Driving forces of contemporary wildfire severity in the American Southwest: a remote sensing and machine learning case study in Arizona, USA
Helen Mills Poulos · Sarah Hardy · Jenna Lynne Otaola 等 4 人
用遥感与随机森林分析亚利桑那45场野火，识别火前植被水分等驱动因子。
HLS植被指数、ECOSTRESS蒸散、Daymet气象与地形数据，随机森林建模
火险严重度需综合火前短期天气、地形、燃料与植被水分，单一水分指标不足。
可借鉴其多源遥感融合与短窗口建模思路，研究作物干旱胁迫与灾损风险预警。
该研究聚焦美国西南部野火严重程度的遥感与机器学习建模，属于生态与灾害遥感领域，与三农、农业信息化、智慧农业等主题无直接关联，不建议进入每日精选。
随着气候变化持续加剧美国西南部的大气水分需求，预测野火在何处导致严重植被死亡仍是一项重大挑战。新的热红外与光学协调卫星产品为评估火灾前植被水分和水分胁迫相较于其他变量如何影响火烈度提供了新的机遇。我们利用随机森林对2019年和2020年火季燃烧的45场野火构建了连续相对差分归一化燃烧比（RdNBR）模型，比较了协调陆地卫星—哨兵2号（Harmonized Landsat–Sentinel-2）植被指数、ECOSTRESS（国际空间站生态系统空间热辐射计实验）蒸散发与蒸发胁迫指标、Daymet火前气象变量、LANDFIRE燃料属性以及地形预测因子，并考察了从点火前1周至3个月的五个累积点火前时间窗口。尽管期间出现了极端干旱和异常火险天气条件，研究期内低烈度火仍较为普遍。集成模型的表現优于单一产品类别模型，表明火烈度最好由前期气象、地形、燃料、植被类型和植被水分预测因子的组合来解释。温度、海拔、太阳辐射、水汽压和HLS归一化差异水分指数（NDMI）是最为一致的预测因子。NDMI是最一致的HLS植物水分指标，但仅凭植被水分并不能解释火烈度。冠层覆盖度在疏林和林地中也很重要。使用较短点火前时间窗口数据的模型优于较长火前窗口模型。不同植被类型的模型表现存在差异，其中森林和林地的植被特异性表现最强。这些发现表明，新兴高分辨率卫星产品有助于刻画火前植被状况并改进火险评估，尤其是在与短期前期气象、景观水分和地形数据集成时。