[论文解读] Estimating heterogeneous wildfire effects using synthetic controls and satellite remote sensing

Feliu Serra-Burriel, Pedro Delicado+2 more|arXiv (Cornell University)|Dec 9, 2020

Fire effects on ecosystems参考文献 94被引用 28

一句话总结

本研究提出了一种广义合成控制（GSC）方法，利用卫星遥感技术估算1996年至2016年期间加利福尼亚州不同区域野火对植被的异质性影响。该方法相较于传统邻近区域比较方法具有更优表现，NDVI的R²从0.66提升至0.93，揭示野火导致NDVI初始下降25%，湿度指数下降超过80%，部分区域影响持续超过十年。

ABSTRACT

Wildfires have become one of the biggest natural hazards for environments worldwide. The effects of wildfires are heterogeneous, meaning that the magnitude of their effects depends on many factors such as geographical region, climate and land cover/vegetation type. Yet, which areas are more affected by these events remains unclear. Here we present a novel application of the Generalised Synthetic Control (GSC) method that enables quantification and prediction of vegetation changes due to wildfires through a time-series analysis of in situ and satellite remote sensing data. We apply this method to medium to large wildfires ($>$ 1000 acres) in California throughout a time-span of two decades (1996--2016). The method's ability for estimating counterfactual vegetation characteristics for burned regions is explored in order to quantify abrupt system changes. We find that the GSC method is better at predicting vegetation changes than the more traditional approach of using nearby regions to assess wildfire impacts. We evaluate the GSC method by comparing its predictions of spectral vegetation indices to observations during pre-wildfire periods and find improvements in correlation coefficient from $R^2 = 0.66$ to $R^2 = 0.93$ in Normalised Difference Vegetation Index (NDVI), from $R^2 = 0.48$ to $R^2 = 0.81$ for Normalised Burn Ratio (NBR), and from $R^2 = 0.49$ to $R^2 = 0.85$ for Normalised Difference Moisture Index (NDMI). Results show greater changes in NDVI, NBR, and NDMI post-fire on regions classified as having a lower Burning Index. The GSC method also reveals that wildfire effects on vegetation can last for more than a decade post-wildfire, and in some cases never return to their previous vegetation cycles within our study period. Lastly, we discuss the usefulness of using GSC in remote sensing analyses.

研究动机与目标

• 量化并预测加利福尼亚州异质性区域在野火后的植被变化。
• 解决传统方法依赖邻近未处理区域进行影响评估的局限性。
• 评估广义合成控制（GSC）方法在估算烧毁区域反事实植被状况方面的有效性。
• 评估大规模野火后植被恢复模式的长期性与区域差异性。
• 探讨GSC在遥感中用于生态变化检测因果推断的适用性。

提出的方法

• 应用广义合成控制（GSC）方法，基于野火前的时间序列数据，估算烧毁区域的反事实植被轨迹。
• 利用Landsat卫星数据（1996–2016）计算光谱植被指数：NDVI、NBR和NDMI以供分析。
• 通过基于野火前植被指数相似性的最优加权，构建合成控制单元。
• 利用Google Earth Engine（GEE）实现大规模遥感数据与时间序列分析的可扩展处理。
• 通过比较预测的野火前植被指数与实际观测值，使用R²作为性能指标，验证GSC模型。
• 通过基于燃烧指数的区域分类，分析区域异质性，并评估野火后恢复动态的差异。

实验结果

研究问题

• RQ1 GSC方法在预测野火前植被状况方面，相较于传统邻近区域比较方法表现如何？
• RQ2 大规模野火对加利福尼亚州不同区域的植被指数（NDVI、NBR、NDMI）产生何种长期影响？
• RQ3 野火影响如何随植被类型、气候区以及基于燃烧指数测度的烧伤严重程度而变化？
• RQ4 野火后植被恢复模式与野火前趋势的偏离程度有多大？这些偏离持续时间如何？
• RQ5 当应用于卫星遥感数据时，GSC方法能否可靠地估计野火对植被的因果效应？

主要发现

• GSC方法显著提升预测准确性，NDVI的R²从0.66提升至0.93，NBR从0.48提升至0.81，NDMI从0.49提升至0.85，均在野火前时期表现更优。
• 野火导致NDVI平均初始下降25%，NBR与NDMI下降超过80%，表明对植被和土壤湿度造成严重且持久的影响。
• 植被恢复具有高度异质性：燃烧指数较低的区域在野火后植被指数变化更为显著。
• 在某些情况下，植被在20年研究期内未能恢复至野火前水平，表明生态系统可能发生长期或不可逆转变。
• 野火后影响持续超过十年，尤其在高海拔和森林区域，后期观察到植被季节周期的改变。
• GSC方法揭示野火的动态效应在不同区域间存在显著差异，其恢复轨迹因土地覆盖和气候条件而异。