基于数据知识混合驱动的森林死细燃料含水率预测方法

《Computers and Electronics in Agriculture》：A data-knowledge hybrid-driven method for forest dead fine fuel moisture content prediction

　　

•死燃料细可燃物含水率（DFFMC）是野火预警和控制的关键因素。•现有的DFFMC预测方法要么单纯依赖数据驱动，要么单纯依赖知识驱动。•我们提出了一种混合驱动方法用于预测DFFMC，该方法将数据科学框架与领域知识相结合。•我们的方法在预测性能上优于单独使用的数据驱动或知识驱动方法。

引言

火灾是生态系统中的重要影响因素，深刻影响着大多数森林生态系统中生物群落的结构、组成和动态过程（McLauchlan等，2020年）。尽管火灾对森林的生态可持续性和生物多样性具有积极影响，但失控的严重野火会降低森林价值，且森林火灾期间大量排放温室气体对生态平衡具有深远影响，并加剧气候变化（Shuman等，2022年）。这些挑战与更广泛的可持续发展议程密切相关，尤其是联合国可持续发展目标，特别是与强调气候韧性和可持续森林管理的SDG 13和SDG 15。此外，人类聚居地向荒野-城市交界区的扩张使得野火对人类生命和财产安全的威胁更加严重（Banerjee等，2020年）。因此，主动预警和控制森林火灾至关重要。

森林火灾的发生需要三个基本要素：燃料、火源和氧气。燃料是森林火灾的物质基础，主要由构成森林的生物量组成，包括但不限于从森林地表到树冠的枯落物、腐殖质和活体植被（Hong-Shi等，2010年）。森林燃料可分为两大类：活燃料和死燃料。活燃料指活体植被，只要土壤水分充足，其含水率主要受植物根系吸水速率与蒸腾速率之比的影响，外部因素的作用相对较小（Viegas等，2001年）。死燃料是森林植被生理活动的副产品，其含水率主要受温度、湿度和降水等外部气象环境因素的影响（Li等，2016年）。温度升高、湿度降低、风速增大和降雨减少会增加蒸气压差，加速死燃料干燥，加之缺乏降水的直接水分补充，死燃料含水率可能显著下降并达到极低水平，从而容易引发森林火灾（Baranovskiy和Kirienko，2022年）。当森林火灾发生时，如果死燃料含水率低于某一特定值，火将以前锋均匀的方式蔓延。较低的死燃料含水率还会增强火特征，包括火线强度和火焰长度（Burgan，1984年，Rothermel，1983年）。因此，森林死燃料的含水率在影响火焰传播和燃烧速率方面起着关键作用，对于森林火灾风险评估的评估、分析和决策过程至关重要。

死燃料与环境之间的蒸气压差（受温度和湿度影响）驱动水蒸气交换（Matthews，2014年）。另一方面，燃料的比表面积（表面积与体积之比）决定了内外水分交换效率和水蒸气通量，从而与外部环境条件和燃料尺寸一起影响DFFMC。在亚日时间尺度上，环境温度与湿度随时间变化，导致蒸气压梯度发生变化，从而形成空气中与细燃料之间水蒸气交换的驱动力。从单个植物组织的微观水平到森林树群和更大尺度的宏观水平，死燃料对水蒸气的吸附能力随环境条件的波动而变化（Viney，1991年）。在恒定气象条件下放置足够长的时间后，死燃料将达到其吸湿容量范围内最大含水率的稳定状态，称为平衡含水率（EMC）（Bak?i?和Bak?i?，2022年）。初始值损失或增益与EMC之间达到63%偏差所需的时间称为时间滞后（Anderson，1990年）。根据国家火灾危险评定系统的燃料分类方法（该方法在相关研究中广泛使用），燃料按时间滞后分为四类：1小时、10小时、100小时和1000小时（de Rivera等，2012年）。在不同时间滞后的燃料中，1小时死细燃料对气象波动的含水响应最快。细燃料较薄，比表面积大，在火灾事件中暴露出更大的表面面积以吸收热量。这导致更高的热量吸收速率、更快的水分蒸发以及更充足的氧气供应，从而降低了引燃所需的热量。因此，死细燃料有利于火焰锋面蔓延，其可燃性直接影响野火的引发和传播风险（Burgan，1984年，Pyne等，1996年）。因此，预测死细燃料含水率（DFFMC）并开发预测模型一直是从事森林防火研究的学者们的关注焦点（Sun等，2021年）。

现有的DFFMC预测方法可根据其基本建模原理大致分为两类：数据驱动和知识驱动。数据驱动方法是指直接建立环境因子观测值与实测燃料含水率之间映射关系的方法，通常通过多元回归和机器学习等纯统计方法实现。数据驱动方法，特别是基于机器学习的方法，具有灵活的建模形式和对气象与含水率之间复杂关系的强大挖掘能力（Lyell等，2024年）。然而，由于其缺乏对燃料中水蒸气吸附和脱附过程先验物理知识的利用，数据驱动方法依赖于野外观测得出的环境数据与含水率之间的经验关系来学习燃料含水率在气象影响下如何变化。因此，与知识驱动方法相比，数据驱动方法的解释性较弱，且需要更多的建模数据才能有效运行（Reichstein等，2019年）。相反，知识驱动方法通过分析燃料与外部环境之间水分交换的物理过程来解释环境与DFFMC之间的关系。知识驱动方法主要通过基于过程的模型体现，其中能量和水分的平衡守恒关系作为理论基础。在本研究中，"知识驱动"指那些模型构建中纳入了燃料-大气水分交换物理/过程知识的方法（例如基于扩散的假设或能量/水分平衡约束），而非仅将气象/环境变量作为预测变量的方法。在某些领域，"知识驱动"也用于描述基于规则/专家知识的系统；此处采用上述定义以避免歧义。知识驱动方法可分为完整过程模型和结合经验拟合方法与先验物理知识的模型。完整过程模型模拟燃料内部的水分传输以准确预测含水率，具有很高的物理可解释性和可靠性（Matthews，2006年）。然而，由于模型复杂度高且许多所需参数难以测量，这类模型在实际应用中较为困难（Bilgili等，2019年）。直接时间滞后模型（DTLM）是结合经验拟合方法与先验物理知识的代表性方法，它通过迭代求解离散化的水蒸气扩散方程来估算不同环境条件下随时间变化的含水率（Catchpole等，2001年）。与完整过程模型相比，DTLM所需的环境输入更少，更容易使用。然而，由于依赖简单的拟合方法，DTLM本质上是对燃料吸附和脱附过程的分段近似，与数据驱动方法相比，其捕获复杂气象-含水率关系的能力有限（Matthews，2014年）。

数据驱动方法缺乏对物理过程进行解释的能力，且对建模数据的需求量较高；而知识驱动方法则受限于其复杂性和有限的数据挖掘能力。近年来，数据驱动与知识驱动的混合建模方法已被广泛应用于精准农业研究领域（Liu等，2024年，Shahhosseini等，2021年，Worrall等，2023年）。在森林燃料含水率预测领域，一种基于深度学习的数据科学框架已与基于物理过程的燃料棒含水率模型（FSMM）相结合，用于预测燃料棒的含水率，并利用10小时燃料棒的环境因子和含水率数据对这些预测进行了验证（Fan和He，2021年）。然而，这些燃料棒在物理特性和含水响应动态方面与自然地表死细燃料存在差异。在使用燃料棒含水率作为地表死细燃料含水率的代理变量时，需要进行燃料特异性校正，这表明准确预测燃料棒含水率并不一定保证其适用于自然燃料（Cawson等，2020年）。除了使用燃料棒作为代理变量的不确定性之外，该模型还需要复杂的环境变量作为输入，限制了其在观测有限的地区的适用性。因此，开发一种数据-知识混合方法，使用简单的气象输入来预测自然地表死细燃料的含水率，对于提高DFFMC预测的准确性和实用性具有重要价值。

在本研究中，我们提出了一种数据-知识混合驱动方法，称为DTL-LSTM，用于预测DFFMC。DTL-LSTM将半物理的直接时间滞后模型（DTLM）与长短期记忆（LSTM）网络相结合，使用DTLM推导的含水率动态作为知识驱动特征，同时结合气象变量进行数据驱动的序列学习。本研究的主要贡献在于开发了一种数据-知识混合驱动方法，将DTLM推导的含水率估计整合到LSTM中，从而使模型能够仅使用简单的气象输入准确预测自然地表死细燃料的含水率。具体而言，本研究旨在：

（1）开发一种混合DTL-LSTM模型，将DTLM中嵌入的领域知识与LSTM的非线性时序学习能力相结合。
（2）通过将DTL-LSTM与双输入LSTM、四输入LSTM和单独的DTLM进行比较，评估DTL-LSTM的预测性能，重点关注预测精度和时间动态。
（3）通过跨站点和外部验证（使用独立数据集）评估DTL-LSTM的鲁棒性和泛化能力。

本研究假设，DTL-LSTM通过整合基于领域知识的估计和数据驱动的序列学习，将实现比单独的DTLM和纯数据驱动LSTM模型更低的DFFMC预测误差。此外，预期DTL-LSTM的性能优势将在跨站点验证和独立数据集评估中持续存在。

研究区域

研究区域位于中国东北地区，具体为黑龙江省，地处该省的东北部地区。实地观测在东北林业大学苗尔山试验林场（45°14′–45°29′ N，127°29′–127°44′ E）进行，平均海拔约300米，最高海拔805米，以及在哈尔滨的城市林业示范基地（45°43′1″–45°43′38″ N，126°36′49″–126°37′50″ E）（图1）。

该区域

总体模型性能比较

图7显示了各预测模型针对不同林分的预测值与观测值的比较。圆形数据点与1:1线的接近程度表示预测值与实际值的对应程度。数据点与线的对齐程度越紧密，说明预测精度越高。在所有林分类型中，DTL-LSTM在1:1线周围的聚类最为紧密，而LSTM-D表现出

模型性能比较与混合框架优势

尽管LSTM-D始终表现出最大误差，但使用四个气象因子作为输入的LSTM-Q获得了更好的精度，表明限制因素并非LSTM方法本身，而是减少的气象输入因子数量制约了LSTM-D的性能。虽然LSTM-D和DTLM具有相同的双气象因子输入，但包含物理信息的DTLM提供了与LSTM-Q相当的预测精度，揭示了

结论

本研究的主要贡献有三点。第一，提出了一种混合DTL-LSTM方法，将知识驱动方法与数据驱动技术相结合，用于预测自然森林燃料的DFFMC，将混合建模的应用从标准化燃料棒扩展到自然燃料。

知识驱动的DTLM通过提供气象因素如何影响DFFMC的底层知识来引导LSTM网络，而数据驱动的LSTM网络则使模型能够学习复杂的、未知的关系。

CRediT作者贡献声明

韩哲：撰写——初稿，可视化，验证，软件，方法论，形式分析，数据管理，概念化。

彭博：验证，软件，形式分析，数据管理。

蒋天：验证，软件，数据管理。

林书扬：可视化，验证，软件，数据管理。

喻培龙：可视化，验证，软件，数据管理。

张家玮：撰写——审阅与编辑，监督，资源，项目管理。

利益冲突声明

作者声明，他们不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。