《Science of Remote Sensing》:Multi-temporal mapping and analyses of post-wildfire surface soil moisture modeled from Landsat Thermal-IR and Sentinel-1 SAR
编辑推荐:
野火通过消耗植被并使土壤暴露于增加的太阳辐射、增加的降水穿透以及土壤疏水性导致的入渗减少,从而改变地表土壤水分。这会影响流域内的水分平衡,进而影响火后养分循环和生态系统演替。利用卫星遥感对大区域的地表土壤水分进行建模,有助于监测土壤水分模式和动态。研究人员利用
野火通过消耗植被并使土壤暴露于增加的太阳辐射、增加的降水穿透以及土壤疏水性导致的入渗减少,从而改变地表土壤水分。这会影响流域内的水分平衡,进而影响火后养分循环和生态系统演替。利用卫星遥感对大区域的地表土壤水分进行建模,有助于监测土壤水分模式和动态。研究人员利用原位土壤水分网络训练了一个随机森林回归模型,并研究了美国加利福尼亚州沿海地区2016年和2017年燃烧的三场野火的火前和火后土壤水分动态。模型输入包括Sentinel-1A合成孔径雷达(SAR)和Landsat热红外(TIR)影像,生成了高分辨率(30米)的土壤水分图时间序列,在2年内有18-20次估算。无偏均方根误差(ubRMSE)为0.065,r2为0.624,表明模型与参考数据拟合良好。研究人员通过检查高烈度燃烧区域中的建模地表土壤水分,发现处理(野火或未燃烧)和时期(野火前或后)之间存在显著交互作用。前后对照影响指标表明,与未燃烧的对照区相比,每次野火后野火区域内的建模地表土壤水分更低,并且野火边界内的土壤水分总体变化大于未燃烧区域。这些结果证明了Sentinel-1 SAR和Landsat TIR数据在开发高分辨率土壤水分时间序列产品以支持野火后土壤水文条件监测和评估方面的潜力。
近年来,美国西部野火频率、规模和严重程度持续增加,显著改变了植被、土壤性质和水文过程,进而影响生态系统恢复和社区安全。野火后地表土壤水分(SSM)是关键生态水文变量,其变化受植被消耗、太阳辐射增强、降水穿透增加及土壤疏水性等因素共同影响,对流域水平衡、养分循环和植被再生具有重要调控作用。然而,传统地面监测受限于空间范围广、地形复杂,难以实现大区域连续观测。卫星遥感虽已用于植被和土壤变化监测,但在野火后SSM动态建模方面研究较少,尤其缺乏结合合成孔径雷达(SAR)与热红外(TIR)的高分辨率时间序列产品。现有方法如光学-热红外梯形模型(TOTRAM)存在主观边界界定问题,而L波段SAR(如SMAP)空间分辨率不足,C波段SAR(如Sentinel-1)在植被区散射复杂。因此,亟需开发一种结合多源遥感数据与机器学习的方法,以准确模拟野火后SSM时空动态,为野火后管理决策提供科学依据。
研究人员针对上述问题,利用美国加州沿海2016-2017年发生的三场野火(Soberanes、Chimney和Alamo),训练了一个随机森林回归模型,结合Sentinel-1A合成孔径雷达(SAR)和Landsat热红外(TIR)数据,生成30米分辨率、2年内18-20期的SSM时间序列。模型表现良好(无偏均方根误差ubRMSE=0.065,r2=0.624),并揭示高烈度燃烧区火后SSM显著低于未燃烧对照区,且野火边界内变化幅度更大。该研究首次证明了Sentinel-1 SAR与Landsat TIR联合用于野火后SSM动态监测的可行性与潜力,为区域尺度生态水文评估和恢复规划提供了有效工具。论文发表在《Science of Remote Sensing》。
关键技术方法主要包括:利用Google Earth Engine(GEE)平台处理Sentinel-1A C波段VV极化SAR影像(经地形校正和斑点滤波)和Landsat 7/8 TIR影像(经云掩膜和缩放系数转换),通过5天时间窗口融合多源数据。训练数据来自加州海岸山脉的16个PBO-H2O原位土壤水分网络站点(深度2.5 cm,站点位于未燃烧区但植被类型近似火后低生物量,距离野火边界平均37 km)。采用随机森林回归(100棵树,2变量每分裂,0.5袋分数)建模SSM,并利用前后对照影响(BACI)设计和高次谐波回归分析处理(高烈度燃烧vs未燃烧)与时期(火前vs火后)的交互作用。
**3.1 模型训练**:训练数据中SSM范围为0.01-0.49 cm3/cm3,均值0.14 cm3/cm3。Sentinel-1A VV后向散射与SSM的边际r2=0.16、条件r2=0.22;Landsat TIR地表温度与SSM的边际r2=0.60、条件r2=0.63。随机森林模型预测与实测SSM的r2=0.624,均方误差(MSE)=0.0039,训练均方根误差(RMSE)=0.063,测试RMSE=0.066,ubRMSE=0.065,平均绝对百分比误差(MAPE)=36.4%。单独使用Landsat TIR的模型r2=0.54、MSE=0.0055,单独使用Sentinel-1的模型r2=0.19、MSE=0.014,表明联合使用显著提升模型性能。
**3.2 建模地表土壤水分**:模型生成的SSM图显示高烈度燃烧区与未燃烧对照区存在明显时空差异。所有野火事件中,火后归一化燃烧比(NBR)下降伴随SSM下降。高次谐波回归分析表明,三个野火中处理与时期的交互作用均显著(p<0.001),即火后高烈度燃烧区SSM显著低于未燃烧区。BACI指标显示,对比度均为负值(Soberanes -0.047,Chimney -0.033,Alamo -0.064),表明火后SSM下降幅度更大;贡献度均为正值(0.047、0.033、0.064),表明野火区时期变化更大;收敛度结果不一,Soberanes为负(-0.026),表明火后差异变小,而Chimney(0.033)和Alamo(0.038)为正,表明火后差异增大。
讨论部分指出,Landsat TIR与SSM关系较强,SAR贡献额外信息,联合模型优于单一传感器。与已有野外研究一致,火后高烈度燃烧区SSM在夏季温暖干燥期显著降低,而在冬季湿润期影响较小,机制可能归因于夏季土壤表面日照增加和冬季降水穿透增加。模型局限性包括地形影响(雷达阴影和叠掩)、植被散射、数据可用性(5天窗口及云掩膜)以及PBO-H2O站点未燃烧可能无法完全代表火后动态。但模型性能表明其适用于区域尺度野火后SSM监测。未来可结合NISAR等L波段SAR任务提升时间分辨率,并扩展至更广泛生态气候条件。
**研究结论翻译**:本研究旨在开发和验证一种基于遥感机器学习模型,以量化高烈度燃烧区野火后地表土壤水分(SSM)动态。研究目标是评估利用遥感数据估算野火后SSM的可行性。通过使用位于三场野火附近野外仪器的土壤水分数据,研究人员成功开发了一个准确的遥感模型,克服了仅使用点源仪器的一个根本限制。从该模型,研究人员推导了所有三场野火的SSM时间序列,并检查了高烈度木本植被地点的变化模式。研究人员发现,高烈度野火在温暖干燥的夏季显著降低了SSM,但在湿润冬季几乎没有影响。这一结果的机制可能是由于夏季土壤表面日照增加和冬季降水穿透增加。这些结果提供了证据,表明利用卫星合成孔径雷达(SAR)和光学传感器可以成功模拟野火后SSM。衍生的SSM产品可以帮助管理者确定恢复工作的目标地点,并可作为输入用于更大型的生态系统模型。