利用Sentinel-2时间序列分析揭示地中海植被火灾后恢复的短期变化特征

《Ecological Informatics》：Unveiling short-term variability in post-fire recovery of Mediterranean vegetation with Sentinel-2 time series analysis

本研究分析意大利西西里2017年夏季六次大型森林火灾后不同植被类型（地中海灌丛、橡树林、桉树人工林、地中海松林）的恢复动态。利用Sentinel-2的NBR指数结合TIMESAT软件提取季节参数，并采用随机森林模型评估气候、地形和重复燃烧的影响。结果显示，地中海灌丛恢复最快（4-8个月），而桉树人工林和松林恢复最慢，且重复燃烧显著抑制松林恢复。Google Earth影像验证了植被结构变化。研究证实NBR指数可有效监测火灾后恢复，但需结合多源数据提升精度。

　　森林火灾是地中海盆地常见的干扰因素，而本地植被已通过进化适应这些火灾。然而，随着气候变化导致的火灾模式变化，监测火灾后的恢复变得尤为重要，尤其是在大面积、高强度的火灾事件，以及气候变迁和重复燃烧的情况下。本研究利用Sentinel-2卫星数据中的归一化烧伤比值（NBR）时间序列，分析了四种常见的地中海森林和灌木群落类型在火灾后的植被动态，涵盖了2017年夏季意大利西西里岛发生的六场大火，共计约4500公顷的烧毁面积。通过TIMESAT软件提取的物候指标，追踪了火灾后最多76个月（2017年8月至2023年12月）的恢复过程。高分辨率的Google Earth影像支持了植被形态的分类，而随机森林（Random Forest, RF）模型则评估了火灾严重程度、气候、重复燃烧和地形对恢复的影响。研究发现，地中海灌木群落表现出最快的恢复能力，在低、中、高火灾严重程度下分别在4、6和8个月内恢复到火灾前的NBR值。相比之下，针叶林恢复效果较差，即使在低严重程度下也难以回到火灾前的水平，这一模式也通过Google Earth影像分析得到了确认。研究结果强调了监测系统在指导土地管理、识别恢复困难区域和检测生态系统退化方面的重要性。

本研究背景指出，地中海植物群落已经发展出多种火灾后的适应机制，如萌发、种子休眠和高温或燃烧化学物质引发的萌发。然而，随着气候变化，地中海地区的火灾模式正在发生变化，表现为更高的火灾频率、强度和规模。这些变化可能会使植被难以适应，因为它们已经超过了许多地中海生态系统的自然再生能力。从1960年代以来，该地区的火灾频率和严重程度显著上升，这与气候因素和社会经济变化有关，例如农村人口减少、土地荒废以及种植易燃物种。由于重复燃烧在地中海地区是常见现象，且当地植被具有火灾适应性，因此其对植被恢复的影响常常被忽视。随着火灾强度和频率的增加，有必要研究重复燃烧对这些植被群落的影响。

此外，研究还关注了火灾对植被季节性的影响，这是过去研究中较少涉及的领域。虽然通过植被指数（VIs）的时间序列分析可以评估植被恢复，但更深入地理解季节动态，如季节长度或季节幅度的变化，对于应对气候变化带来的挑战至关重要。TIMESAT软件和phenofit R包为这一研究提供了宝贵的资源。TIMESAT已被用于监测俄罗斯和北美针叶林的火灾后NDVI季节性，以及巴西的Cerrado地区，但尚未在NBR时间序列和地中海环境中进行此类分析。

本研究的主要目标是评估火灾后植被恢复情况，特别是通过NBR指数时间序列数据来监测不同地中海植被类型在火灾后的季节性动态，并评估重复燃烧等因素对这些植被群落的影响。具体的研究目标包括：i）评估火灾后超过六年的植被恢复情况（2017年8月至2023年12月）；ii）描述火灾后的物候周期并量化其恢复程度；iii）评估火灾严重程度、火灾后气候、重复燃烧和地形对光谱恢复的影响；iv）通过基于样本的视觉分类将光谱恢复模式与实际植被形态联系起来。通过这些分析，研究旨在测试NBR时间序列数据是否能有效用于监测火灾后的恢复和季节性动态，并评估重复燃烧等因素对这些群落的影响。

在研究方法部分，我们选择了四个植被类型进行分析，这些类型共同占总烧毁森林面积的90%：桉树（Eucalyptus spp.）再造林（RI1，占烧毁面积的33%），地中海针叶林再造林（RI3，占烧毁面积的32%），地中海灌木群落（MM，占烧毁面积的19%）以及Quercus ilex（LE，占烧毁面积的6%）。这些植被类型在火灾后的再生策略有所不同。桉树（RI1）广泛引入地中海地区已有150多年，其在火灾后表现出中等至强的萌发能力，使其相对耐火。地中海针叶林再造林（RI3）主要包括有种子休眠的树种如Pinus halepensis和Pinus pinaster，以及非种子休眠的树种如Pinus pinea。有种子休眠的针叶林依赖于热量触发的松果开裂释放种子，而非种子休眠的树种则依赖于未烧毁区域的种子传播，使其在强烈火灾事件中更为脆弱。地中海灌木群落（MM）以灌木为主，包含强制萌发者、强制播种者和兼性萌发者，通常被认为对火灾具有高度的恢复能力。Q. ilex（LE）是一种地中海盆地温暖干燥地区的常绿硬叶橡树，是该地区的主要自然森林类型，通常通过萌发进行再生。

研究中使用了Sentinel-2 Level 2A地表反射率时间序列复合图像，通过EarthBlox平台获取。为了计算dNBR，我们使用了10天的中位数合成图像，以避免单日图像中可能的极端值影响。所有S2波段均通过最近邻算法重采样至10米的空间分辨率，以充分利用S2数据可能提供的最高空间分辨率。火灾后的时间序列分析使用了每月的中位数合成图像，从2017年8月至2023年12月，选择了双月频率（8月、10月、12月、2月、4月、6月）。这一决定基于对火灾前一年每月NDVI值的初步分析，使用Level 2 Landsat-8数据在Google Earth Engine平台上进行。由于S2数据在2017年4月之前有限，且研究的植被主要为常绿类型，其NDVI在各月份变化不大，因此双月频率被认为足以捕捉植被绿色度的季节性和年际趋势。

我们分别计算了火灾前和火灾后的NBR值，利用10天合成图像和S2波段8（近红外）和12（短波红外）进行dNBR计算。然后，我们根据美国地质调查局（USGS）阈值将dNBR值重新分类为四个严重程度等级：未燃烧（dNBR -0.100至0.099）、低严重程度（0.100至0.269）、中等严重程度（0.270至0.659）和高严重程度（>0.660）。最终的火灾严重程度地图与火灾前的植被地图相交，生成了十二个层次（三个火灾严重程度等级×四个植被类型），用于分析六个研究区域的火灾前和火灾后植被绿色度轨迹。为了分析感兴趣区域的恢复趋势，我们使用了十二个层次的平均值作为六个地点的综合平均值，这有助于研究NBR值的整体变化和不同层次的比较，同时避免了单个像素值的影响。

我们进一步分析了火灾后的NBR时间序列，使用TIMESAT软件（版本3.3）提取季节性和年际植被动态。通过将NBR信号拟合到数学函数，我们能够分别对每种植被类型进行分析，假设火灾后的NBR轨迹可以捕捉植被生长模式并保留关键的物候特征，如绿色度上升、生长高峰和枯黄。基于文献综述和TIMESAT拟合方法的比较，我们选择了不对称高斯函数进行分析，其设置包括一次迭代、适应强度=1、季节开始和结束定义为季节最大值的20%，以及不进行尖峰过滤。我们关注了几个季节参数，包括季节开始（SOS）、季节结束（EOS）、季节长度（LOS）和季节幅度（AOS），后者定义为季节最大值与基础值之间的差异。

为了探讨影响植被恢复的因素，我们采用了随机森林（RF）算法，使用R版本4.3.2进行分析。RF是一种监督式机器学习算法，常用于回归任务。我们获取了气候数据时间序列，包括温度和降水，使用第五代欧洲中期天气预报中心（ECMWF）再分析数据集（ERA5）。为了提高空间分辨率，我们使用了ClimateDT降尺度工具，该工具通过评估气候数据与周围区域高程之间的关系进行空间插值。输入数据包括每个火灾区域的中心坐标和平均高程，从数字高程模型（DEM）中获取。然后，我们提取了2022年和2023年4月的气候数据，对应LF-NBR（大型火灾-NBR）。DEM由意大利国家地球物理和火山学研究所（INGV，比萨分部）提供，格式为GeoTIFF，参考系统为WGS 84，空间分辨率为10米。坡度和方位图通过ArcGIS从DEM中得出。

对于每个RF模型，我们报告了两个关键输出：解释的方差百分比（R2）和变量重要性。变量重要性反映了每个变量对模型的贡献，基于其频率和在分割点的影响。我们使用了randomForest包的默认参数。为了支持解释，我们计算了相对变量重要性，表示为最显著预测变量（设为100%）的百分比，未使用的变量赋值为零。此外，我们分析了变量之间的相关系数，使用rcorr函数从Hmisc包中提取，并使用vif函数从car包中计算方差膨胀因子（VIF）得分。该分析检查了LF-NBR与气候、地形、光谱变量和重复燃烧变量之间的关系，使用相关系数和p值来识别有意义的关联。VIF得分用于研究预测变量之间的多重共线性。所有用于RF模型的输入变量列在表2中，包括2个光谱变量、3个地形变量、4个气候变量和重复燃烧（共10个变量）。

为了基于样本的视觉分类植被形态，我们创建了一个10米分辨率的网格，覆盖了六个烧毁区域，总面积为3050公顷。从该网格中，我们随机选取了约10%的面积，属于四种森林类型，最终的采样面积约为292公顷。火灾后植被形态的视觉分类使用了最近的Google Earth影像，这些影像在2022年至2023年期间获取，空间分辨率为约20厘米。我们对四种植被类型进行了分类，分为八个类别，反映了火灾后再生或退化状态。这些分类结果与NBR信号的变化相吻合，为理解植被形态提供了额外的视角。

研究结果部分表明，火灾严重程度、森林类型、重复燃烧和气候对NBR恢复有显著影响。通过分析火灾后的NBR时间序列，我们发现大多数烧毁区域在火灾后超过六年的恢复过程中，达到了60%至80%的火灾前NBR水平。然而，在重复燃烧事件发生时，观察到了明显的下降趋势。对于地中海灌木群落（MM），其恢复速度最快，在低、中、高火灾严重程度下分别在4、6和8个月内恢复到火灾前的NBR值。相比之下，地中海针叶林再造林（RI3）的恢复速度较慢，很少能恢复到火灾前的水平，即使在低严重程度下也是如此。这些结果与之前在地中海地区进行的研究一致，表明灌木群落具有较强的恢复能力，而桉树和针叶林再造林的恢复能力则较低。

在火灾后的物候分析中，我们发现NBR时间序列在双月尺度上表现出明显的季节性模式，所有植被类型在冬季达到高峰，夏季达到最低点。对于MM和LE，TIMESAT分析表明，它们在低和中等火灾严重程度下表现出六个季节，而高火灾严重程度下则为两个到五个季节。这些季节性变化反映了植被对火灾后环境的适应能力。在重复燃烧区域，NBR时间序列和恢复模式与中等严重程度的火灾相似，表明这些区域的恢复受到火灾频率和强度的显著影响。通过这些分析，我们能够更全面地理解不同植被类型在火灾后的恢复轨迹和物候动态。

研究还发现，气候变量在RI1和RI3中对NBR恢复具有重要影响，而地形和重复燃烧的影响相对较小。这些结果表明，不同植被类型对火灾后恢复的驱动因素存在差异，且恢复能力与植被的适应性密切相关。研究强调了在不同生态环境中测试该方法的重要性，以确保其广泛适用性。此外，研究还指出，虽然TIMESAT提取的季节性指标能够提供有价值的见解，但它们的解释需要结合实地数据和高分辨率影像，以确保准确性。

在讨论部分，我们探讨了火灾严重程度、植被类型、重复燃烧和气候对光谱恢复的影响。研究发现，植被恢复主要受到火灾前植被条件和火灾严重程度的影响，而非重复燃烧和地形的作用显著。这一发现与之前的研究结果一致，表明某些植被类型对火灾后恢复的外部因素更为敏感。研究还指出，重复燃烧对某些植被类型（如Q. ilex森林和地中海针叶林）的恢复具有重要影响，而对其他类型（如MM和RI1）的影响较小。这种差异可能与植被类型在火灾后的再生能力有关，例如Q. ilex森林由于面积较小，其重复燃烧的影响更为集中。

研究还探讨了地形和气候变量之间的关系，以及它们如何影响火灾后的植被恢复。虽然地形变量（如坡度和方位）在不同植被类型中的影响存在差异，但高程与温度之间存在显著的负相关关系。这种相关性反映了地形和气候在火灾后植被恢复中的复杂相互作用。研究指出，尽管地形对火灾恢复的影响在不同研究中存在分歧，但其与气候变量的内在相关性表明，它们在火灾后植被恢复中扮演着重要角色。

最后，研究总结了通过NBR时间序列数据进行火灾后植被恢复分析的方法，强调了其在地中海地区的重要性和适用性。尽管存在缺乏实地数据、森林结构和土壤条件等限制，但NBR结合多变量分析框架为识别恢复延迟或逐步退化的区域提供了一种可靠且可扩展的工具。这种方法可以为火灾后的管理策略提供支持，促进地中海生态系统受影响区域的针对性生态恢复，通过评估火灾后条件来制定适应性管理策略。