长期多源遥感揭示云南山区植物区系亚区森林火灾时空格局的区域特异性驱动机制

《Ecological Indicators》:Long-term multi-source remote sensing reveals region-specific driving mechanisms of forest fire spatiotemporal patterns across floristic sub-regions in mountainous Yunnan, China

【字体: 大 中 小 】 时间:2026年07月24日 来源:Ecological Indicators 8.7

编辑推荐:

  摘要:植物区系组成、可燃物生产力、水热条件和人类可达性的强烈梯度可重塑山区的森林火灾干扰,但基于行政区的分析可能掩盖植被区域间的生态差异。本研究以云南省为研究区,整合了2006–2025年期间的中分辨率成像光谱仪Terra热异常产品(MOD14A1)、火灾气候

  
摘要:植物区系组成、可燃物生产力、水热条件和人类可达性的强烈梯度可重塑山区的森林火灾干扰,但基于行政区的分析可能掩盖植被区域间的生态差异。本研究以云南省为研究区,整合了2006–2025年期间的中分辨率成像光谱仪Terra热异常产品(MOD14A1)、火灾气候变化倡议第5.1版(FireCCI51)、可见光红外成像辐射仪套件(VIIRS)、Landsat和Sentinel-2数据。研究人员采用简单非迭代聚类–随机森林(SNIC–RF)框架,以30米空间分辨率绘制了火烧迹地。基于四维火灾干扰指标矩阵(包括火灾时间、过火面积、火灾事件数和复燃范围),在八个植物区系亚区中汇总了火烧迹地地图。研究人员以5公里×5公里网格为单位,结合极端梯度提升–夏普利加法解释(XGBoost–SHAP)模型,分析了气候、植被、地形和人类活动变量。SNIC–RF框架表现稳定,平均总体精度(OA)和燃烧类F1分数分别为91.391%和85.391%。森林火灾波动剧烈,过火面积在2010年达到峰值,并于2023年形成次高值。火灾事件数在2010年、2012–2014年和2023年较高,但与过火面积不同步,表明火灾发生压力与蔓延规模共同控制。单次燃烧干扰占主导,而区域I、VII和VIII具有更分散的燃烧频率结构。在省级尺度上,平均温度(TEM)是最强驱动因子,其次是土壤水分(SM)和风速(VS)。在植物区系亚区中,TEM仍是共同控制因子,而总初级生产力(GPP)、数字高程模型(DEM)、VS和SM充当区域调节因子,降水(PRE)、人口密度(PD)和地形湿度指数(TWI)表现出局部增强。这些发现表明,植物区系亚区是具有生态意义的单元,可用于解释区域火灾异质性和机制重组,并为构建基于亚区的火灾干扰指标、识别易复燃区域、差异化火灾风险区划以及山区景观的火灾后恢复优先排序提供支持。
**论文解读:基于多源遥感与植物区系亚区的云南山区森林火灾时空格局及驱动机制**

**一、研究背景与问题**

森林火灾是陆地生态系统的重要自然干扰,能改变植被结构、生物量积累、土壤性质、水文过程、碳循环及景观连通性,进而影响生态系统恢复、区域生态安全与人类活动。全球变暖、极端干旱频发及人类活动扩张,正在改变森林火灾的发生、蔓延与生态影响条件,这一问题在山区森林生态系统中尤为复杂。云南地处低纬高原—山地过渡带,地形破碎、季风气候显著、植被类型多样,是中国南方重要林区及典型山区省份,森林火灾空间差异显著。然而,传统研究多基于行政边界、气候带或单一植被类型进行分析,难以完整反映植被组成、可燃物性质、水分限制与景观连通性等生态梯度对火灾格局的整合影响。因此,引入具有明确生态过程意义的区域单元(如植物区系亚区),对于揭示山区森林火灾时空异质性与驱动机制的区域重组至关重要。

**二、研究目标与意义**

本研究以云南省为研究区,以植物区系亚区为生态地理单元,集成2006–2025年多源遥感数据(Landsat、Sentinel-2、MOD14A1、FireCCI51、VIIRS),构建30米分辨率的森林火烧迹地时空序列,建立四维火灾干扰指标矩阵(火灾时间、过火面积、火灾事件数、复燃范围),并结合5公里网格与XGBoost–SHAP模型,分析不同植物区系亚区森林火灾的主导驱动机制。研究旨在回答:在复杂山区环境下,森林火灾干扰格局及其主导驱动机制是否在植物区系亚区间发生系统性重组?该研究为理解区域火灾异质性与机制重组提供了生态地理证据,并支持基于亚区的森林火灾监测、风险预警、分区防控与灾后生态管理。论文发表在《Ecological Indicators》。

**三、主要技术方法**

(1)**SNIC–RF火烧迹地制图框架**:基于简单非迭代聚类(SNIC)分割和随机森林(RF)分类,以dNBR(归一化燃烧比差值)为主要特征,在八个植物区系亚区分别进行30米分辨率的森林火烧迹地分类,并利用混淆矩阵评估精度。(2)**四维火灾干扰指标矩阵**:涵盖火灾时间、过火面积、火灾事件数和复燃范围,以表征干扰强度、空间异质性与生态风险。(3)**XGBoost–SHAP驱动因子分析**:以5公里×5公里网格为单元,将气候(TEM、SM、VS、PRE、VPD)、植被(GPP、EVI)、地形(DEM、TWI)和人类活动(PD、RD)作为解释变量,构建XGBoost分类模型,并用SHAP(夏普利加法解释)量化变量贡献、非线性响应及交互作用。样本来源:1513个森林火灾事件(基于多源火灾记录筛选)及从地面火记录(云南省玉溪、大理、昆明等地林业部门)获取的3285个验证点。

**四、研究结果**

**3.1 森林火灾时空格局的植物区系亚区差异**
**(1)30米森林火烧迹地地图精度**:2006–2025年,平均总体精度(OA)为91.391%,燃烧类F1分数为85.391%,非燃烧类F1分数为93.642%。2015年精度最高,2019–2025年略有下降。
**(2)火灾时间、过火面积与事件数变化**:过火面积在2010年达峰值,2023年为次高值;火灾事件数在2010、2012–2014和2023年较高,与过火面积不同步,表明火灾发生压力与蔓延规模共同控制。区域VIII、I、VII和IV是过火面积主要贡献区;区域VIII和IV易形成大斑块,区域VII呈高频小面积模式。
**(3)燃烧频率空间差异**:全省单次燃烧占93.613%,而区域I、VII和VIII复燃比例较高,复燃范围可作为识别长期重复干扰与恢复压力的生态指标。

**3.2 森林火灾驱动力分析**
**(1)模型性能**:全因子XGBoost模型准确率76.926%,AUC-ROC为0.856,能有效区分燃烧与未燃烧样本。
**(2)驱动力重要性**:省级尺度上,平均温度(TEM)贡献最大(20.839%),其次为土壤水分(SM,13.664%)和风速(VS,11.857%)。GPP、VPD、PRE等也有较高贡献。
**(3)植物区系亚区驱动因子重组**:在所有亚区中TEM仍居首位,但次级因子排序发生重组:区域I中GPP排名第二,区域II中DEM排名第二,区域III、V中VS排名第二,区域IV、VI、VII、VIII中SM排名第二。PRE、PD、TWI在部分区域出现局部增强。
**(4)非线性响应**:TEM表现为阈值式响应,土壤水分和风速呈非线性模式,GPP呈驼峰型响应,EVI随植被绿度增加而负贡献增强。
**(5)关键因子交互**:省级尺度上SM×TEM交互最强;亚区水平上,PRE×TEM在区域I和III主导,DEM×TEM在区域II主导,PRE×SM在区域IV、V和VIII主导,交互形式与强度差异显著。

**五、讨论与结论**

讨论部分指出,森林火灾时空格局的差异并非简单由火灾事件数决定,而是点火机会、可燃物条件与蔓延潜力在生态地理背景下的综合效应。植物区系亚区较行政区或单一气候梯度更能体现植被组成、可燃物属性、水热背景与景观连通性的差异,为解释火灾异质性提供了生态过程视角。驱动机制方面,温度是共同主导因子,但次级因子(如燃料生产力、地形、湿度、风速)在亚区间重组,反映了燃料供给、水分限制、地形调控与人类可达性的区域转换。SNIC–RF方法在复杂山区表现稳定,为30米时间序列重建提供了可靠基础。研究局限性包括:制图精度在近年略有下降,缺乏直接管理活动变量,5公里网格可能平滑局部异质性,SHAP结果不表示严格因果效应。

研究结论:本研究引入植物区系亚区作为长期森林火灾监测与驱动解释的生态地理单元,构建了基于火灾时间、过火面积、火灾事件数和复燃范围的四维火灾干扰指标矩阵。通过集成多源火灾记录、Landsat和Sentinel-2影像、SNIC–RF制图与XGBoost–SHAP解释,重建了2006–2025年30米森林火烧迹地序列,并在八个植物区系亚区中进行分析。SNIC–RF框架在复杂山区表现稳定,平均OA和燃烧类F1分数分别为0.9139和0.8539。重建序列揭示云南森林火灾并非遵循单一的省级尺度模式:过火面积在2010年达峰值,2023年出现次高值;火灾事件数在2010、2012–2014和2023年较高,表明发生压力与蔓延规模异步变化。植物区系亚区进一步表现出不同的干扰结构:区域VIII、I、VII和IV对过火面积贡献最大;区域VIII和IV更易形成大斑块,而区域VII呈高频小面积模式。单次燃烧干扰占主导,但区域I、VII和VIII的燃烧频率结构更为分散。驱动因子分析表明,TEM是省级尺度最强驱动因子,其次是SM和VS。在植物区系亚区间,TEM仍是共同热控制因子,而GPP、DEM、VS和SM充当重要的区域调节因子,PRE、PD和TWI表现出局部增强。这些结果表明,在热条件、水分有效性、燃料生产力、地形背景和人类可达性的综合作用下,山区森林火灾机制在植物区系亚区间发生重组。总体而言,植物区系亚区、四维火灾干扰指标与可解释机器学习的整合,为复杂山区景观的区域火灾风险评估、复燃易发区识别、差异化防控及灾后生态管理提供了有效基础。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号