基于物理引导机器学习框架从Sentinel-1 SAR数据对树冠活燃料与地表死燃料含水率进行地理信息显式反演

《Remote Sensing Applications: Society and Environment》：Geoinformation-explicit retrieval of canopy live and surface dead fuel moisture from Sentinel-1 SAR data via a physics-guided machine learning framework

　　

# 摘要

在气候变化背景下准确评估野火危险，需要对森林燃料含水量的垂直分层空间信息有明确的了解，即树冠活体燃料含水量（LFMC）和地表枯死燃料含水量（DFMC）。光学遥感经常受到云层覆盖和有限的树冠穿透能力的限制，而传统合成孔径雷达（SAR）模型往往过度简化了垂直燃料结构。为解决这些挑战，本文提出了一种极化分解–半经验水云模型（WCM）–机器学习（PSM）框架，能够从单一来源的Sentinel-1双极化SAR数据中同时反演LFMC和DFMC。PSM首先采用Stokes极化分解将树冠体积散射与地表散射分量分离。随后，半经验WCM提供物理约束的初始估计，其系数通过蒙特卡洛预搜索、Levenberg–Marquardt方法和粒子群优化（PSO）进行优化。机器学习技术（随机森林用于LFMC，多层感知机用于DFMC）通过整合叶面积指数、坡度、坡向等辅助地理信息来校正残差偏差。与加利福尼亚州33个站点的野外测量进行验证表明，PSM显著优于单独的WCM。LFMC的归一化均方根误差（NRMSE）从17.84%降至14.62%（R2=0.75），DFMC从31.17%降至23.83%（R2=0.72）。2024年月度燃料含水量图揭示了活体与枯死燃料之间的异步动态变化，强调了双层估计的必要性。在中国亚热带地区（湖南省）进行的跨区域验证取得了可比的DFMC精度（R2=0.70，NRMSE=17.22%），为所提出的PSM的跨气候可迁移性提供了初步证据。通过利用免费可获取的Sentinel-1数据，PSM提供了一种实用的、数据驱动的区域尺度森林燃料含水量监测解决方案，从而支持气候变化下的适应性森林管理和野火早期预警。

# 引言

近年来，全球气候变化导致全球森林火灾频率日益增加，造成了严重的生态破坏和大量碳排放（Agustiyara等人，2026；Chen等人，2026；Ren等人，2026；Tezcan和Eren，2025）。森林燃料含水量（FMC）定义为植被样本中水的质量与干质量的比值（Luo等人，2024），是野火风险评估的关键参数，因为它直接影响植被可燃性和火势蔓延动态（Jolly等人，2025；Kranz等人，2025；Yin等人，2024；Zong等人，2024）。

在广大区域内监测FMC仍然面临挑战，这归因于其显著的空时异质性。目前，大尺度FMC估算主要依赖于光学遥感（Liu等人，2025；Quan等人，2024；Yang等人，2025）。然而，光学观测容易受到云层覆盖和天气条件的影响，其有限的树冠穿透能力阻碍了树冠下燃料信息的获取。森林燃料呈现垂直分层结构，其中林下灌木和地表凋落物通常比树冠更容易被点燃（Fan等人，2026；Gao等人，2025；Silveira等人，2023；Smith-Tripp等人，2024）。这些底层中枯死燃料含水量（DFMC）的微小波动就可能大幅改变整体火灾风险（Zhang等人，2023）。因此，精确的野火风险评估需要同时估算树冠活体燃料含水量（LFMC）和地表DFMC，并全面了解其垂直分布（Perello等人，2025）。

现有大多数研究集中在单一燃料参数上，即要么研究DFMC（Li等人，2024；Perello等人，2025），要么研究LFMC（Fan等人，2024；Wang和Quan，2023；Xie等人，2022）。分别估算这些参数使得同时实现两个变量的时空一致性变得困难。SAR以其全天候、昼夜成像能力、水分敏感性（Kobayashi和Matthews，2026）以及穿透植被树冠的能力（Frey和Meier，2011），为同时估算LFMC和DFMC提供了一种技术途径。在极化SAR数据中，不同的植被结构（如树冠与地表）表现出不同的散射机制（An等人，2010；Wang等人，2023），为通过极化分解分离树冠和地表信号提供了物理基础（Salma等人，2022）。尽管近期研究已探讨了基于SAR的LFMC估算（Li和He，2023；Rao等人，2020），但同时反演LFMC和DFMC的方法仍然稀缺。

现有的基于SAR的FMC估算方法主要采用独立的半经验模型或机器学习（ML）模型。半经验模型，如水云模型（WCM），基于物理散射机制，仅需有限的校准数据，在其假设框架内提供了可解释性和稳健性（Abbes等人，2024；Koyyan等人，2026；Li等人，2025）。然而，这些模型依赖于无法捕捉FMC、植被结构和地形之间复杂非线性相互作用的简化假设。相比之下，ML模型善于从大规模高维数据集中学习非线性模式，但通常缺乏物理可解释性，且在数据分布发生变化时泛化能力较差（Abdollahi和Yebra，2025；Zhu等人，2025）。因此，半经验模型与ML的集成是提高FMC估算精度的一个有前景的途径。

在地球观测和地理信息领域，卫星遥感为空间明确的燃料含水量制图提供了独特机遇。然而，大多数现有的基于SAR的FMC研究仅将地形和植被结构变量视为辅助数据，而非反演框架的组成部分。地形因素（如坡度、坡向）和树冠结构参数（如叶面积指数，LAI）被认为以难以用解析方法捕捉的方式影响SAR后向散射（Dostalova等人，2022；Singh等人，2023）。当这些因素被忽略或仅隐含考虑时，它们会在FMC估计中引入空间变化的系统误差，特别是在加利福尼亚州地中海山区等复杂地形中。因此，我们认为，将地形和植被覆盖变量显式纳入反演链对于从SAR数据实现稳健且可推广的燃料含水量制图至关重要。

为解决上述挑战，我们提出了一种整合极化分解、半经验WCM和机器学习的PSM方法学框架，用于同时估算LFMC和DFMC。该框架首先采用Stokes极化分解从Sentinel-1双极化SAR数据中分离树冠和地表散射信号。随后，使用WCM进行LFMC和DFMC的物理约束初始反演，其经验系数通过两阶段优化过程（蒙特卡洛预搜索后接Levenberg-Marquardt算法）进行校准。最后，将地形和植被变量（坡度、坡向、LAI）纳入机器学习模型训练——随机森林用于LFMC，多层感知机用于DFMC——以校正物理模型的残差误差。与现有研究不同，所提出的方法利用半经验模型推导出的先验知识，对后续基于ML的残差校正施加物理有意义的约束。因此，PSM框架在保持高度物理可解释性的同时，利用了数据驱动学习的灵活性。据我们所知，尚无现有研究在物理信息机器学习框架内仅使用Sentinel-1 SAR数据同时估算树冠活体和地表枯死燃料含水量（Shaik等人，2025；Yang等人，2025）。本研究旨在填补这一空白，并为地理信息驱动的野火早期预警系统的发展做出贡献。

本文后续各部分结构如下。第2节阐述研究区和数据集。第3节详述方法论，包括极化分解、WCM解耦、参数优化和基于ML的残差校正。第4节呈现实验结果，第5节讨论研究结果，第6节总结全文并展望未来研究方向。

# 研究区

研究区位于美国加利福尼亚州（32°30′N–42°00′N，114°8′W–124°24′W），沿太平洋沿岸（图1）。加利福尼亚州面积约424,000平方公里，是美国第三大州，地形多样，包括海岸山脉、中央谷地、内华达山脉和沙漠地区。气候为地中海类型，夏季炎热干燥，冬季温和多雨。年降水分布为……

# 方法

图2概述了用于估算树冠LFMC和地表DFMC的所提出PSM框架。该框架由三个主要阶段组成：（1）Sentinel-1 IW SLC数据的极化分解，通过Stokes分解生成树冠（mv）和地表（ms）散射分量。（2）使用WCM进行初步FMC估算。在该阶段，采用两阶段优化策略（蒙特卡洛预搜索后接Levenberg-Marquardt算法）来校准……

## Sentinel-1极化分解

图3展示了2024年12月加利福尼亚州Sentinel-1镶嵌图获得的极化分解结果（mv和ms）。两个分解参数均显示空间连续的格局。相关性分析（图4）表明，在所有研究变量中，树冠散射分量（mv）与LFMC呈最强正相关（r=0.57），这与树冠含水量主导体积……的物理预期一致。

# 误差分布的改善

为区分和量化WCM参数优化和基于ML的误差校正各自的贡献，表5总结了各组件的性能贡献。对于LFMC反演，仅引入WCM参数优化就将R2提高到0.62，RMSE和NRMSE分别降低了3.31和3.05个百分点。这表明，散射和衰减参数的适当校准可以显著改善基线精度……

# 结论

本研究构建了PSM框架，以解决气候变化背景下垂直分层森林燃料含水量估算的长期问题。通过将Stokes极化分解、半经验WCM和机器学习残差校正整合于地理信息显式设计框架内，该框架能够从单一来源的Sentinel-1双极化SAR数据中同时反演树冠LFMC和地表DFMC。关键地理信息层，即LAI、坡度……

## CRediT作者贡献声明

Cui Zhou：撰写–审阅与编辑，监督，项目管理，资金获取，概念化。Zhenyu Chen：撰写–原始草稿，可视化，验证，软件，方法论，调查研究，形式化分析，数据管理，概念化。Jianjun Zhu：资源。Zhiwei Liu：撰写–审阅与编辑，监督，方法论，调查研究。Zengyuan Li：撰写–审阅与编辑，资源。Junxiang Zhang：调查研究，撰写–审阅与编辑。

## 未引用参考文献

Kennedy, 2011。

## 利益冲突声明

作者声明不存在已知可能影响本文所报告工作的竞争性经济利益或个人关系。

## 数据可用性

Sentinel-1 SAR数据可从阿拉斯加卫星设施（https://search.asf.alaska.edu）获取。SRTM DEM和MODIS LAI数据可通过Google Earth Engine和NASA LP DAAC访问。地面实况燃料含水量数据来自国家燃料含水量数据库（NFMD）。代码可从通讯作者处合理请求获取。

## 伦理声明

本研究不涉及人类受试者或动物。本研究所使用的数据均来源于公开可获取的卫星遥感产品（Sentinel-1、SRTM DEM、MODIS LAI）和公开可访问的地面参考数据库（国家燃料含水量数据库）。无需伦理审查批准。

## 竞争利益声明

? 作者声明不存在已知可能影响本文所报告工作的竞争性经济利益或个人关系。

## 致谢

本研究由国家自然科学基金（编号：42474052）和湖南省杰出青年科学基金（2024JJ2100）资助。作者感谢所有对本论文做出贡献的人。

Zhenyu Chen | Cui Zhou | Zhiwei Liu | Junxiang Zhang | Jianjun Zhu | Zengyuan Li

中南林业科技大学交叉科学研究院，长沙 410004，中国