《Trees, Forests and People》：An Adaptive Multi-Source Remote Sensing Framework for Forest Wildfire Detection, Burned-Area Mapping, and Monitoring in Mountainous Chongqing, China
编辑推荐：
山地野火威胁复杂地形区的森林生态系统与人类社区，然而由于植被破碎、崎岖地形以及夏季地表高温导致活跃火与过火表面难以从光谱上区分，使得监测仍面临挑战。本研究整合MODIS、Landsat 8、Sentinel 2和FY-4A AGRI观测数据与已有分析方法，对2
山地野火威胁复杂地形区的森林生态系统与人类社区，然而由于植被破碎、崎岖地形以及夏季地表高温导致活跃火与过火表面难以从光谱上区分，使得监测仍面临挑战。本研究整合MODIS、Landsat 8、Sentinel 2和FY-4A AGRI观测数据与已有分析方法，对2022年中国西南部重庆市两处野火复合体的活跃火发生、燃料条件、过火面积、火灾后影响及火线演变进行表征。Otsu自适应阈值法识别出13个候选火像元，对应14个官方报告的起火点，火点定位检测覆盖率达92.86%。线性光谱混合模型（LSMM）估算了光合植被（PV）、非光合植被（NPV）和裸土（BS）的亚像元丰度。超过90%的检测火点位于灌丛地和农田-自然植被镶嵌体中，这些区域NPV丰度相对较高。将K均值聚类与差值归一化植被指数（dNDVI）和差值归一化燃烧比（dNBR）相结合，绘制了51.91 km2的过火面积，而官方估算约为49 km2，由此得到的面积一致性达94.06%。研究人员利用观测到的火点分布、燃烧严重程度、燃料类型和NPV丰度分数的整合，划分了五类火灾后影响与管理优先级，而非用于预测未来野火发生。利用FY-4A AGRI和ERA5风场数据对两个大型火复合体进行逐小时追踪表明，77–100%的独立火点检测位于业务化FY-4A二级火产品像元5 km范围内。燃料结构与风况与火线推进的阶段依赖性变化有关：一个火复合体大致垂直于高NPV斑块方向蔓延，而另一个火复合体则沿燃料结构廊道扩展，并在其最终阶段逆盛行风向推进。研究结果证明了在重庆这两个案例中结合互补卫星观测进行野火监测与灾后管理的价值。
一、研究背景与科学问题
全球范围内，野火会破坏生态系统稳定性、碳循环和大气过程。其发生时间和空间位置的不确定性威胁着森林资源、生态完整性、人类生命和社会经济资产。与热浪和干旱相关的野火活动日益频繁，凸显了对稳健工具的需求，以支持中国西南部山区的应急响应、实时监测和灾后生态恢复。卫星遥感因其广空间覆盖、高时间分辨率和较低成本，已成为大规模野火监测的标准工具。然而，在包括重庆在内的中国西南部山区，崎岖地形和破碎化的林农镶嵌景观使活跃火检测尤为困难。极端夏季高温抬高了背景亮度温度，可能增加虚警率；没有任何单一传感器能同时提供高时间分辨率和高空间分辨率的数据；地形阴影和干燥裸土也会干扰过火区制图。此外，非光合植被（NPV）在野火蔓延中的作用仍未得到充分量化。静止轨道卫星观测可部分弥补时间分辨率的不足，FY-4A先进地球同步辐射成像仪（AGRI）能以15分钟间隔提供区域观测，这引出了两个关键研究问题：（1）在破碎的林农镶嵌景观中，独立的逐小时火点检测与业务化FY-4A火产品在多大程度上一致？（2）在观察到的不同火阶段，逐小时火线推进如何与周围燃料结构和盛行风向相关联？
二、研究方法与技术路线
研究人员开发了一套集成的分析工作流，涵盖活跃火检测、燃料条件量化、过火区勾绘、灾后影响评估和火线追踪。关键技术方法包括：
- 1.
Otsu自适应阈值法用于活跃火检测：针对MODIS热红外数据，采用两级阈值级联策略。首先应用3.9 μm中红外波段的绝对亮温阈值（330 K），未通过的像素进入第二阶段的Otsu算法，通过最大化类间方差自动确定最优分割阈值，以适应夏季高温背景。
- 2.
线性光谱混合模型（LSMM）用于燃料表征：将Landsat 8多光谱影像的每个像元分解为光合植被（PV）、非光合植被（NPV）和裸土（BS）三种端元的亚像元丰度分数。NPV分数通过2024年无人机RGB影像和野外样方数据进行独立验证（R2 = 0.66，RMSE = 5.82个百分点）。
- 3.
K均值聚类结合光谱指数用于过火区提取：计算差值归一化植被指数（dNDVI）和差值归一化燃烧比（dNBR），并对这两个指标层应用K均值聚类（K=2）来自动生成图像自适应阈值，将像素分为过火和未过火两类，以减少手动阈值选择的主观性和地形阴影等干扰。
- 4.
FY-4A AGRI逐小时火点检测与火线追踪：对FY-4A AGRI L1全盘影像应用上下文检测算法，通过多标准判定（如T?与T?-T??差异超过背景标准差倍数）识别火点。将火点聚合为逐小时间隔，计算新检测火点相对于前一小时的位移方位角，并结合圆形均值推导逐小时火线推进方位。利用NPV丰度阈值（40%和50%）识别连通的高NPV斑块，将其长轴方向定义为燃料廊道轴线，并与ERA5 10米风场数据进行比较分析。
三、主要研究结果
- •
活跃火检测（Active-Fire Detection）
- •
通过Otsu自适应阈值初步检测：基于MODIS热红外数据的分析显示，夏季野火事件的亮度温度范围为303–323 K。Otsu算法确定的夏季最优阈值为305.2 K，非夏季为288.7 K。
- •
活跃火像元提取：应用自适应阈值后，共识别出13个候选火像元，相对于14个官方报告火点，检测覆盖率为92.86%。经土地覆盖类型过滤后，12个核心火点检测结果与实地观测高度吻合。
- •
静止轨道数据逐小时活跃火检测：独立FY-4A AGRI L1反演在8月21日、22日和23日分别识别出13、17和19个火像元。其中，10/13、14/17和19/19的检测落在业务化L2火产品像元5 km范围内。L2产品记录了更完整的火活动，8月23日在缙云山火复合体于北京时间21:30达到峰值火辐射功率（FRP）574 MW。
- •
燃料特征（Fuel Characteristics）
- •
NPV丰度分数：高NPV覆盖（>50%）集中在缙云山、南山和歌乐山等森林区域。NPV丰度在2016、2017、2020和2023年达到峰值，与极端高温干旱时期吻合。高NPV区域常形成连通斑块，可能促进火势蔓延。
- •
燃料分类：MCD12Q1土地覆盖被重分类为七种燃料类型。灌丛地和农田-自然植被镶嵌体（FVM）是2020至2023年的主导燃料类别，超过90%的火点检测发生在这两类区域。
- •
过火区提取（Burned-Area Extraction）
- •
过火区制图：K均值聚类得出的阈值为dNDVI < -0.21且dNBR > 0.24，满足两者条件的像素被归类为过火。过火区主要集中在巴南、大足、江津、北碚（缙云山）等地，许多过火疤痕沿山脊线形成狭长斑块，与观测到的火势蔓延轨迹基本一致。
- •
精度评估：单独使用dNDVI会大幅高估过火面积（249.73 km2），dNBR单独使用仍受残余噪声影响。组合方法绘制的过火面积为51.91 km2，与官方估计约49 km2相比，面积一致性达94.06%。
- •
燃料廊道与火线推进的阶段性关联（Fuel Corridors and Phase-Specific Associations with Fire-Line Advance）
- •
在40% NPV覆盖阈值下，检测到9857条细长燃料廊道，其中仅有15条长度超过2公里。长度加权平均廊道走向约为167°，反映了区域性的岭谷构造格局。
- •
巴南（BN）火复合体：点火阶段火线推进方位角为233.6°；扩张阶段为14.8°，与燃料轴线轴向差为87.9°，与下风向方向差为77.8%，表明与两者均无紧密对齐；抑制阶段为290.1°，与燃料轴线和下风向方向均对齐（轴向差18.0°，方向差14.6°）。
- •
缙云山（JY）火复合体：扩张阶段火线推进（229.7°）最接近燃料轴线（轴向差32.3°）；控制阶段（127.5°）几乎直接逆风推进（与下风向方向差173.6°），并与燃料轴线偏离较大（轴向差66.3°）。
四、讨论与结论
在讨论部分，研究人员利用观测到的火点分布、dNBR衍生的燃烧严重程度、燃料类型和NPV丰度分数，整合划分了五类火灾后影响与管理优先区。极高优先级区域占研究区面积的0.46%，其特征为dNBR > 0.40和高NPV丰度。高优先级区域占6.79%，主要分布在dNBR介于0.25至0.40之间的灌丛地和FVM中。这种空间明确的分类有助于指导灾后恢复规划和资源配置。
研究进一步讨论了多源遥感集成的优势。MODIS提供了广域活跃火检测所需的时间覆盖，Landsat 8和Sentinel-2提供了燃料表征和过火区制图的精细空间细节，FY-4A AGRI则支撑了火线演变的逐小时考察。Otsu自适应阈值法在重庆夏季高温背景下进行了评估，而将K均值聚类与dNDVI和dNBR相结合，有助于减少过火区提取中地形阴影和干燥裸土造成的误差。
关于山地野火蔓延的关键驱动因素，研究人员采用定性评分方法总结了证据。NPV丰度和燃料类型得分较高，因为超过90%的火点检测发生在灌丛地和FVM中，且高NPV区域与过火疤痕在空间上高度重叠。燃烧严重程度也获得较高评分，因为高和极严重区域与观测到的火影响相关。相比之下，气候胁迫和地形的得分低于燃料相关因素。
研究还系统评估了不确定性来源，包括传感器时空分辨率差异、混合像元效应、大气校正与云掩膜限制、几何配准误差、各算法的局限性（如Otsu可能误分类高温裸土、LSMM可能混淆NPV与裸土、K均值聚类可能将季节性衰老植被分类为过火），以及复杂地形带来的额外不确定性。
通过与替代方法的比较，Otsu自适应阈值法的原始比较得分为92.86%，优于固定阈值法（51.06%）、MODIS上下文算法（71.33%）和NDVI阈值法（70.83%）。而过火区提取方面，K均值+dNDVI+dNBR的组合方法得分为94.06%，优于单指数dNDVI（78.30%）、dNBR（72.12%）、ISODATA聚类（80.65%）和支持向量机（SVM，89.20%）。
逐小时追踪结果表明，火线推进方向与附近高NPV斑块和ERA5下风向方向的关系在不同阶段有所不同。由于三天观测期内风向变化不大，观察到的火蔓延方向变化不能仅归因于天气尺度风变异性。因此，没有一个驱动因素能持续主导火线推进，强调了在山地森林野火评估中需同时考虑空间燃料异质性和随时间变化的火行为。
研究结论部分翻译如下：本研究评估了一个面向2022年重庆两处野火复合体的集成多源遥感工作流。Otsu自适应阈值法实现了92.86%的检测覆盖率，同时减少了夏季高温相关的虚警。LSMM导出的NPV丰度分数与观测火影响的区域表现出强烈的空间重叠，超过90%的火点检测位于高NPV的灌丛地和农田-自然植被镶嵌体中。将K均值聚类与dNDVI和dNBR耦合，绘制的过火区地图与官方面积估计的一致性达94.06%，同时减少了源于地形阴影和干燥裸土的误差。整合观测火点分布、燃烧严重程度、燃料类型和NPV丰度分数，产生了五类火灾后影响与管理优先区。这些区域总结了2022年火灾影响的空间格局，有助于优先安排灾后巡查、恢复和燃料管理行动。逐小时火线追踪显示，推进方向与附近高NPV斑块和ERA5风场方向的关系在观测的不同阶段有所变化。因此，没有一个驱动因素能持续主导火线推进，突出了在山地森林野火评估中需同时考虑空间燃料异质性和随时间变化的火行为。这些发现为当地野火预防和应急管理提供了可操作的信息。所提出的框架提高了复杂山地地形中的野火监测性能。未来研究应整合近实时的气象强迫数据和精细尺度的地形数据，以更好地捕捉本研究中支配火线推进的燃料结构与风之间的阶段性相互作用。
