编辑推荐：
在森林火灾研究中，准确预测火灾严重程度意义重大。研究人员针对传统预测方法的局限，开展利用火灾前遥感和气象时间序列预测火灾严重程度（RBR）的研究。结果显示，FLM 模型效果最佳，且 65 天前的燃料动态数据能提升预测精度。这为火灾管理提供了有力支持。
森林火灾是大自然的 “杀手”，它所到之处，森林生态系统遭受重创，无数植被被焚毁，野生动物失去家园，生态平衡被严重破坏。准确预测火灾严重程度，对预防火灾、保护生态环境至关重要。然而，目前利用传统方法预测火灾严重程度面临诸多挑战。以往预测相对燃烧比（RBR）主要依赖火灾前单一日期的数据，难以准确把握其在时空上的变化，这使得火灾预防和应对工作常常陷入被动。在此背景下，为了更精准地预测火灾严重程度，国外研究人员开展了相关研究，其研究成果发表在《Agricultural and Forest Meteorology》上。
研究人员利用火灾前几个月的遥感和气象时间序列数据，通过构建不同模型来预测 RBR。主要技术方法包括：使用 Sentinel - 2 和 Landsat - 7/8 数据获取光谱火灾严重程度指数（FSI）和归一化植被指数（NDVI）时间序列；运用法国的 SAFRAN 再分析数据集计算气象数据和火灾天气指数；采用滞后广义相加模型（LGAM）、函数线性模型（FLM）和广义相加模型（GAM）进行预测，并通过 10 折交叉验证等方法评估模型性能。
研究结果如下：
- 模型性能比较：通过变量选择构建的模型能避免过拟合。FLM 在预测 RBR 时表现最佳，其相关系数 R 达到 0.68，均方根误差 RMSE 为 0.057，优于 LGAM（R = 0.60，RMSE = 0.063）和 GAM（R = 0.52，RMSE = 0.069）。这表明考虑火灾前遥感和气象数据的时间序列，能在火灾 - 土地覆盖尺度上更准确地预测 RBR。而且 FLM 在不同冠层结构类型的区域都有较好的预测效果，尤其在灌木林和开阔冠层区域表现更优。
- 评估预测因子的重要性及其对 RBR 预测的影响：在 FLM 建模中，对预测 RBR 重要性从高到低的变量依次为 DMC、NDVI、DC，以及纬度、日序（DOY）、初始蔓延指数（ISI）等。DMC 对 RBR 预测的重要性在 FLM 中达到 34%，其在 - 55 天到 - 20 天期间的变化对 RBR 影响较大。NDVI 重要性为 32%，其时间序列下降速度比平均速度快时，RBR 值较高。DC 重要性为 11% ，特定时间段内 DC 的变化与 RBR 相关。纬度在 LGAM/GAM 和 FLM 中的重要性差异较大，在 LGAM/GAM 中表现出较强的非线性影响。DOY 与 RBR 呈正相关，ISI 对 RBR 有反直觉的负向影响。
研究结论和讨论部分指出，利用火灾前光学遥感数据和气象指数的时间序列，能显著提高 RBR 的预测精度。65 天的火灾前燃料动态数据对预测火灾严重程度指数最为有效，时间过长或过短都可能引入噪声。与标量预测因子相比，使用时间序列的预测因子（如 DMC、NDVI 和 DC）更为重要，这为理解火灾严重程度的影响因素提供了新视角。研究还通过对比两个不同严重程度的火灾案例，进一步验证了时间序列数据在预测火灾严重程度中的重要作用。不过，该研究也存在一定局限性，如使用的植被指数对燃料行为的近似性、气象数据的局限性以及未进行物候校正等。未来可借助光学 / 热遥感技术的发展、非线性功能模型的应用以及物理火灾行为模型的结合来改进研究。总体而言，这项研究为火灾严重程度的预测提供了新方法和新思路，对森林火灾的预防和管理具有重要的指导意义。
