干旱指数能够预测法国地中海灌木丛中活燃料含水量（LFMC）的变化：一种多源数据与机器学习相结合的方法

《Agricultural and Forest Meteorology》：Drought indices predict changes in live fuel moisture content (LFMC) across French Mediterranean shrublands: a multisource and machine learning approach

法国地中海地区火灾风险预测中活燃料含水量（LFMC）时空变化特征及XGBoost模型构建，结合干旱代码、土壤湿度和植被指数等多源遥感数据，采用留一法交叉验证优化变量选择，SHAP分析揭示干旱代码和干燥度代码主导LFMC动态，模型在模拟时空变化中R2达0.56-0.58，RMSE 12.21%-14.00%，有效支撑火灾预警系统升级。

　　

刘向卓|尼古拉斯·马丁-圣保罗|朱利安·鲁福|赖庚科|凯文·雷纳尔|罗德里格斯-苏凯特·拉克尔|王焕|拉塞尔·帕森斯|让-吕克·迪皮伊|弗朗索瓦·皮蒙

URFM，INRAE，法国阿维尼翁84000

摘要

法国地中海地区是欧洲最易发生野火的地区之一，预计在气候变化的影响下，火灾活动将进一步加剧。活燃料含水量（LFMC）是影响火灾行为的关键因素，对于火灾危险监测至关重要。然而，该地区高质量LFMC数据的稀缺限制了人们对火灾驱动因素的理解，也影响了火灾危险评估的准确性。为了解决这一问题，我们利用极端梯度提升（XGB）算法开发了一个适用于法国地中海地区的LFMC预测模型，以下简称LFMC-XGB模型。LFMC-XGB模型的输入变量是通过留一法交叉验证从遥感（包括光学和微波数据）和气象相关变量中筛选出来的。结果显示，结合SAFRAN天气再分析数据计算出的干旱代码和杜夫湿度代码、土壤湿度主动被动产品提供的根区土壤湿度以及中分辨率成像光谱辐射计产品提供的非树木比例，能够获得最佳预测效果。与实地测量的LFMC数据相比，LFMC-XGB模型的R2值为0.56，RMSE为13.95%。该模型在模拟站点时间变化（R2 = 0.58，RMSE = 12.21%）和站点平均值（R2 = 0.52，RMSE = 6.77%）方面也表现良好。Shapley加性解释（SHAP）分析表明，干旱代码和杜夫湿度代码是最具影响力的预测因子，且其影响随LFMC的增加而单调递减。利用LFMC-XGB模型，我们生成了2016年至2022年期间250米分辨率的每日LFMC地图。LFMC地图的分析凸显了该模型在加强火灾危险预测和理解法国地中海地区火灾驱动因素方面的潜力。

引言

地中海地区是全球公认的三大野火高发区之一，火灾活动对生态系统、人类和基础设施构成威胁，且随着全球变化的持续，火灾频率和强度预计将增加（Amraoui等人，2013；Cunningham等人，2024；Dupuy等人，2020；Pimont等人，2023；Pimont等人，2022；Ruffault等人，2020）。特别是法国地中海地区，预计易发生火灾的区域将显著扩大，火灾季节将持续延长（Pimont等人，2022）。活燃料含水量（LFMC）是指新鲜叶片中水分质量与干物质质量的比值（Quan等人，2021b），在火灾行为中起着重要作用。当LFMC低于某个临界值时，发生大规模火灾的可能性会增加（Dennison和Moritz，2009；Luo等人，2019；Nolan等人，2016），因此它对于预测火灾规模至关重要。LFMC还影响火灾蔓延速度（Pimont等人，2019），这是评估火灾行为的关键参数。因此，为法国地中海地区开发准确的LFMC产品对于改进火灾预测、预防和管理至关重要。

LFMC的变化主要受两种生理机制控制：（i）植物对干旱的响应，这会影响水分质量；（ii）植被物候变化，导致干生物量的波动（Jolly等人，2014；Jolly和Johnson，2018；Nolan等人，2022）。这两种机制都受到气象条件、土壤特性和植被特征的影响（Ruffault等人，2023；Ruffault等人，2018；Scarff等人，2021）。气象和遥感数据已被广泛用于LFMC的估算。估算方法大致可分为经验模型、辐射传输模型和基于人工智能的方法。经验模型建立了实地LFMC测量值与从气象数据或卫星/航空传感器获得的植被指数之间的线性或非线性关系。尽管这些模型在多个地区（Arganaraz等人，2016；Dennison等人，2003；Peterson等人，2008）表现良好，包括一些地中海国家（Castro等人，2003；Costa-Saura等人，2021；Dimitrakopoulos和Bemmerzouk，2003；Jolly等人，2025；Marino等人，2020；Pellizzaro等人，2007），但它们通常是为特定物种或环境条件相似的地点校准的，这限制了其在更大空间尺度上的通用性和操作实用性（Ruffault等人，2018）。辐射传输模型利用物理原理模拟冠层内的辐射传播和相互作用，将植被的生理和形态学特征（如叶面积、叶片属性）与冠层或叶片的光谱响应联系起来（Houborg等人，2007），从而无需依赖传感器规格和地点条件即可获取LFMC（Yebra等人，2013）。辐射传输模型已在国家层面（Yebra等人，2018）和山墙尺度LFMC制图（Quan等人，2021b）中得到成功应用。然而，辐射传输模型的参数化较为复杂，需要先验知识来约束这一不适定问题（Yebra和Chuvieco，2009）。更重要的是，缺乏专门为灌木丛开发的辐射传输模型，使得这些生态系统的LFMC估算不确定性更大（Lai等人，2022）。随着更多实地LFMC测量数据和解释数据的可用性增加（Yebra等人，2024；Yebra等人，2019），人工智能模型越来越多地被用于LFMC的估算，因为它们能够揭示复杂的非线性关系并整合多种数据源（Miller等人，2022；Rao等人，2020；Zhu等人，2021）。然而，在人工智能模型中，驱动LFMC的变量如何影响模型结果尚未得到充分研究。

尽管之前的研究在不同地区取得了良好成果，但仍存在一些局限性。首先，这些模型通常是在整个植被季节内进行校准和评估的。这种方法可以清晰区分干旱（夏季）和湿润（冬季）条件，但可能掩盖了更为重要的操作挑战：在火灾高峰期，LFMC值通常较低且范围狭窄，关键问题在于区分超过临界阈值的干燥状态。此外，大多数先前的LFMC研究很少探讨时间和空间性能对模型准确性的相对贡献（Costa-Saura等人，2021；Cunill Camprubí等人，2022；Miller等人，2023）。因此，很难判断预测误差主要是由时间上的不一致还是空间上的偏差引起的。最后，需要对模型进行严格评估。在许多情况下，仅使用随机部分数据来进行评估（Benali等人，2025；Tanase等人，2022），这无法全面评估模型在空间映射中的有效性（Meyer等人，2019）。严格的空间交叉验证策略（如留一法，Arcos等人，2024；Costa-Saura等人，2021）使用较少。

在法国地中海地区，由于土壤和植物种类的多样性，LFMC建模和预测尤其具有挑战性（Ruffault等人，2018）。Fan等人（2018）评估了各种遥感微波和光学指数捕捉法国东南部不同灌木丛物种LFMC时间动态的能力，发现光学指数优于微波指数。在该研究中，LFMC数据来自法国的“Reseau Hydrique”数据库（Martin-StPaul等人，2018），该数据库提供了火灾季节（6月至9月）期间法国东南部多个地点的实地LFMC测量数据。此外，Ruffault等人（2018）使用同一数据库中14年（2000–2013年）的LFMC测量数据，评估了各种气象干旱指数预测LFMC的性能。结果表明，合并所有站点数据会降低空间预测能力，这使得该地区的LFMC产品开发变得复杂。目前，尚无专门为法国地中海地区开发的LFMC产品。该地区现有的LFMC地图包括两种基于中分辨率成像光谱辐射计（MODIS）观测的数据产品：一种基于辐射传输模型的全球LFMC产品（Quan等人，2021b），另一种基于随机森林模型的LFMC产品（Cunill Camprubí等人，2022），分别适用于西班牙、法国、意大利和突尼斯。对基于随机森林模型的LFMC产品（Cunill Camprubí等人，2022）的评估显示，其与实地测量数据的吻合度高于全球LFMC产品。然而，其整体性能仍不理想（R2 = 0.37），且在法国地中海地区的表现未知。不幸的是，这两种产品都未得到更新。最近的研究表明，结合遥感和气候变量可以提升西班牙地中海地区（Arcos等人，2024；Costa-Saura等人，2021；Vi?uales等人，2024）和葡萄牙（Benali等人，2025）的LFMC估算效果，但其在法国地中海地区的有效性仍不清楚。

在此背景下，我们假设结合遥感和气象变量的现有数据，利用先进的机器学习预测和验证技术，可以在大范围内预测LFMC。本研究旨在：i）识别影响法国地中海地区LFMC的最重要变量；ii）在火灾高峰期开发准确的LFMC产品；iii）探讨这些重要变量如何驱动LFMC的变化。为此，我们收集了广泛的潜在预测因子，并使用极端梯度提升（XGB）模型和留一法评估策略，选出了开发LFMC映射模型（LFMC-XGB模型）的最重要变量。此外，为了提高LFMC-XGB模型的可解释性，我们应用了基于TreeExplainer的Shapley加性解释（SHAP）方法（Lundberg等人，2020），以量化LFMC变化对输入变量的依赖性。最后，通过与烧毁区域的比较，展示了LFMC产品在法国地中海地区的潜力。

研究区域和实地LFMC

本研究聚焦于位于法国东南部的法国地中海地区（图1）。该地区具有典型的地中海气候，夏季炎热干燥。植被以灌木丛为主，伴有针叶林和常绿硬叶林。灌木丛是细小且高度易燃燃料的主要组成部分，在法国东南部的火灾引发和蔓延中起关键作用（Pimont等人，2019）。因此，该地区极易发生火灾。

变量筛选

表1中列出的所有26个变量的相关性图显示在图S1中。经过变量筛选后，保留了14个变量。图2显示了使用这14个变量拟合的模型预测LFMC时各变量的相对重要性。几乎一半的变量重要性归因于气象相关变量，其中干旱代码（DC）排名第一（29.88% ± 0.84%），其次是杜夫湿度代码（DMC，13.84% ± 0.87%）和smRoot（10.53% ± 0.76%），这些变量共同占据了重要地位

讨论

本研究开发的LFMC-XGB模型用于在夏季条件下绘制法国地中海地区的LFMC地图。该模型与实地测量的LFMC数据吻合良好。此外，LFMC产品显示，LFMC较低的地区与火灾活动较高的区域相符（Pimont等人，2022），而火灾活动强烈的年份（如2017年和2022年）的预测LFMC值较低。对LFMC-XGB模型的评估表明

结论

本研究结合气象和遥感数据以及先进的机器学习方法，为法国地中海地区开发了一种新的LFMC产品。我们发现，在LFMC-XGB模型中结合干旱代码（DC）、杜夫湿度代码（DMC）、smRoot和非树木比例（Notree）能够获得最佳预测效果（R2 = 0.56，RMSE = 14.00%，偏差 = -0.18%）。该模型在预测站点平均LFMC和站点时间变化LFMC方面也表现良好。我们的结果表明，法国地中海地区的LFMC变化

CRediT作者贡献声明

刘向卓：撰写——审稿与编辑，撰写——初稿，方法论，数据分析，概念化。尼古拉斯·马丁-圣保罗：撰写——审稿与编辑，资源整理，方法论分析。朱利安·鲁福：撰写——审稿与编辑，方法论分析。赖庚科：撰写——审稿与编辑，方法论分析。凯文·雷纳尔：撰写——审稿与编辑，数据整理。罗德里格斯-苏凯特·拉克尔：撰写——审稿与编辑，数据整理。王焕：撰写——初稿