基于野外校准遥感数据估算火灾导致的胸高断面积损失改进美国西部火灾严重度测量

《Remote Sensing of Environment》:Basal area loss from fire using field-calibrated remote sensing refines western US fire severity measurements

【字体: 大 中 小 】 时间:2026年07月15日 来源:Remote Sensing of Environment 12.3

编辑推荐:

  火灾严重度(有时称为“燃烧严重度”)描述了火灾对土壤和植被等生态系统组分造成的变化,它是火灾影响生态系统动态的关键驱动因素。由于火灾范围和严重度在时空上的异质性,火灾严重度制图依赖于遥感与地面数据的结合。多光谱中等分辨率卫星影像的应用对于观测火灾严重度的时空格

  
火灾严重度(有时称为“燃烧严重度”)描述了火灾对土壤和植被等生态系统组分造成的变化,它是火灾影响生态系统动态的关键驱动因素。由于火灾范围和严重度在时空上的异质性,火灾严重度制图依赖于遥感与地面数据的结合。多光谱中等分辨率卫星影像的应用对于观测火灾严重度的时空格局和趋势至关重要。研究人员使用野外校准的遥感数据,对美国西部123次火灾中3280个样地的胸高断面积(BA)损失比例进行了模型训练。通过空间交叉验证(Spatial CV)结合超参数/变量调优,研究人员获得了一个高效且简约的模型。最佳模型综合了Landsat火后光谱、降水异常和北向度。仅使用光谱指标会在于旱/湿润年份以及不同坡向上高估或低估BA损失。研究人员发布了一个谷歌地球引擎(GEE)工具,可用于绘制美国西部任何火灾(1985年至分析前一年)的BA损失百分比图。
论文解读文章

研究背景:火灾严重度是描述火灾对生态系统(如土壤和植被)影响程度的关键指标,直接影响植被结构反馈、养分循环、侵蚀、生境动态以及演替路径等生态过程。由于火灾范围和严重度具有显著的时空异质性,火灾严重度制图高度依赖遥感技术与地面实测数据的结合。目前广泛使用的光谱指标(如dNBR、RdNBR、RBR等)虽然提供了标准化测量,但存在解释性不足的问题:例如复合燃烧指数(CBI)难以直接反映树木死亡率或生物量变化,且光谱信号可能受到火后气候条件和地形坡向的干扰,导致仅依靠光谱数据会高估或低估实际生态影响。此外,现有制图方法(如MTBS项目)存在主观阈值设定、区域不一致性等局限。因此,研究人员旨在开发一种基于胸高断面积(BA)损失的火灾严重度预测模型,该模型可直接解释为树木死亡率和生物量损失,并结合气候和地形因素校正光谱偏差,以提供更生态相关且可操作的制图工具。该研究发表在《Remote Sensing of Environment》上。

关键技术方法(不超过250字):研究人员采用了随机森林(Random Forest, RF)模型,以预测比例尺度的BA损失。数据来源于美国西部123次火灾中的3280个样地(主要来自Fire and Tree Mortality数据库、国家公园管理局等机构,包含1993-2017年火灾后0-3年的野外测量)。预测变量包括Landsat TM/ETM+/OLI多光谱波段及其衍生指数(如RdNBR、dNIR等)、来自TerraClimate的长期和年际气候变量(如气候水分亏缺、降水距平Z分数)、以及基于10m DEM的地形变量(如北向度、地形位置指数)。模型开发中采用了10折空间交叉验证(k-means聚类分块)以控制空间自相关,并通过条件预测影响(CPI)方法在全侯选变量集合中同步进行超参数调优和特征选择,最终得到4个关键变量组成的简约模型。

研究结果:

模型总体性能:随机森林模型预测比例BA损失的整体交叉验证R2为0.57,RMSE为0.27,MAE为0.20。经过帕累托前沿选择,最终模型包含四个变量:RdNBR、dNIR、北向度(cos(坡向))以及火年-火后水年降水距平Z分数(zPrecip1)。累积局部效应(ALE)图显示RdNBR对BA损失有陡峭的正效应,而降水距平高的年份(湿润)总体关联更高的BA损失,北坡效应增加BA损失。

生态区差异:模型表现因生态区而异,R2从-3.16至0.895不等。多数生态区使用特定生态区模型后表现提升,例如亚利桑那山脉森林的R2从0.199提升至0.526。生态区模型所选变量差异明显,表明光谱-气候-地形的驱动机制具有区域特异性。

气候和地形效应:单独使用光谱指标会系统性地产生偏差:在湿润火后年份或北坡,仅基于RdNBR会低估BA损失;在干旱年份或南坡,会高估BA损失。zPrecip1在所有帕累托前沿模型中均为重要变量,其与RdNBR的交互作用表明,湿润年份的中-高RdNBR对应更高的BA损失,而干旱年份的低RdNBR则对应更低损失。北向度的效应类似,在暖和干燥的南坡会放大光谱高估。这是首次将火后降水距平纳入火灾严重度制图,证明其对解释遥感信号至关重要。

分类精度与模型实施:将连续预测分为5个等级(<25%、25-50%、50-75%、75-90%、≥90% BA损失),总体精度为56%,斯皮尔曼秩相关系数为0.71。最低和最高严重度等级具有高精确度(0.82和0.91)和平衡精度(0.78和0.69),而中间等级精确度较低。在GEE中实现的模型可对1985年以来任意输入火区边界输出30m分辨率BA损失图,并在西南地区独立数据集上测试获得R2为0.48。

讨论与结论:讨论部分指出,模型性能的生态区差异反映了火前林分结构和生物量密度的底层生态梯度;仅基于光谱的指标在湿润/干旱火后年份及不同坡向上会显著偏离实际BA损失,纳入气候和地形变量可校正这些偏差。研究人员强调,火后降水距平通过影响地表反射率(如草本层恢复或冠层干燥度)改变光谱与地面死亡率的关系,是解释严重度图像的关键。此外,尽管全局模型适用,但针对特定生态区或结合更多局部数据(如火前林分结构、虫害历史)可进一步提升精度。研究结论翻译如下:研究人员开发了一个包含多项重要进展的火后BA损失模型。通过对美国西部时空多场火灾的训练,结合机械性气候和地形变量以及光谱测量,并采用严格的特征选择和超参数调优方法选择最佳模型,提供了可应用于任何火区边界并可随新数据更新的代码。研究发现,仅依赖光谱测量可能导致严重的过高或过低估算,具体取决于火灾发生到影像获取期间的降水以及样地位于阴坡还是阳坡。这表明气候和地形背景对于正确解释遥感预测的火灾严重度至关重要。研究人员创建了一个可操作的GEE应用程序,用于管理者和研究人员绘制美国西部任何火灾(1985年至分析前一年)的严重度图,并提供了附加代码和数据以便在训练数据较少的区域继续改进该模型。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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