一种专为基于无人机的火灾损害程度测绘设计的新光谱指数：在泥炭地的应用演示及其与生物物理变量的关系

《Frontiers in Environmental Science》：A novel spectral index designed for drone-based mapping of fire-damage levels: demonstration and relationship with biophysical variables in a peatland

无人机多光谱数据驱动的三角区面积指数（TAI）可有效评估火灾损害等级，其与地表温度、植被生物量呈显著相关，在 Estonian 花岗岩沼泽地的实验中表现出与复杂机器学习模型相当的分类精度，尤其在识别严重损毁区域（如灰烬覆盖）时优势明显。

　　在当前全球气候变化和人类活动加剧的背景下，森林火灾的频率和强度持续上升，对生态系统、人类社会以及自然环境构成了日益严峻的挑战。火灾不仅导致大量植被和土壤的损失，还可能引发空气污染、生态退化以及生物多样性的下降。因此，快速、准确地评估火灾对植被的损害程度，成为火灾管理与生态恢复研究中的关键环节。近年来，随着遥感技术的发展，尤其是无人机（drone）技术的广泛应用，为火灾后的植被评估提供了新的可能性。相比传统的卫星遥感技术，无人机具备更高的空间分辨率和更灵活的监测能力，使得其在小尺度火灾评估中展现出显著优势。然而，现有的植被指数在特定条件下仍存在一定的局限性，尤其是在区分不同级别的火灾损害方面。基于此，本研究提出了一种新型的三角面积指数（Triangular-Area Indices, TAIs），旨在利用无人机数据，更有效地识别和区分不同等级的火灾损害，并将其与传统的植被指数进行对比，评估其在实际应用中的有效性。

本研究的主要目标是开发一种适用于无人机数据的新型植被指数，能够更精确地识别火灾对植被的影响，同时保持较高的可解释性。为了实现这一目标，研究团队在爱沙尼亚的拉瓦萨雷自然保护区进行了四次无人机调查，并在不同时间点测量了植被和土壤的生物物理变量，如地表温度、土壤湿度和地上生物量（AGB）。这些数据不仅用于评估无人机所采集的图像质量，还为后续的指数构建提供了基础。研究还引入了三角面积指数（TAI）的概念，该指数基于反射率图谱中的几何关系，通过构建三个特定波长之间的三角区域，捕捉植被在火灾后生理和结构变化的特征。这种方法不仅能够整合多种植被特性，还能够提供比传统植被指数更丰富的信息，从而增强对火灾损害的识别能力。

在方法部分，研究团队采用了多种无人机设备进行数据采集，包括固定翼无人机eBee X，其搭载了S.O.D.A.相机和Parrot Sequoia多光谱传感器。S.O.D.A.相机提供了高分辨率的真彩色正射影像，而Parrot Sequoia则用于生成反射率图谱。这些图谱数据被用来计算多种植被指数，如归一化植被指数（NDVI）、优化土壤调整植被指数（OSAVI）和增强植被指数（EVI2），同时研究团队还开发了TAI系列指数。在处理这些数据时，研究采用了Pix4D Mapper v. 4.3.27进行图像处理，以确保数据的准确性和一致性。此外，研究团队还结合了现场调查数据，包括土壤湿度、地表温度和地上生物量的测量，以验证无人机指数的生态相关性。

为了评估这些指数的分类性能，研究团队使用了决策树分类器，并通过混淆矩阵计算了整体准确率、Kappa系数和F1分数等指标。结果显示，TAI1在二元分类中达到了80.6%至90.9%的准确率，与更复杂的机器学习技术相当。在多级分类中，TAI1同样表现出较高的分类能力，尤其在识别“消耗性”植被（即被完全烧毁的区域）方面表现突出。尽管TAI1在区分“部分受损”植被（即被部分烧毁但未形成灰烬或炭化层的区域）时存在一定的局限性，但其在整体分类中的表现仍优于许多传统植被指数。这些结果表明，TAI1在火灾损害评估中具有良好的应用前景，尤其是在识别严重烧毁区域方面。

此外，研究团队还对TAI1与生物物理变量之间的相关性进行了分析。结果显示，TAI1与地上生物量之间存在显著的正相关关系（相关系数r = 0.51），而与地表和土壤温度则表现出负相关（r分别为-0.28和-0.21）。这些相关性进一步验证了TAI1在生态评估中的实用性，表明该指数能够有效反映火灾对植被和土壤的综合影响。相比之下，其他传统植被指数如NDVI和SR在二元分类中表现更优，但在多级分类中，TAI1和OSAVI则显示出更强的分类能力。这说明，尽管TAI1在某些方面可能不如传统指数，但其在特定情境下的表现依然具有重要价值。

研究还探讨了无人机技术在火灾评估中的优势和局限性。无人机能够提供厘米级的空间分辨率，使得研究者可以更细致地观察火灾对植被的影响，尤其是在火灾后恢复过程中的短期变化。此外，无人机数据的采集时间灵活，可以根据实际需求进行多次调查，从而提高监测的时效性。然而，无人机技术也面临一些挑战，如数据采集的时间窗口有限，以及生物物理变量的测量可能受到多种因素的影响，例如干旱胁迫和季节性变化。因此，为了提高TAI1的适用性，未来的研究需要进一步验证其在不同环境、传感器和时间尺度下的可转移性，并探索如何通过改进分类方法和增加数据多样性来克服现有局限。

从生态意义的角度来看，TAI1不仅能够帮助研究者更准确地评估火灾的严重程度，还能为火灾后的生态恢复提供重要的数据支持。例如，通过识别严重烧毁区域，TAI1可以帮助制定更有效的植被恢复和土壤保护措施，如植树造林和防止土壤侵蚀。同时，TAI1的高相关性也表明其在火灾后的生态监测中具有广泛的应用潜力，能够为生态学家和环境管理者提供有价值的参考信息。此外，研究还指出，虽然TAI1在某些方面可能不如传统植被指数，但其独特的几何特性使其在区分不同火灾等级时具有更强的适应性，特别是在处理复杂和异质的植被结构时。

为了进一步提升TAI1的性能，研究团队建议未来可以结合多种指数进行综合分析，以弥补单一指数在分类能力上的不足。同时，也可以探索更高级的机器学习方法，如随机森林和支持向量机，以提高分类的准确性和鲁棒性。此外，研究还强调了生态验证的重要性，即通过现场调查和生物物理变量的测量，确保所开发的指数能够真实反映火灾对生态系统的综合影响。这种生态验证不仅有助于提高指数的可靠性，还能增强其在实际应用中的可解释性。

综上所述，本研究通过开发和测试TAI1指数，为无人机在火灾评估中的应用提供了新的思路。TAI1在区分火灾损害等级方面表现出良好的性能，尤其在识别严重烧毁区域时具有显著优势。尽管其在某些情况下存在局限性，但其在实际应用中的潜力仍然不可忽视。未来的研究需要进一步验证TAI1在不同环境和时间尺度下的适用性，并探索如何通过改进分类方法和增加数据多样性来提高其分类精度。此外，结合卫星数据和无人机数据，可以拓展TAI1的应用范围，使其在更大尺度的火灾评估中发挥作用。这些努力不仅有助于提高火灾评估的效率和准确性，还能为生态恢复和环境保护提供科学依据。