综述：遥感与地理空间技术在森林火灾监测及空气质量影响评估中的应用

《Geocarto International》：Application of remote sensing and geospatial techniques for forest fire monitoring and air quality impact assessment

　　

野火是全球最显著的环境干扰因素之一，对生态系统和空气质量产生重大影响。遥感技术在野火及其大气效应的探测、表征与监测方面取得了长足进步。本研究采用ProKnow-C方法，对2019年至2026年间的科学文献进行了结构化审查，最终筛选出包含154篇同行评审文献的数据库。结果显示，关于排放估算和空气质量评估的研究日益增多，特别是在大气影响、过火面积、火灾严重程度及火灾探测方面。机器学习（ML）和深度学习（DL）方法已成为主导技术，反映出向数据驱动方法的转变。此外，多传感器集成数据提高了探测精度，并减少了与大气干扰相关的不确定性。本综述提出了一条连贯的分析链，整合了火灾探测、过火面积制图、火灾严重程度评估、排放估算和空气质量评价。该研究为理解和监测野火影响、当前局限性及未来研究方向提供了参考。

引言
野火是由极端气候条件（如低相对湿度、缺乏降水和高温）相互作用引发的，这些条件有利于火灾的发生和蔓延。这些事件会显著影响景观和生态系统，导致土壤侵蚀、环境退化和荒漠化。此外，野火将大量储存在植被中的碳以及大气污染物和温室气体释放到大气中，加剧了空气质量恶化和全球气候变化。野火的发生与气象因素密切相关，其中相对湿度和气温是最具影响力的变量。在热带地区，增强型植被指数（EVI）的降低和气温升高4-5°C被认为是燃烧事件的重要先兆。野火排放的烟雾和气体能在区域甚至大陆尺度上传输，成为细颗粒物（PM_2.5和PM₁₀）、一氧化碳（CO）、氮氧化物（NO_x）和挥发性有机化合物的主要来源。卫星遥感已成为系统观测地表和大气辐射的必要工具，能够提供具有广泛空间覆盖范围的及时信息。极地轨道传感器属于低地球轨道（LEO）类别，而静止轨道（GEO）传感器则提供卓越的时间分辨率。美国宇航局的火灾信息资源管理系统（FIRMS）利用中分辨率成像光谱仪（MODIS）和可见光红外成像辐射计套件（VIIRS）等传感器提供火灾位置等关键信息。光学传感器允许计算光谱指数，如差分归一化燃烧比（ΔNBR），用于评估火灾严重程度。对流层监测仪器（TROPOMI）可检测与燃烧相关的CO、NO₂和甲醛的增加。

研究方法
本研究采用建构主义知识发展过程识别并分析了有关使用遥感工具探测和监测野火的科学文献。研究将检索限定在2019至2026年间发表的英语或西班牙语研究文章、综述文章和科学期刊论文。在三个主要数据库中进行了检索，初检获得7626篇文献。去除重复及不相关文献后，保留了2456条记录。随后基于主题相关性和科学严谨性进行迭代筛选，选出853篇代表性文章，最终保留154篇文献构成文献目录。文献计量分析表明，自2019年以来出版物数量显著增加，其中2022年和2024年最具代表性。63篇文献关注排放估算和空气质量分析，38篇关注火灾探测，53篇关注过火面积和严重程度评估。71.7%的文献发表在Q1分区的期刊上。从技术层面看，机器学习和深度学习模型占据主导地位，反映了从传统光谱指数方法向数据驱动方法的范式转变。

结果与讨论
热异常对应于活动火灾（AF）点的识别，主要依托热传感器在红外波段捕获的辐射率。中波红外（MWIR，3-4 μm）和短波红外（SWIR，1.3-2.5 μm）波段被广泛用于检测温度的急剧升高。活动火灾产品还允许估算火灾辐射功率（FRP），该变量与火灾规模、燃料消耗和大气污染物的排放速率密切相关。FRP的计算通过比较中红外（MIR）或SWIR范围内火灾像元的辐射信号与背景值来实现。MODIS是计算FRP最常用的传感器，但其1公里的空间分辨率限制了对小规模火灾的探测。VIIRS凭借其375米的改进空间分辨率，在识别小规模火灾方面表现出更优的性能。

辐射率阈值
辐射率阈值是最传统的活动火灾探测方法之一。该技术主要基于将灾后反射率与火灾前的背景反射率进行比较，特别是在对温度升高高度敏感的1610 nm和2200 nm的SWIR波段。如果增加超过3σ的统计阈值，该像元被归类为受火灾影响。

无监督分类技术
ISODATA和K-means等无监督分类技术被广泛应用于识别具有异常光谱行为的像元。这些方法允许在无需训练数据的情况下对多光谱图像进行分割，但需要通过多时相分析等额外验证来减少误报。

过火面积识别与火灾严重程度
过火面积的精确划定是评估生态影响的基础。粗分辨率产品（如MODIS）可能会低估多达46%的过火面积，而Sentinel-2等高分辨率传感器允许更详细地检测火灾疤痕。此外，激光雷达（LiDAR）技术被用于评估植被结构变化和垂直受损情况。

机器学习与深度学习算法
随机森林（RF）和支持向量机（SVM）等监督机器学习算法被广泛用于过火面积分类。深度学习模型（如U-Net和Burnt-Net）在自动分割过火面积方面实现了最高精度。然而，模型的可移植性仍然是一个关键限制，因为在不同气候区应用时精度会发生退化。可解释人工智能（XAI）技术成为提升模型可解释性的重要工具。

基于光谱指数的方法
归一化燃烧比（NBR）及其差分形式（ΔNBR）是评估火灾严重程度最被接受的指标。归一化植被指数（NDVI）、EVI和归一化差异水分指数（NDMI）也被用于制图。这些指数性能在异质环境、复杂地形或烟雾覆盖下会下降。

多传感器应用
结合光学、热红外和合成孔径雷达（SAR）数据的多传感器集成方法能将探测精度提高15-25%。Landsat-8地表温度（LST）和NBR与ALOS-2 SAR相干性结合，在地中海松林过火面积检测中实现了96%的总体精度。SAR数据不受云层和烟雾影响，是克服大气干扰的有效互补数据源。

野火排放与空气质量应用
FRP作为燃烧强度的直接指标，与排放速率相关。野火释放大量CO、NO₂、甲醛（HCHO）和气溶胶。借助TROPOMI等传感器，能够观测污染物浓度以及FRP等参数。通过经验公式可将FRP与污染物排放速率联系起来。

大气气溶胶探测
气溶胶光学厚度（AOD或AOT）作为大气柱气溶胶负载的积分测量指标被广泛使用。原始AOD存在局限性，NO₂的存在会导致AOD的高估。将AOD与气溶胶吸收指数（AAE）结合能够识别气溶胶来源。单散射反照率（SSA）描述了颗粒散射与吸收辐射的比例。气溶胶指数（AI）和气溶胶吸收光学厚度（AAOD）等产品进一步增强了检测能力。

气态污染物探测
CO是与不完全 combustion 相关的稳健生物质量燃烧排放指示物。利用遥感仪器可分析多种气态污染物。

野火的大气传输与空气质量影响
卫星产品能够估算污染物的垂直柱浓度。化学传输模型（如WRF-CHIMERE和GEOS-Chem）以及拉格朗日扩散模型（如FLEXPART和HYSPLIT）被用于模拟烟羽传输。数据同化方法成为整合卫星观测与预测模型的有效策略。

卫星传感器与地面观测及机器学习的整合
将卫星数据与地面站测量及低成本传感器融合，可有效评估空气质量影响。机器学习模型被用于估计大气污染物浓度。例如，基于极限梯度提升和ConvLSTM的模型成功用于预测PM_2.5的时空分布。

数据验证
全球火灾排放数据库（GFED）和基于VIIRS的火灾排放清单（VFEI）是验证卫星数据的重要参考。南非的研究使用NBR和ΔNBR，并与Sentinel-5P的CO观测进行交叉验证，验证了工作流的有效性。

局限性与未来研究方向
当前研究存在对云层覆盖等大气条件的依赖、ML和DL模型训练数据的局限性以及预测可移植性差等问题。未来研究应聚焦于开发结合遥感、大气建模和机器学习的混合集成方法，提高模型在复杂地形中的泛化能力。

结论
系统分析表明野火影响研究的科学产量持续增长。整合是必要的：没有任何单一方法足够全面，需要整合火灾探测、过火面积划定、严重程度评估和空气质量影响评估的分析链。传感器协同（如MODIS、VIIRS与Sentinel-2结合）对于缓解云层和浓烟干扰至关重要。人工智能模型表现卓越，显著超越了传统方法。野火是全球污染的主要来源，火灾辐射功率（FRP）是将热信号与排放清单联系起来的关键变量。