遥感与AI融合：基于时序植被指数统计特征的入侵植物黄雀麦(Bromus tectorum)分布制图与野火风险预警研究

《Environmental and Sustainability Indicators》：From Vegetation to Vulnerability: Integrating Remote Sensing and AI to Combat Cheatgrass-Induced Wildfire Hazards in California

本研究针对加州野火风险加剧问题，创新性地整合Sentinel-2遥感数据与Calflora开放数据集，通过开发植被指数时序统计特征(NDVI/GNDVI/MSAVI2)和半监督MLP标签优化方法，构建了精度达91.1%的黄雀麦(Bromus tectorum)多分类模型(ROC-AUC 0.99)。该研究为入侵植物驱动的野火风险早期预警提供了10米分辨率的高效监测工具，对生态管理和防灾决策具有重要实践价值。

　　

加州野火近年来呈现愈演愈烈之势，2020年创纪录烧毁174万公顷土地，造成超190亿美元经济损失。在这一生态危机背后，外来入侵物种黄雀麦(Bromus tectorum)扮演着关键推手角色——这种高度易燃的禾本科植物不仅通过抢占生态位排挤本地物种，其早枯特性更显著增加了细燃料负荷，形成"野火-黄雀麦扩散-更大野火"的恶性循环。传统监测方法受限于270米粗分辨率数据，难以精准捕捉这种常以300m²斑块分布的入侵植物，而人工地面调查又面临成本高昂的困境。

为突破这些技术瓶颈，Fire Neural Network团队开发了一套融合多源遥感数据与人工智能的创新解决方案。研究首先利用Sentinel-2卫星10-20米分辨率的多光谱数据（包含B2-B12波段），结合Calflora开放数据库的物种分布记录，构建了覆盖洛杉矶县6类地物（黄雀麦、草地、灌木、裸地、水体、乔木）的8855个样本集。针对用户上报数据的空间偏差问题，创新性地采用200米缓冲区内随机采样结合二元多层感知机(MLP)的标签优化策略，将原始数据精度提升35%。

技术方法的核心突破在于创建了12个植被指数时序统计特征：基于NDVI（归一化差异植被指数）、GNDVI（绿波段归一化差异植被指数）和MSAVI2（改良土壤调节植被指数）的月均值、标准差、偏度和峰度，这些特征有效捕捉了黄雀麦区别于本地植被的独特物候特征。研究采用XGBoost和随机森林(RF)算法进行建模，通过10折交叉验证的网格搜索优化参数，最终选择包含32个特征输入的XGBoost模型作为最优解决方案。

【数据与方法】

Sentinel-2数据预处理采用双线性插值将20米分辨率波段统一至10米，并利用云概率波段逆权重法减少噪声。样本标注阶段通过Dynamic World V1土地覆盖图进行分层随机采样，结合高分辨率影像验证确保纯像元代表性。特征工程中创新计算的植被指数统计带，成功将黄雀麦分类精度从仅用单时相数据的85%提升至91%。

【分类精度】

模型在测试集上表现出色：总体准确率91.1%，黄雀麦类别精确度91%，召回率86%。混淆矩阵显示主要误判发生在灌木与黄雀麦之间（沿海区域占83%），但通过时序特征的引入使过预测问题减少42%。ROC曲线显示所有类别AUC>0.98，Cohen's Kappa系数0.89表明模型具有极强的判别力。

【LULC制图】

2024年加州土地覆盖图显示，黄雀麦在埃尔西多火灾区周边100英里范围内占比达16.79%，而在火灾核心区高达52.5%。时序分析揭示火灾后黄雀麦占比从2020年13.55%激增至2021年48.06%，印证其"火后先锋物种"特性。2024年科拉尔火灾案例中，模型成功识别出点火点周边密集的黄雀麦分布，解释了该火灾5小时内蔓延9000英亩的燃料基础。

【讨论与结论】

该研究开创性地证明：1）植被指数月尺度统计特征能有效捕捉黄雀麦的早枯物候特性；2）半监督标签优化方法可显著提升公民科学数据的可用性；3）10米分辨率制图可精准识别高危燃料连通区域。生成的概率图（图9）为社区级防火规划提供了量化工具，例如识别出树木与黄雀麦交错带（占埃尔西多火灾区66%）这类高危区域。未来通过集成iNaturalist等公众参与数据，可进一步扩展模型的时空覆盖范围。

这项发表在《Environmental and Sustainability Indicators》的成果，为应对气候变化下日益严峻的生物入侵-野火耦合危机提供了可操作的监测框架。其方法论创新不仅适用于加州，也可推广至全球其他受黄雀麦影响的干旱区，为实现联合国可持续发展目标中的陆地生态保护提供了关键技术支撑。