Integrating remote sensing and machine learning for forest fire susceptibility mapping in Peninsular Malaysia: the spatio-temporal sampling tree (STS-T)

森林火灾易发性制图领域长期以来一直受制于精度与可解释性之间的持续权衡：黑箱集成算法虽能提供高精度，但其运行过程不透明；而透明的决策树模型虽具备较强的可解释性，却难以达到足够的精度。为填补这一空白，本研究基于马来西亚半岛2001—2023年的森林火灾数据集，采用递归特征消除法，从7349个原始属性中提取出49个关键环境特征，并提出了一种新颖的时空采样树算法STS-T。该算法具备节点级自适应时间选择能力，并将历史气象滞后项纳入其决策过程。通过分层10折交叉验证以及来自柔佛州的留出空间测试集验证，采用1年时间窗口拟合的剪枝STS-T模型达到了98.48%的准确率和0.988的ROC-AUC值。