机器学习通过木炭衍生的火强度与燃料组成实现过去火 regime的重建

《Fire Ecology》：Machine learning enables reconstruction of past fire regimes from charcoal-derived fire intensity and fuel composition

　　

摘要：火是一个基础性生态过程，塑造生态系统结构、多样性与韧性。量化古火(Paleofire) regime属性如频率、严重度(Severity)和强度(Intensity)对于理解火行为历史变异范围及其生态效应至关重要。虽然频率和严重度常在古火研究中重建，但火强度的定量重建仍然有限。近期研究表明，最大热解温度（火强度的代用指标）和植物物种类型可通过透射傅里叶变换红外(Transmission FTIR)光谱从木炭推断得到，但透射FTIR的样品制备具破坏性且耗时，限制了材料的应用与复用。研究人员评估了反射FTIR(Reflectance FTIR)光谱作为非破坏性替代方案，用于从实验室生成的木炭重建燃烧温度和植物物种，同时考察了对比气流环境（环境空气与富氮）对热解温度和植物物种重建预测精度的影响，并将基于神经网络(Neural Network)的新型深度学习(DL)模型与传统现代类比技术(MAT)使用k近邻(k-NN)函数的预测性能进行比较。作为概念验证，研究人员将改进的方法应用于古代木炭，以证明其在提升长期火 regime重建以及将古火记录与当代火生态学联系方面的适用性。研究人员的分析表明，透射与反射FTIR光谱产生可比的光谱轮廓；但反射FTIR的样品制备极少且非破坏性，不同于破坏性的透射FTIR。研究人员证实富氧环境相比富氮条件提高了重建精度；最终，深度学习神经网络(DL)在温度上达到98.7%的测试精度，在物种鉴定上达到96.2%，优于MAT的k-NN方法（分别为89.8%和65.9%）。Shapley重要性分析识别出5个关键光谱区域对模型的温度或物种分类有重大影响。应用于古代木炭时，研究结果显示最近过去的史前火主要燃烧于低强度（400–500 °C），反映了黄松(Pinus ponderosa)林的自然火 regime；结果佐证了木炭形态数据，表明所有古代木炭均源自燃烧的木本植物类型。通过将反射FTIR光谱与深度学习方法结合，研究人员首次实现了足以自信地从实验室产木炭中同时识别物种与温度的高精度，提升了从古火记录定量重建火强度和燃料组成的能力。这为研究火与更大驱动因子（如气候或人类）之间的联系，以及超越火烧痕或近期观测的火 regime更广生态理解开辟了广泛研究方向。这些方法论改进通过提升对历史火行为的解释、为燃料–火关系提供信息、并提供可扩展的分析框架，直接关联火管理，适用于长期生态研究与当代火科学。

论文解读：《机器学习通过木炭衍生的火强度与燃料组成实现过去火 regimes的重建》发表于《Fire Ecology》（火生态）。

研究背景方面，火是基础生态过程，火 regime(Fire Regime)由火类型、频率、严重度(Severity)和强度(Intensity)等关键指标刻画。目前对火频率与严重度的重建方法较成熟，例如通过树木年轮学(Dendrochronology)和沉积物木炭积累率来重建火返回间隔与频率；但火强度（单位时间单位火线长度释放的能量，kW/m）以及燃料类型（植物种类）在古生态学语境中难以定量重建。现有代用指标如木炭积累率主要反映火发生与区域火活动，木炭形态（粒径、形状）可粗略区分木本与草本燃料，但无法捕捉燃烧时的最高温度（最大热解温度可作为火强度代用指标），也不能提供精细的植物物种信息；其他技术如木炭反射率(Charcoal Reflectance)、元素H/C与O/C比、拉曼(Raman)光谱、¹³C核磁共振(NMR)等虽能追踪温度依赖的化学变化，但多具破坏性、耗时，且不能分辨燃料物种。傅里叶变换红外光谱(FTIR)可同时测多种有机官能团，非破坏性，但以往多用透射模式(Transmission Mode)，需破坏性样品制备（KBr压片），掩盖天然异质性，妨碍后续形态与¹⁴C测年；且既往重建多用现代类比技术(MAT)结合k近邻(k-NN)，温度分类尚可，物种识别差；另外，实验室生成参考木炭多在管式炉(Tube Furnace)惰性气氛（如氮气）下进行，与真实野火含氧气环境有差异，可能影响光谱特征与预测精度。因此，研究旨在：评估反射FTIR(Reflectance FTIR)作为非破坏性替代方案的可行性；比较富氧（环境空气）与富氮热解气氛对光谱及预测精度的影响；引入深度学习(Deep Learning, DL)神经网络替代MAT/k-NN以提升温度和物种预测精度；通过Shapley分析识别关键光谱区域；并将优化框架应用于古代沉积物木炭以重建过去火强度与燃料组成。

研究人员主要关键技术方法包括：采集新墨西哥州10种代表性植物（含针叶、阔叶乔木、草本，见表1）组织，在管式炉中分别于环境空气（~21% O₂）与100% N₂气流（3 L/min）下于300、400、500、600、700、800 °C各热解10分钟，铝箔包裹防灰化，建立现代参考木炭光谱库；分别用透射FTIR（KBr压片，300–500 °C样品）和反射FTIR（Hyperion 2000显微镜，金镜参比，300–800 °C）采集中红外光谱；古代木炭取自Redondo Meadow沉积物岩芯上部（0–1 cm），筛分>250 μm与125–250 μm颗粒，用反射FTIR测谱；光谱预处理包括大气校正、截断至3500–950 cm^?1、Savitzky-Golay平滑、基线校正、Z标准化，形成“cut”与“standard”两类数据集；统计方法上，用主成分分析(PCA)评估光谱方差结构，用多变量方差分析(MANOVA)比较透射与反射数据集；传统方法采用MAT/k-NN进行十折分层交叉验证，设三种阈值参数（Relaxed、Moderate、Restricted）计算匹配率(Match Rate)、精确准确率(Exact Accuracy)、均方根误差(RMSE)、平均绝对误差(MAE)；深度学习方法构建全连接密集神经网络（TensorFlow，ReLU中间层，Softmax输出层，稀疏分类交叉熵损失，Adam优化器），以十折交叉验证评估温度（6类）与物种（10类）精度；用Shapley重要性分析识别关键波数区域；将最优DL模型应用于古代木炭样本预测其热解温度类别与物种。

研究结果部分，研究人员得出以下结论：

温度与物种在参考透射与反射光谱中的差异：300–500 °C范围内透射与反射平均光谱无显著差异，三个关键官能团区（C–H伸缩3068–2800 cm^?1、C=C/C=O伸缩1780–1510 cm^?1、C–O伸缩1160–1030 cm^?1）随温度呈现预期变化（脂肪C–H减弱、羰基减弱、芳香C=C相对增强、C–O多糖键减弱），物种间有独特轮廓但无肉眼明显分簇；MANOVA显示透射与反射在PC1、PC2得分上无统计差异（Pillai迹检验不显著），证明反射可替代透射。PCA表明300–500 °C下PC1+PC2解释方差透射~45.4%、反射~48.8%，温度在PC1–PC2空间有部分分离椭圆，物种则无清晰分簇；扩展到300–800 °C后PC1解释方差升至29.3%（芳香C=C主导，反映>500 °C芳香化进程），温度分离更明显，高温（600–800 °C）样本沿PC1正向分布且椭圆更大（物种差异随芳香化加剧）。

气流环境对比（参考木炭）：在MAT下，N₂环境匹配率(Match Rate)显著高于富氧（p<0.00001），但富氧的精确准确率(Exact Accuracy)较高（虽未统计显著），且RMSE与MAE更低（部分阈值下p<0.05）；说明N₂热解光谱更“规整”易匹配但预测误差大，富氧虽匹配稍难但预测更准，更接近自然野火条件。研究人员选用富氧数据做后续分析，设MAT阈值为Moderate。

现代类比技术(MAT)与神经网络预测力比较（反射富氧数据）：MAT（Moderate阈值）标准预处理数据集温度测试准确率89.8%、物种65.9%；cut数据集更低（77.6%、39.2%）。混淆矩阵见温度各类准确率82–95%（800 °C与400 °C易互混），物种54–81%（如阔叶间、草本间互混，700–800 °C样本大量被MAT阈值排除，排除率最高84% at 800 °C）。DL模型在标准数据集温度准确率99.7%、物种88.8%；cut数据集温度98.7%、物种96.2%；传输数据也达类似高精度。DL几乎无样本被排除，混淆矩阵显示温度各类99–100%准确（极少300误为400、700误为800），物种97–99%准确（少数Douglas fir误为Aspen、Ponderosa pine误为Douglas fir等）。Shapley分析表明：温度模型关键区为C–H（2800–3000 cm^?1累计重要性~12%）、C=C/C=O（1700–1500 cm^?1~14%）、C–O（1100–1000 cm^?1~5%），额外重要区为2800–2500 cm^?1（~25%）与1200 cm^?1（~6%）；物种模型关键区为C=C/C=O（~39%，1700与1600 cm^?1超阈值）、C–O（~34%，1100 cm^?1超阈值）、1200 cm^?1（~14%），C–H区贡献小；说明温度主要靠脂肪C–H消失与芳香/羰基变化，物种分辨更多依赖芳香区（木质素单体差异：针叶仅G单元，阔叶有G+S）与C–O（纤维素/半纤维素比例差异）。

神经网络方法应用于古代木炭：对岩芯最上部（0–1 cm）17个125 μm + 2个250 μm木炭颗粒用最优DL（cut权重，富氧反射）预测，温度众数为400 °C（7颗粒），其余：500 °C（6）、800 °C（3）、300 °C（2）、700 °C（1）；无未识别温度。物种预测较难：9颗粒未识别，其余识别为蓝云杉(Picea pungens)（3）、山桉叶山楂(Cercocarpus montanus)（2）、Douglas fir（2）、颤杨(Populus tremuloides)（1）、洋槐(Robinia neomexicana)（1）、黄松(Pinus ponderosa)（1）；所有古代木炭形态均指示木本来源，与DL物种部分识别为木本、未识别者也不矛盾（参考库仅10种，当地物种远多于此）。

讨论部分总结：研究人员指出反射FTIR非破坏性、制样简捷，光谱信息与透射等效，适合木炭多指标复用（形态、¹⁴C等）。富氧热解参考库预测误差更低，推荐未来用环境空气而非惰性气生成参考木炭；但管式炉仍不完全模拟真实野火的复杂热流与火焰，未来需结合真实野火或量热法校准。DL全面优于MAT：MAT对所有波数等权、依赖刚性距离阈值，难处理高维谱特征交互，高温样本易因低相似性被剔除，物种分辨差（化学差异分散在多波数，k-NN无法加权）；DL可自动学习波数间非线性权重，容纳全分辨率谱（~数千波数点），故温度近完美、物种大幅改善。Shapley分析验证并拓展了初始假设的三个官能团区，新增2800–2500 cm^?1（延伸C–H，可能与烷基链断裂细节有关）与1200 cm^?1（C–C伸缩，结构重排）为重要区；物种区分主要靠芳香C=C（木质素构成）与C–O（多糖比），符合植物化学知识。应用于古代木炭显示最近过去火强度以低强度（400–500 °C）为主，符合黄松林历史高频率低强度火 regime；少量>700 °C颗粒可能反映近数十年灭火政策致燃料累积、火强度升高的局部转变；物种多归木本，与形态一致，但因参考库仅10种，许多古代颗粒未识别，说明需扩大参考库（涵盖当地更多物种、组织类型、可能成岩改造）才能提升古样品物种重建力。结论部分翻译如下：本研究证明非破坏性反射FTIR结合深度学习神经网络能高精度重建最大热解温度（火强度代用指标）与植物类型（燃料组成），为古火记录提供稳健可扩展的火强度与燃料组成代用指标。模型在环境空气（相比氮气）下表现更好，建议未来实验室产木炭用环境空气；但承认未来重建火强度会更受益于先进方法如真实野火或量热法。MAT精度高于既往研究（因大样本量提升训练），但DL预测率更优，应探索DL作为预测最大热解温度与燃烧植物物种的指标。将改进框架应用于古代木炭阐明了该方法对古生态与古火研究的好处：过去仅聚焦火频率与有无，现在可重建火强度与燃料类型，使古记录从记录火发生走向量化火行为时空尺度、理解长期火–植被反馈与生态响应。具体地，FTIR可量化历史火事件中生物质损失、火强度自然变率（关联气候与人类火），以辅助野火行为模型。未来需考虑火持续时间（加热时长）独立影响木炭化学与光谱；还需对比其他反射法如光学反射率、衰减全反射FTIR(ATR-FTIR)以确定互补性。这些进展完善了对木炭所载火信息的解析。