基于多光谱信息与机器学习提升METImage传感器日间火辐射功率(FRP)饱和状态下的估算精度

针对METImage传感器4 μm波段饱和导致火辐射功率(FRP)低估的问题，NOAA团队利用VIIRS M波段数据构建机器学习回归树模型，成功预测饱和状态下的实际辐射值，FRP估算误差降至21.7%，为极端火灾监测提供新方法。

　　

火灾是全球生态系统和人类社会面临的重大威胁，及时准确的火灾监测对减灾至关重要。卫星遥感凭借其广覆盖和高时效性成为火灾监测的核心手段，其中火辐射功率(FRP)作为表征火灾强度的关键指标，传统上依赖4 μm波段辐射差计算。然而，新一代气象卫星MetOp-SG搭载的METImage传感器虽具备500米高分辨率，却因缺乏专用火通道且4 μm波段易饱和(BT≥345 K)，导致极端火灾的FRP被严重低估。

针对这一技术瓶颈，隶属于美国国家海洋和大气管理局(NOAA)卫星应用与研究中心的Yingxin Gu团队创新性地提出结合多光谱信息和机器学习回归树(ML RT)的方法。研究以VIIRS M波段数据为代理，通过模拟METImage饱和条件，构建了能预测实际4 μm辐射值的ML模型，最终实现饱和状态下FRP的精准估算，相关成果发表于《Ecological Modelling》。

研究团队采用三项关键技术：首先基于8021组加州火灾样本（含4172组4 μm饱和数据）构建训练集；其次应用规则分段回归树算法，整合12个VIIRS波段辐射及几何观测数据；最后通过偏差校正方程优化预测值。关键步骤包括对多波段饱和像素标记"低置信度"，并独立验证于美国大平原雷亚火灾和澳大利亚火灾数据集。

【结果与发现】

1. 辐射预测模型性能：最终ML RT模型包含11条回归规则，以VIIRS M11(2.25 μm)和视角天顶角为核心变量，测试集辐射预测误差仅14.1%，相关系数达0.97。极端火灾案例中（如FRP 7605 MW的5波段饱和像素），经规则调整后误差从初始异常值降至2.4%。

2. FRP估算改进：相比传统饱和值法（FRP局限在105 MW内），ML衍生的FRP范围扩展至7421 MW，与实际VIIRS数据趋势高度一致（R²=0.98），平均误差21.7%。空间分布验证显示，ML结果能准确反映火灾热点强度梯度，而饱和法则丧失空间差异性。

3. 跨区域验证：在美国大平原草地火灾（Rhea火灾）中，模型对331个饱和像素的FRP预测误差19.6%；澳大利亚森林火灾测试中，尽管存在四波段饱和像素的异常值（FRP 6617 MW），整体误差仍保持在23%以内，证实模型具备全球适用性。

这项研究突破了卫星传感器硬件限制，通过数据驱动方法将FRP估算从"饱和盲区"拓展到极端火灾场景。特别值得注意的是，模型对多波段饱和（>3个）像素的标记机制，为业务化系统中的质量评估提供重要参考。未来通过引入植被指数、地形特征等辅助变量，有望进一步优化模型性能。该技术已计划整合至NOAA业务化火灾监测系统，为全球火灾管理决策提供更精准的科学支撑。