基于衛星多光譜的廣東亞熱帶森林FMC遙感反演

馮小兵，曾宇懷，吳澤鵬，杭 文，魏書精，湯龍坤，胡海波

(1. 上海對外經貿大學金融管理學院 上海 松江區 201620；2. 上海對外經貿大學人工智能與變革管理研究院 上海 松江區 201620；3. 廣東省科學院廣州地理研究所廣東省遙感與地理信息應用重點實驗室 廣州 510070；4. 廣東省林業科學研究院 廣州 510520；5. 華僑大學數學科學學院 福建 泉州 362021；6. 華東理工大學商學院 上海 徐匯區 200237)

地球表層的森林火災是全球生態系統的調節器，它帶來地表碳的突然擴散并借助大氣輸送，達到新的碳元素網絡平衡。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，大量的森林火災燃燒釋放的二氧化碳氣體聚集在溫、寒帶大氣中，會導致氣溫升高、極地海冰消融和海平面升高。所以，監測和消除森林火災是當今各國、各地區森林生態、環境保護的重要任務。

從全球火災統計數據看，森林火災主要分布在熱帶、亞熱帶、溫帶森林地區。火災發生原因與森林可燃物的含水率大小密切相關。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重量的比值。該參數作為監測指標，在森林火災風險管理和火災壓力測試中起到重要作用。許多國家已經建立了通過遙感、遙測觀察野火的FMC 的預警系統，如美國農業部林務局、澳大利亞、加拿大、俄羅斯、中國、巴西等。在我國，遙感監測已經廣泛地應用于國內日益增長的森林火災預報與應急管理中。

縱觀火災學歷史，早期的林火模型是在強大的物理、化學動力學理論基礎上，由眾多學者先后創立[1-4]。該模型根據能量守恒原理設定，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“預先點燃熱量”間接地引入該模型，預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。同樣地，由于葉子水分的阻尼效應，FMC 的快速下降表示林火處于傳播蔓延階段，水分的存在使火災反應速度低于其閾值。

文獻[5-6]曾提出著名的病態(極端化)反演問題。文獻[7]利用基于生態規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是冠層幾何光學模型，它們的參數選擇受地域影響，變動范圍大，一般適用于衛星遙感的中低分辨率、宏觀尺度的森林FMC 監測。目前該物理模型尚不適合構建魯棒性、實用性較強的縣、區級以下的森林火災監測系統。

對FMC 研究的實證文獻主要關注氣象因素的研究，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]。火災的點燃和蔓延由環境條件決定，如天氣和土壤條件、燃料層的厚度、燃料的直徑和生物化學成分[9]。通常FMC 會根據樹木的生存狀態不同而分類計算，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環境決定的，但好在LFMC 具有較好植物穩定性，且LFMC 可通過吸收地表層土壤中的水分來適應干旱天氣，以應對植被的蒸騰作用[10]。故本文研究的對象是LFMC的水分特性。

2) 遙感物理

通過FMC 進行火災監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，數據通常由研究人員通過不同的地面實驗來收集。依靠遙感數據的研究已被廣泛用于評估火災損失[11-12]。然而，當需要建立一個早期預警系統及需要進行更好的滅火管理時，對火災前階段的研究至關重要。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開始，衛星遙感一直用于火災管理研究。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，還含有影響火災行為的灰物質。文獻[7,19]用耦合輻射傳輸模型反演、統計回歸等方法，分別研究了山西慶元縣的林火災后烈度和云南昆明市森林的FMC 值。然而，關于中國東南地區亞熱帶丘陵山地的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。這與東北地區的大興安地區落葉林、針葉林景觀的含水率都不同。考慮東西、南北之間的森林顯著的生態含水率的異質性是本研究的重點。

1 數據與實驗區

1.1 數據獲取

從中國廣東省從化區的野外林地采集數據(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，獲取相對應時相的衛星遙感數據。該數據分別來自中國GaoFen-6 號衛星(2021 年6 月6 日)和歐盟Sentinel-2A 衛星(2021 年3 月19 日、7 月28 日)。鑒于研究地區所在的GaoFen-6 號6 月份期間云量較大，故同時采用Sentinel-2A 數據(6 月19 日云量較小)作為反演過程的主要遙感數據。

所有衛星下載數據都預先進行了輻射值定標及大氣校正。坐標系統一配準到全球WGS-84 坐標系(UTM 投影)，方便與GIS 數據與歷史衛星數據來比較配準。

同時收集該研究地區的歷史火災數據、森林二類詳查數據、社會網絡上關于森林火災的輿情數據。這3 類數據(地面監測、衛星遙感、社會統計)的指標維度較多，為了方便處理，先進行常規回歸分析，以提取眾多參數中影響可燃物含水率的關鍵因子。

為避免傳統的基于回歸的預測模型可能出現相關性較弱的問題，上述兩種衛星的多光譜數據將進一步通過機器學習計算來改進。

1.2 從化野外實驗場

本文研究選擇廣東省從化區作為反演實驗點的原因，是它在估算FMC 和野外采集數據及與衛星遙感派生數據之間的關系密切，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旅游、農林生產地區；其所在的粵港澳大灣區是全球對地觀測衛星重要的必經之地和主要數據流節點；2) 從化是廣州市國土面積最大(1975 km2)且森林面積最大的區，也是近10 年來火災案件發生頻率相對較高的主要地區之一；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，在全球生態圈中具有承上啟下的連接作用。

1.3 數據預處理過程

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 從化區的野外采樣點(紅圓點)分布和森林植被分類現狀分布圖

從化區采樣點的選取規則是：根據最新森林現狀詳查數據，選取主要森林可燃性大小不同的樹種6～8 類，在GIS 上規劃生成一條最短路徑，連通每個預監測的樣點斑塊。同時使用監督分類法對研究地區的多源遙感數據進行多波段自動分類，完成關鍵可燃物分布的提取，以便工作人員在地面采樣時，對研究目標的導航路徑規劃與森林可燃物定位。

此外，由于本研究是在夏季多雨季節采樣，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、降雨對地面實測數據和遙感數據的干擾。

從化森林中生長有多種不同的樹木，根據可燃性大小，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，采集樣地內優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、森林參數等10 種參數，用于統計訓練和反演建模之用。采集時間集中在1 個月內，故本數據集屬于“截面型”數據模型。

2 方 法

2.1 地面樣地數據的統計與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，Fw是鮮葉重量；Dw是干葉重量。

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

橫斷面數據顯示了森林冠層的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 測量結果

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

2.2 遙感數據初步處理

本文使用NDVI 和NDII 兩種遙感光學指數。NDVI 是歸一化差異植被指數，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(光學厚度)云層在衛星圖像中相當多，因此改用過境的Sentinel-2A 衛星數據。表1 總結了NDVI 和NDII的統計描述。

表1 NDVI 和NDII 的統計學描述

2.3 機器學習的FMC 反演預測方法

常規回歸方法的缺點是預先規定了變量之間的關系為線性，需要識別和解決一些常見的如多重共線性關系、內生性等問題。根據統計實驗，從化區樣點之間的變量的共線性較差，而機器學習方法可以克服這些問題，無需預先指定其函數公式。

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

3 結 果

3.1 使用機器學習方法估算與反演結果

本文分析了3 種經典的機器學習算法：常規線性回歸、梯度提升回歸、Xgboost 的估算與反演，在此基礎上提出綜合投票法。

1) 常規線性回歸方法

對于采樣點的實驗數據，常規線性回歸適用于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(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NDVI 和NDII。根據式(4)可知，反演FMC的關鍵變量是這兩個RS 指標，其余都是控制變量：

式中，α 為截距；β、ω 為斜率系數；kv 為關鍵變量；cv 為控制變量。估計結果見表2。

表2 使用常規線性回歸的估計結果

在解決了NDVI 和NDII 之間的多重共線性以及FMC 和RS 指標之間可能存在的內生性問題后，本文采用統計學中“工具變量分析”法，其中，RS 指標中的NDVI 較顯著，表明FMC 有主要相關對象，系數為1.274 0。此外，植被變量中，只有1 個指標是顯著的，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習算法的集成，它結合了建立在多個基礎估計值基礎上的預測結果，從而提高單一估計值的可靠性。該算法的優點是：①自適應處理缺失數據(如亞熱帶雨季導致觀測數據的缺失中斷)；②對于噪聲數據不敏感(如云塊、霧霾噪聲對衛星數據的干擾)；③能擬合復雜的非線性關系(FMC 與遙感NDVI、NDII、LAI 數據之間的非線性關聯性)；④預測精確度較高；⑤防止機器學習的過度擬合缺陷。

3) Xgboost 算法

Xgboost 算法能夠減少模型過擬合程度；算法集成多種基礎函數，具有較高的預測能力，成為本文FMC 數據精準預測的較佳選擇；其同時兼有有線性模型和樹模型算法的優點，比現有的梯度提升技術更快速。

4) 綜合投票法

以上3 種算法各有優缺點，故采用綜合投票法對3 種算法進行優化組合，以求發揮遙感大數據的科學性、魯棒性和高效實用性。

全部樣點數據集按照3:1 的比例劃分為訓練集和預測集樣本。在進行預測時，分別使用剩余數據的三分之一和整個數據集，目的在于用兩個不同的數據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重來計算運行。本文研究使用的主要變量是在常規線性回歸中被確認為顯著的變量，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重，權重或分數規定如下：

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

3.2 機器學習預測誤差計算

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

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測誤差1 274.29；而全樣本均方和誤差遠低于常規線性回歸的誤差值，且接近其他兩種機器學習方法的誤差值。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測FMC 的最可靠方法。

4 結 束 語

除了傳統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系。應用了3 種經典的機器學習算法：常規線性回歸、Xgboost 以及梯度提升回歸法，在進行預測時，通過分配權重整合這3 種方法，提出綜合投票回歸算法。森林植被的遙感參數NDVI的預測冠層含水率的能力相對較高，預測值的收斂性和穩定性最好，均方根值(RMSE)誤差為35，基于遙感反演的FMC 的相對預測精度達到73%左右。該指標優于國內外使用MODIS、Landsat-OLI 等中低分辨率數據的FMC 預測精度。

基于本文研究，廣東省以往的高成本、低效率、人工作業的森林火災風險管理實踐可將被遙感監測取代。

致謝廣東省林業科技創新項目(2020KJCX003)、上海市金融學會重大項目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、張君豪的研究協助。