针对南加州灌木丛的 32 年物种特异性活体燃料含水率数据集

灌木含水量为何与火险息息相关

南加州灌木丛的野火变化莫测：一处山坡燃烧猛烈，而邻近坡面却几乎不燃。造成这种差异的重要原因藏在植物内部——它们在任一时刻所含的水分多少。本文呈现了一份新的 32 年记录，显示沿海南加州关键灌木物种在不同时期的湿润或干燥程度，为消防管理者、科学家和社区提供了更清晰的视角，帮助理解火险如何在季节与空间上生成与消退。

植物内部的水分作为隐形燃料

研究的重点是“活体燃料含水率”，本质上是活体植物中水分与干物质的比率，以百分比表示。高值意味着叶片与茎秆多汁、较难点燃；低值则意味着更像干木屑一样易燃。在灌木丛中，这一含水率可从远高于 300% 摆动到接近使活体燃料表现得像死体燃料的阈值。这些波动受天气、土壤水分、植物特性和光照的影响。因为活体燃料含水率强烈控制火焰扩展速度与燃烧温度，它长期被纳入火险等级系统与火行为模型。然而，直到现在，详细记录在时空上仍然零散，通常只限于少数地点或较短时段。

汇集实地测量与天眼观测

为构建长期且详尽的图景，作者将超过 10,000 次由消防机构采集的灌木含水率现场测量与两种强有力的环境信息源相结合。其一，他们使用了高分辨率的气象模式，重建了 32 年来每天的温度、降雨、湿度、日照、风与土壤含水量，覆盖从圣路易斯-奥比斯波县到洛杉矶县边缘的 1 公里网格。其二，他们利用数十年的 NASA Landsat 卫星影像，将其提炼为一种植被指数（NIRv），该指数强调每个像元中实际存在的健康绿被覆盖量，即便景观混合了灌木、裸土和开发用地。天气与卫星这两类“预测变量”共同追踪使植物干燥或增湿的驱动因素及植物在可见光谱上的响应。

教机器学习追踪季节起伏

接着，团队为四种重要的灌木燃料类型——新生 chamise、成熟 chamise、黑鼠尾草（black sage）和大荚山胡枝子（bigpod ceanothus）——分别训练了机器学习模型（随机森林）。这些模型学习将过去与现在的天气、日照与植被信号与现场含水率测量联系起来。研究同时采用了标准的交叉验证和按地点留出测试（将整个采样地点从训练中剔除）来检验模型的泛化能力。模型调优完成后，在整个 32 年期间运行，生成每半月一次、分辨率为 1 公里的含水率估计，覆盖域内每个网格单元。由于云层有时会遮挡卫星视野，作者还通过空间插值小心填补了小范围缺失，以确保记录在时空上尽量连续。

为关键物种提升精度

在加州灌木丛中占主导且高度易燃的 chamise 拥有远多于其他物种的测量数据，因此作者对其做了进一步的系统误差修正。他们发现模型在某些地点于最湿时期常有高估、最干时期常有低估的倾向。为纠正此偏差，他们应用了一种称为分位数映射（quantile mapping）的方法：比较每个地点预测值与观测值的分布，计算模型在不同含水率水平上通常需要调整的幅度，然后利用海拔与地理位置将这些修正推广到整张地图。经过偏差校正的 chamise 数据集实现了低于 10 个百分点的平均绝对误差，并捕捉到了与大范围火势增长相关的重要阈值。研究还基于模型中各决策树的分歧给出不确定性估计，便于用户判断预测何处较不确定。

对与火共存的意义

最终的数据集为多种灌木物种提供了详尽的 32 年时空变化图景，而非单一的通用“灌木燃料”概念。它揭示了各物种保持湿润或干燥的时长差异、对天气变化的响应速度以及这些模式如何随年际变化而迁移。消防机构可利用这段历史更好判断火季何时开始与结束；研究人员可以探讨未来气候如何重塑易燃性；规划者则可评估在社区周边推广低易燃性灌木是否能降低风险。简言之，这项工作将分散的野外样本与复杂模型整合为一套实用的地图化工具，帮助理解与管理在这一火灾频发且不可避免的地区的野火风险。

引用: Varga, K., Jones, C. A 32-year species-specific live fuel moisture content dataset for southern California chaparral. Sci Data 13, 438 (2026). https://doi.org/10.1038/s41597-026-06794-3

关键词: 活体燃料含水率, 灌木丛, 野火风险, 遥感, 机器学习