《International Journal of Disaster Risk Reduction》:A prefire assessment of postfire threats to support proactive planning for fire recovery
编辑推荐:
摘要:野火驱动的植被损失和土壤变化可能引发火灾后灾害,包括威胁生态系统和邻近社区的泥石流。当前和预期的火灾格局变化预计将增加火灾后破坏性灾害的风险。由于现有的备灾策略无法完全防止影响,在火灾发生前评估火灾后影响的敏感性对于社区准备和生态恢复非常重要。在本研究中
摘要:野火驱动的植被损失和土壤变化可能引发火灾后灾害,包括威胁生态系统和邻近社区的泥石流。当前和预期的火灾格局变化预计将增加火灾后破坏性灾害的风险。由于现有的备灾策略无法完全防止影响,在火灾发生前评估火灾后影响的敏感性对于社区准备和生态恢复非常重要。在本研究中,研究人员通过评估短期土壤风险和长期植被影响的重叠,评估了景观尺度上对火灾后负面影响的敏感性。研究人员在南加州生态区演示了该方法,该地区在过去十年中发生了更大、更具破坏性的火灾。为此,研究人员在加权叠加中整合了土壤和植被协变量,基于过程模拟选择以追求简单性和可扩展性,并评估了结果对数据不确定性的敏感性。研究人员发现,土壤敏感性在北部陡坡和近期火灾区域最高,而植被敏感性在草本覆盖和干旱较高的南部地区最大。高敏感区域通常与人工建筑结构有所分离。模型输出对输入数据的不确定性具有稳健性(R2 > 0.91),并在一系列未来条件下保持稳定(R2 > 0.69)。除了支持短期工作使应急管理规划者在火灾事件后有更多时间响应外,该分析还可以支持长期战略,以提高火灾后灾害预防和缓解措施的有效性。更广泛地说,该方法提供了一个简单、可复制的框架,用于识别面临土壤和植被影响风险的区域,以支持主动的火灾准备和生态恢复。
论文解读:火灾前评估火灾后威胁以支持主动的火灾恢复规划
研究背景与问题:在适应火灾的生态系统中,野火动态是塑造景观和社区的重要驱动力。然而,火灾格局预计将发生变化,火灾季节的频率和持续时间已出现记录在案的转变,并在全球范围内预期增加。在美国,火灾发生概率和严重性的增加与大气温度升高、干旱加剧、持续的火源抑制以及日益扩大的野火-城市交界区(wildland-urban interface, WUI)相关。火灾引起的植被损失和土壤改变会引发一系列火灾后灾害,包括短期内增加的侵蚀、沉积物输入和泥石流事件,以及长期内的植被类型转换(如从灌木林地向草本植物转变)和生态系统服务下降。尽管已有多种模型(如LANDIS-II、FireBGCv2、MC2)用于模拟火灾发生和生态系统影响,但这些工具侧重于火灾模拟本身,未能识别更易受火灾后负面影响的地点。现有管理活动主要集中于火灾前的备灾和缓解,但没有任何备灾水平被证明完全有效。因此,在火灾发生前评估火灾后影响的敏感性对于提高社区准备和生态恢复力至关重要。南加州生态区在过去十年经历了更大、更具破坏性的火灾,且这一趋势预计在气候变化下加剧,因此特别需要这种主动评估。
研究内容与方法:研究人员构建了一个概念模型,将火灾后负面影响分为土壤和植被两个组成部分。土壤部分关注短期(火灾后最初几年)的水文和侵蚀风险,包括坡度、距上次火灾时间(time since last fire, TSLF)、土壤可蚀性因子(K因子)等变量;植被部分关注长期(火灾后2-3年显现)的植被恢复失败和类型转换风险,包括火敏感物种密度、草本覆盖百分比、干旱指数(气候水分亏缺,Climate Water Deficit, CWD)和火灾返回间隔(fire return interval, FRI)。研究人员在ArcGIS Pro和R环境中,通过加权叠加(weighted overlay)方法整合变量,采用等权重方案以避免主观偏差。首先进行相关性分析,剔除高度相关的变量(斯皮尔曼rho > 0.5),然后应用线性组合公式计算土壤和植被的敏感性得分,最后取二者算术平均值得到总敏感性。研究区域为南加州生态区,涵盖八个县,包括洛杉矶、圣地亚哥等人口密集地区。数据来源包括数字高程模型、火灾历史记录、土壤数据库、物种分布模型和土地覆盖数据,所有图层重采样至90米分辨率。研究人员还进行了敏感性分析,通过向各个变量添加正态分布噪声(10%的像元)评估空间不确定性,并针对未来情景(悲观和乐观)修改植被相关变量(草本覆盖、火敏感物种、干旱)以测试时间不确定性。
主要结果:1. 总体敏感性分布:总敏感性高值区集中在洛杉矶北部、文图拉县和圣巴巴拉县东部,土壤敏感性与坡度和距上次火灾时间高度相关,而植被敏感性高值区主要位于里弗赛德县和圣地亚哥县。2. 土壤与植被组分一致性:高土壤和高植被敏感性重叠区域集中在洛杉矶西北部、文图拉-洛杉矶沿海边界以及圣地亚哥、里弗赛德、圣贝纳迪诺和奥兰治县东北部的若干区域。北部县的高敏感性区域主要被较低植被敏感性包围,而南部县则相反。低敏感性区域主要出现在洛杉矶南部、圣贝纳迪诺西部和奥兰治北部,这些地区地形平坦、距上次火灾时间短、草本覆盖和火敏感物种丰富度低。3. 对总敏感性的贡献:高总敏感性区域的土壤和植被组分贡献大致相等(各约50%)。土壤组分贡献变化最大,从低敏感性位点(得分0-0.1)的2.83%到高敏感性位点(得分0.7-0.8)的50.86%。总体而言,低敏感性(<0.4)主要由植被组分驱动(51.13-97.17%),而高敏感性(>0.4)主要由土壤组分驱动(50.86-65.36%)。植被敏感性得分分布较窄(范围0.04-0.87,标准差0.8),均值较低(0.31 vs 0.36),表明植被相关高风险条件的重叠较少。4. 与人工建筑的空间对应:高敏感性区域与人工建筑(道路、露营地、路线、建筑物等)的空间重叠较少。例如,敏感性得分<0.5的位点有22.86-83.71%与人工建筑重叠,而得分>0.5的位点重叠率降至10.27-24.35%。这一模式主要由土壤组分驱动,植被敏感性未呈现清晰模式。尽管洛杉矶和圣地亚哥县拥有高浓度的人工建筑,但高敏感性区域主要位于北部山区,与建筑分布空间分离。5. 对输入数据不确定性的稳健性:总、土壤和植被敏感性得分在添加噪声后与参考结果具有强单调关系(rho>0.95),决定系数R2>0.94,排名位置高度一致(R2>0.91)。空间一致性方面,总敏感性在多数情况下与参考结果>80%一致,但修改FRI在敏感性>0.75时一致性下降;土壤组分修改坡度在>0.84时一致性下降;植被组分修改CWD在>0.85时一致性下降。这些下降源于接近上限的像元数量少。6. 对未来情景的稳健性:悲观和乐观情景下的总敏感性得分与参考结果均有强相关性(rho>0.984,R2>0.95),排名位置R2>0.96。空间一致性方面,悲观情景下与参考结果接近100%一致,而乐观情景下一致性随修改幅度增加而下降,但阈值<0.7时仍有超过50%的重叠。
讨论与结论:研究结果表明,土壤和植被敏感性提供了互补信息,高敏感性区域与人工建筑分布的空间分离对WUI社区具有重要意义。WUI扩张(如圣地亚哥县近年住房开发)可能增加居民对火灾后灾害的暴露。植被敏感性南部较高与干旱和草本覆盖增加一致,反映了植被类型转换正在进行。该分析工具可支持短期应急响应(如泥石流预警)和长期规划(如土地利用规划、社区教育、种子库建设)。模型采用等权重方案,可根据管理优先级调整权重,且使用公开可获取的数据,易于复制和更新。研究未与火灾后实地数据对比,但敏感性分析证明了内部一致性。结论指出,该方法提供了一个简单、可复制的框架,适用于全球易发生野火且面临植被类型转换威胁的地区,如南欧、夏威夷和伊朗。研究强调,在火灾频率和严重性增加的背景下,该工具增强了火灾后影响的备灾能力,促进生态系统和社区的恢复力。