《Ecological Informatics》:ClassiFiR
xe: A data-driven tool to support prescribed fire planning and implementation
编辑推荐:
尽管扩大计划火烧(prescribed burning)的节奏和规模以解决国家火灾缺口的必要性日益增长,但仍缺乏将火灾危险信息纳入计划火烧规划的数据驱动方法。研究人员整合了蒙大拿州和爱达荷州近二十年的计划火烧和野火(wildfire)记录,并将这些记录与空间显
尽管扩大计划火烧(prescribed burning)的节奏和规模以解决国家火灾缺口的必要性日益增长,但仍缺乏将火灾危险信息纳入计划火烧规划的数据驱动方法。研究人员整合了蒙大拿州和爱达荷州近二十年的计划火烧和野火(wildfire)记录,并将这些记录与空间显式的火灾危险数据相结合。研究人员采用非参数阈值分析(cutpoint analysis)从能量释放分量(Energy Release Component, ERC)百分位数中确定客观阈值,将堆烧(pile burns)、撒播烧(broadcast burns)和野火视为沿ERC连续体的有序类别。一种新颖的自助法(bootstrapping)方法生成最优阈值分布,创建量化火灾类别之间不确定性的重叠区。这些阈值构成规划指南ClassiFiRxe的基础,该指南帮助管理者确定项目条件在历史上是否支持堆烧、撒播烧或野火,以及拟议的火烧是否落在有信心的支持区或更大的不确定性区内。分类性能因区域而异,在森林覆盖的西部研究区表现最佳。分水岭以西(West of Divide)指南实现了合理的交叉验证平衡严格召回率(strict recall)65%和完全召回率(full recall)77%。研究人员展示了这些区域如何揭示火烧条件的季节模式,在局部估计火烧窗口,并在大尺度景观上绘制火灾危险类别。只要存在足够的火灾天气和发生数据并且满足有序性假设,就可以开发此类指南,提供一种基于历史数据的可扩展、可解释和可说明的工具,以支持计划火烧规划,并帮助将火重新引入景观和减少火灾缺口。
论文解读文章
近年来,全球范围内大型高强度野火(wildfire)显著增加,而美国西部尤为突出。然而,由于对小型低强度野火的长期抑制,美国存在火灾赤字(fire deficit),即野火频率和强度失衡,削弱了森林恢复力和健康。计划火烧(prescribed burning)被认为是减少高严重性火灾行为的最有效燃料减少策略之一,但其实施受到规划复杂性的限制。当前,计划火烧规划缺乏数据驱动方法将火灾危险信息纳入其中,而传统方法多依赖火行为模型,这些模型主要基于野火观测校准,在计划火烧的中等天气条件下可靠性较低。此外,火灾危险指数如能量释放分量(Energy Release Component, ERC)在规划中未被系统利用。为了弥合这一差距,研究人们假设,通过整合计划火烧和野火发生数据与空间归一化的火灾危险指数,并采用非参数阈值分析(cutpoint analysis),可以开发出一个集成的数据驱动计划火烧规划工具ClassiFiRxe。该工具旨在帮助管理者基于历史数据确定项目条件是否支持堆烧(pile burn)、撒播烧(broadcast burn)或野火,并识别出有信心的支持区或不确定性区。这项研究发表在《Ecological Informatics》上,提供了可扩展、可解释且可解释的决策支持,以恢复景观中的火并减少火灾赤字。
研究人员为开展研究使用了几个关键技术方法。首先,从蒙大拿州和爱达荷州(样本队列来源)的蒙大拿/爱达荷空气区域组(MIAG)收集了2004–2022年的计划火烧记录,并从火灾计划分析火灾发生数据库(FPA-FOD)和机构间火灾发生报告模块(InFORM)获取野火记录。这些记录与基于4 km网格的ERC百分位数数据进行空间相交。其次,采用非参数阈值分析,通过Youden指数确定堆烧与撒播烧、撒播烧与野火之间的最优阈值。再次,引入自助法(bootstrapping,重复1000次)生成最优阈值分布,计算95%百分位数置信区间以定义重叠区,形成分类野火区(Categorical Wildland Fire Zones, CWlFZ)。最后,采用分层10折交叉验证评估严格召回率(strict recall)和完全召回率(full recall),并分析空间敏感性(如大陆分水岭划分和Lolo国家森林尺度)和归一化策略(百分位数归一化)的影响。
研究结果概述如下:
3.1. 季节性(Seasonality):通过每周计数分析,撒播烧呈现双峰季节模式,主要发生在春季(3–5月,54%)和秋季(9–11月,39%);堆烧集中在秋季和初冬(9–12月,89%);野火在夏季(7–8月,62%)达到峰值。这些模式揭示了不同火烧类型的时间窗口。
3.2. 开发分类野火指南(Developing a categorical wildland fire guide):验证了有序性假设,ERC百分位数随火烧类别单调递增(堆烧中位数23rd,撒播烧62nd,野火82nd;Spearman ρ=0.59,p<0.001)。样本量模拟显示,当每类样本量达到300–500时,重叠区宽度标准差趋于稳定,最终采用1000样本。通过自助法确定堆烧-撒播烧阈值(LB1=34th, UB1=44th)和撒播烧-野火阈值(LB2=76th, UB2=82nd),定义了五个CWlFZ:堆烧区、堆烧-撒播烧重叠区、撒播烧区、撒播烧-野火重叠区、野火区。
3.3. 空间敏感性和可扩展性(Spatial sensitivity and scalability):大陆分水岭划分表明,西部区域(森林为主)的ERC分类性能显著优于东部(草地/灌木地),西部平衡严格召回率0.651,全面召回率0.771,而东部仅为0.419和0.647。Lolo国家森林分析进一步展示了框架在更小空间尺度的可扩展性,平衡严格召回率达0.701,完全召回率0.812,广播燃烧严格召回率从全区域指南的0.488提升至0.700。西部分水岭指南被推荐为最终实施版本。
3.4. 实施(Implementation):基于历史气候学的双周分析显示,11月至3月中旬堆烧区主导(>68%面积),春季(3–5月)撒播烧区扩展至约42–43%面积,夏季(7–9月)野火区占>65%面积,秋季撒播烧再次出现。日尺度地图揭示了空间异质性,如2022年4月15日撒播烧区占36.1%,而野火区占1.5%。蓝山远程自动气象站(RAWS)的2020年分析识别出多个连续烧窗口,如撒播烧最长窗口达60天(3月19日至5月17日,基于三天标准)。
讨论部分指出,ERC百分位数的有序性为分类提供了自然框架,自助法引入的重叠区量化了不确定性,优于传统阈值方法。归一化策略选择(如百分位数归一化)对模型性能至关重要。空间敏感性分析揭示了燃料模型与区域生态的匹配重要性:东部草地/灌木地因ERC不反映风速和物候,分类性能差。Lolo国家森林的局部指南性能提升表明,当数据充足且有序性强烈满足时,框架可扩展至更细尺度。实施分析证实了季节模式的空间变异,且火烧窗口的识别受定义标准影响不大。局限性包括:仅基于ERC的单变量分类忽略了风速和地形;数据缺失(如取消的火烧记录)可能引入幸存者偏差;历史点火日期不等于连续燃烧条件。结论翻译如下:在此,研究人员整理了已知最大的美国西部两州计划火烧和野火数据库,并开发了一种阈值分析方法,将火烧类别沿空间火灾危险连续体排序。研究人员已证明,自助法与基于分位数的区间结合可捕获抽样误差,从而促进火烧类别之间重叠区的划定,使整体分类框架更稳健且更具现实世界变异性,同时保持计划火烧规划的决策结构。研究人员还表明,基于百分位数的火灾危险归一化在模型性能中起关键作用,且火灾危险变量和训练数据空间范围的选择是分类成功的关键决定因素。空间敏感性分析揭示,该框架在ERC与火烧类别之间的有序关系强烈满足且火灾危险指标反映局部燃料结构时表现最佳,如分水岭以西和Lolo国家森林指南的强分类性能所示。研究人员已证明,这些阈值可用于开发局部和景观尺度上的分类野火区(CWlFZ)时空可视化,以改进火灾危险指数的解释并识别潜在火烧机会。研究人员还展示了该工具用于检查大区域CWlFZ季节模式及其空间变异的方法。最终,这些技术证明,在存在足够的野火、计划火烧和时空火灾危险数据且满足有序性假设的情况下,该数据驱动框架提供了可重复和可解释的工具,以支持计划火烧的规划和实施。