综合野火影响评级(CWI)：融合火强度与燃烧严重性的对地观测新方法

《Remote Sensing Applications: Society and Environment》：Composite Wildfire Impact (CWI) rating: Integrating fire intensity and burn severity earth observations

本研究针对当前景观尺度野火影响评估往往忽视活跃火行为复杂性的问题，整合了地球静止卫星的高时间分辨率火强度数据与极轨卫星的高空间分辨率光谱差异指数产品，提出了一种新的综合野火影响(CWI)评级方法。研究人员利用聚类分析，结合Himawari-8的FRP估计值和Sentinel-2的NBR指标，对澳大利亚一年的野火数据进行了分类，揭示了不同土地覆盖类型下的野火影响模式，并与政府发布的燃烧严重性评估进行了对比。该研究为大陆尺度的野火影响理解提供了新的多维信息框架。

　　

在全球气候变化加剧极端火险天气的背景下，野火发生的频率和强度日益增加，对生态环境和社会经济构成了严重威胁。传统的野火影响评估方法主要依赖于对比火灾前后的光谱差异，例如利用归一化燃烧比率(Normalized Burn Ratio, NBR)及其差值(dNBR)来评估燃烧严重性(burn severity)。然而，这种方法存在明显的局限性：它捕捉的是火灾发生前后的两个静态状态，而忽略了火灾过程中的动态行为，例如火强度(fire intensity)和持续时间。更重要的是，先前的研究表明，基于光谱差异的燃烧严重性指标（如dNBR）与描述火灾过程中能量释放的火强度指标（如火辐射功率(Fire Radiative Power, FRP)）之间仅存在微弱的相关性。这种脱节意味着，仅依靠燃烧严重性或火强度中的任何单一维度，都可能无法全面、准确地评估野火对植被和生态系统的真实影响。

为了弥补这一研究空白，由Konstantinos Chatzopoulos-Vouzoglanis领衔的研究团队在《Remote Sensing Applications: Society and Environment》上发表了一项创新性研究。他们首次提出并验证了一个名为“综合野火影响(Composite Wildfire Impact, CWI)”的新概念和评级系统。该研究旨在整合地球静止卫星（如Himawari-8）提供的近连续活跃火观测数据（高时间分辨率）和极轨卫星（如Sentinel-2）提供的高空间分辨率光谱数据，从而构建一个能够同时捕捉火强度、燃烧严重性以及其他相关因素（如火灾持续时间、过火面积破碎度、火前植被状况）的多维评估框架。

为开展此项研究，研究人员主要应用了以下几项关键技术方法：首先，数据整合与预处理，融合了Himawari-8 BRIGHT/AHI数据集提供的火辐射功率(FRP)、火辐射能量(FRE)和火灾持续时间，以及Sentinel-2数据计算得到的差分归一化燃烧比率(dNBR)、火前NBR和火分数覆盖度(Fire Fractional Cover, FFC)，研究区域为澳大利亚全境，时间跨度为2019年4月至2020年3月，涵盖了著名的“黑色夏季”火灾季。其次，维度降维与聚类分析(Dimensionality Reduction and Clustering, DRC)，系统比较了主成分分析(PCA)、t-分布随机邻域嵌入(t-SNE)、均匀流形近似与投影(UMAP)和成对控制流形近似(PaCMAP)等多种降维技术，并结合层次聚类方法对野火热点进行分类。最后，集成聚类(Ensemble Clustering)技术被用于综合不同降维聚类方法的结果，生成共识聚类，并基于各聚类变量中位数与全局中位数的比较，推导出最终的CWI评级。

3.1. 数据探索

研究人员首先对所用变量进行了相关性分析。结果显示，火强度指标（如最大FRP和FRE）之间存在强相关性，燃烧严重性指标（如dNBR）与火分数覆盖度(FFC)也密切相关。然而，火强度指标与燃烧严重性指标之间的相关性较弱，这进一步证实了将两者结合的必要性。数据分布呈现出非线性和多模态特征，提示简单的线性模型可能不足以描述变量间的复杂关系。

3.2. 维度降维和聚类调优

通过主成分分析(PCA)发现，前三个主成分累计解释了约86%的方差。第一主成分(PC1)主要由dNBR、FFC和火前NBR等光谱差异指标驱动，解释了45%的方差，这反映了传统燃烧严重性评估的主要信息。第二主成分(PC2)则更多地由FRP和FRE等火强度指标贡献。这表明数据中确实存在两个相对独立的信息维度。通过优化聚类数量和随机种子参数，研究确定将数据划分为8个聚类能在不同降维方法间取得最高的平均相似度。

3.3. 集成聚类

为了获得更稳健的结果，研究采用了集成聚类方法。该方法通过计算所有单一聚类结果的共关联矩阵，并对其进行层次聚类，最终生成了8个共识聚类。这些共识聚类整合了不同降维方法的共性，减少了单一方法可能带来的偏差。

3.4. 野火影响评估

对8个共识聚类的分析揭示了清晰的野火影响模式。每个聚类在火强度、持续时间、燃烧严重性、过火面积破碎度以及火前植被状况等方面表现出独特的组合特征。基于这些特征，研究团队将聚类结果转化为六个等级的CWI评级：极低、低、中、高、很高和极端。分析表明，土地覆盖类型是影响CWI评级的关键因素。森林和林地倾向于产生更高影响的火灾（表现为更高、很高等级），而草地和灌木林则主要与中、低等影响的火灾相关。空间分布图显示，极端和很高影响的火灾主要集中在澳大利亚东南部森林地区（即“黑色夏季”火灾核心区），而北部热带稀树草原的火灾多被归类为高影响，中部地区的火灾则多为中等影响。

3.5. 综合野火影响与州政府发布的严重性评级比较

将CWI评级与新南威尔士州和维多利亚州政府发布的燃烧严重性地图进行对比后发现，两者之间存在中等程度的一致性（斯皮尔曼相关系数R=0.42）。值得注意的是，基于PCA的聚类结果与州政府评级的一致性最高（R=0.55）。这种中等相关性说明，CWI评级提供了超越传统光谱差异评估的额外信息，二者从不同角度刻画了野火的影响。

研究的讨论部分深入剖析了CWI框架的价值与局限。该研究的主要意义在于它成功地将先前各自独立的火行为观测维度——活跃火强度（来自地球静止卫星）和燃烧后效应（来自高分辨率光学卫星）——整合到一个统一的评估体系中。这种整合提供了更丰富的野火“特征画像”，有助于更细致地理解不同类型的火灾对生态系统可能产生的差异化后果。例如，研究发现即使火强度不高，但持续时间长且在茂密植被中发生的火灾，仍可能被归类为高影响火灾（如聚类C7），这凸显了多维度评估的优势。

然而，研究也指出了若干局限性。首先，CWI评级严重依赖于所使用的数据，而2019-2020年澳大利亚火灾季异常极端，其结果可能无法直接推广到其他地区或更常态的火灾年份。其次，所用卫星数据本身存在不确定性，例如Himawari-8的2公里空间分辨率会遗漏小火灾，Sentinel-2的数据获取受云层和重访周期限制。此外，CWI评级目前缺乏明确的、基于地面实测生态影响的“金标准”进行验证，其概念定义和等级划分仍需与火灾生态学专家合作进一步细化。

综上所述，这项研究开创性地提出了综合野火影响(CWI)评级的概念和方法论框架，证明了整合多源卫星遥感数据对于深化理解大陆尺度野火影响具有巨大潜力。尽管仍需进一步完善和验证，但CWI框架为火灾管理者、生态学家以及气候变化研究者提供了一个新的工具，能够更全面地描述野火的综合效应，从而为生态系统恢复评估、碳排放核算以及适应气候变化的火灾管理策略制定提供更丰富的信息基础。未来研究应致力于将这一框架应用于更长时间序列和不同地理区域，并融入燃料、气象等更多环境变量，以提升其普适性和解释力。