馮小兵，曾宇懷，吳澤鵬，杭 文，魏書精，湯龍坤，胡海波

(1. 上海對外經(jīng)貿(mào)大學(xué)金融管理學(xué)院 上海 松江區(qū) 201620；2. 上海對外經(jīng)貿(mào)大學(xué)人工智能與變革管理研究院 上海 松江區(qū) 201620；3. 廣東省科學(xué)院廣州地理研究所廣東省遙感與地理信息應(yīng)用重點實驗室 廣州 510070；4. 廣東省林業(yè)科學(xué)研究院 廣州 510520；5. 華僑大學(xué)數(shù)學(xué)科學(xué)學(xué)院 福建 泉州 362021；6. 華東理工大學(xué)商學(xué)院 上海 徐匯區(qū) 200237)

地球表層的森林火災(zāi)是全球生態(tài)系統(tǒng)的調(diào)節(jié)器，它帶來地表碳的突然擴散并借助大氣輸送，達到新的碳元素網(wǎng)絡(luò)平衡。同時它促進熱帶、亞熱帶的碳流向溫帶、寒帶流動與匯聚。但是，大量的森林火災(zāi)燃燒釋放的二氧化碳?xì)怏w聚集在溫、寒帶大氣中，會導(dǎo)致氣溫升高、極地海冰消融和海平面升高。所以，監(jiān)測和消除森林火災(zāi)是當(dāng)今各國、各地區(qū)森林生態(tài)、環(huán)境保護的重要任務(wù)。

從全球火災(zāi)統(tǒng)計數(shù)據(jù)看，森林火災(zāi)主要分布在熱帶、亞熱帶、溫帶森林地區(qū)。火災(zāi)發(fā)生原因與森林可燃物的含水率大小密切相關(guān)。森林可燃物含水率(fuel moisture content, FMC)與 葉 子 含 水 量 不同，定義為森林植被中所包含的水的重量與干物質(zhì)重量的比值。該參數(shù)作為監(jiān)測指標(biāo)，在森林火災(zāi)風(fēng)險管理和火災(zāi)壓力測試中起到重要作用。許多國家已經(jīng)建立了通過遙感、遙測觀察野火的FMC 的預(yù)警系統(tǒng)，如美國農(nóng)業(yè)部林務(wù)局、澳大利亞、加拿大、俄羅斯、中國、巴西等。在我國，遙感監(jiān)測已經(jīng)廣泛地應(yīng)用于國內(nèi)日益增長的森林火災(zāi)預(yù)報與應(yīng)急管理中。

縱觀火災(zāi)學(xué)歷史，早期的林火模型是在強大的物理、化學(xué)動力學(xué)理論基礎(chǔ)上，由眾多學(xué)者先后創(chuàng)立[1-4]。該模型根據(jù)能量守恒原理設(shè)定，以單位體積的可燃物在均勻的燃料床中蔓延推進的火勢為前提條件。FMC 概念通過“預(yù)先點燃熱量”間接地引入該模型，預(yù)先點燃熱量是使得單位重量的燃料點燃時所需的臨界熱量，它是燃料水分(Wm)與烘爐烘干之后的干葉子重量(Wd)的函數(shù)。同樣地，由于葉子水分的阻尼效應(yīng)，F(xiàn)MC 的快速下降表示林火處于傳播蔓延階段，水分的存在使火災(zāi)反應(yīng)速度低于其閾值。

文獻[5-6]曾提出著名的病態(tài)(極端化)反演問題。文獻[7]利用基于生態(tài)規(guī)則的多耦合物理模型(Prospect、GeoSAIL)并采用定量反演方法來解決問題。Prospect 是葉片級輻射傳輸模型，GeoSAIL是冠層幾何光學(xué)模型，它們的參數(shù)選擇受地域影響，變動范圍大，一般適用于衛(wèi)星遙感的中低分辨率、宏觀尺度的森林FMC 監(jiān)測。目前該物理模型尚不適合構(gòu)建魯棒性、實用性較強的縣、區(qū)級以下的森林火災(zāi)監(jiān)測系統(tǒng)。

對FMC 研究的實證文獻主要關(guān)注氣象因素的研究，如降雨量、濕度、氣溫[1]。這種研究思路只考慮影響FMC 的條件變量的一個維度。文獻[2]研究了土壤條件以及地形坡度和方向，增加了變量的維度。不僅考慮了溫度，也考慮了地形地面狀況。最后，研究者們將森林植被和可燃物因素納入知識框架。這些研究遵循了文獻[8]確定的研究路徑和方法，即把所有FMC 影響因素分為3 類：氣象、植被、植被所處的土壤因素。

森林冠層可燃物含水率包含下列2 個研究方向。

1) 植物理化

植被可燃物研究的復(fù)雜性在于植被、可燃物的多樣性，它們包含不同層次的水：葉子、樹冠、樹干和根系[2]?；馂?zāi)的點燃和蔓延由環(huán)境條件決定，如天氣和土壤條件、燃料層的厚度、燃料的直徑和生物化學(xué)成分[9]。通常FMC 會根據(jù)樹木的生存狀態(tài)不同而分類計算，即分為死可燃物含水率(dead FMC, DFMC)或活可燃含水率(live FMC, LFMC)。雖然DFMC 在很大程度上是由生態(tài)環(huán)境決定的，但好在LFMC 具有較好植物穩(wěn)定性，且LFMC 可通過吸收地表層土壤中的水分來適應(yīng)干旱天氣，以應(yīng)對植被的蒸騰作用[10]。故本文研究的對象是LFMC的水分特性。

2) 遙感物理

通過FMC 進行火災(zāi)監(jiān)測的最大困難是它需要實時、不間斷地觀察。一般在FMC 研究中，數(shù)據(jù)通常由研究人員通過不同的地面實驗來收集。依靠遙感數(shù)據(jù)的研究已被廣泛用于評估火災(zāi)損失[11-12]。然而，當(dāng)需要建立一個早期預(yù)警系統(tǒng)及需要進行更好的滅火管理時，對火災(zāi)前階段的研究至關(guān)重要。遙感傳感器通常分為被動式和主動式傳感器[13-15]兩大類型。被動式傳感器測量被測物體反射的來自與儀器不同來源的輻射或物體本身發(fā)射的輻射。本文采用被動遙感為主，主動式遙感為輔的模式。

從1987 年中國東北大興安嶺火災(zāi)開始，衛(wèi)星遙感一直用于火災(zāi)管理研究。文獻[16-18]研究了大安嶺森林植被含水量，其中，可燃物不僅含有水，還含有影響火災(zāi)行為的灰物質(zhì)。文獻[7,19]用耦合輻射傳輸模型反演、統(tǒng)計回歸等方法，分別研究了山西慶元縣的林火災(zāi)后烈度和云南昆明市森林的FMC 值。然而，關(guān)于中國東南地區(qū)亞熱帶丘陵山地的FMC 反演的研究報道較少，這里分布著大量分散的亞熱帶常綠林、針闊混交林。這與東北地區(qū)的大興安地區(qū)落葉林、針葉林景觀的含水率都不同?？紤]東西、南北之間的森林顯著的生態(tài)含水率的異質(zhì)性是本研究的重點。

1 數(shù)據(jù)與實驗區(qū)

1.1 數(shù)據(jù)獲取

從中國廣東省從化區(qū)的野外林地采集數(shù)據(jù)(2021 年5—2021 年7 月)，按照森林類型實際分布均勻采集116 個地面樣點。同時，獲取相對應(yīng)時相的衛(wèi)星遙感數(shù)據(jù)。該數(shù)據(jù)分別來自中國GaoFen-6 號衛(wèi)星(2021 年6 月6 日)和歐盟Sentinel-2A 衛(wèi)星(2021 年3 月19 日、7 月28 日)。鑒于研究地區(qū)所在的GaoFen-6 號6 月份期間云量較大，故同時采用Sentinel-2A 數(shù)據(jù)(6 月19 日云量較小)作為反演過程的主要遙感數(shù)據(jù)。

所有衛(wèi)星下載數(shù)據(jù)都預(yù)先進行了輻射值定標(biāo)及大氣校正。坐標(biāo)系統(tǒng)一配準(zhǔn)到全球WGS-84 坐標(biāo)系(UTM 投影)，方便與GIS 數(shù)據(jù)與歷史衛(wèi)星數(shù)據(jù)來比較配準(zhǔn)。

同時收集該研究地區(qū)的歷史火災(zāi)數(shù)據(jù)、森林二類詳查數(shù)據(jù)、社會網(wǎng)絡(luò)上關(guān)于森林火災(zāi)的輿情數(shù)據(jù)。這3 類數(shù)據(jù)(地面監(jiān)測、衛(wèi)星遙感、社會統(tǒng)計)的指標(biāo)維度較多，為了方便處理，先進行常規(guī)回歸分析，以提取眾多參數(shù)中影響可燃物含水率的關(guān)鍵因子。

為避免傳統(tǒng)的基于回歸的預(yù)測模型可能出現(xiàn)相關(guān)性較弱的問題，上述兩種衛(wèi)星的多光譜數(shù)據(jù)將進一步通過機器學(xué)習(xí)計算來改進。

1.2 從化野外實驗場

本文研究選擇廣東省從化區(qū)作為反演實驗點的原因，是它在估算FMC 和野外采集數(shù)據(jù)及與衛(wèi)星遙感派生數(shù)據(jù)之間的關(guān)系密切，頗具代表性：1) 它位于廣東省的幾何中心，是緊鄰廣州市北部的一個生態(tài)旅游、農(nóng)林生產(chǎn)地區(qū)；其所在的粵港澳大灣區(qū)是全球?qū)Φ赜^測衛(wèi)星重要的必經(jīng)之地和主要數(shù)據(jù)流節(jié)點；2) 從化是廣州市國土面積最大(1975 km2)且森林面積最大的區(qū)，也是近10 年來火災(zāi)案件發(fā)生頻率相對較高的主要地區(qū)之一；3) 它密集分布著豐富的南亞熱帶森林植被類型，屬于熱帶季雨林、中北亞熱帶常綠闊葉林之間的過渡性植被帶，在全球生態(tài)圈中具有承上啟下的連接作用。

1.3 數(shù)據(jù)預(yù)處理過程

圖1 顯示了西南部以桉樹、荔枝樹、針葉林和闊葉林為主，中部以馬尾松、木荷、杉樹、針闊混交林為主，東北部以馬尾松、木荷、闊葉林、杉樹為主；時間從2021 年5 月25 日—2021 年6 月20日，共采集了116 個樣點(紅色圓點)森林冠層的濕葉樣品。

圖1 從化區(qū)的野外采樣點(紅圓點)分布和森林植被分類現(xiàn)狀分布圖

從化區(qū)采樣點的選取規(guī)則是：根據(jù)最新森林現(xiàn)狀詳查數(shù)據(jù)，選取主要森林可燃性大小不同的樹種6～8 類，在GIS 上規(guī)劃生成一條最短路徑，連通每個預(yù)監(jiān)測的樣點斑塊。同時使用監(jiān)督分類法對研究地區(qū)的多源遙感數(shù)據(jù)進行多波段自動分類，完成關(guān)鍵可燃物分布的提取，以便工作人員在地面采樣時，對研究目標(biāo)的導(dǎo)航路徑規(guī)劃與森林可燃物定位。

此外，由于本研究是在夏季多雨季節(jié)采樣，需要在非降雨時間進行多次采樣及平均化操作，以避免云塊、降雨對地面實測數(shù)據(jù)和遙感數(shù)據(jù)的干擾。

從化森林中生長有多種不同的樹木，根據(jù)可燃性大小，野外采集桉樹、馬尾松、木荷、荔枝、杉木、草坡地、闊葉樹種這7 個類型；并選取幾類樣本以反映從草地、灌叢到森林的樹種種類變化。每個樣地為20 m×20 m，采集樣地內(nèi)優(yōu)勢樹種的冠層活葉及地下枯枝落葉(每個樣本300～500 g)。同時記錄樣地的地理位置、氣象參數(shù)、森林參數(shù)等10 種參數(shù)，用于統(tǒng)計訓(xùn)練和反演建模之用。采集時間集中在1 個月內(nèi)，故本數(shù)據(jù)集屬于“截面型”數(shù)據(jù)模型。

2 方 法

2.1 地面樣地數(shù)據(jù)的統(tǒng)計與FMC 計算

地面樣點的FMC 來源于植被冠層中提取的葉片樣本，并測定其鮮重和干重量(電烤箱烘干或自然爆曬干)，葉子新鮮重量來自野外散裝樣品。

FMC 的定義如下：

式中，F(xiàn)w是鮮葉重量；Dw是干葉重量。

FMC 是森林冠層可燃性的一個關(guān)鍵控制變量。本文FMC 的測量首先從實地采樣的工作中測算得到，結(jié)果如圖2 所示。

橫斷面數(shù)據(jù)顯示了森林冠層的FMC 在樣本時期的顯著波動性和非線性。FMC 平均值為1.513 8，水分重量大于自身干葉重量，表明在森林生長旺季期間，森林冠層含水量普遍較高，如圖2 所示。

圖2 FMC 測量結(jié)果

箱型圖是顯示一組數(shù)據(jù)分散情況的統(tǒng)計圖，不受異常值的影響，能夠準(zhǔn)確穩(wěn)定地描繪出數(shù)據(jù)的離散分布情況，同時也利于數(shù)據(jù)清洗。圖2b 中間粗線為數(shù)據(jù)的中位數(shù)，長方形上邊線是上四分位數(shù)，下邊線為下四分位數(shù)，最上面的黑線為上限，最下面的是下限，超出上下限的數(shù)據(jù)稱為異常值。從圖2b 可以看出第3、18、26、32 等數(shù)據(jù)均為異常值，集中在較大值的一側(cè)，說明分布呈現(xiàn)右偏態(tài)，且右尾部較重。

2.2 遙感數(shù)據(jù)初步處理

本文使用NDVI 和NDII 兩種遙感光學(xué)指數(shù)。NDVI 是歸一化差異植被指數(shù)，由單個測量樣地的不同波段反射值計算得出，具體如下：

最初研究使用的是基于Gaden-6 號最新的與地面同步接收的遙感圖像。然而，深層(光學(xué)厚度)云層在衛(wèi)星圖像中相當(dāng)多，因此改用過境的Sentinel-2A 衛(wèi)星數(shù)據(jù)。表1 總結(jié)了NDVI 和NDII的統(tǒng)計描述。

表1 NDVI 和NDII 的統(tǒng)計學(xué)描述

2.3 機器學(xué)習(xí)的FMC 反演預(yù)測方法

常規(guī)回歸方法的缺點是預(yù)先規(guī)定了變量之間的關(guān)系為線性，需要識別和解決一些常見的如多重共線性關(guān)系、內(nèi)生性等問題。根據(jù)統(tǒng)計實驗，從化區(qū)樣點之間的變量的共線性較差，而機器學(xué)習(xí)方法可以克服這些問題，無需預(yù)先指定其函數(shù)公式。

考慮到所有因素之間的非線性，首先使用衛(wèi)星RS 的含水率指標(biāo)(NDVI、NDII 等)以及來自地面采樣點的實測指標(biāo)(如地面溫度ST 和樹冠寬度TD)，本文使用4 種機器學(xué)習(xí)方法。

3 結(jié) 果

3.1 使用機器學(xué)習(xí)方法估算與反演結(jié)果

本文分析了3 種經(jīng)典的機器學(xué)習(xí)算法：常規(guī)線性回歸、梯度提升回歸、Xgboost 的估算與反演，在此基礎(chǔ)上提出綜合投票法。

1) 常規(guī)線性回歸方法

對于采樣點的實驗數(shù)據(jù)，常規(guī)線性回歸適用于3 種類型因素的變量，即：① 氣象變量，包括溫度、濕度等直接氣象變量和116 個采樣點地塊的緯度、經(jīng)度等間接氣象變量；② 土壤變量，如采樣點地塊的面積、地表溫度；③ 植被變量，如樹高、樹冠直徑、葉面積指數(shù)(LAI)、干葉重量、冠層葉子濕重量、樹木的種類，包括兩個主要的RS指標(biāo)NDVI 和NDII。根據(jù)式(4)可知，反演FMC的關(guān)鍵變量是這兩個RS 指標(biāo)，其余都是控制變量：

式中，α 為截距；β、ω 為斜率系數(shù)；kv 為關(guān)鍵變量；cv 為控制變量。估計結(jié)果見表2。

表2 使用常規(guī)線性回歸的估計結(jié)果

在解決了NDVI 和NDII 之間的多重共線性以及FMC 和RS 指標(biāo)之間可能存在的內(nèi)生性問題后，本文采用統(tǒng)計學(xué)中“工具變量分析”法，其中，RS 指標(biāo)中的NDVI 較顯著，表明FMC 有主要相關(guān)對象，系數(shù)為1.274 0。此外，植被變量中，只有1 個指標(biāo)是顯著的，即樹冠直徑，其他幾乎所有的間接和野外直接測量的氣象變量在本研究中都不明顯。

2) 梯度提升回歸算法

梯度提升回歸算法是多種學(xué)習(xí)算法的集成，它結(jié)合了建立在多個基礎(chǔ)估計值基礎(chǔ)上的預(yù)測結(jié)果，從而提高單一估計值的可靠性。該算法的優(yōu)點是：①自適應(yīng)處理缺失數(shù)據(jù)(如亞熱帶雨季導(dǎo)致觀測數(shù)據(jù)的缺失中斷)；②對于噪聲數(shù)據(jù)不敏感(如云塊、霧霾噪聲對衛(wèi)星數(shù)據(jù)的干擾)；③能擬合復(fù)雜的非線性關(guān)系(FMC 與遙感NDVI、NDII、LAI 數(shù)據(jù)之間的非線性關(guān)聯(lián)性)；④預(yù)測精確度較高；⑤防止機器學(xué)習(xí)的過度擬合缺陷。

3) Xgboost 算法

Xgboost 算法能夠減少模型過擬合程度；算法集成多種基礎(chǔ)函數(shù)，具有較高的預(yù)測能力，成為本文FMC 數(shù)據(jù)精準(zhǔn)預(yù)測的較佳選擇；其同時兼有有線性模型和樹模型算法的優(yōu)點，比現(xiàn)有的梯度提升技術(shù)更快速。

4) 綜合投票法

以上3 種算法各有優(yōu)缺點，故采用綜合投票法對3 種算法進行優(yōu)化組合，以求發(fā)揮遙感大數(shù)據(jù)的科學(xué)性、魯棒性和高效實用性。

全部樣點數(shù)據(jù)集按照3:1 的比例劃分為訓(xùn)練集和預(yù)測集樣本。在進行預(yù)測時，分別使用剩余數(shù)據(jù)的三分之一和整個數(shù)據(jù)集，目的在于用兩個不同的數(shù)據(jù)集來比較建模的精度。

綜合投票回歸算法是對上述3 種算法中的每種各自分配其權(quán)重來計算運行。本文研究使用的主要變量是在常規(guī)線性回歸中被確認(rèn)為顯著的變量，再加上其他控制變量。此算法在很大程度上依賴于分配給3 個回歸算法中每一個的權(quán)重，權(quán)重或分?jǐn)?shù)規(guī)定如下：

式中，u為地面實測值與預(yù)測值差值的平方和；v為地面實測值與其平均值差的平方和；Score 為權(quán)重值，該值越大，預(yù)測性能就越好。3 種算法的計算得分分別為0.090 5、0.874 6、0.869 3。

3.2 機器學(xué)習(xí)預(yù)測誤差計算

用均方和誤差來計算4 種方法的預(yù)測誤差。計算如式(6)所示，結(jié)果如表3 所示。可以看出，綜合投票回歸法得出的MSE 在測試樣本中的統(tǒng)計結(jié)果最低，因此該方法將用于未來的FMC 預(yù)測。

表3 不同算法下樣本的MSE 比較

由此可見，測試樣本的綜合投票回歸算法得出了最小的預(yù)測誤差1 274.29；而全樣本均方和誤差遠低于常規(guī)線性回歸的誤差值，且接近其他兩種機器學(xué)習(xí)方法的誤差值。除此之外，綜合投票回歸算法還有計算速度快、變量少而精的特點。因此，綜合投票法成為使用NDVI 和樹冠直徑等變量預(yù)測FMC 的最可靠方法。

4 結(jié) 束 語

除了傳統(tǒng)的線性回歸模型計算FMC 外，本文還考慮了變量之間可能存在的非線性關(guān)系。應(yīng)用了3 種經(jīng)典的機器學(xué)習(xí)算法：常規(guī)線性回歸、Xgboost 以及梯度提升回歸法，在進行預(yù)測時，通過分配權(quán)重整合這3 種方法，提出綜合投票回歸算法。森林植被的遙感參數(shù)NDVI的預(yù)測冠層含水率的能力相對較高，預(yù)測值的收斂性和穩(wěn)定性最好，均方根值(RMSE)誤差為35，基于遙感反演的FMC 的相對預(yù)測精度達到73%左右。該指標(biāo)優(yōu)于國內(nèi)外使用MODIS、Landsat-OLI 等中低分辨率數(shù)據(jù)的FMC 預(yù)測精度。

基于本文研究，廣東省以往的高成本、低效率、人工作業(yè)的森林火災(zāi)風(fēng)險管理實踐可將被遙感監(jiān)測取代。

致謝廣東省林業(yè)科技創(chuàng)新項目(2020KJCX003)、上海市金融學(xué)會重大項目2021“COVID19 的影響”的資助。感謝薛曉飛、朱強強、孫茜、彭宇、賈鴻順、王昱程、別小川、張君豪的研究協(xié)助。