《Trees, Forests and People》：Modeling Post-Hurricane Coarse Woody Fuels Using Machine Learning and Multi-Source Remote Sensing Data to Support Wildfire Management in Wildland-Urban Interface
编辑推荐：
飓风会迅速改变森林燃料的结构和组成，并对各类森林生态系统的野火行为产生相关影响。现有的关于干扰影响的森林燃料研究大多集中于天然林，且常受限于时间和空间分辨率。野火-城市交界区（Wildland-Urban Interface, WUI）正在快速扩张，且极易遭受
飓风会迅速改变森林燃料的结构和组成，并对各类森林生态系统的野火行为产生相关影响。现有的关于干扰影响的森林燃料研究大多集中于天然林，且常受限于时间和空间分辨率。野火-城市交界区（Wildland-Urban Interface, WUI）正在快速扩张，且极易遭受野火侵袭。在飓风过后的条件下，当实地进入受限时，利用高分辨率遥感数据和先进机器学习对WUI区域的倒木燃料进行快速评估变得至关重要。研究人员开发了一个半自动化、可扩展的GeoAI框架，以支持扰动后燃料的快速评估，并将其应用于美国北卡罗来纳州阿什维尔（Asheville）周边受海伦飓风（Hurricane Helene）影响的森林WUI景观。该框架融合了公开可用的数据集（Sentinel-2、L波段合成孔径雷达（SAR）、生物量、气象、土壤和激光雷达（LiDAR））来检测倒木、估算生物量损失并绘制倒木木质燃料累积图。结果表明，飓风风速强度不足以解释森林损害或燃料累积。燃料累积与水文气候驱动因素、森林结构条件和地形条件相关，导致海伦飓风过后研究区森林部分积累了约355万公吨的倒木木质燃料。高燃料累积热点广泛分布于峡谷林和橡树林以及WUI区域。然而，高燃料累积热点在城市和荒地演替林中呈分散分布，在河岸带则较为罕见，这凸显了采取空间针对性 debris 管理行动以保护敏感区域的重要性。该模型在空间交叉验证折间表现一致，凸显了该框架在区域尺度评估飓风诱发燃料动态方面的潜力。
一、研究背景与问题提出
热带气旋是全球森林面临的主要干扰之一，在美国南部尤为突出。极端天气事件会改变林冠结构、物种组成和长期生态系统功能。例如，2005年卡特里娜飓风摧毁了路易斯安那州和密西西比州84000平方公里森林中约3.2亿棵树；2018年迈克尔飓风损坏了佛罗里达州狭长地带212万公顷林地。这些极端风事件不仅改变森林生态系统，还留下大量倒木木质碎片，成为未来野火的燃料。飓风雨果、奥帕尔、卡特里娜、艾克和迈克尔后的实地观测均记录了受损林分比附近未受损或采伐林分更高的燃料负荷，从而在数年内增加未来野火风险。
现有飓风引起的生物量损失和燃料累积评估主要依赖实地测量和粗分辨率遥感数据。多数研究集中于天然林，但美国野火-城市交界区（WUI）正快速扩张，1990年至2010年间土地面积从581000平方公里增至770000平方公里，增长33%，成为增长最快的土地利用类型。WUI区域人类引发的野火是重大挑战，一旦点燃难以控制。飓风造成的大规模倒木进一步加剧了这些条件。此外，阿巴拉契亚地区春季和秋季的季节性火灾活动由低湿度、增加太阳辐射和落叶条件引起，加速燃料干燥，增加野火潜力。飓风诱发的碎片更难扑灭，导致更长时间的火灾，延长扑救工作并增加成本。
海伦飓风影响了超过125000户住宅，造成100多人死亡、6000英里道路受损，并摧毁了北卡罗来纳州阿巴拉契亚和皮埃蒙特生态敏感山区328800公顷林地。鉴于倒木范围、损害空间异质性以及生态敏感陡峭山地地形，传统燃料评估方法不足。因此，本研究提出两个问题：（1）海伦飓风如何改变景观尺度地表燃料累积模式？（2）公开可用的高分辨率遥感和机器学习模型在多大程度上能检测和预测城市-山地交界区风暴后燃料累积？
二、研究内容与意义
研究人员开发了一个半自动化、可扩展的GeoAI框架，利用公开可用的多传感器遥感数据，在海伦飓风发生后一年内对倒木木质燃料累积进行快速评估。该框架检测阿什维尔及其周边的单株倒木，将其与Sentinel-2数据、L波段ALOS-2 PALSAR-2数据、基于GEDI和Sentinel-2的全球地上生物量数据以及先前发表的实证研究结果相整合。通过集成这些数据源，使用集成方法捕捉风暴损害与燃料累积之间的非线性、空间复杂关系。
该研究在飓风发生后一年内，对WUI景观中不同森林类型（包括城市林、荒地演替林、河岸林、峡谷林、橡树林和松树林）进行了数据驱动的评估，不受所有权限制。这在美国东南部超过85%林地为私有的背景下尤为重要。据研究人员所知，这是首批利用遥感和机器学习对海伦飓风后WUI区域不同森林类型倒木木质燃料累积进行定量评估的研究之一。研究结果展示了将此类方法整合到运营框架中的潜力，包括美国环境保护局（USEPA）和联邦紧急事务管理局（FEMA）自然灾害碎片管理指南，以支持州林业机构、应急管理人员和野火响应团队优先处理高风险区域并优化响应策略。
三、关键技术与方法
研究区域以阿什维尔市为中心，向北、东、西扩展约5公里，南界遵循行政边界。该区域位于南阿巴拉契亚山脉，包含皮斯加国家森林，涵盖三个USEPA四级生态区。使用LANDFIRE现有植被类型（EVT v2.5.0）数据集，将44个植被类别重分类为六种主要森林类型。研究区68.8%被分类为WUI。
研究流程包括六个步骤：（1）预测变量选择与预处理；（2）全球地上生物量密度（AGBD）局部校准；（3）风暴后倒木检测；（4）倒木木质燃料估算模型开发与性能评估；（5）倒木木质燃料估算；（6）估算后热点和特征重要性评估。预测变量包括地形变量（DEM、坡度、地形湿度指数（TWI）、地形位置指数（TPI）、热负荷指数（HLI））、天气变量（最大阵风速度、总降雨量）、森林结构多样性指标（FSD，包括冠层高度模型（CHM）、平均冠层高度、冠层覆盖度（CC）、粗糙度和冠层起伏比（CRR））、SAR指数（dHH、dHV）、光谱指数（dNDVI、dNBR、dSAVI、dNDMI、dTCTw）以及辅助变量（距道路距离、森林类型、土壤）。全球AGBD产品通过普通最小二乘（OLS）回归进行局部校准，预测变量包括CHM、CC、CRR、平均冠层高度、冠层粗糙度和DEM。
四、研究结果
4.1 预测变量选择与影像质量评估
研究人员评估了40多幅Sentinel-2影像和六幅ALOS-2 PALSAR-2影像。排除2024年10月至12月场景（因海伦飓风期间强降雨影响湿度敏感变量）和2025年1月至2月场景（因降雪改变光谱响应）。最终选择2025年3月11日Sentinel-2影像和2025年7月26日ALOS-2 PALSAR-2影像作为飓风后分析数据，选择2024年8月影像作为飓风前数据。
4.2 倒木检测与燃料累积估算
通过高分辨率NOAA影像检测单株倒木，结合Sentinel-2、SAR、生物量、气象、土壤和LiDAR数据，利用集成方法估算倒木木质燃料累积。结果显示，海伦飓风过后，研究区森林部分积累了约355万公吨倒木木质燃料。
4.3 燃料累积空间分布模式
高燃料累积热点广泛分布于峡谷林和橡树林以及WUI区域。然而，高燃料累积热点在城市和荒地演替林中呈分散分布，在河岸带则较为罕见。这凸显了采取空间针对性碎片管理行动以保护敏感区域的重要性。
4.4 驱动因素分析
飓风风速强度不足以解释森林损害或燃料累积。燃料累积与水文气候驱动因素、森林结构条件和地形条件相关。这表明飓风损害和燃料累积是多因素共同作用的结果，而非单一风速因素。
4.5 模型性能评估
模型在空间交叉验证折间表现一致，凸显了该框架在区域尺度评估飓风诱发燃料动态方面的潜力。模型性能的一致性表明该框架具有可扩展性和可迁移性。
五、讨论与结论
讨论部分强调了该框架在飓风后燃料评估中的创新性和实用性。传统方法多依赖实地测量，受限于可达性和时间尺度。该研究利用公开可用的多源遥感数据，在飓风后一年内实现了快速评估，特别适用于WUI区域和私有林地占主导的地区。研究结果支持将此类方法整合到USEPA和FEMA自然灾害碎片管理指南中，以支持州林业机构、应急管理人员和野火响应团队优先处理高风险区域并优化响应策略。
研究结论表明，研究人员开发的半自动化、可扩展的GeoAI框架能够有效检测倒木、估算生物量损失并绘制倒木木质燃料累积图。燃料累积与水文气候驱动因素、森林结构条件和地形条件相关，而非单纯的飓风风速强度。高燃料累积热点在峡谷林、橡树林和WUI区域广泛分布，而在城市林、荒地演替林中分散，在河岸带罕见。模型在空间交叉验证中表现一致，证明该框架在区域尺度评估飓风诱发燃料动态方面具有潜力，为飓风后野火风险管理和碎片清理优先级确定提供了科学依据。
