《Remote Sensing》：A Unified Multisensor Machine-Learning Framework for Live Fuel Moisture Content Retrieval
编辑推荐：
专业术语翻译摘要
活体可燃物含水率（Live Fuel Moisture Content，LFMC）影响植被可燃性，但野外测量过于稀疏，难以描述其在大区域范围内的变化。研究人员提出了据研究所知首个在相同训练模型内联合多种光学卫星传感器观测的LFMC反演框架。超
专业术语翻译摘要
活体可燃物含水率（Live Fuel Moisture Content，LFMC）影响植被可燃性，但野外测量过于稀疏，难以描述其在大区域范围内的变化。研究人员提出了据研究所知首个在相同训练模型内联合多种光学卫星传感器观测的LFMC反演框架。超过二十年的GlobeLFMC 2.0测量数据与Terra和Aqua中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer，MODIS）、可见光红外成像辐射计套件（Visible Infrared Imaging Radiometer Suite，VIIRS）、Landsat 8/9、Sentinel-2和Sentinel-3数据进行匹配。研究人员对采样位置周围的植被进行筛选，并在计算植被指数之前对反射率进行传感器间差异校正。天气、地形和一年中的时间提供补充信息。研究人员分别针对草本植物、灌木和树木训练独立模型。研究人员在未用于训练的日期上、且这些日期所在站点有其他日期参与训练的条件下进行预测检验。在每个站点，使用相同卫星影像的记录被保留在训练集或测试集中。最终随机森林（Random Forest）模型的决定系数（R2）分别达到0.715、0.693和0.691。在全部18个产品–植被类型组合的相同测试观测上，基于合并档案训练的模型比基于单一卫星产品训练的模型获得更高的R2和更低的均方根误差（Root Mean Square Error，RMSE）。配对95%置信区间支持其中16个组合的改进。在排除训练的站点上进行测试时精度较低。该方法能够以所选卫星产品的原生分辨率生成LFMC地图，范围从20–30米到300–500米。
论文解读文章
一、研究背景与问题
活体可燃物含水率（Live Fuel Moisture Content，LFMC）是活体植被中水分质量相对于干生物量的比值，以百分比表示。它是影响点火概率、火焰蔓延和火行为的最直接燃料状态控制因素之一。火灾危险等级评定和早期预警系统通常应用于区域至大陆尺度，并在火灾季节内反复更新，因此需要空间连续的燃料状况信息，而非孤立的野外测量。野外LFMC测量虽然准确，但分布稀疏、时间上不规律，且集中于有限的国家和生态系统。光学卫星产品能够实现频繁且可重复的冠层反射率及其衍生光谱指数监测，但其与活体植被水分和干物质含量的关系仍然复杂，反演需要建立野外实测LFMC与遥感、气象和环境预测因子之间的经验或物理关系。
历史上，遥感LFMC反演技术可分为经验方法和辐射传输模型（Radiative Transfer Model，RTM）反演两大类。经验模型将野外LFMC与光谱植被指数、热力信息、气象变量及其他辅助信息相关联；近年来出现了结合多类预测因子的多变量机器学习模型。其主要优势在于灵活性，能够结合光学、气象、地形和季节信息，并直接利用大型野外档案；主要局限在于训练域外推取决于采样站点、传感器和环境条件对应用域的代表性。基于物理的方法则反演冠层辐射传输模型，通常利用PROSAIL查找表，并受生态先验约束。然而，LFMC反演存在严重的病态性问题：不同的叶片水分、干物质、冠层结构、背景和几何组合可能产生相似的反射率光谱。
大多数LFMC反演研究仍局限于单一卫星产品或紧密相关的产品系列。单一产品设计简化了定标过程，因为光谱响应函数（Spectral Response Function，SRF）、空间支持、合成规则和质量掩膜是固定的，但同时也限制了可用于验证的GlobeLFMC观测数量，进而严重限制了可用于训练和验证的气候区、生物群系、植被物种和观测多样性。多传感器建模可以解决这一局限，但前提是必须显式处理产品差异，否则会将LFMC相关变异与传感器架构、足迹大小或合成方式引入的产品伪影相混淆。
二、研究内容与主要结论
本研究聚焦于经验机器学习反演，旨在解决两个相互关联的需求。第一，更充分地利用GlobeLFMC 2.0这一最新更新的大型野外LFMC档案。通过组合不同观测时期的卫星产品，可增加能与可用影像匹配的野外测量数量，并拓宽可用于训练和验证的生物群系、环境条件和物种多样性。第二，为遥感和火灾管理界提供一种可在不同空间分辨率下使用的通用LFMC估算方法，保留每种产品的原生空间支持，使应用可根据所需空间细节和时间覆盖选择卫星输入。据研究所知，这是首个在统一训练的多传感器方法中同时实现这两个目标的LFMC框架。
研究人员将GlobeLFMC 2.0野外记录与Terra MODIS MOD09A1、Aqua MODIS MYD09A1、VIIRS VNP09H1、Landsat 8/9 Collection 2 Level-2、Sentinel-2 MSI Level-2A和Sentinel-3 SY_2_SYN 300米产品进行匹配。通用光学预测因子使用红、近红外（Near-Infrared，NIR）和约1.6微米短波红外（Shortwave-Infrared，SWIR1）反射率。产品特定的站点适宜性和反射率定标用于处理空间支持和光谱响应的差异，随后将植被指数与环境预测因子结合。研究人员分别针对草本植物（Grass）、灌木（Shrub）和树木（Tree）拟合独立模型。
在主要验证模式下，最终全产品随机森林模型在站点内日期留出验证中，草本植物、灌木和树木的合并R2分别达到0.715、0.693和0.691，RMSE分别为44.7、23.3和25.6个百分点。在全部18个产品–植被组合的相同测试观测上，基于合并档案训练的模型比基于单一卫星产品训练的模型获得更高的R2和更低的RMSE，配对95%置信区间支持其中16个组合的改进。受控MODIS消融实验表明，MODIS训练观测对灌木有适度增益，对草本植物和树木影响较小。站点排除验证显示精度较低。该方法能够以所选卫星产品的原生分辨率生成LFMC地图，范围从20–30米到300–500米。
三、主要关键技术方法
研究人员构建了统一的多传感器LFMC反演框架，主要包括以下关键技术环节。数据来源方面，使用GlobeLFMC 2.0野外数据库（1977–2023年，卫星匹配后自2000年起），匹配六种卫星反射率产品：Terra MODIS MOD09A1、Aqua MODIS MYD09A1、VIIRS VNP09H1、Landsat 8/9 Collection 2 Level-2、Sentinel-2 MSI Level-2A和Sentinel-3 SY_2_SYN 300米。方法上包括：基于ESA WorldCover 2021的站点适宜性筛选、LFMC时间序列充分性过滤、通用光谱特征工程（红/NIR/SWIR1波段及NDVI、NDII、MSI、GVMI、EVI2五种植被指数）、基于NWP SAF光谱响应函数的兼容性诊断、以Sentinel-2为参考域的Huber回归经验反射率定标、随机森林和XGBoost树集成模型、事件级加权与分位数目标变换，以及考虑野外事件和复用采集分组的采集安全验证分块设计。
四、研究结果
特征集筛选。 初步筛选实验表明，单独使用植被指数不够充分，加入天气变量后模型改善，由植被指数、天气、地形和循环年积日组成的紧凑特征集带来主要性能提升。Sentinel-1雷达、Landsat热红外和VIIRS LAI/FPAR等可选产品特定变量未提供足够增益以弥补样本损失和产品依赖，因此最终保留紧凑特征集。
SRF与定标诊断。 光谱响应函数重叠分析确认各产品通用波段并非完全相同，MODIS在SWIR1波段与Sentinel-2参考域重叠最弱。经验线性定标在21个传感器/波段组合中全部降低了留出中心像元反射率RMSE，有效消除了系统性一阶偏移。
站点内LFMC反演。 全产品场景下，草本植物、灌木和树木的合并R2分别为0.715、0.693和0.691。无MODIS场景得分分别为0.645、0.680和0.689。受控MODIS消融实验对灌木有正向增益（R2增加0.013，RMSE降低0.49个百分点），草本植物和树木的配对区间包含零。折叠匹配的产品级基准中，多传感器训练在全部18个产品–植被组合中获得更高的R2和更低的RMSE点估计，配对区间支持其中16个组合。观测值与预测值散点图显示，木本植被预测范围压缩，极低LFMC被高估、极高LFMC被低估。
预测因子重要性诊断。 基于随机森林杂质重要性，草本植物分组重要性为天气（0.428）、地形（0.248）、光谱植被指数（0.172）、季节性（0.152）；灌木为天气（0.484）、地形（0.223）、季节性（0.210）、光谱植被指数（0.083）；树木为天气（0.505）、季节性（0.228）、光谱植被指数（0.151）、地形（0.115）。灌木的低光谱重要性被解释为灌木地不连续冠层结构及环境上下文加入后的重要性再分配，而非光谱指数信息量低。
五、讨论与结论
环境上下文的作用。 最终框架可理解为由卫星植被指数、天气、地形和季节性共同驱动的机器学习LFMC反演模型。配对环境基线显示，在加入天气、地形和季节性后，光学指数仍能增加预测信息，但增量大小取决于训练模式。
可选产品特定预测因子的筛选。 多个潜在有用变量因增益不足以补偿样本损失和产品依赖而被排除，最终紧凑特征集是显式筛选步骤的结果而非先验假设。
多传感器整合的效应。 组合产品档案使更多野外观测可用于训练和验证，减少了对单一传感器观测周期的依赖。MODIS扩展了历史档案和野外匹配观测的时间覆盖。统一训练在全部产品–植被组合中优于单一产品训练。
框架的传感器特定用途。 该框架支持回顾性分析和未来监测，MODIS提供自2000年起超过二十年的历史LFMC重建能力，高分辨率产品支持局部燃料监测。新传感器在满足红/NIR/SWIR1波段、文档化SRF、空间支持信息和足够时间重叠观测的条件下可纳入框架。
结论。 研究人员提出了一个统一的多传感器机器学习LFMC反演框架，通过显式处理光谱响应、空间支持和合成方式的差异，使六种光学卫星产品能够共享植被特定模型。该框架在站点内日期留出验证中达到草本植物R2=0.715、灌木R2=0.693、树木R2=0.691的性能，多传感器训练在全部18个产品–植被组合中优于单一产品训练。该方法支持在所选产品的原生分辨率下生成LFMC地图，为局部燃料监测和区域火灾危险评估提供了灵活的工具，并可扩展至未来光学传感器。
