基于遥感与机器学习方法的森林火灾燃烧严重度及植被恢复评估研究

本刊推荐：研究人员针对山地森林生态系统火灾后恢复评估难题，利用Sentinel-2光谱指数与随机森林模型，开展了四川雅江森林火灾燃烧严重度分类与植被恢复动态研究。结果表明：RdNBR指数对高严重度燃烧区识别效能最佳（AUC=0.89），随机森林模型显著提升分类精度至90.03%，dBAIS2指数有效捕捉土壤暴露与早期再生信号。该研究为火灾生态影响评估提供了可扩展的技术框架。

　　

在全球气候变化背景下，森林火灾的频率和强度显著增加，尤其在山地森林生态系统中，火灾后的植被恢复缓慢且景观异质性使恢复过程复杂化。虽然火灾在养分循环、种子萌发和冠层更新等生态过程中扮演着自然角色，但气候变化和土地利用压力导致野火的频率、强度和空间范围急剧增加。准确量化过火面积、燃烧严重度和植被恢复对于生态监测、碳核算和恢复策略至关重要。位于中国西南部横断山生物多样性热点区域的雅江县，因其特殊的地形、气候变异和有限的通达性，使得野外评估极具挑战性。2024年3月该地区发生的重大森林火灾，过火面积达278.8平方公里，对森林资源、居民生计和生物多样性造成显著影响。传统的燃烧严重度评估方法多依赖固定阈值的光谱指数，如差分归一化燃烧比（dNBR）等，虽在火灾检测中表现出良好的信噪比，却难以捕捉复杂地形和植被异质性区域的细微变化。因此，开发高分辨率、本地化的燃烧严重度与植被恢复评估框架成为迫切需求。

本研究基于Sentinel-2遥感数据，结合多种光谱指数与机器学习方法，对雅江火灾的燃烧严重度与早期植被恢复动态进行了系统评估。研究旨在：（1）评估关键光谱指数（dNBR、dBAIS2、RBR、RdNBR）在燃烧与未燃烧区域识别中的性能；（2）应用这些指数进行燃烧严重度分类；（3）将光谱指数整合至随机森林（RF）模型以提升严重度制图精度；（4）利用归一化植被指数（NDVI）及其核函数变体（kNDVI）评估植被恢复状况。该研究为高原亚洲森林生态系统的生态恢复力、火灾管理和灾后恢复提供了地域特异的科学依据。相关成果发表在《Ecological Informatics》。

研究采用的主要技术方法包括：利用Google Earth Engine（GEE）平台获取并预处理Sentinel-2 L2A级影像，计算12种光谱指数（包括NBR、NDVI、kNDVI、BAIS2等）；基于文献阈值与本地校准划分燃烧严重度等级；采用随机森林模型整合多指数特征并进行分类预测；通过受试者工作特征曲线（ROC）与曲线下面积（AUC）验证指数性能；利用SHAP分析解析预测因子贡献度；采用Wilcoxon检验、Cohen's d与Cliff's Delta等统计方法量化植被变化。

3.1. 燃烧严重度与火灾后植被动态洞察

通过对比dNBR、dBAIS2、RBR和RdNBR四种指数，发现RdNBR识别的过火面积最大（20541.8公顷），但其仍低于官方报告的27880公顷，表明指数对低严重度或部分燃烧区域存在低估。植被指数监测显示，NDVI从3月的0.533骤降至4月的0.317，kNDVI从0.457降至0.226，表明火灾导致植被显著损失。至10月，NDVI恢复至0.502，但kNDVI进一步降至0.178，提示高密度植被区恢复缓慢。BAIS2在4月达到峰值0.738，反映燃烧严重度最高，10月降至0.642，表明地表反射率变化与植被恢复进程。

3.2. 基于光谱指数的燃烧严重度评估：洞察与局限

各指数在燃烧严重度分类中表现出明显差异：dBAIS2识别出最大比例的增强再生（EG）区域（22.29%），而RBR分类的未燃烧（UB）区域比例最高（37.59%）。RdNBR对高严重度（HS）区域的识别最为敏感（42.96%），但RBR未识别任何HS区域，显示其对于极端光谱变化的响应不足。这种差异凸显了单一指数在复杂景观中的局限性，以及结合多指数和机器学习方法的必要性。

3.3. 集成RF分类以增强燃烧严重度分析

随机森林模型在燃烧严重度分类中表现出色，训练精度达95.08%，Kappa系数为93.43%，测试精度达90.03%。模型在低严重度（LS）和高严重度（HS）类别中表现最佳（敏感度均达98.48%），在中低（MLS）和中高（MHS）严重度类别中存在少量相邻类别误分。与传统指数相比，RF模型有效减少了RdNBR在高植被稀疏区对HS的高估，提升了分类的空间精确度。

3.4. 燃烧严重度制图方法的验证与性能

指数验证显示，RdNBR的AUC值最高（0.89），其次为RBR（0.88）、dNBR（0.87）和dBAIS2（0.86）。RF模型在所有严重度类别中均接近或达到完美分类（AUC≥0.99）。SHAP分析表明，火灾后炭化土壤指数（CSI_Post）是最重要的预测因子（全局重要性0.62），其次是火灾前CSI（CSI_Pre，0.51）。该结果证实了整合多预测因子与机器学习在提升分类性能方面的优势。

3.5. 火灾引起的植被变化与恢复

通过统计效应量分析（Cohen's d与Cliff's Delta）发现，在HS区域，dNBR检测到植被覆盖近乎完全崩溃（NDVI的Cohen's d=?7.16），而BAIS2显示略低的值（?5.90），表明dNBR更有效捕捉大规模植被损失，BAIS2则对地表变化（如土壤暴露）更敏感。RdNBR在监测中等燃烧区域的恢复动态方面表现卓越，检测到稀疏植被与中等植被的增加，表明局部生态恢复。

3.6. 预测不确定性的空间格局与模型校准

通过自助法（Bootstrap）量化像素级预测不确定性，发现高置信度像素（W≤0.20）占研究区面积的41.1%，中、低置信度区域分别占34.1%和24.9%。不确定性较高的区域主要分布于MLS–MHS过渡带及复杂地形区，反映了模型在这些区域的分类挑战。可靠性评估显示模型预测概率与观测频率高度一致，略有保守倾向。

研究结论与讨论部分强调，本研究通过整合多光谱指数与机器学习模型，显著提升了燃烧严重度分类的准确性与可解释性。RdNBR在识别高严重度燃烧区域方面表现最佳，dBAIS2有效捕捉了土壤暴露与早期植被再生信号，而随机森林模型通过整合多源光谱特征，克服了传统阈值方法的局限，尤其适用于地形复杂、植被异质性高的生态系统。植被恢复动态监测显示，高严重度区域恢复缓慢，需要有针对性的恢复策略。该研究的优势在于提供了可扩展的评估框架，适用于全球火灾易发景观的生态恢复与管理。然而，研究仍存在一定局限性：遥感数据的分辨率限制可能影响复杂地形区的分类精度；缺乏现场验证数据（如合成燃烧指数CBI）可能引入标注偏差；植被恢复评估仅基于光谱绿色ness，未涵盖结构或物种组成变化。未来研究可整合高分影像、辅助环境变量与长期监测数据，以进一步提升评估的生态相关性。总体而言，该研究为火灾生态影响评估、碳管理及生态恢复策略制定了重要技术支撑，对全球变化背景下的森林适应性管理具有积极意义。