基于物理原理的实时燃料水分含量估算方法：通过生态约束下的辐射传输模型实现

《Infrared Physics & Technology》：Physically based retrieval of live fuel moisture content through ecologically constrained radiative transfer modeling

　　

摘要

准确估算活火柴湿度（LFMC）对于可靠的野火监测和火灾风险评估至关重要。然而，现有的LFMC反演方法通常受到区域适用性差、过分依赖经验关系以及植被异质性导致不确定性的限制。这些限制共同限制了其在广泛时空尺度上的物理可解释性和操作实用性。为了解决这些问题，本研究提出了一种基于物理的查找表（LUT）反演方法，该方法利用了PROSAIL辐射传输模型。为了减轻反演问题的不确定性，我们通过整合特定地点的生态生理限制来优化LUT的参数化。具体而言，利用叶面积指数（LAI）与LFMC之间的生物物理关系来限制LUT的参数空间。后续与实地测量的LFMC数据的验证表明，估算值与观测值之间存在中等但统计上显著的相关性（例如，在Glendora Ridge为r = 0.547；在Bitter Canyon为r = 0.521）。此外，2025年1月洛杉矶野火事件中观察到的烧毁区域主要分布在估算LFMC低于所提出的90%阈值的区域，这表明植被湿度极低与野火发生之间存在强烈的空间关联。总体而言，本研究将野火风险监测从传统的基于气象的方法推进到了基于生理学的框架，为火灾风险评估提供了理论见解和实用工具。

引言

近几十年来，全球野火的频率、强度和空间覆盖范围显著增加，对森林生态系统稳定性、碳循环和生物多样性构成了重大挑战[1]、[2]、[3]。活火柴湿度（LFMC）是一个关键的生物物理参数，决定了植被的可燃性，直接影响燃料的点燃概率和燃烧行为[2]、[4]、[5]。因此，追踪LFMC的时空动态是火灾风险评估的基本指标，可以为由长期干旱或大气异常导致的结构转变为高度易燃状态提供关键的早期预警[6]、[7]、[8]。

火灾监测方法一般分为基于地面、空中和卫星的系统。虽然地面和空中监测提供了高分辨率的局部火源检测，但它们从根本上受到有限的空间覆盖范围、高昂的操作成本和天气依赖性的限制[9]、[10]、[11]。相比之下，卫星遥感能够实现连续、大范围和近乎实时的监测，覆盖光学、热红外和微波波长，已成为热点检测、烟雾追踪和烧毁区域测绘的主要工具[12]、[13]。特别是，光学遥感被广泛用于LFMC的估算，因为植被在近红外（NIR）和短波红外（SWIR）波段的反射率对冠层湿度非常敏感[14]、[15]、[16]。在各种卫星传感器中，中分辨率成像光谱辐射计（MODIS）特别适合用于基于LFMC的火灾风险评估，因为它具有高时间频率、全球覆盖范围、自2000年以来的长期连续性以及稳定的多波段反射率产品[5]、[17]、[18]、[19]。这些特性有助于监测从区域到大陆尺度的快速植被湿度动态和累积干燥过程，这对于预测火灾风险增加的时期至关重要[20]。

传统的LFMC估算依赖于经验模型，这些模型通过统计或机器学习算法将地面测量数据与光谱指数（如NDWI、NDII）联系起来。虽然这些方法计算效率高且在局部应用中能够提供可接受的预测性能，但它们本质上缺乏物理可解释性。它们的准确性和稳健性严重依赖于特定的植被类型、气候条件和传感器特性。因此，当超出其特定的校准范围时，这些经验模型的性能往往会出现显著下降，从而限制了它们在通用、大规模和长期LFMC监测中的实用性[2]、[17]、[21]。

为了克服这些限制，基于物理的方法使用辐射传输模型（RTMs）来模拟叶片和冠层的能量传输过程，明确地将植被的生化特性与其光谱反射率联系起来[22]、[23]、[24]、[25]。在叶片尺度上，PROSPECT模型能够表征400–2500纳米波段的光学特性，从而通过等效水厚度和干物质含量来估算LFMC[26]、[27]。在冠层尺度上，SAIL和4SAIL模型考虑了叶片角度分布、冠层结构和观测几何形状。结合了PROSPECT和SAIL的PROSAIL模型成为基于物理的LFMC反演的主要框架，因为它具有通用性和不受地区或传感器特定条件的影响[17]、[28]。这种反演通常采用两种主要策略实现。查找表（LUT）方法在明确定义的参数空间内生成大量的模拟光谱集合，然后使用光谱角度距离或成本函数等指标来识别最小化模拟反射率与观测反射率之间光谱差异的参数组合[18]。另一种方法是利用物理约束的机器学习方法通过数据驱动的算法生成训练数据集，以保持物理一致性[29]。这两种策略都显著提高了通用性，并减少了对外部广泛现场测量的依赖。

尽管这些基于物理的反演策略具有多样性，但一个重要的生态方面却相对较少受到关注：即冠层结构与植被水分状态之间的内在联系。尽管LAI和LFMC描述的是不同的植被特性，但它们通过植物生理过程紧密相关。LAI通过反映叶片生产和保持情况来表征冠层结构的发展，而LFMC则表示活叶的水分状态。在有利的环境条件下，充足的水分促进叶片扩展和生物量积累，同时保持高叶片水分含量，从而导致LAI和LFMC的同时增加。相反，长期干旱会抑制冠层发展，加速叶片衰老，并耗尽组织水分储备，导致冠层结构和水分状态的同步下降。从辐射传输理论的角度来看，冠层反射率同时受到植被生化特性和结构特征的控制。因此，LAI-LFMC关系为LUT构建期间限制可行的参数空间提供了宝贵的生态生理先验信息。纳入这一生态约束有助于排除生理上不现实的冠层结构和生化参数组合，从而减少反问题的不确定性，并提高LFMC反演的物理一致性和稳健性[17]、[19]。

在可用于制定这种生态先验的潜在变量中，选择了LAI作为主要代理，因为它直接表征了冠层结构，并且在PROSAIL模型中是一个明确的状态变量[26]。这种对应关系允许将经验性的LAI-LFMC关系一致地纳入LUT框架，并用于将模拟的冠层状态限制在生态上合理的组合中[17]、[18]。相比之下，地表温度（LST）和土壤湿度（SM）主要表征与植物水分可用性和生理压力相关的环境条件，而不是冠层结构特性。尽管这两个变量与植被湿度动态密切相关，并能提供有价值的辅助信息，但它们与LFMC的关系更为间接，可能受到大气强迫、土壤特性、表面能量平衡、植被覆盖和其他环境因素的影响。因此，与LAI相比，使用LST或SM作为主要的生态约束会将额外的环境依赖性引入反演框架。尽管如此，这些变量可以通过进一步描述干旱严重程度和水分可用性与LAI所代表的冠层结构信息相结合，在未来的发展中提供补充信息。

为了解决现有的方法论空白，本研究提出了一种基于物理的框架，将辐射传输建模与MODIS卫星观测相结合。具体目标是：（1）构建一个稳健的、多参数受限的LFMC反演模型；（2）开发一个全面的LFMC驱动的火灾风险评估和早期预警框架。

章节片段

卫星数据

本研究使用了来自MODIS的全面数据集，包括地表反射率、土地覆盖和烧毁区域产品，这些数据通过Google Earth Engine（GEE）云计算平台进行访问。为了隔离植被表面并排除无效的反演结果，应用了基于国际地球-生物圈计划（IGBP）分类方案的MCD12Q1（Collection 6）土地覆盖产品作为空间掩码。MOD09A1 8天地表反射率产品提供了

LAI和LFMC之间的生态约束

使用测量的光谱数据和相应的MODIS产品，应用PROSAIL模型进行正向参数化以生成LUT。然后使用光谱角度映射器（SAM）算法对MODIS图像进行像素级别的LFMC反演。为了减少物理上不合理的反演结果，引入了生态约束来过滤LUT，有效排除了与已建立的植被生物物理关系相矛盾的参数组合，从而改进了

LFMC动态和野火发生的生理解释

定义一个操作性的活火柴湿度（LFMC）阈值是进行可靠区域火灾风险评估的关键前提。在这项研究中，基于长期多站点实地观测和先前的火灾行为研究，采用了90%的临界阈值[54]、[55]、[56]。这个阈值并不代表一个任意的经验值，而是反映了植被水分状态的生理变化。当LFMC下降到大约90%以下时，植被

结论

在这项研究中，通过将PROSAIL辐射传输模型与生态约束的LUT反演策略相结合，开发了一个基于物理的大规模LFMC反演框架。通过纳入LAI-LFMC生态约束，所提出的框架通过将参数空间限制在生理上现实的冠层状态，有效地减少了反问题的不确定性，从而提高了LFMC估算的物理一致性和稳健性。

CRediT作者贡献声明

韩照阳：撰写——原始草稿、软件、方法论、概念化。田庆久：撰写——审阅与编辑、可视化、方法论。田佳：调查、正式分析、数据管理、概念化。程汉宇：调查、正式分析、概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了中国民用航空航天技术预研究项目（授权号：、中国气象局雄安大气边界层重点实验室开放基金（编号：2025LABL-B13）、中国科协青年精英科学家资助计划（YESS20230043）以及国家重点研发计划（2023YFF1303903）的支持。

韩照阳|田庆久|田佳|程汉宇

中国南京大学国际地球系统科学研究所，南京210023