《Ecological Informatics》:CROWNFIRE-AI: Cloud-hosted software for estimating the risk of extreme crown wildfires using advanced remote sensing techniques and artificial intelligence
编辑推荐:
极端野火事件发生频率不断上升,加上全球变化背景下林冠火行为发生可能性的增加,凸显了对支持火灾风险评估、响应规划和野火防范策略的运维工具的需求。研究人员在此介绍了CROWNFIRE-AI,这是一款用户友好的软件,集成了谷歌地球引擎(Google Earth En
极端野火事件发生频率不断上升,加上全球变化背景下林冠火行为发生可能性的增加,凸显了对支持火灾风险评估、响应规划和野火防范策略的运维工具的需求。研究人员在此介绍了CROWNFIRE-AI,这是一款用户友好的软件,集成了谷歌地球引擎(Google Earth Engine, GEE)数据存储与遥感处理能力,并配备直观的图形用户界面,可提供西班牙森林生态系统中区域尺度的林冠火风险评估。CROWNFIRE-AI的创新之处在于将多源遥感和气象信息转化为一个操作性平台,使土地管理者无需具备高级地理空间专业知识即可生成区域尺度的林冠火风险预测。CROWNFIRE-AI基于随机森林(Random Forest, RF)分类算法,该算法使用一个大规模地面真值数据集(n=18,874)对火类型(林冠火与非林冠火)进行训练。研究人员综合考虑了一组全面的预测因子,以支持当前及未来16天的林冠火风险预测:(i)森林清查数据;(ii)用于从主动和光学卫星数据(Sentinel-1和Sentinel-2或MODIS)中反演燃料生物物理属性的经验性和物理-based遥感技术;(iii)地形配置数据;(iv)来自全球预报系统(Global Forecast System, GFS)的近实时火险天气观测与预报。使用Sentinel-2预测因子训练的RF模型在火类型预测方面表现出较高的性能(F1分数=0.88)。基于MODIS的模型准确率较低(F1分数=0.79),但增加了在目标日期附近获得有效燃料输入数据的可能性。
**CROWNFIRE-AI:融合遥感与人工智能的区域林冠火风险评估平台**
**一、研究背景与科学问题**
极端野火事件(Extreme Wildfire Events, EWEs)或第六代野火,在森林生态系统中通常表现为林冠火行为,包括被动林冠火和主动林冠火蔓延,其发生频率在全球多个地区呈上升趋势。这一现象主要归因于以下因素:农村土地弃耕导致土地利用变化、气候变暖引发的干旱和热浪风险增加、无人管理的森林人工林面积扩大,以及大规模虫害爆发导致的森林健康衰退。林冠火具有高火强度(≥10,000 kW m?1)、增强的火星产生和飞火活动,其蔓延速度可比地表火快2至4倍(≥50 m min?1),使得直接扑救难以实施,对野火-城市交界区(Wildland-Urban Interface, WUI)的财产和人身安全构成严重威胁。林冠火最显著的生态效应包括树木近乎完全死亡以及植物群落组成和结构的突然改变,可能导致生态系统功能与稳定性受到威胁的替代稳定状态。
然而,由于燃料、气象条件和地形的细尺度空间变异性,野火很少在整个极端事件中均匀地表现出林冠火行为。因此,预测林冠火在局地和区域尺度的潜在发生对于提高火行为模型精度、评估燃料处理有效性、支持运行响应和实施公共安全防范策略至关重要。尽管已有的经验性和物理机制火行为模型(如Rothermel地表火蔓延模型、Scott和Reinhardt林冠火模型)已集成到决策支持软件中,但存在明显局限:经验性模型常因应用条件超出其设计和校准范围而低估林冠火活动;物理模型则依赖难以在大尺度上空间显式估算的详细三维燃料输入,且计算强度大。近年来,将野外清查与遥感数据相结合的统计方法在解释火行为驱动因素对火类型空间分布的贡献方面发挥了关键作用,但先前研究常受限于驱动因素覆盖不全、燃料表征精度不足等问题。基于此,研究人员开发了CROWNFIRE-AI软件,旨在利用GEE云平台能力,通过机器学习算法集成多种数据源,提供区域尺度林冠火风险的可操作预测工具。
**二、主要技术方法**
研究人员采用三个主要关键技术环节构建CROWNFIRE-AI系统。第一,地面真值数据采集:通过对西班牙2017-2024年间33场大于500公顷的野火(Copernicus EMS快速制图产品提供的高分辨率SPOT-6/7影像)进行专家目视解译,基于树冠燃烧分数(Canopy Fraction Burned, CFB)阈值(>90%判为林冠火)建立包含18,874个样地的火类型二元分类数据集。第二,多源预测因子提取:在GEE平台中处理Sentinel-1 SAR数据计算交叉极化比(SAR-CR),处理Sentinel-2和MODIS光学数据计算光谱指数(NDVI、NDII6、NDWI),并通过PROSPECT-4叶光学模型与INFORM冠层反射模型的耦合反演获取植被冠层含水量(CWC)、冠层叶绿素含量(CCC)和植被覆盖度(FCOVER)等生物物理变量;同时整合西班牙森林图(SFM25)、GFS气象预报数据(计算饱和水汽压差VPD)和DEM GLO-30地形数据。第三,机器学习建模与验证:采用Boruta特征选择算法筛选预测因子,使用随机森林(RF)分类算法在10折嵌套交叉验证框架下独立训练Sentinel-2和MODIS两种配置的模型,并在GEE平台部署优化后的模型以生成逐像元的林冠火风险分类和概率预测。
**三、研究结果**
3.1 探索性数据分析
小提琴图和箱线图显示,林冠火发生与林下灌木更密集、更高大,以及冠层绿度和含水量较低(NDVI、NDII6、NDWI、FCOVER、CCC、CWC)的森林生态系统相关。Sentinel-2衍生的光谱指数和生物物理变量在火类型间的边际差异比MODIS衍生变量更为明显。林冠火在高海拔、低坡度景观中更频繁发生,且受影响区域的VPD高于未受影响区域。贝叶斯后验对比显示这些差异具有非可忽略效应(%inROPE<1%),而树冠覆盖度、坡位和坡向在火类型间无边际差异。
3.2 变量重要性排序
Boruta算法确认所有初始预测因子(表2所列)对火类型分类均具有条件预测贡献。燃料属性和VPD在Sentinel-2和MODIS两种RF模型中均显示出最高的条件重要性,表明燃料特性与火险天气是林冠火预测的主导因素,其贡献超过地形配置变量。
3.3 模型预测性能
使用Sentinel-2预测因子的RF模型在10折嵌套交叉验证中表现出较高的火类型预测性能(总体精度OA=90.15%,Kappa=0.80,F1分数=0.88),优于MODIS配置模型(OA=84.01%,Kappa=0.66,F1分数=0.79)。Sentinel-2模型对林冠火和非林冠火的用户精度和生产者精度均接近90%,而MODIS模型对林冠火存在中等程度低估(生产者精度PA=76%)。外部独立验证(Sierra de la Culebra和Navalacruz野火的80个野外样地)结果与交叉验证一致(OA=91.25%,F1分数=0.88),证实了模型的可泛化性。
3.4 软件应用示范
CROWNFIRE-AI对五场随机选取的野火(2017-2024年间Copernicus EMS激活)生成分类和概率预测,Sentinel-2配置的平均林冠火面积为1727公顷,MODIS配置为1317公顷。视觉检查表明Sentinel-2呈现更空间异质和斑块状的林冠火风险格局,反映了其更精细的空间分辨率。在Sierra de la Culebra野火(EMSR580)的异质性景观示例中,Sentinel-2配置成功捕捉了火类型(林冠火vs非林冠火)的空间变异性。
**四、讨论与结论**
CROWNFIRE-AI的性能优势主要归因于Sentinel-2增强的空间和光谱分辨率,能够更好地捕捉异质性景观中植物群落结构和生物物理特征的细尺度变化,而MODIS粗分辨率像元中的混合反射信号可能掩盖燃料与火动态之间的关键关系。然而,MODIS配置的纳入有其合理性:在云层频繁覆盖区域,Sentinel-2的重访周期可能限制接近目标日期的无云影像合成,而MODIS的每日两次过境可提高近实时响应的可能性。
研究发现燃料水分、燃料结构和火险天气对火类型判别贡献最大,与既有研究一致,即林冠火发展与较低的燃料活力和冠层含水量、较高的地表燃料载荷以及阶梯燃料存在相关。尽管森林类型和燃料类型被预期为林冠火的重要预测因子,但其在RF模型中的条件重要性相对较低,这可能是因为连续、全覆盖的冠层和下层燃料结构与水分估算变量(如CWC、FCOVER、CCC、灌木覆盖度和高度)更直接地捕获了相关信息。
研究结论指出,本研究凸显了将开放获取遥感数据和技术与机器学习算法相结合的潜力,既增进了对区域尺度林冠火潜势空间格局和关键驱动因素的理解,也弥合了火灾科学与决策支持之间的鸿沟。与受限于复杂模型输入需求或需要编程技能和物理遥感专业知识的先前方法不同,CROWNFIRE-AI提供了一个用户友好的框架,便于将林冠火风险建模整合到燃料管理和野火响应规划中。该软件利用高空间和时间分辨率遥感数据的互补优势,结合森林清查、地形和火险天气数据,以高精度自动生成当前和预报林冠火风险的分类与概率预测。软件架构和方法工作流可适用于其他火灾易发区域,但在其他区域部署前需进行区域特定的重新训练和独立验证。