利用遥感和统计模型评估安第斯高寒地区火灾后生态系统的恢复能力

《Environmental Challenges》：Assessment of post-fire ecosystem resilience in Andean moorland using remote sensing and statistical modelling

　　瓦伦蒂娜·拉米雷斯-桑-米格尔 | 伊莎贝尔·阿德里亚娜·丘伊萨卡-埃斯皮诺萨 | 保罗·埃斯坎东-潘查纳 | 迪瓦尔·卡斯特罗-罗达斯 | 雅斯明·卡瓦略·吉马良斯 | 大卫·弗雷雷 | 安德烈斯·维拉斯特吉-蒙托亚
西班牙技术大学（ESPOL）地理信息与遥感实验室
地址：圭亚基尔，Gustavo Galindo校区，Vía Perimetral公路30.5公里处，邮编090902，厄瓜多尔

**摘要**
安第斯高山沼泽地在生态系统功能中发挥着关键作用，包括水调节、碳储存和生物多样性保护。然而，这些生态系统正面临日益严重的野火威胁，尤其是2024年1月发生在El ángel生态保护区（REEA）的野火，这场火灾影响了超过1400公顷的土地，削弱了生态系统的恢复能力。本研究旨在通过Sentinel卫星图像的多时相分析、光谱指数、环境变量以及多变量统计模型来评估厄瓜多尔REEA地区的火灾后再生情况，为优先恢复活动的规划提供科学依据。该研究方法结合了遥感技术、土地利用评估和统计建模（主成分分析和逻辑回归），同时考虑了地形、气候和人为因素的影响。光谱指数显示火灾期间光合活力下降，火灾后的恢复过程存在异质性。土地利用分析表明，森林覆盖率从41%降至20%，草地面积扩大，农作物种植区增加。预测模型的性能较高（准确率93.9%，AUC约0.97），确定了关键预测变量，包括火灾后的归一化燃烧比（NBR）和归一化植被指数（NDVI），以及与农作物种植区和人类居住区的距离。这些发现表明，火灾后的植被恢复受到火灾严重程度和人为压力的显著影响，亟需制定在恢复能力强的地区实施被动恢复措施、在高干扰地区进行主动重新造林的恢复计划。本研究为火灾受影响的沼泽地生态系统的生态规划、决策制定和适应性管理提供了一个可复制的 metodological 框架。

**1. 引言**
森林生态系统承载了大部分陆地生物多样性，约贡献了全球22%的碳封存量（Velazco等人，2024）。此外，这些生态系统还提供诸如土壤保护、水调节和碳储存等重要服务，惠及数百万人（Tovar等人，2022）。特别是安第斯生态系统在供水、农业生产、水力发电和自然灾害缓解方面发挥着关键作用，对当地社区具有重要的文化价值（Cuesta等人，2019；Duque等人，2021；Comer等人，2022）。据估计，全球近一半的人口依赖山区生态系统资源，这凸显了安第斯生态系统在区域和全球层面维持人类福祉中的核心作用（Madrigal-Martínez和Miralles-García，2019）。然而，由于农业扩张等活动导致的土地利用变化，已有近40%的土地表面发生改变，严重破坏了这些生态系统的完整性（Bedoya和Ramírez，2023）。气候变化进一步加剧了这一状况，改变了树种分布，破坏了热带森林的生态稳定性，加速了生物多样性的丧失，降低了生态系统提供服务的能力。具体而言，高山安第斯地区的高温现象更为明显，这对高度依赖栖息地丧失和快速生态变化的高山特有物种构成了直接威胁（jairo Calderón Leyton等人，2025；Alabar等人，2025）。因此，需要从综合考虑当前生态状况和气候变化引起的海拔变化的历史过程的视角来分析安第斯景观的演变。这种方法有助于更深入地了解沼泽地生物多样性的分布和组成，以及更准确地评估全球变暖对这些脆弱且具有重要战略意义的生态系统的影响。
全球约31%的陆地表面被森林覆盖，其中36%的森林经常遭受野火影响，这一趋势令人担忧（Kala，2023）。野火会释放大量二氧化碳，改变森林生态系统的结构和功能，加剧气候变化（Wu等人，2025）。火灾会破坏植被和落叶层，扰乱养分循环，降低土壤质量，并干扰依赖这些资源的生物群落（Bavarsad等人，2023）。此外，野火还会引发严重的环境后果，如空气和水质恶化，直接影响公共卫生和关键生态服务（Lucas等人，2023）。鉴于生物多样性保护的重要性，这些保护区正面临日益严重的威胁。尽管它们在环境政策中具有战略意义，但由于土地利用变化、非法资源开采、入侵物种引入以及气候变化（尤其是野火）等因素，这些保护区的脆弱性不断增加（Schulze等人，2018；Mansuy等人，2019）。2001年至2018年间，保护区失去了近2550万公顷的森林，其中火灾是主要原因之一（Wade等人，2020）。
保护区的野火可能由自然原因引发，也可能由人为活动或故意行为引起（North等人，2015；Arellano-del-Verbo等人，2023）。人类居住区的扩张、不当的用火行为以及对自然资源的压力加剧了这一问题（Oliveira等人，2020；Kolanek等人，2021）。政治不稳定环境下的环境政策疲软也加剧了这一问题（Dinc等人，2021；Ling等人，2023）。证据表明，野火的频率和范围以及保护区内植被覆盖率的损失都在增加（Ling等人，2023；Abatzoglou等人，2025）。因此，了解保护区内火灾后的再生过程对于评估其生态恢复能力和功能至关重要（Naime等人，2020；Koch和Kaplan，2022）。这种理解对于保护生物多样性、减轻气候变化的影响以及制定确保生态系统在未来干扰中可持续性的管理策略至关重要（Wu等人，2025；Dinc等人，2021）。

多项研究关注了高安第斯地区和保护区的火灾后再生情况。在秘鲁的瓦斯卡兰国家公园，一次覆盖233公顷的火灾使研究者能够比较烧毁区域和未烧毁区域的植物和鸟类反应，发现其植被密度、生物量和组成的即时变化，与北安第斯沼泽地的变化类似（Suni等人，2024）。在哥伦比亚，利用Landsat卫星图像分析了Cruz Verde-Sumapaz沼泽地复合体的火灾空间动态，发现人类活动的影响显著，尤其是在靠近道路和坡度较缓的区域，表现出季节性规律。2001年至2013年间，共有超过57,000公顷的土地被烧毁，其中一半发生在Sumapaz国家公园内（Borrelli等人，2015）。在厄瓜多尔，Zomer Maya（2016）利用Espeletia pycnophylla作为生物指示物来估算火灾发生的时间，发现火灾后1.5至5.6年间生物多样性达到峰值。而在巴西南部亚热带草原，火灾暂时增加了物种丰富度和多样性，在火灾后的第一年达到峰值后趋于稳定，表明植物群落已适应了这种破坏模式（Overbeck等人，2005）。这些研究加深了我们对不同生态背景下火灾影响的理解，并提供了管理和保护高山生态系统的重要工具。
遥感和光谱分析为评估火灾严重程度、监测水资源动态和跟踪植被恢复提供了有力手段，对环境管理和受灾地区的恢复工作具有关键支持（Caballero等人，2020；Bao等人，2022）。常用的指标包括归一化植被指数（NDVI，Bao等人，2022；Tucker，1979）、增强植被指数（EVI，Huete等人，2002；Mahdianpari等人，2020）、归一化燃烧比（NBR，García和Caselles，1991；Alcaras等人，2022）以及归一化水指数（NDWI，McFeeters，1996；Ashok等人，2021），这些指标提供了关于生态系统结构、功能和恢复能力的宝贵信息。最新研究引入了火灾后稳定性指数（PFSI），用于量化植被恢复的速度，区分恢复能力强和弱的生态系统（Gibson等人，2022）。Pérez-Cabello等人（2021）回顾了用于评估火灾后植被恢复的遥感技术，强调了光谱指数在监测这些动态中的重要性。Ibarra-Bonilla等人（2024）研究了温带混交林的火灾后动态，重点关注不同地形条件下光谱指数的变化。这些方法共同增强了我们对火灾后生态退化和恢复的空间和时间模式的理解。

拉丁美洲的安第斯高山沼泽地构成了一个连接委内瑞拉安第斯山脉至秘鲁北部的山脉走廊，覆盖面积约为500万公顷（Serrano Giné和Galárraga Sánchez，2015；Galvis和Ungar，2021；Zapata，2021）。在厄瓜多尔，这些生态系统分布于东西部安第斯山脉沿线，占全国国土面积的约7%（1337,119公顷），发挥着提供水、储碳和保护生物多样性的关键作用（Morocho和Chuncho，2019；Levy等人，2023）。位于卡奇省的El ángel生态保护区以其丰富的生物多样性而闻名，特别是其中栖息的frailejones物种对水调节、土壤保护和沼泽地生态平衡至关重要（Serrano Giné和Galárraga Sánchez，2015；Cadena Rosero和Escobar Andrade，2023）。这些沼泽地还是两栖动物、爬行动物和小型哺乳动物的栖息地（MAATE，2023）。然而，REEA正面临野火日益严重的威胁，例如2024年1月的火灾影响了超过1400公顷的土地（Secretaría de Gestión de Riesgos，2024），破坏了生态系统的功能和水资源的长期利用。这一情况凸显了在反复发生野火的情况下加强森林管理策略的紧迫性。为此，有必要深入研究如REEA这样的森林区域的火灾后再生动态，目前相关系统研究仍在进行中。由此产生了以下研究问题：（i）光谱指数显示，火灾前后REEA的植被覆盖情况发生了哪些变化？（ii）如何将遥感多时相分析的结果纳入REEA的生态恢复活动规划中？
本研究的目标是通过Sentinel-2卫星图像的多时相分析、光谱指数和环境变量及多变量统计模型来评估El ángel生态保护区的火灾后再生情况，以确定优先恢复区域。这项工作为生态恢复规划提供了技术支持，为高度受气候变化和人为压力影响的沼泽地生态系统决策提供了科学依据。

**2. 研究区域**
REEA位于厄瓜多尔北部边境的西部安第斯山脉（图1a）（MAATE，áreas Protegidas de la Sierra，2024）。这个安第斯高山沼泽区和高山森林生态系统以其水调节能力为特征，其富含有机碳的土壤能够全年稳定储水和释放水流（Duque等人，2021；Villaroel Herrera等人，2017）。这使得REEA成为重要的水资源供应区域，其影响范围从当地社区扩展到昆多等主要城市（Serrano Giné和Galárraga Sánchez，2015；Espinosa和Rivera，2016）。

**图1. 研究区域位置：**
（a）厄瓜多尔的大致位置；
（b）REEA及其缓冲区的边界；
（c）核心区域及其5公里缓冲区内的县和流域网络详细信息。

图1b显示了保护区与Espejo、Tulcán、Mira和Montúfar县之间的空间关系。该地区海拔在3400至4200米之间，气候寒冷而稳定，平均温度在3.9°C至12.8°C之间（MAATE，2023；Villaroel Herrera等人，2017）。白天气温可超过30°C。年降水量在700至3000毫米之间，主要集中在5月至9月的雨季（Cadena Rosero和Escobar Andrade，2023）。这些条件支持适应沼泽地的特有物种生存，例如frailejones（Espeletia spp.），它们对于水分保持和调节至关重要（Rodríguez-Echeverry和Leiton，2020年）。图1c详细展示了该生态保护区（REA）的核心区域及其5公里缓冲区。选择这一缓冲距离是基于厄瓜多尔保护区的方法学先例，其中采用了5公里和10公里的缓冲距离来捕捉人类活动的压力动态，同时保持生态同质性（Almeida等人，2018年）。这一选择还得到了官方情况报告的支持，报告确认2024年1月的火灾起源于缓冲区内，具体位于Payurco, El Salado地区，随后蔓延到核心区域（风险管理部门，2024年），并且需要涵盖统计模型中整合的所有人为因素和大气变量的空间范围（见第3.3–3.4节）。2024年1月，一场火灾在该缓冲区内爆发，随后蔓延到核心区域，影响了大约1600公顷的土地（风险管理部门，2024年）。这一事件凸显了保护区的脆弱性及其提供的生态系统服务，强调了持续监测的必要性。遥感和光谱分析在这一过程中发挥了关键作用，能够早期发现火灾、评估燃烧严重程度并跟踪火灾后的植被恢复情况，从而支持知情的管理和恢复策略。

3. 材料与方法
该方法分为五个连续阶段：（i）卫星图像的收集和处理；（ii）光谱指数的评估；（iii）整合和处理环境变量以评估火灾影响；（iv）分析和趋势分析；（v）制定受影响区域的恢复行动计划，结合卫星数据、光谱指数、环境变量和统计模型来评估火灾严重程度、植被恢复情况以及人类压力（图2）。在第一阶段，获取了Sentinel-2和Sentinel-5P（TROPOMI）的图像，并进行了预处理，包括按日期筛选图像、应用云层遮蔽以及创建镶嵌图以获得连续的空间覆盖。第二阶段包括评估光谱指数，如NDVI、EVI、NBR及其标准化差异，以及空气质量指标二氧化氮（NO?）和一氧化碳（CO），并使用气象变量来量化火灾严重程度和监测植被恢复情况。第三阶段将卫星数据与土地覆盖分类和邻近度指标结合起来。在1公里尺度上进行了时间序列和栅格分析，以比较火灾前、火灾中和火灾后的情况，捕捉火灾影响和人为压力的空间模式。第四阶段专注于统计趋势分析，使用独热编码和Spearman相关性分析进行数据整合和建模，随后进行逻辑回归和主成分分析（PCA）。模型验证通过接收者操作特征（ROC）曲线、k折交叉验证以及曲线下面积（AUC）阈值0.7或更高来进行，以确保最佳性能。最后，第五阶段利用模型输出根据火灾严重程度和恢复情况对区域进行分类，为恢复策略和生态标准提供依据。

3.1. 卫星图像处理
卫星图像处理有助于减少大气干扰，如云层覆盖和阴影，确保数据的光谱完整性。从这些处理过的图像中，光谱指数可以量化植被变化，为优先考虑生态恢复干预提供关键指标（Coluzzi等人，2018年；Berra等人，2024年）。将感兴趣区域（AOI）的多边形导入Google Earth Engine（GEE）界面，并将其投影到UTM 18北区，使用1984年世界大地测量系统（WGS 84）和通用横轴墨卡托（UTM）坐标系统，以探索平台上的可用卫星图像集。为了评估2024年1月发生在REA的野火的影响，分析了Sentinel-2卫星的图像。该系统结合了2A和2B卫星，具有5天的重访周期和10米的空间分辨率（Pacheco-Pascagaza等人，2022年）。这些图像选自“COPERNICUS/S2 SR HARMONIZED”集合（欧盟/ESA/Copernicus，2025年），该集合确保了时间上的辐射一致性，并包括自2022年以来为协调不同处理基准而实施的调整（Sanchez等人，2020年；Ma等人，2023年）。根据火灾的各个阶段及其潜在影响，定义了三个分析时期，如表1所示。鉴于安第斯地区云层覆盖频率较高，应用了云层遮蔽过程以确保数据的光谱质量。这一步骤是必要的，因为云层及其阴影的存在会影响光谱指数的准确性，从而干扰植被变化的准确检测（Almalki等人，2022年）。为了减轻这种干扰，设置了最大云层覆盖阈值：火灾前<70%，火灾期间和火灾后<50%。应用了Sentinel-2的云层和云层阴影遮蔽函数（MaskClouds for Sentinel-2）（Chuizaca-Espinoza等人，2025年），并使用中值还原器为每个时期生成无云的镶嵌图。这一策略确保了数据在时间上的代表性和可比性，同时考虑了在安第斯地区先前研究中验证的方法学指南（Rodríguez-García等人，2022年；Maxwald等人，2022年）。

3.2. 光谱指数评估
这一阶段利用光谱指数来评估火灾的严重程度和受影响区域的植被恢复情况。使用的指数包括NBR、NDVI、EVI及其标准化差异（dNBR、dNDVI、dEVI）。所有六个指数的公式总结在表2中，并在以下段落中分别以方程（1）-（6）的形式呈现。

3.3. 火灾影响评估的变量处理
3.3.1. 地形变量
分析了感兴趣区域（AOI）内的海拔和坡度数据，以确定烧毁区域的地形特征。使用Copernicus数字高程模型（DEM）GLO-30：全球30米DEM（ee.ImageCollection ("COPERNICUS/DEM/GLO30")的数据生成了专题地形图（Jin和Lee，2022年）。随后，将该模型导出为栅格格式，并用于计算AOI内的坡度值。

3.3.2. 气候变量
使用Sentinel-5P任务的卫星图像分析了与空气质量相关的变量。这些参数的测量使用TROPOMI仪器完成。这种多光谱传感器记录不同波长的反射率，以测量臭氧、甲烷、甲醛、气溶胶、一氧化碳、氮氧化物和二氧化硫的大气浓度，以及云层特性，空间分辨率为1113.2米（Google Earth Engine，2025年）。根据以往火灾研究的方法论，选择了NO?和CO作为分析变量（Yilmaz等人，2023年；Atalay等人，2025年）。数据以栅格格式处理，为研究区域内的每个变量提取了火灾前、火灾期间和火灾后的三幅图像。然后计算表1中指定的日期的平均值，表3详细列出了所选变量的特征。

3.3.3. 土地利用和土地覆盖（LULC）变量
使用三个研究时期的卫星图像镶嵌图，计算了光谱指数：NDVI（Vélez等人，2023年）、修正后的标准化差异水指数（MNDWI）（Xu，2006年）和标准化差异建筑指数（NDBI）（Deliry等人，2021年）。NDVI区分了森林覆盖和农业区域，MNDWI识别了水体，而NDBI则勾勒出了居民点和城市区域。这些指数被添加到每个组分中作为额外的波段，以提高LULC分类模型的准确性（Velastegui-Montoya等人，2024年）。为了对三种情景下的LULC进行分类，定义了一个七类方案。该方案基于三个标准制定：（i）对安第斯高山草原环境具有生态相关性（森林、草本植物和岩石露头区分了该地区的特征性海拔镶嵌结构）；（ii）需要根据管理强度区分人为土地利用类别（生产性农业草地与退化农业草地），这是由于统计模型中使用的农业邻近变量所要求的；（iii）与厄瓜多尔国家LULC分类法（MAATE 2023年）以及先前的遥感分类结果保持一致（Velastegui-Montoya等人，2024年；Koo等人，2024年）。用作训练样本的像素数量和这些类别的准确性在表4中有描述。表4. LULC类别和RF算法参数的描述。类别 描述 每类样本中的像素数量 火灾前 火灾期间 火灾后 森林 初级、次级或自然再生林盖，面积大于0.5公顷。 46,017 20,139 12,894 草本植物 主要由本地草本植物组成的植被，分布在树线以上（海拔3000-3500米）。 17,685 23,723 13,117 水体 天然或人工水面，包括河流、湖泊、水库等。 2033 213 233 18 生产性农业草地 用于食品生产的农作物种植区。 483 190 5150 1 退化农业草地 经过农业生产过程后退化的区域。 640 80 520 31 岩石露头 广泛的地质露头，包括火山沉积物、泥流和沙地。 70 60 23 70 23 16 城市区域 有建筑基础设施、道路网络及相关土地的区域。 32 72 10 21 2 平均消费者准确性 111 平均生产者准确性 0.99 0.99 0.99 LULC分类是通过应用随机森林（RF）监督分类算法获得的，这是一种在GEE平台上广泛用于检测LULC变化的方法（Pande等人，2024年）。在训练过程中，该方法创建多个决策树并结合它们的结果以提高准确性和鲁棒性。对于本研究，模型参数设置为100棵树，并进行了相同次数的迭代。训练时，70%的数据被随机抽取且不重复使用，剩余的30%用于模型验证和评估（Junaid等人，2023年）。最终，这一分类步骤有助于更好地理解该地区的LULC变化，并将其与2024年1月的野火事件联系起来，从而更清楚地了解火灾前的条件和火灾后的植被再生动态（风险管理部门，2024年）。最后，对三个时期的LULC分类进行了降尺度处理，将像素大小从10米增加到1113.2米。由于LULC类别是分类的，每个像素被分配给特定的土地利用类型，因此采用多数规则进行重采样。对于每个较大的像素，将其所在区域内出现频率最高的类别（1113.2米×1113.2米）作为代表类别。3.3.4. 人为因素 居民点邻近性和道路可达性。多项研究表明，由于当地居民或游客的有意或无意活动，野火更可能在居民区附近发生（Kolanek等人，2021年）。同样，森林区和生态保护区内的道路或路径的存在增加了风险，因为它们便利了人员进入（Abdo等人，2022年）。考虑到这些因素，使用ArcGIS Pro中的欧几里得距离函数（Thakare和Tajne，2025年）创建了到居民点和道路的距离地图，数据来自国家地理数据库（军事地理研究所（IGM），比例尺为1:50,000（Instituto Geográfico Militar，2017年）。农业用地邻近性。一些研究表明，土地利用是火灾频率的主要因素（Nuthammachot和Stratoulias，2021年）。长时间的干旱可能导致野火。然而，大多数此类事件是由于人为活动引起的，例如在管理不善的植被环境中积累了燃料，以及为放牧和农业生产而清除植被（Salar等人，2022年）。将农业用地邻近性作为一个可能影响火灾发生的变量，从之前开发的三个LULC分析情景（火灾前、火灾期间和火灾后）中提取了“生产性农业草地”和“退化农业草地”类别。获取农业草地多边形后，使用ArcGIS Pro中的欧几里得距离函数创建了到生产性和退化农业用地的距离地图。3.4. 关系和趋势分析 在这一阶段，使用统计和建模技术探讨了三种情景下（火灾前、火灾期间、火灾后）预测变量（自变量）与烧毁区域自然再生需求（因变量）之间的关系。表5详细列出了本研究中使用的变量：表5. 统计建模中使用的预测变量和因变量。变量类型 变量描述 参考文献 预测变量 自然再生需求（IN） 烧毁区域自然再生所需干预 预测变量 光谱指数 火灾前、火灾期间和火灾后的NBR（NBRbf、NBRdf、NBRaf） 火灾前、火灾期间和火灾后的NDVI（NDVIbf、NDVIdf、NDVIaf） 火灾前、火灾期间和火灾后的EVI（EVIbf、EVIdf、EVIaf） 这些指数可用于分析植被状况、生物量以及火灾引起的变化。（Tran等人，2018年；Tehrany等人，2019年） 地形 海拔（E） 坡度（S） 它们影响当地气候，增加或减少火灾的发生概率，并加快火灾传播。（de Bem等人，2019年；Su等人，2021年） 气候 火灾前、火灾期间和火灾后的二氧化氮（NO2bf、NO2df、NO2af） 火灾前、火灾期间和火灾后的一氧化碳（CObf、COdf、COaf） 这些代表气象条件，是森林火灾发生和传播的关键因素。（Wang等人，2018年；Nhongo等人，2019年） 土地覆盖 植被：森林、草地、水域、活跃农业牧场、退化农业牧场、岩石露头和城市区域。火灾前、火灾期间和火灾后的土地覆盖类型（LCbf、LCdf、LCaf） 与植被相关的土壤组成和分布，对火灾发生有显著影响。（Jin和Lee，2022年；Rodrigues等人，2018年） 人为因素 居民点邻近性（PP） 道路邻近性（RP） 火灾前、火灾期间和火灾后的退化农业用地邻近性（DAPbf、DAPdf、DAPaf） 火灾前、火灾期间和火灾后的活跃农业用地邻近性（AAPbf、AAPdf、AAPaf） 人类影响的指标，是火灾发生或缓解的決定性因素。PP和RP变量的类别为：近（距离≤1000米）、中（距离在1000米到2500米之间）和远（距离>2500米）。（Kim等人，2019年；Kalantar等人，2020年） 在分析中，光谱指数、地形、气候、土地覆盖和人为变量的值从GEE平台汇总到一个平面文件（CSV）中。连续变量（NBRbf、NBRdf、NBRaf、NDVIbf、NDVIdf、NDVIaf、EVIbf、EVIdf、EVIaf、E、S、NO2bf、NO2df、NO2af、CObf、COdf、COaf、DAPbf、DAPdf、DAPaf、AAPbf、AAPdf和AAPaf）被标准化以确保可比性。相比之下，离散变量（PP、RP、LCbf、LCdf和LCaf）通过独热编码进行了编码以提高可解释性（Zhou等人，2021年）。自然再生需求被定义为因变量（IN）。随后，通过计算平均值、标准差和四分位数进行了探索性数据分析，以确定数据分布、识别模式并检查预测变量与因变量之间的关系。这些关系的强度使用非参数Spearman相关系数（r）进行评估，解释范围为：0.2 – 0.39（弱相关），0.4 – 0.59（中等），0.6 – 0.79（强相关），0.8至1（非常强）（Rodríguez-García等人，2022年）。此分析有助于识别变量之间的显著关系及干预的可能性。此外，为了分析火灾后再生的变量维度并检测解释共同模式的相关变量组，进行了PCA（Ermit?o等人，2023年）。接下来，开发了一个逻辑回归模型来评估预测变量对某一区域是否需要干预的影响（Milanovi?等人，2020年）。模型的通用公式为（公式（7）：（7）loglog(P(IN=1)1?P(IN=1))=β0+∑v∈V∑t∈Tvnβv,tXv,t其中V={NBR, NDVI, EVI, NO?, CO, DAP, AAP, PP, RP, E, S, LC}表示所有预测变量，Tv={bf, df, af}表示每个变量v的时间段（火灾前、火灾期间和火灾后），Xv,t是变量v在时间段t的值，βv,t是相应的回归系数。P(IN=1)表示一个区域需要干预的概率，系数表示每个预测变量的影响。该模型使用k折交叉验证技术进行了验证，确保了其预测能力和鲁棒性。性能通过ROC曲线（接收者操作特征曲线）进行评估，该曲线衡量模型区分干预需求与非干预的能力（Zhang等人，2023年）。ROC值的范围为0.5到1，0.5表示随机分配概率，1表示最佳模拟。ROC值为0.7或更高表示模型可靠。统计分析使用RStudio版本R-4.1.2和标准化库（tidyverse、corrplot和FactoMineR）（Balboa等人，2024年）进行。最后，得到的模型生成了研究区域的干预概率。这一预测结果有助于规划重新造林行动，并根据分析结果制定初步计划，以优先分配资源和努力。3.5. 受影响区域的重新造林行动计划 提出的行动计划基于本研究的多变量和空间结果，这些结果确定了影响火灾后再生和该地区恢复性干预的关键因素。整合了以下参数：（i）火灾严重程度（dNBR），（ii）植被再生能力（dNDVI、dEVI），（iii）恢复策略分类，（iv）多变量分析和区域优先级，以及（v）项目设计和多方利益相关者治理。表6概述了制定行动计划的综合方法。表6. 行动计划制定的综合方法。参考文献：（Nájera De Ferrari等人，2024年；Shvetsov等人，2019年；Lopes等人，2024年；Koltsida等人，2024年；Otieno等人，2025年）。方法 程序 火灾前后的卫星图像。植被指数变化的评估。再生模式图。带有人为因素、地形和大气污染物变量的自然再生预测模型。推断环境压力及其对生态系统恢复的影响。恢复策略分类 恢复管理类别：a）推迟密集重新造林（E1），b）辅助早期重新造林（E2），c）自然再生（E3）。根据干预的生态和操作成功概率选择具体策略。多变量分析和区域优先级 生态脆弱性。操作可行性。社会环境的紧迫性。恢复工作的空间分类。项目设计和多方利益相关者治理 按时间阶段的项目实施计划：阶段1（0至1年）：初步评估和保护。阶段2（1至2年）：早期恢复措施（入侵物种控制、屏障清除）和社区增强。阶段3（超过2年）：积极重新造林和生态恢复。4. 结果与讨论 4.1. 光谱阈值和植被类别：覆盖动态和干扰 NDVI、EVI和NBR指数分为更新的主题范围，可用于识别光合作用活力、植被覆盖状态以及火灾造成的干扰严重程度（图3）。下载：下载高分辨率图像（5MB）下载：下载全尺寸图像 图3. 在火灾前（a, d, g）、火灾期间（b, e, h）和火灾后（c, f, i）的NBR（a - c）、NDVI（d - f）和EVI（g - i）的光谱指数图。在火灾前情景中，大多数像素的NDVI和EVI值较高（类别5-6），与健康的森林和草地覆盖相关。NBR主要属于类别6，反映了健康的植被、密集的生物量和最小的干扰。在2024年1月的火灾中，这三个指数都发生了显著变化。大面积区域重新分类为低NDVI和EVI值（类别2-3），而NBR降至类别1和2，对应于高和中等程度的干扰。这种模式证实了光合作用活力的丧失以及火灾核心区域的生物量燃烧。在火灾后情景中，植被反应不均匀。在低严重程度区域，NDVI和EVI值转变为类别4和5，表明草地和先锋物种的早期再生。然而，这些区域的NBR仍属于类别3-4，表明恢复过程不涉及森林结构（树干和树枝），而是草地的再生。相比之下，高严重度区域仍位于NDVI/EVI的1-2类和NBR的1类，这证实了短期内没有自然再生现象。通过结合这三个指标——如图3所示的绝对指标值以及图4所示的周期间差异——可以识别出三种不同的光谱模式：E1（延迟的密集重新造林），与NDVI/EVI的1-2类和NBR的1类相关，这些区域没有观察到恢复，需要大规模的主动干预；E2（辅助的早期重新造林），与NDVI/EVI的3-4类和NBR的2-3类相关，表明有中等程度的干扰并伴有部分恢复，需要初步支持；E3（自然再生），对应于被分类为NDVI/EVI的4-5类和NBR的4-5类的区域，这些区域的植被显示出自然恢复的迹象。表7下载：下载高分辨率图像（3MB）下载：下载全尺寸图像图4. 光谱指数NBR、NDVI和EVI之间的差异。表7. 光谱指数的主题分类。指标类别描述光合作用活力和植被密度NDVI和EVI1类：<0.0 极低或无2类：0.0 - 0.2 非常低3类：0.2 - 0.4 低4类：0.4 - 0.6 中等5类：0.6 - 0.8 高6类：>0.8 非常高火灾严重程度和恢复程度NBR1类：<-0.25 高干扰2类：0.25 a - 0.1 中等干扰3类：0.1 a 0.1 低干扰4类：0.1 - 0.3 初始恢复5类：0.3 - 0.5 持续恢复6类：>0.5 健康植被图3展示了这三种光谱模式在三个时间尺度上的分布。在火灾期间NDVI和EVI值较低（1-2类）且NBR干扰程度高的区域，在火灾后没有自然再生（E1）。 intermediate干扰值的区域保留了部分光合作用活力并显示出部分恢复的迹象（E2），而在整个火灾期间保持中等至高光谱活力的区域表现出活跃的再生动态（E3）。因此，光谱分析不仅能够捕捉植被状况的变化，还为在保护区内部优先实施恢复策略提供了技术基础，如第4.5.4.2节中全面阐述的那样。火灾严重程度的评估使用光谱指数NBR、NDVI和EVI在三种时间尺度上的差异来进行评估：火灾前、火灾期间和火灾后。图4展示了差分指数dNBR、dNDVI和dEVI的结果，这些结果来自两次比较：第一次比较火灾前和火灾期间的情况，第二次比较火灾期间和火灾后的情况。图4a和4b显示了NBR指数的差分值，这些差分值有助于评估火灾的严重程度和火灾后的植被恢复能力（Koltsida等人，2024年）。这些指标在火灾后的遥感应用中得到了广泛使用，因为它们的光谱响应与植被状况和含水量的变化密切相关，能够检测到由火灾引起的变化以及随后的恢复轨迹（Pérez-Cabello等人，2021年；Otieno等人，2025年；Baur等人，2024年；Liu等人，2025年）。为了进行严重程度分类，采用了美国地质调查局（USGS）推荐的阈值方案。根据这一方案，表8总结了dNBR的范围及其对应的火灾严重程度和植被恢复类别，这些阈值基于联合国（联合国，标准化燃烧比率（NBR）2025年）的阈值，确保与国际公认的火灾后评估框架保持一致。表8. 火灾严重程度和植被恢复的分类。火灾严重程度和植被恢复水平dNBR 1（火灾前 - 火灾期间）dNBR 2（火灾期间 - 火灾后）火灾后植被生长高（-1.07, -0.25）（-1.29, -0.25）火灾后植被生长低（-0.25, -0.10）（-0.25, -0.10）未烧毁（-0.10, 0.10）（-0.10, 0.10）低严重度烧毁区域（0.10, 0.27）（0.10, 0.27）中等/低严重度烧毁区域（0.27, 0.44）（0.27, 0.44）中等/高严重度烧毁区域（0.44, 0.66）（0.44, 0.66）高严重度烧毁区域（0.66, 1.40）（0.66, 1.24）图5展示了根据dNBR分类得到的燃烧严重程度和火灾后植被恢复面积（公顷）。在第一个时期（火灾前 - 火灾期间），“未烧毁”类别占AOI的80.85%（约50,000公顷），其次是“低严重度烧毁区域”占7.05%和“火灾后植被生长低”占3777公顷（6.16%）。然而，代表从“低”到“高”严重程度级别的类别总计约7000公顷（11.43%），而衡量火灾后植被恢复的类别“火灾后植被生长低”和“火灾后植被生长高”总计4734公顷（7.72%）。下载：下载高分辨率图像（280KB）下载：下载全尺寸图像图5. dNBR1和dNBR2的燃烧严重程度和植被恢复分类（公顷）。在第二个时期（火灾期间 - 火灾后），“未烧毁”类别的比例仍然最高，尽管由于超过1000公顷的土地丧失，其比例从80.85%下降到79.07%。在此情景中，第二常见的类别是“火灾后植被生长低”，占5633公顷（9.19%），其次是“低严重度烧毁区域”，占4275公顷（6.97%）。与第一个时期不同，火灾后植被恢复类别的范围扩大到7132公顷（11.64%），而火灾严重程度类别减少到5695公顷（9.28%）。比较两个分析时期，“中等/高严重度烧毁区域”的面积减少最为显著，从1009公顷减少到380公顷。“中等/低严重度烧毁区域”的面积也减少了一半，从1247公顷减少到689公顷。相比之下，“火灾后植被生长低”类别的增加最为显著，从3777公顷增加到5633公顷，其次是“火灾后植被生长高”，从958公顷增加到1499公顷。这些变化反映了高严重度烧毁区域的减少和植被恢复区域的增加，这可以归因于Carchi省实施的环境管理活动。在REEA，观察到诸如romerillo、achupalla、cortadera和zarcillejo等灌木的绿化，以及condors、白尾鹿、熊、安第斯狼和frailejones等物种的重新出现。火灾严重程度指的是火灾强度对受影响地区生态系统功能和结构的影响程度，这取决于植被覆盖的强度和类型。dNBR指数更准确地识别了火灾后的植被恢复区域。相比之下，其他指数（如dNDVI和dEVI）对中等或低严重程度的火灾和部分树冠变化更为敏感。因此，结合这三个指数可以更全面地评估火灾对不同类型植被和火灾强度的影响。图4c和4d显示了NDVI的差分值，dNDVI用于通过捕捉火灾干扰后的植被绿色度和光合作用变化来补充火灾严重程度的评估（Zahabnazouri等人，2025年）。分类阈值是根据先前研究（Key, 2006年；Gallagher等人，2020年；Giddey等人，2022年）确立的标准制定的，从而确保了与广泛采用的火灾严重程度和火灾后植被响应评估框架的方法一致。因此，表9展示了dNDVI的范围及其对应的火灾严重程度级别，这些阈值基于Gündüz等人（Gündüz等人，2025年）的阈值，为解释不同火灾阶段的植被损伤和恢复动态提供了标准化框架。表9. 火灾严重程度级别的分类。火灾严重程度级别（火灾前 - 火灾期间）（火灾期间 - 火灾后）dNDVI 1dEVI 1dNDVI 2dEVI 2未烧毁（-0.97, -0.07）（-4.66, -0.07）（-1.00, -0.07）（-11.99, -0.07）植被轻微受损（-0.07, 0.13）（-0.07, 0.13）（-0.07, 0.13）（-0.07, 0.13）植被轻度受损（0.13, 0.20）（0.13, 0.20）（0.13, 0.20）（0.13, 0.20）植被中度受损（0.20, 0.33）（0.20, 0.33）（0.20, 0.33）植被严重受损（0.33, 0.44）（0.33, 0.44）（0.33, 0.44）植被严重受损（0.44, 1.19）（0.44, 11.88）（0.44, 0.90）（0.44, 4.66）图6展示了dNDVI提供的AOI内燃烧严重程度分类的面积（公顷）。在第一个时期（火灾前至火灾期间），“植被轻微受损”类别占AOI的63.47%（约38,900公顷）。其次是“未烧毁”，占19,175公顷（31.29%）。相比之下，影响最大的类别“植被严重受损”和“植被非常严重受损”仅占561公顷（<1%），这些区域既位于REEA内部也位于外部，标志着火灾中受毁坏最严重的区域。下载：下载高分辨率图像（247KB）下载：下载全尺寸图像图6. dNDVI1和dNDVI2的燃烧严重程度分类（公顷）。在第二个时期（火灾期间 - 火灾后），“植被轻微受损”类别仍然是最主要的类别，但其比例从80.85%下降到78.07%，因为失去了超过1000公顷的土地。在这一情景中，第二常见的类别是“火灾后植被生长低”，占5633公顷（9.19%），其次是“低严重度烧毁区域”，占4275公顷（6.97%）。与第一个时期不同，火灾后植被恢复类别的范围扩大到7132公顷（11.64%），而火灾严重程度类别减少到5695公顷（9.28%）。比较两个分析时期，“中等/高严重度烧毁区域”的面积减少最为显著，从1009公顷减少到380公顷。“中等/低严重度烧毁区域”的面积减少了一半，从1247公顷减少到689公顷。相比之下，“火灾后植被生长低”类别的增加最为显著，从3777公顷增加到5633公顷，其次是“火灾后植被生长高”，从958公顷增加到1499公顷。这些变化反映了高严重度烧毁区域的减少和植被恢复区域的增加，这可以归因于Carchi省实施的环境管理工作。在REEA，观察到诸如romerillo、achupalla、cortadera和zarcillejo等灌木的绿化，以及condors、白尾鹿、熊、安第斯狼和frailejones等物种的重新出现。火灾严重程度指的是火灾强度对受影响地区生态系统功能和结构的影响程度，这取决于植被覆盖的强度和类型。dNBR指数更准确地识别了火灾后的植被恢复区域。相比之下，其他指数（如dNDVI和dEVI）对中等或低严重程度的火灾和部分树冠变化更为敏感。因此，结合这三个指数可以更全面地评估火灾对不同类型植被和火灾强度的影响。图4c和4d显示了NDVI的差分值，dNDVI用于通过捕捉火灾干扰后的植被绿色度和光合作用变化来补充火灾严重程度的评估（Zahabnazouri等人，2025年）。分类阈值是根据以前研究（Key, 2006年；Gallagher等人，2020年；Giddey等人，2022年）确立的标准制定的，从而确保了与广泛采用的火灾严重程度和火灾后植被响应评估框架的方法一致性。因此，表9展示了dNDVI的范围及其对应的火灾严重程度级别。图7展示了根据这一分类的AOI内的表面分布。在第一个时期（火灾前 - 火灾期间），“植被轻微受损”类别最为普遍，占AOI的77%（47,186公顷）。“未烧毁”类别排在第二位，占10,326公顷（16.85%），而“植被严重受损”和“植被非常严重受损”类别仅占401公顷（0.65%）。在空间上，“植被轻微受损”和“植被中度受损”类别主要分布在火灾发生的地方，而更高严重程度的类别则出现在由于农业用途而被砍伐的地区。下载：下载高分辨率图像（245KB）下载：下载全尺寸图像图7. dEVI1和dEVI2的燃烧严重程度分类（公顷）。在第二个时期（火灾期间 - 火灾后），“植被轻微受损”类别仍然是最主要的类别，但其比例从77%略微下降到76.80%，因为失去了113公顷的土地。“未烧毁”类别也减少，从10,326公顷减少到9441公顷。相比之下，与植被损伤相关的类别有所增加：“植被轻微受损”从1993公顷增加到2504公顷，“植被中度受损”从1379公顷增加到1496公顷，“植被严重受损”从288公顷增加到435公顷，“植被非常严重受损”从113公顷增加到347公顷。最后，将第一个时期的dNBR、dNDVI和dEVI指数的分类阈值结合起来，划定了REEA内受影响的植被多边形区域，面积为1554公顷。这个多边形考虑了dNBR的燃烧严重程度类别（低严重度烧毁区域、中等/低严重度烧毁区域、中等/高严重度烧毁区域和高严重度烧毁区域），并结合了dNDVI和dEVI定义的损伤类别（植被轻微受损、植被轻度受损、植被中度受损和植被严重受损）。这一结果与（Secretaría de Gestión de Riesgos 2024年）报告的约1600公顷的烧毁植被覆盖面积估计相符。在这一背景下，科学文献支持这些光谱指数在描述火灾严重程度方面的独特效用。例如，先驱性研究（如Miller和Thode，2007年）已经证明dNBR与基于现场的严重程度指标高度相关，特别是在森林生态系统中，使其成为评估火灾后结构变化的最可靠指标之一。此外，Fernández-García等人（Fernández-García等人，2018年）的研究表明，基于绿色度的指数（如NDVI和EVI）对残余植被覆盖的变化和早期恢复过程特别敏感，这与本研究的结果一致。此外，在热带和地中海地区进行的研究报告称，整合多个指数可以提高对火灾严重程度空间异质性的捕捉能力，尤其是在树冠结构和植被类型变化较大的景观中（Liu等人，2025年；Rother等人，2022年）。在这方面，所呈现的结果与文献中报告的趋势一致，进一步证实了用于评估火灾严重程度的多光谱方法的有效性。4.3. 与火灾相关的植被覆盖变化在火灾前、火灾中和火灾后对每个监督分类类别进行了像素计数，以评估植被覆盖的变化（表10）。结果显示，森林类别从火灾前的40.9%减少到火灾期间的25.6%，减少了15.3%。在火灾后，森林覆盖进一步减少到20.4%，成为受影响最严重的类别。这一趋势强调了火灾对森林结构的重大影响，这与研究结果一致，即由于生物量的损失、幼苗的死亡和土壤退化，这些影响会持续多年（Shen等人，2025年；Andrus等人，2022年）。表10. 植被覆盖动态。类别火灾前 [%]火灾期间 [%]火灾后 [%]森林40.925.620.4草地39.654.457.0水体0.40.50.2生产性农业草地8.515.119.2退化农业草地8.83.62.0岩石露头1.20.81.1城区0.50.10.2生产性农业草地也从火灾前的8.5%显著扩展到火灾后的19.2%，反映了人类活动对景观变化的影响。在厄瓜多尔的背景下，农业被认为是导致森林砍伐的主要原因，有75%的森林可能被转化为农业生产区（Koo等人，2024年；Viteri-Salazar和Toledo，2020年）。除非实施结合恢复和保护的可持续土地利用政策，否则这种模式会加剧生态脆弱性。从农业的角度来看，火灾会导致有机物质和营养物质（如氮、磷和钾）的损失，以及土壤压实。然而，有文献表明，在4到6年内，这些参数往往会恢复，甚至超过未受火灾影响区域的水平，反映了生态系统的自然恢复能力（Carrión-Paladines等人，2022年）。这些发现强调了需要采取早期行动，如土壤恢复，以加速恢复。在管理方面，明显需要加强以火灾预防和受影响生态系统恢复为重点的公共政策。卫星监测、可持续土地规划和社区参与的结合已被证明是提高景观恢复力的有效策略（Pérez-Cabello等人，2021年；Souza-Alonso等人，2022年）。此外，为分析期间开发的土地利用和土地覆盖变化地图（图8）进一步证实了这些发现，显示森林和草地类别之间的显著变化。尽管光谱指数表明大部分地区被归类为未受火灾影响或仅有轻微损坏（约89%），但覆盖分析揭示了显著的结构影响：森林失去了超过一半的表面积（从41%减少到20%）。这种差异表明光谱指数主要反映了绿色生物量的即时严重程度。同时，LULC分析突出了随后的土地利用变化，包括农业扩张和草地扩展。总之，火灾不仅产生了短期影响，还引发了影响该地区生态恢复力的覆盖变化动态。

4.4. 关系和趋势分析 4.4.1. 应用于火灾后恢复的多变量相关性分析相关性分析显示，火灾后的恢复与事件后的光谱指数之间存在强相关性，尤其是NBRaf、NDVIaf和EVIaf（r > 0.8），表明它们作为恢复指标的一致性（见图9）。相比之下，它们在火灾前的值（NDVIbf、EVIbf、NBRbf）与火灾后的值相关性较弱，表明高火灾前植被覆盖并不能保证成功的恢复。人为和大气因素被证明是决定性的：火灾期间的NO?（NO2df）显示出强烈的负相关性（与NBRaf的r < -0.7，与NDVIaf和EVIaf的r < -0.6），表明其对恢复有直接的抑制作用，而CO的影响相对较小。地形变量，如海拔（E）和坡度（S），表现出弱相关性。然而，S与NBRaf显示出轻微的正相关性，这可能与难以到达地区的较低人为压力有关。最后，靠近人口中心（PP）、道路（RP）以及活跃（AAPaf）或退化的农业用地（DAPaf）与火灾后指数（NDVIaf和NBRaf）呈负相关，表明人类压力限制了自然恢复的能力，并增加了恢复干预策略的需求。

4.4.2. 通过PCAPCA识别火灾后恢复模式 PCAPCA识别了植被光谱指数与火灾后动态之间的关联模式，以及补充的大气变量。图10显示，第一个主成分（Dim1）解释了41.9%的方差，主要由植被指数（NDVI、EVI和NBR）主导，它们显示出强烈的正相关性，并成为恢复动态的主要描述符。第二个成分（Dim2）解释了12.8%的方差，与大气成分相关，特别是在不同情况下的NO?，揭示了它通过提供一个与火灾引起的环境扰动相关的独立维度，对恢复产生了不同的影响。

为了支持对PCA结构的解释并提高多变量结果的可透明度，补充表S1提供了所有主成分的解释方差。前两个成分占总方差的54.64%，表明主要生态梯度在用于解释的因子平面上得到了很好的表示。后续成分对总方差的贡献逐渐减少，确认前两个维度主要捕捉了火灾后恢复的主导模式。这项分析还发现，植被指数沿着Dim1的正轴强烈聚集和对齐，表明这些指标在捕捉火灾后植被恢复方面具有高度冗余性和一致性。它们近乎平行的方向表明它们对生物质恢复过程有类似的响应，增强了它们作为生态系统恢复力关键预测因子的稳健性。相比之下，大气变量如NO?在Dim2上表现出明显的分离，表明它们与植被恢复的关系是脱节的，强调了它们作为外部压力源的作用。农业靠近变量（AAPaf、AAPbf、AAPdf）相对于植被指数在Dim1上的相反位置表明了与人为压力相关的负面恢复梯度。这种空间配置意味着靠近农业前沿的地区恢复有限，可能是由于持续的干扰。退化土地变量（DAPaf、DAPbf和DAPdf）的相对较短向量表明其对总方差的贡献较小，表明尽管退化很重要，但与植被恢复和人类压力相比，它不是主要驱动因素。此外，大多数变量集中在相关圆内，且外部没有强烈分散，证实了PCA表示的适当性和所识别关系的稳定性。这种方法加强了这样的解释：安第斯高地火灾后的生态系统恢复力主要沿着植被恢复与人为干扰的梯度结构化，大气因素作为次要但独立的控制因素。PCA结果描述了变量之间的统计关联和共变模式，而不是因果关系。因此，应将这些植被恢复和人为干扰的识别梯度解释为潜在相互作用的指示，而不是因果关系的直接证据。

火灾前、火灾中和火灾后植被覆盖结构的变化对火灾前（LCbf）、火灾中（LCdf）和火灾后（LCaf）的植被覆盖分析显示，土地类别的空间分布发生了显著的结构变化。火灾前（图11a），PCA沿Dim1清晰地分离了土地覆盖类型，代表了植被结构和密度的梯度。森林（LCbf_1）和生产性农业牧场（LCbf_4）主要位于Dim1的正侧，表明生物量和结构连续性较高。相比之下，草本土地（LCbf_2）更为分散，向负值延伸，反映了更大的异质性和潜在的人为影响。聚类模式表明，在干扰之前，植被结构相对有序，具有可区分的生态单元。火灾期间（图11b），聚类结构变得更加分散，表明现有植被模式的破坏。草本土地（LCdf_2）在两个维度上的分散增加，反映了火灾影响的异质性和部分生物量的损失。同时，岩石露头和退化表面（LCdf_4）在因子空间的不同区域的出现和聚类突出了植被覆盖大幅减少的严重干扰区域。这种聚类的重新分布反映了火灾引起的植被结构的破碎化和简化。火灾后（图11c），PCA显示了土地覆盖类别的部分重新组织，与火灾阶段相比，聚类模式更加紧凑。森林残余（LCaf_0）倾向于集中在因子空间的特定区域，表明局部恢复过程。然而，草本土地（LCaf_1）和退化的农业牧场（LCaf_4）在Dim1上占据更广泛的区域，表明次生植被的扩展和土地使用动态的变化。分离聚集的持续存在反映了景观仍然在结构上发生了变化，恢复轨迹受到干扰强度和人为压力的强烈影响。

根据与居民点（Fig. 12a）和道路（Fig. 12b）的接近程度分布的采样单元显示，沿着Dim1有一个清晰的趋势梯度，与人为压力相关。“靠近”和“中等”类别主要聚集在Dim1的负值侧，与较低的植被恢复和较高的干扰水平相关。相比之下，“远”地区更频繁地位于Dim1的正侧，对应于较高的火灾后光谱值和更好的恢复条件。群集之间的重叠表明了人类活动程度中等的过渡区域影响了恢复过程。类似的模式也观察到了与道路的接近程度（Fig. 12b），其中“靠近”和“中等”类别显示出更大的分散和重叠，表明与可达性相关的异质干扰机制。然而，“远”区域在图12b中的更广泛重叠表明，道路与定居点相比对恢复过程的影响更为分散，影响了更广泛的条件。

使用从遥感得到的光谱指数建模火灾后恢复的需求逻辑回归模型识别了显著影响火灾影响区域是否需要干预进行自然恢复的光谱和环境变量。一些变量由于高多重共线性（例如CObf和EVIbf）和低显著性（例如NDVIbf、NO2bf和DAPbf）而被排除在模型之外。火灾后的NBR（NBRaf）显示出高度显著的负相关（β = -23.97，p < 0.001），表明较低的值对应于更严重的火灾，增加了干预的可能性（见表11）。相比之下，火灾前的NBR（NBRbf）显示出正面效应（β = 21.01，p < 0.001），表明初始覆盖较高的区域在之后可能需要更多的关注，可能是由于遭受的生态损失较大。此外，火灾期间的NBR和NDVI（NBRdf和NDVIdf）显示出中等效应，反映了火灾的直接影响和残余植被的持续性。表11. 基于Wald统计量评估解释变量的重要性。变量估计值标准误差Wald显著性NBRaf -2.397e+0.14.428e+0.0-5.41???NBRbf 2.101e+0.14.241e+0.04.95???NBRdf -9.025e+0.05.023e+0.0-1.80*EVIaf -7.089e+0.03.632e+0.0-1.95*NDVIdf 1.493e+0.18.461e+0.01.77*LCbf 2.614e+0.01.467e+0.01.78*LCdf -3.905e+0.02.173e+0.0-1.80*NDVIbf、NDVIaf、EVIaf、EVIdf、E、S、NO2bf、NO2df、NO2af、CObf、COdf、COaf、DAPbf、DAPdf、DAPaf、AAPbf、AAPdf和AAPaf PP、RP、LCafls在p < 0.001时显著，在p < 0.05时显著，ls低显著。火灾后的EVI（EVIaf）与干预需求呈负相关（β = -7.09，p < 0.05），表明较低的火灾后绿色度值反映了较弱的光合作用恢复，因此对应于需要更高干预的概率。关于土地覆盖情况，火灾前的状态（LCbf，β = 2.61，p < 0.05）和火灾期间的状态（LCdf，β = -3.91，p < 0.05）都与干预的概率显著相关。LCbf表明植被覆盖密集的区域更可能需要恢复，而LCdf则表明植被覆盖的丧失与更高的干预紧迫性有关。其他变量，如地形特征、大气污染物和人为压力，在模型中与因变量的关联在统计上不显著（p > 0.05），这表明它们对立即干预的需求影响较小。尽管逻辑回归模型识别出预测变量与恢复需求概率之间的显著关系，但这些结果不应被解释为因果关系。估计的系数反映了观察数据集中的关联，并可能受到未测量变量或未明确包含在模型中的潜在生态过程的影响。

模型验证：使用10折交叉验证对二项逻辑回归模型进行了验证，该模型在预测火灾后恢复需求方面表现出极高的可靠性。该模型训练使用了475个样本和28个预测变量，平均准确率为93.91%，表明在判断恢复需求类别方面有很高的正确率。Kappa系数为0.6608，表明模型的预测与观察数据之间有很好的一致性。ROC曲线进一步证实了其区分能力，AUC值为0.9663，表明该模型能够很好地区分需要干预的区域和不需要干预的区域（图13）。该研究的ROC曲线表明，模型在广泛的阈值范围内具有较高的真阳性率（敏感性），同时假阳性率较低，这一点从曲线明显偏离对角参考线可以看出。曲线的陡峭初始上升部分表明，该模型在正确识别需要恢复的区域方面特别有效，且误分类最少。

下载：下载高分辨率图像（132KB）
下载：下载全尺寸图像

图13. 逻辑回归模型的ROC曲线。AUC值将模型归类为优秀区分类别，证明了其在区分受干扰区域和恢复区域方面的稳健性。这种高区分能力反映了光谱指数（如NBR和NDVI）以及人为变量的强大预测作用，这些因素共同捕捉了生态恢复和干扰梯度。此外，ROC曲线的形状表明该模型在敏感性和特异性之间取得了良好的平衡，这意味着该模型可以在需要优先考虑恢复区域的决策情境中可靠地应用，同时尽量减少遗漏和误判。这种方法在安第斯高山草原生态系统中尤为重要，因为误判可能导致恢复资源的分配效率低下。

统计结果揭示了与先前关于火灾后生态系统动态的研究一致的多变量模式。火灾后光谱指数（NDVI、EVI和NBR；r > 0.8）之间的显著相关性证实了它们作为植被恢复指标的稳健性。这些发现支持了先前的研究，这些研究表明这些指数对生物量动态和冠层结构有着互补的敏感性，尤其是NBR在检测与干扰相关变化方面的有效性（Parks等人，2018；Zhou等人，2023）。此外，本研究的PCA结果显示这些指数在第一个主成分中占据主导地位（Dim1 = 41.9%）。这种方法展示了生物量恢复的明显梯度，而它们的聚类反映了由于对植被属性的共同敏感性而产生的多重共线性（Zheng等人，2024）。

此外，与大气干扰（特别是NO?）相关的第二个独立梯度（Dim2 = 12.8%）的识别扩展了分析范围，超出了传统光谱方法的范围。NO?与火灾后指数之间的负相关表明其对植被恢复可能有抑制作用，这与证据一致，即NO?暴露会影响关键生理过程，包括光合作用、叶绿素含量和氧化应激（Sheng和Zhu，2019）。这种方法强调了结合大气变量以更好地理解受生物质燃烧和人为排放影响的环境中的干扰后动态的重要性。

人为压力也被发现是一个关键驱动因素，因为靠近居住区和道路的区域恢复水平较低。这种模式与研究结果一致，即基础设施驱动的破碎化会改变干扰机制和生态系统恢复力（Bowring等人，2024）。此外，空间模式表明道路可能通过景观破碎化产生更广泛的间接影响，这已被证明会降低火灾后的恢复能力并产生恢复阈值（Qiu等人，2026；Sardinha等人，2026）。最后，结合PCA和逻辑回归为火灾后恢复的驱动因素提供了互补的见解。PCA识别出主要梯度，而逻辑模型量化了恢复概率，强调了NBRaf和NBRbf作为关键预测变量。这种结合方法与最近的研究一致，这些研究将多元分析与预测建模结合起来，以确定野火动态的关键驱动因素（Li和Banerjee，2021；Peng等人，2023）。总体而言，这种综合框架加强了对相互作用的驱动因素的解释，并为火灾影响地区的生态系统恢复提供了更稳健的决策支持。

4.4.4 方法学考虑和局限性

通过PCA和逻辑回归识别的关联揭示了光谱指数、环境变量和恢复模式之间的统计关系；然而，在缺乏受控实验设计或更长时间序列的情况下，这些关联并不能建立因果关系。因此，不应将这些结果解释为因果关系，以避免对研究结果的误解。此外，由于数据可用性的限制，一些已知会影响火灾后植被恢复的变量未被纳入分析。特别是土壤pH值、有机物含量和湿度等土壤性质（Carrión-Paladines等人，2022；Certini，2005），这些因素直接影响火灾后的幼苗建立和养分循环，但并未进行测量。同样，当地放牧压力在安第斯帕拉莫地区非常普遍，它会显著延迟植被恢复，减少地上生物量，增加土壤压实，并改变生长形态组成（Duchicela等人，2024），也未进行量化。入侵物种的存在和分布也未在本研究中得到描述，这些物种可能在火灾后占领烧毁区域并与本地先锋植被竞争，例如在火灾后的安第斯生态系统中，外来草类如Pteridium aquilinum和Melinis minutiflora大量繁殖（Aguilar-Garavito和Cortina-Segarra，2023）。未来的研究应将基于野外的生态监测与此处提出的遥感框架结合起来。延长观察时间序列并纳入土壤、生物和土地利用强度变量将提高模型的可靠性，并为恢复规划提供更稳健的输入。

4.5. 提议的受影响区域重新造林行动计划

提出的恢复行动计划从火灾影响的描述性分析转变为空间管理工具。鉴于火灾后恢复资源分配通常有限，因此无法在整个受影响区域均匀实施干预措施。因此，我们开发了一个两层空间优先级框架。第一层基于干预概率P(IN)和火灾后的光谱指数（NBRaf、dNDVI和dEVI）来评估生态系统的生物物理状态，以确定景观的内在脆弱性。第二层通过将这一生物需求与人类和地形维度（如距居住区的距离（PP）和道路（RP）、火灾后是否存在活跃农业用地（AAPaf）以及坡度（S）相结合来进行情境化。通过整合这些维度，该框架识别出连续的优先区域，并将它们划分为可操作的领土区域。

4.5.1. 生态脆弱性评估

恢复规划过程的初始步骤是确定植被所遭受的结构和生理损伤。表12基于逻辑回归模型的预测能力（准确率为93.91%）和严重性阈值，建立了三个纯粹的生物物理级别的生态脆弱性：
- **E1 – 延期强化重新造林**：P(IN) ≥ 0.60和/或NBRaf类别1–2（高/中度干扰），且NBRbf较高。光合作用活力和结构严重丧失，没有干预自然恢复的可能性很小。
- **E2 – 辅助早期重新造林**：0.30 ≤ P(IN) < 0.60或NBRaf类别3，且LCdf为负值。覆盖部分破碎，生态系统显示出压力迹象，但仍具有一些恢复能力。
- **E3 – 自发再生**：P(IN) < 0.30且NBRaf类别4–6（低度干扰），dNDVI/dEVI为正值。植被表现出积极的生理恢复和稳定性。

这种分类直接来自逻辑回归模型的预测能力。高脆弱性区域的特点是光合作用活力严重丧失，需要干预的概率很高，表明自然恢复的可能性很小；相反，低脆弱性区域代表了植被表现出积极生理恢复和稳定性的恢复区。

4.5.2. 政策和资源的优先排序

虽然生态脆弱性决定了恢复的生物需求，但实际的现场执行在很大程度上取决于后勤和人为因素。为了明确干预的位置和方式，将生态脆弱性（表12）与两个关键景观维度进行了空间整合：操作可行性（坡度和距道路的距离）和社会环境紧迫性（距居住区和活跃农业的距离）。这些维度的交集生成了表13中详细说明的最终管理区域（A、B和C）。这种有针对性的分区指导了具体的生物干预措施；例如，在区域A中，高生态脆弱性和人类压力的结合要求在苗圃生产和大规模种植关键特有物种（如Espeletia pycnophylla）之前进行预防性土壤修复。

4.5.1 生态脆弱性评估

恢复规划的初始步骤是确定植被所遭受的结构和生理损伤。表12根据干预概率和火灾后的光谱指数建立了三个纯粹的生物物理级别的生态脆弱性：

| 战略 | 操作条件 | 生态状态描述 |
| --- | --- | --- |
| E1 – 延期强化重新造林 | P(IN) ≥ 0.60和/或NBRaf类别1–2（高/中度干扰），NBRbf较高 | 光合作用活力和结构严重丧失，没有干预自然恢复的可能性很小 |
| E2 – 辅助早期重新造林 | 0.30 ≤ P(IN) < 0.60或NBRaf类别3，LCdf为负值 | 覆盖部分破碎，生态系统显示出压力迹象但保留了一些恢复能力 |
| E3 – 自发再生 | P(IN) < 0.30且NBRaf类别4–6（低度干扰），dNDVI/dEVI为正值 | 干扰较小，植被表现出积极的生理恢复和稳定性 |

4.5.2. 政策和资源的优先排序

虽然生态脆弱性决定了恢复的生物需求，但实际的现场执行在很大程度上取决于后勤和人为因素。为了明确干预的位置和方式，将生态脆弱性（表12）与两个关键景观维度进行了空间整合：操作可行性（坡度和距道路的距离）和社会环境紧迫性（距居住区和活跃农业的距离）。这些维度的交集生成了表13中详细说明的最终管理区域（A、B和C）。

4.5.2.1 生态脆弱性评估

在恢复规划过程中，首先需要确定植被所遭受的结构和生理损害。表12根据逻辑回归模型的预测能力（准确率为93.91%）和严重性阈值，建立了三个纯粹的生物物理级别的生态脆弱性：

| 战略 | 操作条件 | 生态状态描述 |
| --- | --- | --- |
| A | 延期强化重新造林 | P(IN) ≥ 0.60且/或NBRaf类别1–2（高/中度干扰），NBRbf较高 | 光合作用活力和结构严重丧失，没有干预自然恢复的可能性很小 |
| B | 辅助早期重新造林 | 0.30 ≤ P(IN) < 0.60或NBRaf类别3，LCdf为负值 | 覆盖部分破碎，生态系统表现出压力迹象但保留了一些恢复能力 |
| C | 自发再生 | P(IN) < 0.30且NBRaf类别4–6（低度干扰），dNDVI/dEVI为正值 | 干扰较小，植被表现出积极的生理恢复和稳定性 |

4.5.2.2 政策和资源的优先排序

虽然生态脆弱性决定了恢复的生物需求，但实际的现场执行在很大程度上取决于后勤和人为因素。为了明确干预的位置和方式，将生态脆弱性（表12）与两个关键景观维度进行了空间整合：操作可行性（坡度和距道路的距离）和社会环境紧迫性（距居住区和活跃农业的距离）。这些维度的交集生成了表13中详细说明的最终管理区域（A、B和C）。

表13 中的区域技术类型、脆弱性、可行性和紧迫性以及推荐的策略如下：

| 区域 | 技术类型 | 脆弱性 | 可行性 | 紧迫性 | 推荐策略 |
| --- | --- | --- | --- | --- |
| A | 延期强化重新造林 | 高 | 低 | 高 | 故意推迟种植工作，直到土壤毒性降低和雨季开始，以优化幼苗存活率 |
| B | 辅助早期重新造林 | 中等 | 高 | 中等 | 使用先锋物种（Loricaria）的试验地块，控制入侵物种 |
| C | 自发再生 | 低 | 高 | 中等 | 设置围栏防止过度放牧，每年监测NDVI/EVI，进行社区监督 |

表13中每个区域的脆弱性、可行性和紧迫性值代表了Jenks自然断裂算法应用于连续PIS表面时在该区域内分类的像素的主导（模态）条件。在区域A内，可行性在空间上是变化的：位于教区边界附近的像素——特别是La Libertad——具有中等到高的可行性，是到达生态脆弱核心的主要操作入口点；而位于更陡峭中央区域的像素可行性较低，需要在开始积极重新造林之前进行准备阶段1的操作。

这三个维度通过加权线性组合（WLC）和多标准决策分析方法（Malczewski 2006；Eastman 2012）进行了整合。每个维度首先使用表14中总结的阈值重新分类为常见的序数等级（1 = 低，2 = 中等，3 = 高）。脆弱性直接来自逻辑回归的干预概率P(IN）。可行性结合了坡度和距道路的距离，使用最小规则进行分类；紧迫性结合了距居住区和活跃农业的距离，使用最大规则进行分类，以便任一人造压力源都能触发高紧迫性类别。

然后在像素基础上计算了优先干预得分（PIS）：
PIS = (0.45 × 脆弱性) + (0.30 × 紧迫性) + (0.25 × (4 ? 可行性))

权重反映了框架的层次逻辑：生态脆弱性具有最高的权重（0.45），因为植被的生物物理状态是干预的最终触发因素；社会环境紧迫性（0.30）反映了可能加速退化或阻碍自然恢复的人为压力；可行性（0.25）通过(4 ? 可行性)进行反转，以防止高脆弱性、高紧迫性区域仅因当前访问限制而被过度强调。如果没有这种反转，WLC将系统性地惩罚那些生态需求最大但后勤上最具挑战性的区域，从而在规划中产生盲点，导致最需要机构关注的区域恰好是最不可能被纳入常规恢复计划的区域。这种设计反映了规划优先性和操作准备之间的区别：高PIS分数表明必须在治理计划中建立克服访问障碍的措施——通过基础设施评估、社区物流网络和季节性安排——才能进行积极的现场干预。实际操作通过表15中的分阶段实施时间表来实现：阶段1（第0-1年）明确设计了在阶段3干预开始之前在区域A建立物理和制度条件，使积极重新造林成为可能。值得注意的是，在权重为0.25的情况下，可行性组分被有意置于生态脆弱性（0.45）和社会环境紧迫性（0.30）之下，以确保准入限制能够调整——但不会取代——由生态因素决定的优先级排序。表15 显示了与管理区域相对应的执行时间线。

**阶段 时间（年） 目标区域 策略**
10 – 1 区域A、B、C 进行土壤评估以确定基质退化程度；建立围栏防止干扰；通过卫星监测（NDVI、EVI）和社区记录生成基线数据。
21 - 2 区域A、B 实施早期恢复措施，包括控制入侵物种；发展当地能力并加强社区组织结构。
3> 2 仅限区域A 开始积极的重新造林活动，优先种植如Espeletia pycnophylla等关键沼泽地物种，特别是在对水调节具有战略意义的区域；提供技术支持和适应性监测。

区域A主要集中在保护区的中西部，与烧毁边缘的核心区域重合（见插图）。NBRaf值表明这些区域的干扰程度较高到中等，逻辑回归模型预测P(IN) ≥ 0.60，证实这些区域缺乏短期自然再生能力。在Tufi?o、Tulcán以及La Libertad等周边地区也发现了孤立的区域A斑块，这表明存在与人为压力（如农业焚烧、过度放牧和靠近道路）相关的局部干扰过程。区域B在整个景观中几乎不存在，表明其恢复轨迹极为极化，大多数受影响区域需要积极干预或被动监测，这使得辅助早期重新造林的条件较为有限。

管理区域在围绕REEA的五个教区中的空间分布揭示了不同的恢复需求，这对领土治理有直接影响。位于保护区西南部和南部边缘的La Libertad、San Isidro和El ángel教区集中了与烧毁边缘接触最紧密的区域A斑块。由于这些教区靠近火灾核心区域，任何干预的延误都可能导致退化从烧毁区域蔓延到相邻的农业和城郊景观，从而增加次生火灾的风险、中等至陡峭斜坡上的土壤侵蚀以及水调节能力的丧失。鉴于其可进入性以及作为通往烧毁核心区域的门户地位，La Libertad成为Espeletia pycnophylla苗木生产、渐进式土壤恢复和社区主导监测的最具战略意义的操作基地。区域A内的这种空间梯度——从靠近La Libertad的可进入边缘像素到中部较陡峭区域中可行性较低的像素——证实了在WLC中运用可行性反演方法的合理性：无论可进入的入口点还是物流受限的核心区域都被纳入相同的规划优先级层级，从而避免了仅因准入限制就将生态关键核心区域系统性排除在恢复计划之外的情况。

相比之下，位于保护区北部的Tufi?o和Tulcán教区则显示出分散在主要火灾边缘之外的区域A斑块。这些孤立斑块很可能与局部人为干扰有关，主要是农业焚烧和过度放牧，而非2024年1月发生的火灾扩散所致。对于这些北部区域，建议优先考虑预防而非恢复措施：加强早期预警系统、开展基于社区的火灾监测计划，并规范农业焚烧行为。

一个重要的方法论细节涉及在缓冲区内观察到的区域C斑块，特别是在San Isidro和El ángel周围的农业区域。虽然保护区核心区域内的区域C代表了本地沼泽地植被的真实自然再生，但周围农业区域中的区域C像素则主要反映了牧场和耕地的反复燃烧-再生循环，而非与保护相关的恢复。在解释图14时需记住这一区别：优先级框架确实捕捉到了脆弱性的生态信号，但每个区域的意义必须结合其底层的土地覆盖情况来理解（见图8）。实际上，这意味着区域C的监测和社区监管应当有所区别，在保护区内部进行被动NDVI/EVI跟踪，在周围的农业景观中对焚烧行为进行规范，并提供农业生态支持。综合教区级别的管理区域解读以及对区域C的土地覆盖敏感解读，为下一节详细阐述的分阶段、多参与者治理方案提供了领土基础。

**下载：** 下载高分辨率图像（2MB）
**下载：** 下载全尺寸图像
**图14. REEA及其5公里缓冲区内的管理区域空间分布用于灾后恢复**

**4.5.3. 计划实施和治理**
基于空间分区（表13），通过分阶段、多参与者和适应性的方法制定了重新造林计划的实施路线图：
**a) 机构与社区联盟**：成功实施针对性干预需要与在该地区运作的关键参与者建立战略联盟。由环境、水和生态转型部（MAATE）和Carchi省领导的机构框架必须与Cumbres Blancas Ecuador等专业非政府组织合作，这些组织在苗木生产和参与式生态恢复方面具有专长。至关重要的是，必须通过共同管理和参与式监测将当地社区纳入所有阶段，以确保干预措施的长期可持续性，尤其是在减少模型中识别出的人为压力方面。
**b) 按阶段划分的执行时间线**：表13中定义的策略实施必须遵循尊重生态恢复时间的时间顺序。然而，各阶段的进展严格取决于所分配的管理区域（表15）。例如，区域C仅需要持续执行第一阶段的活动，而区域A则必须依次经过所有三个阶段，最终实现积极重新造林。

**5. 结论**
2024年1月的火灾导致了REEA植被结构和组成的显著变化。光谱指数（NDVI、EVI和NBR）有效反映了光合作用活力和干扰程度的即时影响。同时，土地覆盖分析揭示了长期的结构变化，包括森林覆盖面积减少以及草本植物和农业区域的扩张。灾后再生过程呈异质性特征，并受到人为和环境因素的强烈影响。靠近居民点、道路和活跃农业用地以及大气污染物（如NO?）的情况限制了自然恢复。火灾前植被覆盖度较高的地区并不总是能够成功再生，这突显了针对性干预的必要性。研究记录了火灾期间植被覆盖度的显著下降，随后是部分且不均匀的恢复，伴随着草本植物和农业区域的增加。通过将光谱指数与逻辑回归相结合，并考虑环境和社会空间变量，分析区分了恢复需求较高的区域和能够自然恢复的区域，强调了火灾严重程度、灾后光谱活力和人为压力作为植被恢复的关键决定因素。虽然光谱指数和统计模型的结合有助于识别与灾后恢复相关的关键模式，但由于数据观测的性质，这些关系应被视为关联而非因果关系。多时相遥感不仅量化并可视化了植被覆盖的变化，还为恢复活动的规划提供了指导（E1–E3）。基于生态脆弱性、操作可行性和社会环境紧迫性的区域优先级确保了恢复措施具有针对性和有效性，涵盖了从自然再生到辅助早期重新造林和延迟密集重新造林的各种策略。

最后，研究强调了整合遥感、实地观察和社区参与在灾后管理中的重要性。光谱指数提供了关于干扰和恢复的快速、空间明确的评估，而土地覆盖分析则捕捉了长期的结构变化。这些方法共同支持了综合的生态系统恢复和火灾管理规划。提出的多阶段重新造林计划为受火灾影响地区提供了适应性、可持续性和参与式的恢复路线图，促进了生物多样性的保护和长期的生态韧性。

**作者贡献声明**
Valentina Ramírez-San-Miguel：撰写 – 审稿与编辑、撰写 – 初稿、验证、方法论、调查、形式分析、概念化
Isabel Adriana Chuizaca-Espinoza：撰写 – 审稿与编辑、撰写 – 初稿、验证、软件、方法论、调查、形式分析、数据管理、概念化
Paulo Escandón-Panchana：撰写 – 审稿与编辑、撰写 – 初稿、软件、项目管理、方法论、调查、形式分析、数据管理、概念化
Divar Castro-Rodas：撰写 – 审稿与编辑、撰写 – 初稿、验证、方法论、调查、形式分析、数据管理
Yasmim Carvalho Guimar?es：撰写 – 审稿与编辑、撰写 – 初稿、可视化、验证、软件、形式分析、数据管理、概念化
David Freire：撰写 – 审稿与编辑、撰写 – 初稿、方法论、调查、形式分析、数据管理
Andrés Velastegui-Montoya：撰写 – 审稿与编辑、撰写 – 初稿、验证、监督、项目管理、方法论、调查、形式分析、数据管理、概念化