-VIIRS-like nighttime light data from a cross-sensor calibration[J]. Earth System Science Data Discussions, 2020, 20: 1-34.

[30]	陈小花, 陈宗铸, 杨青青, 等. 基于随机森林模型的海南岛热带森林火灾发生概率预测[J]. 林草资源研究, 2024(6): 140-145.

[31]	Chen Xiaohua, Chen Zongzhu, Yang Qingqing, et al. Predicting the probability of tropical forest fires in Hainan lsland based on random forest model[J]. Forest and Grassland Resources Research, 2024(6): 140-145.

[32]	杨正雄, 张显云, 任明亚, 等. 基于CatBoost的四川木里县森林火灾预测[J]. 科学技术与工程, 2025, 25(21): 8823-8832.

[33]	Yang Zhengxiong, Zhang Xianyun, Ren Mingya, et al. Forest fire prediction in Muli County, Sichuan based on CatBoost[J]. Science Technology and Engineering, 2025, 25(21): 8823-8832.

[34]	郗婕, 傅微. 基于机器学习的流域尺度森林火灾灾害风险预测[J]. 自然灾害学报, 2024, 33(1): 89-98.

[35]	Xi Jie, Fu Wei. Watershed-scale forest fire risk prediction based on machine learning[J]. Journal of Natural Disasters, 2024, 33(1): 89-98.

[36]	徐雨飞, 孙睿, 黄薪豫. 基于随机森林方法的森林火险遥感监测[J]. 遥感学报, 2025, 29(3): 649-664.

[37]	Xu Yufei, Sun Rui, Huang Xinyu. Remote sensing monitoring of forest fire hazard based on random forest method[J]. National Remote Sensing Bulletin, 2025, 29(3): 649-664.

[38]	Yue W, Gao Y, Xiao Y, et al. Study on the temporal pattern and county-scale comprehensive risk assessment of wildfires in Sichuan Province[J]. Natural Hazards, 2025, 121(13): 1-38.

[39]	黄发明, 张崟琅, 郭子正, 等. 不同分级方法对区域滑坡易发性区划的影响[J]. 工程科学与技术, 2024, 56(1): 148-159.

[40]	Huang Faming, Zhang Yinlang, Guo Zizheng, et al. Effects of different classification methods on regional landslide susceptibility zonation[J]. Advanced Engineering Sciences, 2024, 56(1): 148-159.

[41]	Wang H, Liang Q, Hancock J T, et al. Feature selection strategies: a comparative analysis of SHAP-value and importance-based methods[J]. Journal of Big Data, 2024, 11(1): 44.

[42]	Sannigrahi S, Chakraborti S, Joshi P K, et al. Ecosystem service value assessment of a natural reserve region for strengthening protection and conservation[J]. Journal of Environmental Management, 2019, 244: 208-227.

[43]	谢高地, 张彩霞, 张雷明, 等. 基于单位面积价值当量因子的生态系统服务价值化方法改进[J]. 自然资源学报, 2015, 30(8): 1243-1254.

[44]	Xie Gaodi, Zhang Caixia, Zhang Leiming, et al. Improvement of the evaluation method for ecosystem service value based on per unit area[J]. Journal of Natural Resources, 2015, 30(8): 1243-1254.

[45]	黄会平, 李盼中, 韩宇平, 等. 黄土高原生态系统服务价值演变及驱动力分析[J]. 人民黄河, 2024, 46(12): 90-97.

[46]	Huang Huiping, Li Panzhong, Han Yuping, et al. Analysis of the evolution and driving forces of ecosystem service value in the Loess Plateau[J]. Yellow River, 2024, 46(12): 90-97.

[47]	罗敏, 舒帮荣, 曲艺, 等. 省际交界地区土地利用及生态系统服务价值预测--以淮海经济区为例[J]. 水土保持通报, 2025, 45(3): 353-362, 396.

[48]	Luo Min, Shu Bangrong, Qu Yi, et al. Prediction of land-use and ecosystem service value in inter-provincial border areas: a case study of Huaihai Economic Zone[J]. Bulletin of Soil and Water Conservation, 2025, 45(3): 353-362, 396.

[49]	刘鲁霞, 胡波, 桑国庆, 等. 激光雷达森林结构指标在森林植物多样性评估中的研究进展[J]. 林业科学, 2025, 61(1): 176-196.

[50]	Liu Luxia, Hu Bo, Sang Guoqing, et al. Assessing forest vegetation diversity using forest structure indicators based on LiDAR remote sensing: a review[J]. Scientia Silvae Sinicae, 2025, 61(1): 176-196.

[51]	叶遄, 洪燕真, 张榕欢, 等. 福建省森林生态系统服务价值时空演变格局及空间异质性分析[J]. 水土保持学报, 2025, 39(5): 244-255, 263.

[52]	Ye Chuan, Hong Yanzhen, Zhang Ronghuan, et al. Spatiotemporal dynamics and spatial heterogeneity of forest ecosystem services in Fujian Province[J]. Journal of Soil and Water Conservation, 2025, 39(5): 244-255, 263.

[53]	Liu X, Miao C. Large-scale assessment of landslide hazard, vulnerability and risk in China[J]. Geomatics, Natural Hazards and Risk, 2018, 9(1): 1037-1052.