SEVERIA：地中海森林潜在火烧烈度评估在线工具的开发与应用

《Ecological Informatics》：SEVERIA: A conceptual online tool to assess potential burn severity of wildfires in Mediterranean forests

本研究针对地中海地区日益严峻的野火风险，开发了一款名为SEVERIA的在线工具，用于预测潜在火烧烈度。研究人员整合地形、植被、气候异常（如VPD、气候异常指数）等多源数据，构建了地中海与大陆性两种区域预测模型。该工具通过机器学习算法（如SGDClassifier、DecisionTreeClassifier）实现点对点评估，为火灾预防、扑救决策及灾后生态修复提供了关键空间信息，对提升地中海森林生态系统韧性具有重要意义。

　　

在地中海地区，野火不仅是自然生态过程的一部分，更是塑造植物群落和土壤特征的关键力量。然而，随着气候变化和人类活动的加剧，火灾频率、规模和严重程度呈现出令人担忧的增长趋势，特别是面积超过500公顷的大火日益频繁。这种变化直接挑战着生态系统的恢复能力和脆弱性，其中，火烧烈度（Burn Severity）被认为是影响植物群落、土壤特性和微生物活动的最关键因素。传统的火灾风险评估多侧重于天气变量驱动的可燃物点燃和火势蔓延可能性，但在当前气候和土地利用剧变的背景下，其有效性正受到质疑。科学界逐渐将目光转向以降低火烧烈度为核心的预防性管理策略，而非仅仅关注起火概率或过火面积。因此，开发能够精准预测潜在火烧烈度的工具，对于指导可燃物处理项目、优化火灾扑救资源、规划灾后恢复行动以及从景观尺度理解火烧烈度格局变得至关重要。

为了应对这一挑战，由Daniel Moya等人组成的研究团队在《Ecological Informatics》上发表了他们的研究成果，介绍了一款名为SEVERIA的概念性在线工具。该研究旨在开发预测模型，以评估地中海森林野火的潜在火烧烈度空间格局。研究人员的目标是创建一个数字工具，能够生成预测潜在火烧烈度的地图，为政策制定者、土地管理者和研究人员提供信息，从而提高灭火成功率，并改进用于火灾预防和灾后恢复的适应性森林管理。

为了开展这项研究，研究人员首先在西班牙卡斯蒂利亚-拉曼查地区（Castilla-La Mancha）选择了过去15年内发生的过火面积大于500公顷的大型野火作为研究区。火烧烈度的评估分为两步：首先利用遥感工具（如Landsat卫星影像计算差值归一化燃烧指数dNBR）进行初步测算，然后通过实地调查（使用复合燃烧指数CBI）对结果进行验证。研究构建了一个包含气候、地形、可燃物负载类型、可燃物负载湿度和可燃物连续性等多个变量组的预测变量体系。具体选用的变量包括坡度、坡向、平均植被高度、总冠层覆盖度、可燃性、可蚀性、可燃物模型等静态空间变量，以及气候异常、饱和水汽压差（VPD）和平均风速等动态气候变量。这些数据来源于西班牙空间数据基础设施、西班牙国家地理信息中心、卡斯蒂利亚-拉曼查森林信息管理库以及西班牙国家气象局。

数据分析与建模过程采用了Python 3环境下的多种库（如Pandas、Scikit-learn等）。研究团队设计了一个机器学习框架，其核心创新在于采用了分层分类模型来解决四类（未燃烧、低、中、高火烧烈度）的不平衡问题。该框架首先使用一个主模型将像素点划分为低烈度（0-1级）或高烈度（2-3级）两大类，然后分别使用两个次级模型对低烈度组和高烈度组进行细分。考虑到不同区域的火灾行为差异，研究人员最终训练了两套独立的模型系统：适用于阿尔瓦塞特（Albacete）和昆卡（Cuenca）省份的“地中海火灾模型”，以及适用于托莱多（Toledo）、雷阿尔城（Ciudad Real）和瓜达拉哈拉（Guadalajara）省份的“大陆性火灾模型”。模型验证采用了严格的按火灾事件分组的交叉验证方法，并设置了独立的测试集（包含Agramón、Almansa、La Iglesuela和Malagón四场火灾）以评估模型的泛化能力。主要评估指标包括F1分数、精确度、召回率和准确率。

3.1. 模型选择

经过网格搜索优化超参数后，两个区域模型的最佳算法组合有所不同。地中海火灾模型在初级分类（低/高烈度）中使用决策树算法，然后在低烈度组和中高/高烈度组中分别使用随机梯度下降（SGD）模型。大陆性火灾模型则在初级分类中使用SGD，低烈度组中使用决策树，中高/高烈度组中再次使用SGD。在测试集上的评估表明，地中海模型的表现优于大陆性模型，其正确预测比例达到41.6%，而大陆性模型为23.5%。大陆性模型显示出更强的预测高估倾向。

3.2. 在线工具SEVERIA

本研究的核心成果是开发了名为SEVERIA的免费在线工具。该工具集成了数据查看、模型计算、结果可视化和数据下载等功能。用户可以通过绘制区域或上传多边形文件（kml格式）指定研究区域和日期，系统会自动调用相应的区域模型（地中海或大陆性），结合该日期的气象预测数据，计算并生成该区域点对点的潜在火烧烈度分布图（分为低、中、高、极高四个等级）。计算结果可供下载，用于指导实际的防火规划和灾后恢复工作。

研究结论与讨论部分指出，SEVERIA工具能够有效预测潜在火烧烈度，为确定预防性处理措施的优先区域和支持紧急灾后稳定活动设计提供了有价值的信息。然而，该工具也存在一定的局限性，特别是在不同区域的准确性和泛化能力方面。这些困难揭示了火烧烈度建模的复杂性，表明需要纳入更多变量（如生态指标、人为因素、现有防火措施等）来改进模型的预测能力并扩展其应用范围。未来工作的重点包括将模型扩展到整个伊比利亚半岛或地中海盆地等更大区域，纳入更多卫星影像数据库和生态指标（如叶面积指数LAI、NDVI季节性等），并考虑火灾制度对生态系统的长期影响，以进一步提升其作为可靠决策支持工具的潜力。总之，SEVERIA代表了在火灾管理策略从传统防火向降低火后影响转变过程中的一项重要技术进步，对于增强地中海森林景观的恢复力具有积极意义。