基于物理学的深度学习方法，用于通过地球静止卫星估算中国西南地区的剩余燃料含水量

《Remote Sensing of Environment》：Physics-guided deep learning for geostationary satellite-based estimation of dead fuel moisture content in Southwest China

森林表层死燃料含水量（DFMC）的精准估算对火灾预警至关重要。现有过程模型和机器学习模型在局部尺度有效，但存在物理简化导致系统性误差，或缺乏机理深度学习方法的局限性。本研究提出PyLSTM模型，融合Fuel Stick Moisture Model（FSMM）物理机制与LSTM神经网络，整合气象卫星数据及再分析数据，实现区域尺度DFMC动态估算。单点验证显示R2=0.70，RMSE=10.60%；跨区域241站点验证R2=0.71，RMSE=16.96%，优于单独FSMM或LSTM模型。PyLSTM有效捕捉火灾前DFMC下降趋势， burnt区域估算值显著低于周边。该框架为火险评估提供新方法。

　　

范春泉|张一茹|陈睿|张宏国|尹建鹏|李彦曦|何彬彬|权星文

中国电子科技大学资源与环境学院，成都611731

摘要

准确的大规模森林表面枯死燃料含水量（DFMC）估计对于野火风险预警和科学决策至关重要。虽然现有的基于过程和经验的模型利用卫星数据在局部尺度上显示出实用性，但它们存在固有的局限性：基于过程的模型在数值模拟中存在物理简化问题，而经验方法由于学习架构较浅而缺乏机制整合。这种持续的差距需要——但尚未有——能够将物理现实性与深度学习灵活性相结合的集成框架。为了解决这一挑战，我们提出了一种基于物理的深度学习框架，该框架将静止气象卫星数据和再分析数据结合起来，用于区域尺度的森林表面DFMC估计。我们的方法将长短期记忆（LSTM）神经网络特征与基于过程的燃料棒湿度模型（FSMM）得出的物理特征相结合。关键的是，将物理特征“燃料表面相对湿度”（RHsurf）纳入损失函数中，以约束模型权重，从而形成了最终的基于物理的LSTM（PyLSTM）模型。使用来自中国四川成都的3079小时DFMC数据进行的验证表明，PyLSTM在时间性能上表现优异（R2 = 0.70，RMSE = 10.60%）。在西藏、云南、贵州和四川省的241个站点进行的空间验证证实了其空间准确性的稳健性（R2 = 0.71，RMSE = 16.96%），其性能优于单独的FSMM和LSTM模型。PyLSTM成功捕捉到了雅江火灾事件前的DFMC下降趋势，与雅江县周围像素相比，燃烧区域的DFMC估计值显著较低。这些结果证明了PyLSTM在增强野火风险预警和识别高风险区域方面的能力。因此，这项研究为估计小时级区域尺度DFMC动态奠定了基础——这是评估火灾危险性和行为的重要因素。

引言

森林火灾对全球生态安全构成重大威胁（Bowman等人，2009；Huang等人，2025；Luo等人，2017；Yin等人，2024b）。它们强烈的燃烧可以迅速摧毁数百年的森林生态系统，导致严重的生物多样性丧失、土壤和水资源保护受损、碳封存减少以及对人类生命和安全的重大风险（Keeley和Pausas，2019；Rao等人，2020；Yin等人，2024a）。枯死的表面燃料（例如，枯枝、落叶）作为火灾点火和蔓延的主要物质，其含水量（枯死燃料含水量，DFMC）是火灾危险等级和火灾行为模拟的关键决定因素（Fan等人，2023；Hiers等人，2019；López等人，2002；Luo等人，2024）。DFMC定义为枯死燃料的水质量与干质量的比率（Fan等人，2023），直接影响点火概率和燃料消耗（Chen等人，2024b；Wilson Jr，1985）。从机制上讲，高DFMC通过需要大量能量来蒸发水分并降低燃烧速率和热传递效率来抑制点火和蔓延（Aguado等人，2007；Dimitrakopoulos和Papaioannou，2001）。相反，低DFMC显著增加了火灾风险（Bianchi和Defosse，2014；Catchpole等人，2001；Chen等人，2024a；Ellis等人，2022；Flannigan等人，2016；Nolan等人，2016a）。因此，准确监测和预测DFMC对于有效的森林火灾预警和预防至关重要。

传统的基于地面的DFMC监测依赖于采样和烘箱干燥（Jin和Chen，2012a；Matthews，2010），虽然准确，但空间密度低且时效性差，不利于大面积连续监测。虽然气象站数据基于与环境条件的相关性提供时间序列DFMC估计（Fan和He，2021；Lee等人，2020；Sharples等人，2009；Shmuel等人，2022；Slijepcevic等人，2013），但其稀疏的空间分布无法捕捉复杂森林景观中的微气候异质性（例如，树冠效应、地形）（Sullivan和Matthews，2013）。卫星遥感能够实现大规模、高频率的环境参数观测（例如，地表温度（LST）、水汽压差（VPD）），提供了空间连续的气象数据（Nolan等人，2016b），为区域DFMC估计奠定了基础。

DFMC估计模型需要气象输入（例如，空气温度（T_air）、相对湿度（RH）、短波辐射（SR）、长波辐射（LR）、风速（WS）和降水（Preci），这些因素通过内部水分和热量平衡来控制燃料湿度（Fiorucci等人，2008；Matthews，2014；Van Der Kamp等人，2017）。研究发展了两种主要的建模范式。基于过程的模型模拟控制DFMC动态的物理过程（例如，水汽交换、辐射通量、内部水分传输）（Matthews等人，2010）。早期的工作集中在燃料的湿润和干燥阶段，并建立了使用平衡含水量（EMC）表示燃料湿度状态的框架，EMC被建模为T_air和RH的函数（Jin和Chen，2012b；Nelson Jr，1984，Nelson Jr，1983；Simard，1968；Van Wagner和Pickett，1985）。后续的进展结合了更复杂的能量和水分平衡过程，如辐射、降水和蒸发，以模拟燃料的更全面物理状态（Bilgili等人，2019；Matthews，2006；Nelson，2000；Schaap等人，1997；Tanskanen和Ven?l?inen，2008；Ven?l?inen和Heikinheimo，2002）。然而，这些模型仍然面临显著的限制：模拟与现实世界的复杂性之间的差异可能导致系统误差，关键相互作用可能表示不足（Fan和He，2021）。相比之下，基于经验/数据的模型利用统计关系或机器学习算法（例如，随机森林回归（RFR）、支持向量回归（SVR）、极端梯度提升（XGBoost）、LightGBM）将气象变量与观测到的DFMC相关联（Lee等人，2020；Lyell等人，2024；Shmuel等人，2022）。尽管机器学习方法在捕捉非线性关系和处理时间滞后效应方面表现出色，但它们存在关键缺陷：缺乏对物理机制的显式整合，导致外推时的潜在不一致性；它们容易受到数据驱动的过度自信偏差的影响；并且它们的“黑箱”性质限制了解释性和物理洞察力。

尽管这两种范式在局部验证上都取得了成功（Matthews，2014；Resco De Dios等人，2015；Rodrigues等人，2024），但它们的固有局限性明显且互补。尽管基于过程的模型具有物理基础，但在复杂性和实用性方面仍存在困难，而数据驱动的模型在训练数据之外的物理一致性和稳健性不足。这种二分法突显了迫切需要集成框架，将基于过程的模型的机制现实性与先进数据驱动方法的灵活性和模式识别能力相结合，特别是深度学习。然而，将基于过程的建模与深度学习结合用于DFMC估计的混合方法仍然非常罕见。

因此，本研究提出了一种DFMC估计模型，该模型将基于过程的物理原理与深度学习相结合，并结合卫星遥感技术，用于中国西南地区的应用。该模型使用来自中国成都的一个站点的3079小时连续DFMC数据集进行了验证，并在中国西南地区的241个站点（云南、贵州、四川和西藏，简称YGCZ）进行了空间验证。具体目标是：1）开发一种基于物理的深度学习框架用于DFMC估计；2）将此模型与卫星遥感结合，以提高区域尺度准确性；3）研究是否结合遥感土壤湿度（SM）、叶面积指数（LAI）和树冠高度（CH）产品可以提高模型性能。我们的总体目标是通过这种混合方法提高对DFMC动态的理解，从而改进野火危险预警、扑救规划和公众风险意识。

方法概述

为了充分利用基于过程的模型的物理现实性和深度学习的模式识别能力，本研究开发了一个结合了基于过程的燃料棒湿度模型（FSMM）和长短期记忆（LSTM）神经网络的框架（图1），选择FSMM是因为其对燃料湿度动态的精细表示——在Nelson（2000）的基础上，通过将燃料划分为不同的内部和外部层，以便更精确地模拟层内水分

时间性能

图10显示了不同模型在时间序列DFMC估计中的性能。可以看出，基于过程的模型FSMM的误差最为显著，高值被明显低估，低值被高估（R2 = 0.56，RMSE = 13.04%）。尽管LSTM有效缓解了低值的过高估计问题，但在高值处的低估更为严重，模型准确率为R2 = 0.59，RMSE = 12.27%。引入物理

模型性能

集成物理-深度学习算法PyLSTM的表现优于单独的FSMM或LSTM实现。这表明，虽然基于过程的模型模拟了基本的能量-水分相互作用，但它们未能充分表示某些非线性动态，而LSTM的数据挖掘能力有效地弥补了这些不足。值得注意的是，Fan和He（2021）仅将物理模型输出作为LSTM输入，而没有实施特征融合或物理损失约束。针对我们的验证

结论

我们提出了一种基于物理的深度学习方法PyLSTM，该方法结合了来自静止气象卫星数据GK-2 A和ERA5-Land再分析数据的气象变量，实现了中国西南地区的精确小时级DFMC估计。该方法通过两种方式将物理信息完全整合到LSTM模型中：物理特征融合和物理损失约束。使用来自中国四川成都的一个站点的长期时间序列数据进行验证

CRediT作者贡献声明

范春泉：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，资源，方法论，调查，形式分析，数据管理，概念化。张一茹：撰写 – 审稿与编辑，验证，资源，方法论，形式分析，数据管理。陈睿：撰写 – 审稿与编辑，可视化，验证，调查。张宏国：撰写 – 审稿与编辑，可视化，验证，资源，方法论。尹建鹏：撰写

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

中国的国家重点研发计划（合同编号：2023YFE0208000）和西藏自治区科技计划（合同编号：XZ202501ZY0095）支持了这项工作。我们还要感谢西藏气候中心在野外调查中提供的宝贵帮助。作者也感谢Shuai Yang、Gengke Lai、Lin Chen、Tengfei Xiao、Qingqu Luo、Junbo Wang、Zhili He、Yangzong Baima等人完成的详尽野外采样工作。