利用地面调查与Sentinel-2反演活可燃物含水率（LFMC）量化2023年澳大利亚东南部突发性森林冠层衰退事件

《Agricultural and Forest Meteorology》：Quantifying the 2023 sudden forest canopy dieback event in southeastern Australia using ground-based surveys and Sentinel-2-derived live fuel moisture content

　　

极端气候事件，尤其是长期干旱与高强度野火日益频繁，促使研究人员关注此类事件对森林生态系统的复合影响。在严重早季干旱之后，澳大利亚东南部于2023年9月至10月期间发生了突发性、大范围森林冠层衰退（canopy dieback）。本研究主要解决两个目标：（1）建立高分辨率冠层衰退预测模型，对2023年冠层衰退事件的严重等级进行分类；（2）分析其空间格局的关键驱动因素。针对目标1，研究人员筛选并测试了一套源自Sentinel-2A/2B数据（10 m）的冠层水分与绿度相关变量，利用这些变量训练随机森林（Random Forest，RF）模型，分类精度达0.93；其中活可燃物含水率（Live Fuel Moisture Content，LFMC）是预测衰退最重要的变量，单独使用LFMC时分类精度为0.91。针对目标2，研究人员通过对冠层衰退空间驱动因素的SHAP（SHapley Additive exPlanations）分析揭示：北向坡与山脊区域冠层损失最严重；受2019–2020年特大野火影响的区域与更严重的冠层衰退显著相关，提示可能存在遗留效应，值得进一步研究。2019年至2023年的时间序列分析识别出多次与干旱和野火时段重合的冠层衰退事件，凸显了干旱–野火–干旱的复合胁迫循环。这些发现强调了遥感LFMC在预测冠层衰退方面的稳健性，并指出在森林管理中整合气候、地形和干扰因素对于缓解冠层衰退、提升生态系统韧性的重要性。

研究背景方面，树木衰退（tree dieback）是全球性问题，关联干旱胁迫、热浪、风暴、病虫害与野火等多重因果因素，其中干旱胁迫是最广泛的驱动因子，可在较短时间内导致大规模树木受损（Allen et al., 2010；Choat et al., 2018）。澳大利亚东南部近年来经历了前所未有的极端气候事件，包括2019年创纪录干旱引发的大范围冠层衰退，以及2019–2020年“黑夏（Black Summer）”特大野火烧毁约720万公顷森林（Boer et al., 2020；Bowman et al., 2020, 2021）。未来气候情景下极端事件频率显著增加，快速气候态转换可能超出森林适应阈值，引发大规模树木死亡与生态系统转型。因此，准确监测与量化干旱诱导的冠层衰退（canopy dieback，指树木冠层部分或全部枝叶丧失但树木仍存活的状态，区别于whole tree mortality整个植株死亡）对于理解其影响及因果交互至关重要。现有遥感方法多依赖植被指数（Vegetation Index，VI）如归一化植被指数（Normalized Difference Vegetature Index，NDVI）、归一化燃烧比（Normalized Burn Ratio，NBR）等，这类指数主要反映冠层颜色变化，难在可见变色的生理胁迫早期识别；且易受到土壤背景、下层植被、物候、大气干扰及观测几何影响，归因困难。冠层含水量（Canopy Water Content，CWC）受叶面积指数（Leaf Area Index，LAI）与等效水厚度（Equivalent Water Thickness，EWT）乘积影响波动，不能纯粹表征水分变化。活可燃物含水率（LFMC，定义为鲜叶水量与干重之比）独立于LAI变化，能更直接反映水分耗竭与生理胁迫，且受土壤与非光合植被影响较小，在野火风险中应用成熟，但在冠层衰退检测中的潜力尚未探索。此外，植被光学厚度（Vegetation Optical Depth，VOD）虽可用于全球尺度干旱致死检测，但空间分辨率粗（～25–36 km），不适用于区域高分辨率评估。机器学习（如随机森林RF、轻量梯度提升机LightGBM）能捕捉变量间复杂非线性关系，但特征选择对降维、泛化与解释性仍很关键。本研究据此开展利用高分辨率PlanetScope影像（3 m）、Sentinel-2反演LFMC（10 m）与VI（10 m）及地面调查数据，结合机器学习分类，检测2023年澳大利亚东南部突发性冠层衰退并分析其空间驱动因子，以服务于长期监测框架与适应性管理。

研究人员采用的主要关键技术方法如下：以2023年澳大利亚东南部突发性冠层衰退事件为研究对象，样本队列来源于地面调查获取的冠层健康等级（greenness scores）以及高分辨率PlanetScope影像（3 m）辅助标定；遥感变量来自Sentinel-2A/2B数据（10 m）反演的LFMC及多种冠层绿度与水分相关植被指数（如优化土壤调整植被指数OSAVI、红边指数RERI₇₀₅等）；先通过初步RF模型与字段重要性排序筛选最优预测变量，再分别构建以LFMC单独为输入和以多变量光谱预测因子为输入的RF分类模型进行冠层衰退严重等级分类；利用SHAP方法解析空间驱动因子（地形方位、地形部位、历史火烧（2019–2020 megafires）等）；辅以2019–2023年LFMC等变量的时间序列分析识别衰退事件与气候干扰的对应关系。[注：忽略试剂与具体操作步骤]

研究结果如下：

Performance of the canopy dieback prediction model：研究人员通过在RF模型中评估各冠层绿度与水分相关变量的重要性，发现LFMC具有最高重要性；定量分析与地面观测绿度评分的相关性也显示LFMC最强（R²=0.67，p<0.01）；其他植被指数如OSAVI、RERI₇₀₅也具较高重要性与相关性，但LFMC单独输入RF模型分类精度达0.91，全变量模型总体精度0.93，表明LFMC是冠层衰退判别的最稳健遥感指标。

Utility of LFMC for canopy dieback detection：研究人员指出冠层衰退是多因子现象，由干旱水分亏缺、水力失效（hydraulic failure）、病原入侵及环境胁迫共同驱动，LFMC能较早反映植物水分耗竭与生理胁迫，优于传统绿度VI；LFMC独立于LAI变化，受异质森林背景下土壤与非光合植被影响小，适合区域高分辨率冠层衰退监测与早期预警。

2023 sudden canopy dieback event in southeastern Australia：研究人员回顾区域背景，2017–2019年“Tinderbox”干旱导致桉树森林广泛冠层衰退（水力失效为主因），并增加可燃性诱发2019–2020黑夏特大野火；后续降水虽有缓解土壤水分亏缺，但森林恢复受限；2023年在前期严重早季干旱后突发9–10月大范围冠层衰退，提示复合胁迫循环（干旱–野火–干旱）的存在。

Methods：研究人员依据冠层衰退生理机制，从Sentinel-2数据中提取LFMC、RERI₇₀₅等候选变量，结合地面调查数据及初步RF重要性排序筛选最优变量集；分别训练LFMC单变量与多变量RF模型分类冠层衰退严重等级；并将分类结果与地面调查对照验证；同时整合地形（坡向、坡位等）、历史火烧空间数据，用SHAP分析驱动因子贡献；开展2019–2023年时间序列分析追踪LFMC等与干旱/野火事件的对应峰值。

讨论部分总结：研究人员讨论指出，LFMC作为遥感水分指标在冠层衰退检测中表现出高稳健性与较早预警能力；空间驱动分析发现北向坡与山脊冠层损失更严重，可能与蒸散更强、土壤水保持力差有关；受2019–2020年特大野火影响的区域冠层衰退更严重，提示火干扰遗留效应（legacy effect）可能降低森林对后续干旱的韧性，形成干旱–野火–干旱复合胁迫循环；时间序列证实2019–2023年间多次衰退事件与极端干旱、野火时段重合。研究人员强调未来森林管理需综合气候、地形、干扰历史因子，以提升生态系统应对极端事件的韧性。结论部分原文总结：本研究突出了遥感LFMC在检测与分析2023年澳大利亚东南部干旱诱导突发性冠层衰退事件的有效性；LFMC单独实现0.91分类精度，光谱预测因子模型总体精度0.93；时间序列识别出2019–2023年多次衰退峰值，严重干旱为主要驱动，反映复合胁迫循环；空间驱动中北向坡、山脊及历史火烧区衰退更严重；LFMC是冠层衰退可靠指标，整合多因子驱动分析有助于森林韧性评估与管理适应。