基于Sentinel-2光谱指数与随机森林(RF)的热带山地森林火烧严重度增强制图——以坦桑尼亚西乌桑巴拉山地森林为例

《Scientific African》:Enhanced Burn Severity Mapping Using Machine Learning and Sentinel-2 Spectral Indices in Tropical Montane Forests of Tanzania

【字体: 大 中 小 】 时间:2026年10月22日 来源:Scientific African 3.7

编辑推荐:

  森林火灾对生态系统、生物多样性和人类聚居区构成显著威胁,因此需要对火烧区进行准确、及时检测以支撑火后管理。遥感(remote sensing, RS)技术结合Google Earth云计算平台(Google Earth Engine, GEE)已成为对森林火灾

  
森林火灾对生态系统、生物多样性和人类聚居区构成显著威胁,因此需要对火烧区进行准确、及时检测以支撑火后管理。遥感(remote sensing, RS)技术结合Google Earth云计算平台(Google Earth Engine, GEE)已成为对森林火灾影响进行空间和时间监测的最佳技术之一。然而,这些技术在山区森林中的应用仍然有限,在坦桑尼亚尤其如此。因此,本研究旨在评估Sentinel-2衍生的火烧严重度指数,即差分归一化燃烧比(differenced Normalized Burn Ratio, dNBR)和差分归一化植被指数(differenced Normalized Difference Vegetation Index, dNDVI),与随机森林(Random Forest, RF)机器学习框架整合后,在Magamba、Shagayu、Mkusu和Baga西乌桑巴拉山地森林中制图和评估森林火烧严重度的有效性。火前状况利用2021-01-01至2022-12-30获取的影像评估,火后状况利用2023-01-01至2023-12-30的影像评估。通过GEE平台获取Sentinel-2数据并计算dNBR和dNDVI,随后用于生成四个森林保护区的火烧严重度图。结果表明,dNBR和dNDVI捕捉到互补的火烧严重度格局。dNBR突出低至中高严重度区域,受影响最大区域位于Baga(低严重度25.69%,中高严重度0.29%)和Magamba(低严重度14.38%,中高严重度0.28%);dNDVI对严重冠层损伤更敏感,在Shagayu(0.15%)和Magamba(0.031%)检测到极高严重度。在所有森林中,未烧区仍为优势类,但其比例在森林保护区和火烧严重度指数间存在差异,表明火行为高度斑块化,可能受热带山地森林复杂地形、异质植被结构和变化微气候条件影响。随机森林分类取得较高总体精度(overall accuracy, OA),从Baga的98.2%至Shagayu的99.7%,证明整合光谱、地形和纹理预测变量对稳健火烧区分类有效。通过将互补光谱指数与机器学习整合,本研究改进了空间异质性火效应检测,推进了热带山地森林火烧严重度评估,从而支持更有效的生态恢复和火后管理。尽管仅在四个森林保护区评估,该框架提供了一种成本有效且可扩展的方法,可利用免费可获取的Sentinel-2影像和GEE便捷转移至其他热带山地森林。
热带山地森林(tropical montane forests)在生物多样性保护、碳固存、土壤稳定和生境维持等方面具有全球意义,并支撑当地生计和区域气候调节;但其正面临毁林、土地利用变化和野火加剧的压力。气候变化、升温与干旱延长使历史上较少发生火灾的山地森林火情增强,火灾排放二氧化碳(CO2)和甲烷(CH4),退化水土资源并威胁Eastern Arc Mountains等生物多样性热点。温带和地中海火-prone森林已有较多研究,但热带山地森林火影响的空间格局和严重度认识不足,限制火后恢复与管理。遥感与机器学习(machine learning, ML)虽有潜力,但其整合在热带山地森林中评估有限,在坦桑尼亚山区尤其不足。西乌桑巴拉山地森林地形复杂、植被异质、微气候多样,历史上火较少,但气候变异导致的长期干旱增加燃料积累和干燥,近年火更频繁,定量火烧严重度评估仍稀缺。因此,研究人员评估Sentinel-2衍生的dNBR和dNDVI与RF框架在GEE中的整合,以Magamba、Shagayu、Mkusu和Baga四个森林保护区为对象,目标包括估算和制图火烧严重度、评价Sentinel-2与RF整合分类火烧严重度的表现,以及评估火后植被状况和绿色植被恢复。该研究提供了东非热带山地森林中较新的区域评估,并强调免费Sentinel-2影像和云计算平台在数据有限环境中用于可扩展、成本有效火监测的潜力。

关键技术方法概括(不超过250字):研究人员基于Google Earth Engine(GEE)获取Sentinel-2 Level-2A Bottom-of-Atmosphere(BOA)地表反射率(COPERNICUS/S2_SR_HARMONIZED),用QA60和场景分类层(Scene Classification Layer, SCL)去除云、卷云和云影;火前采用2022-03-01至2022-07-31影像,火后采用2023-01至2023-05影像;计算dNBR和dNDVI,分别采用USGS/MTBS的dNBR阈值与KeyCH的dNDVI区间阈值;每保护区分层随机500个样本,70%训练、30%验证;随机森林(RF)用300棵决策树、bagging比例0.7,整合Sentinel-2光谱、SRTM DEM地形和GLCM纹理共135个预测变量,以众数滤波、变量重要性和混淆矩阵评估;用NDVI/NBR时间序列评估植被。样本队列来源为坦桑尼亚西乌桑巴拉山地Magamba、Shagayu、Mkusu和Baga四个森林保护区。

结果一:估算与制图火烧严重度(Estimating and mapping burn severity)。研究人员基于Sentinel-2影像计算dNBR和dNDVI并制图,发现所有保护区内未烧区均占主导,低至高度火烧严重度主要集中于森林边界,说明火发生与森林边缘及邻近人为活动带关系更明显;dNDVI显示烧区植被绿度显著降低和冠层损伤,尤其在高dNBR区域,表明两指数在检测火致植被变化方面具有互补性。dNBR将景观分为高、中高、中低、低和未烧类,dNDVI分为极高、高、中、低、极低和未烧类;Baga低严重度25.69%、中高0.29%,Magamba低严重度14.38%、中高0.28%;dNDVI检测Shagayu极高0.15%、Magamba极高0.031%。

结果二:指数间相关分析(Correlation analysis between indices)。研究人员通过Pearson相关分析评估dNBR与dNDVI关系,各保护区相关系数为0.83–0.867(p<0.001),表明二者强正相关并提供互补的火致植被变化信息;dNDVI与dNBR相似,低至高度严重度主要分布在森林边界。

结果三:植被健康评估(Vegetation healthy assessment)。研究人员基于2021—2023年NDVI和NBR时间序列评估植被状况,发现无火月份尤其11月至6月两指数值高且明显上升;在7月至10月火-prone月份两指数值急剧下降;火后月份也观察到相似趋势。该时间序列反映火相关植被扰动和火后动态。

结果四:火烧严重度分类(Classification of burn severity)。研究人员用RF整合光谱、地形和纹理预测变量分类烧/未烧区,RF总体精度从Baga的98.2%至Shagayu的99.7%,Magamba为98.3%、Mkusu为98.6%,Kappa为0.966–0.994;各保护区未烧区均超过分类面积93%。烧区面积分别为Baga 205.72 ha(6.13%)、Mkusu 178.84 ha(4.87%)、Magamba 411.49 ha(4.43%)、Shagayu 310.91 ha(3.97%)。变量重要性显示dNBR及其纹理变量、dNDVI、NDVI_post和NBR_post等为重要预测变量,纹理变量有助于表达冠层破碎和火烧斑块性,说明光谱变化与空间上下文信息结合可提高分类可靠性。

讨论总结:研究人员指出,本研究不同于以往Usambara景观中以局地原位观测和小面积评估为主的研究,而是利用Sentinel-2覆盖较大且生态异质的森林区,并借助GEE的云掩膜、多时相合成和大尺度处理能力,展示免费卫星影像与云平台在数据有限热带森林中用于可扩展、成本有效和业务化火监测的潜力。结果支持Sentinel-2 dNBR和dNDVI可用于热带山地森林火烧严重度评估;未烧区在各保护区占优,Mkusu未烧区最高(>95%),Baga烧区相对较大;差异反映景观破碎化、燃料连续性、人为压力、植被结构、地形和局地气候条件,保护举措可能增强生态系统韧性。烧区多集中森林边界,指示农业扩张、放牧和人为干扰增加边缘火敏感性,Shagayu还出现内部火,提示人为活动、燃料积累和地形条件促进火向内部扩展;因此森林边缘是火监测、防火带、社区火管理和减少人为火源的重点。dNBR更有效捕捉高严重度烧区,dNDVI对中低严重度和部分冠层损伤更敏感,二者强正相关确认互补性;低至中度严重度占优说明多数火造成部分植被扰动而非完全冠层破坏。NDVI/NBR时间序列显示非火期植被健康、火-prone期下降和火后逐渐恢复,低严重度区恢复更明显。RF高精度归因于光谱、地形和纹理变量整合,dNBR及dNBR纹理变量、dNDVI、NDVI_post和NBR_post等变量重要;Magamba精度较高可能与冠层较均一和光谱分离较清晰有关,Baga精度较低可能与景观异质、混合植被、破碎烧斑和边缘光谱混淆有关。局限性包括季节植被动态、物候变异、地类光谱相似、光学Sentinel-2受云和大气条件影响,未来多传感器和野外验证可降低不确定性。管理上,Eastern Arc Mountains为全球重要热带森林生物多样性热点,精确识别高严重度区可为恢复优先序、恢复干预、生物多样性保护和火管理规划提供空间信息;低严重度火可能通过保留种子库、根桩和残余冠层促进植被韧性,中高严重度火可能因树木死亡和生境退化延迟恢复,地形坡度、海拔和坡向通过燃料湿度和火行为影响严重度空间异质性。未来应探索Sentinel-2、Sentinel-1 SAR和LiDAR与XGBoost、深度学习等先进算法整合,并纳入降水、温度、相对湿度、太阳辐射和风速等气候驱动因子。

研究结论翻译:本研究证明,将Sentinel-2光谱指数(dNBR和dNDVI)与随机森林机器学习整合,可在西乌桑巴拉山地热带山地森林中实现准确的火烧严重度评估。光谱差分、机器学习和云基处理的方法学整合,为异质热带森林景观中的火烧严重度制图提供了可扩展、可重复且成本有效的框架。dNBR与dNDVI之间的强关系进一步证明二者在检测火致植被扰动和评估火后植被状况方面的互补价值。烧区集中于森林边界也突出人为活动对野火发生的影响,强调需要有针对性的预防和管理策略。这些发现通过提供可靠空间信息支持火风险评估、恢复规划、生物多样性保护和气候韧性生态系统管理,从而促进热带森林监测。对于业务化火管理,生成的火烧严重度图可支持高风险区预防、火后恢复和长期监测的优先排序。未来研究应整合Sentinel-1合成孔径雷达(Synthetic Aperture Radar, SAR)、LiDAR(Light Detection and Ranging)、无人机(Unmanned Aerial Vehicle, UAV)观测及其他多传感器数据集与更长Sentinel时间序列,以提高火烧严重度判别、监测长期植被恢复和生态系统韧性,并降低热带山地森林光学影像相关不确定性。原文作者:Ernest William Mauya|Amina Amri Hamad|Justo Jonas
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号