时间基线选择对3 m PlanetScope影像野火严重度制图的影响：以2022年韩国东海岸早春野火为例

《Heliyon》：Effects of temporal baseline choice on wildfire severity mapping with 3 m PlanetScope imagery

　　

为早春野火选择火前影像需在时间邻近性与季节可比性之间权衡。研究人员评估了时间基线选择如何影响基于3 m PlanetScope影像的严重度制图，对象为韩国2022年3月的Uljin–Samcheok与Gangneung–Donghae火场。将2022年春季共同火后窗口分别与2021年春季（季节匹配）、2022年冬季（同年）和2021年冬季（上一年度非生长季）基线配对。在Google Earth Pro中查看的Maxar影像提供参考多边形及未燃烧、低严重度和高严重度标签；9个综合燃烧指数（Composite Burn Index，CBI）观测对这些标签进行佐证。PlanetScope独立提供10个光谱变化预测因子，并以最小–最大缩放处理。在每个火场内部，采用300 m训练–测试排除缓冲，并对每个火场–基线–分类器组合进行1000次重复采样与划分运行，评估随机森林（Random Forest，RF）、梯度树提升（Gradient Tree Boosting，GTB）和k近邻（k-Nearest Neighbors，KNN）。汇总平均测试精度在季节匹配基线为0.963，分别比同年冬季（0.938）和上一年度非生长季（0.928）高2.57和3.53个百分点。季节匹配在6个火场–分类器组合中的5个取得最高平均精度；KNN增益最大，尤其在低和高严重度类别。以PermutationExplainer计算的Shapley加性解释（Shapley additive explanations，SHAP）表明，在部分Gangneung–Donghae拟合中，燃烧面积指数（Burn Area Index，BAI）变化为首要预测因子。年际变异和配对特异性有效覆盖限制将这些增益单独归因于物候。上述火场内结果支持在目标分类器下，将季节匹配影像与近期火前观测一并评估。

野火严重度描述火对植被及其他生态系统组分的改变程度，其空间变异影响生态影响解释以及火后评估与恢复活动优先级。火天气变化增加了对受影响景观中可靠影响信息的需求；卫星遥感可对难以全面野外调查的区域提供重复观测。既有研究发展了火烧范围制图与火效应变异表征方法，但结果依赖传感器、分析方法和参考信息。多时相严重度制图通过比较火前与火后观测来刻画植被覆盖、冠层状况以及裸露炭、灰或土壤变化，差值归一化燃烧比（differenced Normalized Burn Ratio，dNBR）是常用例子，其利用近红外（near-infrared，NIR）与短波红外（shortwave-infrared，SWIR）反射率计算火前与火后归一化燃烧比（Normalized Burn Ratio，NBR）之差；相对形式可考虑火前植被变异。然而光谱变化是生态损害的间接度量，其与严重度关系随植被类型、观测尺度和参考定义而变化，解释与验证因而是制图过程的重要组成。获取时间是该关系的核心变异来源：季节植被发育与光照变化可在无火情况下改变光谱指数；既有研究显示影像日期变化会通过物候与太阳高度效应改变估计严重度，监测燃烧严重度趋势（Monitoring Trends in Burn Severity，MTBS）的操作指南强调火前与火后影像的季节性和物候可比性，复合时段与物候校正也会影响Sentinel-2指数与野外严重度的一致性。这些发现确立时间一致性为影像选择考量，但其后果依赖制图情境。对早春火，时间一致性造成近期火前观测与上一年可比季节观测之间的实际选择：冬季影像靠近点火但与春季火后影像季节不同，上一年春季影像日历匹配但引入更长间隔，云雪筛选还会改变可用观测数量与空间覆盖；二者均不能单独保证可比基线，需在实际数据与分类流程中评估。PlanetScope提供3 m正交校正影像，八波段产品含红边和NIR，可细尺度表征植被状况；已有研究评估其波段对火烧范围与严重度制图贡献，红边指数在Sentinel-2严重度判别中有用，但PlanetScope缺乏直接计算常规NBR指数所需SWIR波段，制图依赖可见光、红边和NIR信息。由此，核心问题是火前基线选择如何影响基于PlanetScope指数变化的严重度分类，且该影响可能依赖分类器如何使用这些变化；机器学习可组合光谱变量表征异质火效应，但基线改变会改变预测因子分布和类别可分性，树集成与距离分类器利用分布方式不同，因此需同时考察总体和类别响应，并用模型解释考察预测因子贡献。2022年3月Uljin–Samcheok与Gangneung–Donghae火提供两个案例，其早春时点允许比较冬季与春季火前窗口；既往Uljin工作研究Sentinel观测与Sentinel-2特征选择结合，本研究则用PlanetScope预测因子评估三种火前基线：2021年春季（与火后日历窗口匹配）、2022年冬季（同年火前）和2021年冬季（上一年非生长季），均与2022年春季影像配对。研究目标为：（i）量化基线间总体与类别性能差异；（ii）评估其相对性能在两火与三分类器间是否一致；（iii）用SHAP的PermutationExplainer考察预测因子贡献变化。其贡献是为此PlanetScope工作流的时间基线选择提供经验比较，并将观测差异与年际条件和数据覆盖联合解释。

方法上，研究以2022年3月韩国Uljin–Samcheok与Gangneung–Donghae两场火为对象；PlanetScope八波段3 m地表反射率产品构建10个光谱指数及其差值/百分比变化预测因子，经方差膨胀因子（variance inflation factor，VIF）筛选保留10个变量；Google Earth Pro查看的2022年5月Maxar影像独立提供参考多边形和未燃烧、低、高严重度标签，9个CBI观测及照片由釜山国立大学定量遥感实验室提供并仅作佐证；采用300 m训练–测试排除缓冲、每火–基线–分类器1000次重复采样划分，比较RF、GTB、KNN，并以SHAP的PermutationExplainer解释模型。

结果部分：3.1 各时间基线的总体表现。每个火场–情景–分类器–随机种子构成一次运行，共18,000条记录；汇总平均测试总体精度（overall accuracy，OA）为季节匹配0.963、同年冬季0.938、上一年非生长季0.928，结果部分给出分别高2.59和3.63个百分点，同年冬季比上一年非生长季高1.07个百分点；宏平均精确率、召回率和F₁呈相同排序，测试宏平均F₁分别为0.963、0.938和0.929；三种基线下训练OA均高于测试OA，季节匹配的汇总测试OA标准差最低（0.0229），其次为同年冬季（0.0509）和上一年非生长季（0.0604）。3.2 分类器与火场间变异。季节匹配在6个火场–分类器组合中的5个取得最高平均测试OA；对每个分类器和基线，Uljin–Samcheok平均测试OA均高于Gangneung–Donghae；基线差异强烈依赖分类器。KNN变化最大：相对同年冬季，季节匹配使Gangneung–Donghae平均测试OA提高9.60个百分点、Uljin–Samcheok提高4.1个百分点；相对上一年非生长季分别提高9.50和10.70个百分点；季节匹配下KNN仍低于RF和GTB，但更接近且运行级标准差低于两个冬季基线。RF和GTB从同年冬季到季节匹配的平均测试OA增幅为0.10–0.70个百分点，与上一年非生长季差异为?0.30–0.80个百分点；Uljin–Samcheok RF是唯一季节匹配低于上一年非生长季者（0.988降至0.985），Uljin–Samcheok GTB差异可忽略（0.9869至0.9870）。3.3 按严重度类别的表现与制图格局。类别F₁显示未燃烧类与燃烧类响应不同：未燃烧类无一致最佳时间策略，Gangneung–Donghae同年基线在三分类器中F₁最高，Uljin–Samcheok通常上一年非生长季最高，提示未变化/未燃烧区判别较稳健但未系统受益于季节匹配；低和高严重度类基线依赖更强，尤其KNN，季节匹配一般较同年冬季提高燃烧类F₁，KNN在两火中同年冬季明显降低，GTB和RF较不敏感但仍有变异。空间制图上，季节匹配总体最佳，燃烧格局更空间连贯且更符合火后PlanetScope影像，较其他基线减少漏检和零散伪斑；上一年非生长季能捕捉总体火格局但边界更破碎或不精确；同年冬季识别主要火烧区但局部斑块分离较差。3.4 SHAP预测因子贡献。所有展示的Gangneung–Donghae拟合中BAI派生变化均排名第一：RF和GTB在三种基线下均为dBAI居首，KNN为pct_BAI居首；同年冬季RF和GTB中pct_VARI和dVARI紧随dBAI，上一年非生长季RF的次要领先因子为dCIRE和dNDRE、GTB为dEVI和dCIRE；季节匹配GTB中dBAI和dVARI平均绝对SHAP值约0.58和0.25，其余至多0.03，季节匹配RF亦以dBAI明显领先；季节匹配KNN前五为pct_BAI、dBAI、dNDRE、dVARI和dEVI，均值约0.13–0.20，同年冬季为dEVI和dNDRE紧随pct_BAI，上一年非生长季为dNDRE和dCIRE。排序变化描述所选拟合对可用预测因子的依赖；绝对SHAP值仅表幅度而不表方向，且未确立1000次重复评估中的归因稳定性。

讨论部分总结：时间基线选择是PlanetScope严重度制图的重要环节，上一年春季基线取得最高汇总测试OA，宏平均F₁优势表明三类等权时仍成立，但幅度强依赖分类器；主要贡献是说明既有影像选择原则在此工作流中的表现及模型和类别响应。早春火基线选择涉及时间邻近性与季节可比性的权衡：近期冬季观测描述点火前状况但与春季火后影像比较可含植被发育、水分和光照变化；上一年春季基线可减少季节错配但引入更长年际变化间隔；既有研究与MTBS指南支持评估预测因子的时间构建与分类方法。两个冬季基线虽共享日历窗口但汇总表现不同，提示不能仅用季节对齐解释全部排序；年际植被与水分、获取数量、配对掩膜保留空间覆盖均可影响比较，共同火后窗口和特征定义仅约束部分变异，未隔离物候处理效应；结果支持季节匹配为三种评估选项中总体最强候选，但不确立普遍最优火前季节或年份。最大实际增益见于KNN；树集成差异较小，包括Uljin RF相对上一年冬季略高，说明汇总排序需模型特异解释；汇总对六个模型–火场组合等权，其平均优势不意味着仅用RF或GTB时同等增益，基线选择应在预期部署分类器内评估。不同响应与算法使用预测因子分布方式不同一致：KNN依赖观测间距离，类别重叠、协方差或极值变化可改变邻居；最小–最大缩放使特征范围可比但保留其他分布差异，基线对邻域关系影响可在缩放后持续；RF和GTB用特征阈值组合构建决策边界，可能更好容纳某些基线变化，此仅为可能解释，需直接检查类别分布和邻域组成。类别结果进一步细化：KNN低和高严重度均受益于季节匹配，未燃烧类无一致优势；低严重度因保留叶片、熏焦冠层和裸露基质可在同一标签内产生异质光谱响应，更可比基线可改善混合条件判别，但高严重度增益提示响应更广；类别结果识别基线选择重要之处，仍需混淆矩阵确定漏分与错分路径。SHAP表明拟合模型如何使用各基线相关光谱变化；季节匹配Gangneung–Donghae模型中dBAI或pct_BAI居首，BAI基于红–NIR反射率空间燃烧表面参考点的反平方距离，其突出与红–NIR信息判别可见火效应一致；符号差值与百分比变化区别重要，百分比变化依赖差值和火前指数幅度，小分母可放大变异，最小–最大缩放改变范围但不移除依赖，dBAI与pct_BAI排序不同提示变化表征应与获取窗口并重，但不证明何者固有更优，需移除或分组相关预测因子以判断归因是否转化为留出分类性能贡献；EVI、CIRE和NDRE贡献变化表明模型对植被相关预测因子依赖亦移动，红边信息在Sentinel-2研究中支持严重度判别，但此处多个指数共享波段且信息重叠，归因需联合解释；特征依赖可影响Shapley解释，排序描述各拟合内相对依赖，跨模型绝对幅度比较需一致输出、背景、掩膜和聚合定义，且幅度无方向且为选定拟合，支持模型行为解释而非因果生态解释或重复拟合稳定性。对PlanetScope制图，3 m产品网格有助于描绘火烧景观内部空间变异；结果显示可见光、红边和NIR变化可在无SWIR波段时判别所定义影像解释类别；评估采样相对均质多边形内部，狭窄边界和小混合斑块性能需单独评估，且未建立相对Landsat或Sentinel-2的分辨率优势；空间图可指导检查分歧区但为定性背景而非额外验证。对可比早春火，实用工作流应将归档春季基线纳入候选输入，再针对所选分类器和关注严重度类评估其价值；可用覆盖应与精度并重，因为保留样本表现好的基线可能使景观其他部分未评估；时间要求亦重要，火后窗口跨越春季植被发育和可能早期恢复，封控后短时间所需地图须用截止前可得影像评估；本研究 informing 所评估季节产品的基线选择，土壤损害或后续恢复应用需针对这些结果观测与验证。参考不确定性方面，Maxar影像在Google Earth Pro中提供多边形边界和严重度标签且独立于PlanetScope预测因子，避免用PlanetScope解释定义自身目标标签，但两者均敏感于光学外观；单一分析员赋标签，9个CBI观测仅有限佐证Maxar解释，未校准严重度阈值或提供定量地图验证，因此与影像标签一致并不量化被存活冠层遮蔽的下层和土壤损害。验证设计界定推断空间范围：300 m训练–测试排除缓冲降低局部邻近，但观测仍可保留更广空间依赖或共享同一大参考多边形特征；报告性能针对两研究火场内分类，未进行空间阻断、多边形留出或跨火验证；验证策略须考虑数据依赖并匹配预期预测任务。最直接扩展是使用共同有效位置和匹配训练–测试分配比较基线，并报告排除面积和类别覆盖；多年植被轨迹、稳定未燃烧对照和气象观测有助于区分季节错配与年际变异；更广野外采样和独立影像解译可处理参考不确定性；在未参与模型开发的额外火场和年份测试可评估基线偏好是否迁移；这些评估应保留样本标识并记录获取选择、拟合预处理、调参和SHAP设置，以便将性能差异追溯至数据和建模选择。

研究结论翻译：本研究表明，时间基线选择可实质性影响基于3 m PlanetScope影像的野火严重度制图（wildfire severity mapping，WSM）。在Uljin–Samcheok与Gangneung–Donghae火场中，上一年季节匹配基线取得最高汇总测试精度和宏平均F₁，并在6个火场–分类器组合中的5个取得最高平均精度；收益在KNN以及低和高严重度类最明显，而未燃烧类显示更火场特异的响应；BAI派生变化始终为优势预测因子之一，突出红–NIR光谱变化对PlanetScope严重度判别的重要性。这些发现表明，选择火前影像时尤其对早春火应将季节可比性与时间邻近性一并考虑；然而观测优势不能仅归因于物候，因为年际条件、获取可用性和配对特异有效覆盖在基线间亦不同；因此归档季节匹配影像应作为候选基线评估，而非视为普遍最优；未来需使用共同有效位置、更广野外验证、独立参考解译及额外火场和年份以确定这些发现的普适性。