基于Landsat数据的地表细小死可燃物含水率反演

地表细小可燃物(枯落叶、细枯枝、枯草、针叶等)含水率估算被认为是对区域森林火灾预警和风险评估的核心、直接参考指标。如何大范围反演森林地表细小死可燃物含水率变得十分必要。林下细小死可燃物由于林冠的遮挡难以通过卫星影像直接对地表细小可燃物含水率进行反演，这是当前地表死可燃物含水率预测的难题。为此，本文利用中高分辨率 Landsat 卫星计算出的林冠气象因子和反演出的林内气象因子以及辅助因子同自动化设备获取的林下细小死可燃物含水率构建多个机器学习模型，探究 1)Landsat数据对利用机器学习反演林内气象的可行性;2)探究林冠气象、反演出的林内气象及解释变量反演DFMC的可行性;3)比较各因子对DFMC反演模型的精度影响以及对DFMC的影响。结果表明:1)机器学习模型在林内气象反演和死可燃物含水率的反演中均表现较好。林下气象反演模型在引入地形因子后，林内湿度、林内气压差、林内温度模型分别提升50%，34%，2.2%。其中，林内湿度反演模型的R2=0.54，MAE=10.43%，RMSE=13.04%。林内温度的反演模型R2=0.92，MAE=1.76°，RMSE=2.34°。林内气压差的反演模型R2=0.47，MAE=0.47kPa，RMSE=0.65kPa;2)引入地形因子后含水率反演模型整体拟合结果提高了 123.1%，采用林内气象比采用林冠气象拟合结果平均提高了 36.2%。采用气压差的含水率反演模型相较于采用湿度的含水率反演模型拟合结果平均提高10.2%，其中，以采用林内气压差、温度，地形因子，植被指数，降雨数据，季节因子的死可燃物含水率反演方案精度最高，R2=0.53，MAE=6.15%，RMSE=8.25%;3)林内气象以及地形是影响预测DFMC时空分布精度的关键因素。据以上方案绘制的区域DFMC分布图可为当地的森林火险预警和火源管理提供重要的决策支持。