加拿大野火土壤有机质燃烧严重程度数据集与碳损失估算

2014年夏天，加拿大西北地区的野火季烧成了历史级别的灾难，过火面积超过340万公顷，差不多等于比利时整个国家的面积。火场穿过了大面积的北方森林和泥炭地，把地表那层积累了上千年的有机质直接点着，很多地方连矿质土壤都被烤变了色。这场火之后，NASA主导的ABoVE（Arctic-Boreal Vulnerability Experiment，北极-寒带脆弱性实验）项目组系统性地整理了一套数据产品，专门量化2014到2015年西北地区土壤有机质的燃烧严重程度，把航天遥感估算的"烧得多重"和地面实测的"有机层烧掉多少、碳损失多少"打通了。这篇文章围绕这套数据，讲清楚燃烧严重程度是怎么量化的、数据集里有什么、用的时候有哪些坑，以及拿它能算哪些结果。适合正在做北方生态系统碳循环、野火生态、冻土遥感相关方向的研究生和从业者，也适合想用现成数据快速估算火后碳损失的朋友参考。

1. 一场烧穿地表的火，如何成了ABoVE研究的天然样本

1.1 北方泥炭地与大火相遇，问题被放大了

先说清楚为什么这场火值得单独出数据。北方森林和冻土带最大的碳库不在树上，而在脚底下：地表厚厚的有机层，尤其是泥炭地，储藏的碳比地上植被多好几倍。正常情况下这些碳封存在湿冷环境里，分解极慢，相当稳定。但野火不一样——火一烧，有机层从顶部开始往下消耗，烧得越深，释放的碳越多。

2014年西北地区的特殊性在于，火灾规模太大、燃烧强度太高。当时持续高温加干旱，让很多火从地表火发展成冠火，热辐射和火线强度远超常年水平。普通年份的地表火可能只烧掉有机层顶部一两厘米，但2014年不少样地的有机层被烧穿了几十厘米，甚至直接烧到矿质层。这种深度的有机质消耗，已经不只是"生态系统扰动"级别，而是直接影响区域碳收支和冻土热状态的事件。

从研究角度讲，这种极端年份是不可复制的"天然实验"。你不可能人为烧掉几十万平方公里来验证火灾对碳库的影响，但2014年给了一个真实样本。ABoVE把2014和2015年放在一起做数据产品，逻辑也很清楚：2014年是破纪录的极端燃烧季，2015年火势有所回落，但仍有大量火场延续，两个年份形成对比，就能看出"不同严重程度下，土壤有机质分别损失了多少"。

1.2 ABoVE项目的数据组织逻辑

ABoVE是NASA资助的大型跨学科项目，范围覆盖阿拉斯加和加拿大西部，核心目标就是搞明白北极-寒带生态系统对气候变化的响应和反馈。它的数据产品不是零散发布的，而是按照统一的空间网格、投影和命名规范组织，一个数据集对应一个完整的研究主题。

当你拿到"加拿大西北地区土壤有机质的燃烧严重程度"这个产品时，它实际回答的问题链是这样的：火在哪里烧的（火场范围）→ 每个像元烧得多重（燃烧严重程度）→ 严重程度和土壤有机质消耗是什么关系（地面样点校准）→ 最终单位面积上损失了多少碳。整条链路串起来，才是一套能直接支撑碳循环模拟的数据。

这个思路其实挺值得借鉴。很多人做火灾研究只盯着遥感影像分个级就结束了，但一旦把问题落到"碳损失"上，必须有地面数据和机理框架支撑，否则遥感指数本身不能直接回答生态学问题。

2. 燃烧严重程度到底怎么量化：遥感指数和地面实测怎么拧成一股绳

2.1 遥感端的核心指标：dNBR是"烧得多重"的骨架

在看这个数据集之前，有必要先把"燃烧严重程度"这个概念本身讲透。遥感估算燃烧严重程度最常用的指标是dNBR（差分归一化燃烧比），它利用了近红外和短波红外两个波段的组合。

原理不复杂。健康植被和未燃烧地表在近红外波段反射强，在短波红外波段反射弱；燃烧后地表碳化、植被消失，近红外反射骤降，短波红外反射因为灰烬和裸露土壤的存在而升高。把火烧前后的这两个波段关系做差，得到的dNBR越高，说明燃烧越严重。公式上一般写成：

dNBR = NBR_prefire - NBR_postfire

其中NBR = (NIR - SWIR) / (NIR + SWIR)。

NASA/USGS在Landsat影像基础上有一套常用的分级阈值，我整理在下面表格里，这套阈值在ABoVE相关产品里也经常被参考：

注意，这个阈值是经验的，不是物理定律。不同植被区、不同季节影像差可能会让阈值有偏移。所以好的数据产品不会只丢给你一个等级图，还会附带连续的dNBR值，让使用者可以根据自己的研究区域重新分级。

2.2 地面端的实测逻辑：有机物烧了多深，才是关键

如果我们只停留在dNBR分级，就没法回答"土壤有机质损失了多少"这个问题。dNBR反映的是地表的综合光谱变化，它和有机层消耗深度相关，但不是一一对应。

所以地面实测成为这套数据的关键环节。研究者会在火场里布设样地，测量以下内容：

• 有机层总厚度和火烧后残余厚度，两者差值就是燃烧深度
• 有机层和矿质层的容重（bulk density），用来把体积换算成质量
• 有机质含量或有机碳含量，乘以燃烧体积就是碳损失量
• 灰烬的颜色和厚度，辅助判断火烧温度区间和有机层消耗程度

这套地面实测数据和dNBR之间会建立统计关系。常见做法是根据样点的dNBR值和实测的有机层损失深度做回归或者分段拟合，再把关系应用到连续栅格上，得到每个像元的有机质消耗量。

这也是为什么这个数据产品叫"土壤有机质燃烧严重程度"而不是单纯叫"燃烧严重程度"。它的落脚点是土壤有机质，既包含了遥感分类的严重程度等级，又包含了对土壤碳库有直接意义的消耗量估算。

2.3 一个被低估的细节：燃烧深度和火灾类型直接相关

我一开始处理这类数据时容易忽略一点：同样的dNBR值，在地表火和地下火（泥炭阴燃）下，对应的土壤有机质损失可能差很多。地表火和冠火烧得快，地表温度高但持续时间短，热向下传导有限；泥炭地阴燃则是最麻烦的，火在有机层内部缓慢蔓延，可以持续燃烧好几天甚至几周，虽然没有明亮火焰，但单位面积消耗的有机质可能是有焰燃烧的几倍。

2014年西北地区的火场里，这种情况非常普遍。所以用这个数据产品做事时，不建议简单地把一个dNBR阈值套用到全区域，最好结合数据自带的火场边界和土地覆盖信息做区分对待。很多经验不足的人在这上面栽过跟头，最后算出来的碳损失偏差很大。

3. 拿到手的数据文件里到底有什么：结构、变量和坐标系统逐个说

3.1 数据获取与整体结构

这类ABoVE数据产品通常通过NASA的ORNL DAAC数据中心发布，在Earthdata平台注册账号后即可检索下载，数据本身属于开放科学数据，遵循CC-BY类许可，可以自由使用，只需在成果里规范引用。下载下来你会发现，它通常不是单张影像，而是按火场或研究区组织的一组栅格和矢量文件，包含场景元数据、辅助文档和环境变量数据。

据我接触过的同类数据产品，典型的文件结构大致是：

ABoVE_NWT_burn_severity_2014_2015/ ├── data/ │ ├── dnbr_2014_2015.tif # 连续dNBR值 │ ├── burn_severity_class.tif # 严重程度等级栅格 │ ├── soil_organic_consumption.tif # 土壤有机质消耗量栅格 │ ├── burn_depth_cm.tif # 有机层燃烧深度 │ └── fire_perimeter.shp # 火场边界矢量 ├── field_data/ │ └── ground_plots.csv # 地面样地记录表 ├── docs/ │ ├── dataset_guide.pdf │ └── variable_descriptions.csv

当然，具体某套产品的文件组织可能有差异，但整体逻辑是一致的：遥感栅格为主，地面样点表为补充，文档说明每个变量的定义和单位。拿到手之后先不要急着读数据，把docs目录里的变量说明通读一遍，能省掉后面很多返工。

3.2 核心变量与单位表

这套产品里，我认为最核心的变量有下面这些。这张表也适用于大多数同类燃烧严重程度数据产品：

一个容易搞混的点是Soil Organic Matter（有机质）和Soil Organic Carbon（有机碳）的区别。有机质质量等于有机碳质量乘以约1.72到2.0的转换系数（Bemmelen指数），不同来源的数据可能直接给有机质消耗量，也可能只给有机碳消耗量。如果你的研究需要的是碳排放量，注意看表头到底是SOM还是SOC，不要拿到就除以或乘以系数，先确认变量定义。我见过有人把SOM消耗直接当碳损失上报，结果高估了近一倍。

3.3 投影、分辨率和时空覆盖范围

ABoVE项目使用的标准投影通常是适合高纬度地区等积投影，因为项目大量涉及面积统计和碳通量计算，等积投影能保证像元面积不随纬度畸变。具体到某个产品，可能是Albers等积圆锥投影或者其他极地方位投影，分辨率一般是30米，由Landsat影像分辨率决定。

时间覆盖方面，2014到2015年的意思是包括两次火灾季，而不是数据采集日期。火前影像一般取2013年或2014年火季之前的夏季影像，火后影像取当年秋季或者次年同一季节，尽量减少物候差异带来的干扰。这一点在使用时值得留意，否则你可能把植被周年变化的信号也算进了dNBR里。

4. 处理这套数据时的实操细节：投影、单位、像元边界一个都不能马虎

4.1 工具箱选择与读取前的CRS检查

读取这类栅格数据，我习惯用Python配合rasterio，处理矢量用geopandas，做波段运算用numpy。这套组合在科学计算和遥感领域很成熟，也容易排查问题。用QGIS或者ArcGIS当然也行，但如果要批量处理几十个火场的栅格，脚本化优势明显。

读取数据的第一步不是看数值，而是检查坐标参考系统（CRS）。ABoVE同类数据有一个很典型的坑：不同年份或不同火场的数据，可能使用了略有差异的投影参数，尤其是中央经线和标准纬线。如果你不做检查直接把两幅影像叠加，结果会是偏移的，严重时能偏出几个像元。

import rasterio with rasterio.open("dnbr_2014_2015.tif") as src: print(src.crs) print(src.transform) print(src.width, src.height) print(src.nodata) print(src.scales) # 检查是否有缩放因子

遇到投影不一致的情况，用rasterio的reproject方法或者GDAL命令行重投影到统一CRS，再继续后续处理。我自己通常统一投影到数据原生的CRS，而不是强制转成WGS84经纬度，因为重采样必然会引入误差，能少一次就少一次。

4.2 缩放因子、NoData和单位换算是三个大坑

NASA有许多Landsat衍生数据产品都会把浮点数放大成整数存储，例如dNBR原始值范围在-0.5到1.0之间，存储成16位整型时乘以1000或10000。如果你拿到数据发现所有值看起来是几百几千，顺手除以1000或者按变量说明里的scale factor处理，否则后续计算碳损失会差几个数量级。

NoData值也是老生常谈但常翻车的点。火场边界外的像元、云遮挡像元、水体和冰雪像元都会被设成NoData，不同产品的NoData值可能是-9999、0，也可能是某个极大值。最稳妥的办法不是硬编码，而是读取栅格的元数据，用src.nodata统一处理。如果两幅栅格的NoData值不一致，要先统一，再做算术运算，否则会把无效值当成真实值参与计算。

单位换算是第三个坎。燃烧深度可能是厘米，有机质消耗量可能是克每平方米，碳损失总量算出来是克还是吨，取决于你有没有除以一个10000或者乘以一个1000。我的建议是，在脚本一开始就把所有变量统一到国际标准单位，即米、千克、平方米，并在代码注释里写明每个中间量的单位，避免第二天自己都看不懂。

4.3 拼接多幅场景时，重叠区差值怎么处理

一场大火往往覆盖多景Landsat轨道，数据产品里同一个火场可能分成多个瓦片（tile）发布。把瓦片裁切后拼接时，重叠区经常出现数值轻微不一致的情况，原因可能是影像采集日期不同、大气校正条件不同、或者拼接时羽化算法不同。

处理重叠区时，最粗糙的做法是先到先得，直接覆盖，这会在拼接结果上留下肉眼可见的接缝，后续做统计时这条接缝会造成同类土地覆盖却数值不同的伪差。稳妥的办法是在重叠区取平均值，或者用距离权重融合，让接缝平滑过渡。如果只是做全球尺度的汇总统计，接缝影响可能不大；但如果你要画区域分布图，接缝会非常显眼。

4.4 一个地面验证数据的使用教训

我最初做这类数据时，有一个执念：用所有地面样点去验证遥感估算结果。后来发现这种做法在统计上是有问题的。用于建立dNBR与有机层消耗关系的样点，和用于验证的样点必须分开。地面样点在空间上往往有自相关性，如果训练和验证用同一批点，验证精度会虚高得很厉害，看起来R2高达0.9，实际独立验证可能只有0.6。

建议做法是：把地面样点按火场或者生态区做分层抽样，一部分用于建模，一部分留作验证，同时检查样点之间的空间距离，尽量拉开，避免相同的火行为特征被重复计入。这个道理在大多数遥感地面验证里都适用，但火灾研究里经常被忽视。

5. 这套数据能算哪些结果：从火后碳损失到冻土风险

5.1 方法一：直接用消耗栅格统计碳损失总量

如果你只需要火后直接碳排放量，最简单的办法是用有机质消耗栅格乘以火场面积，逐像元累加：

碳损失总量 = Σ(每像元有机质消耗量) × 像元面积

这个计算在工具层面很简单，但前提是消耗量的单位已经校正。得到的是单位是克还是吨，取决于消耗量栅格的单位。如果是克碳每平方米，乘以30米×30米的像元面积，再累加，得到克碳，除以1000000得到吨碳。

这种方法的优点是快、干净，误差直接取决于数据产品的可靠性。缺点是它不区分地表火和泥炭地阴燃的不同碳损失机制，阴燃火消耗的碳可能包含深层泥炭碳，这部分碳积累了几千年，释放出来对大气CO2浓度的影响是长期性的，不能简单当成"当年火灾排放"。

5.2 方法二：结合燃烧深度、容重和有机碳含量的独立估算

如果你手里只有燃烧深度栅格和严重程度分级，没有现成的有机质消耗栅格，可以自己做一个估算模型：

1. 根据土地覆盖类型确定有机层容重（通常泥炭地容重在0.1-0.2 g/cm³，森林有机层略高，矿物土壤更低）
2. 根据土壤类型和深度设定有机碳含量（表层有机层一般40%-50%，深层泥炭略低）
3. 单位面积碳损失 = 燃烧深度 × 容重 × 有机碳含量

这个思路也适合用来复核数据产品里的消耗量是否合理。如果产品给的消耗量和你的粗略估算差了3倍以上，回到数据文档仔细看一遍单位转换系数，多半是SOM和SOC没分清，或者是深度用的是相对值而不是绝对值。

5.3 把燃烧严重程度和冻土变化联动起来看

燃烧严重程度的一个重要后续影响是冻土热状态变化。有机层是北极和亚北极地区天然的隔热层，夏天它阻止热量向深层冻土传导。火一烧，隔热层变薄，土壤活动层加厚，冻土退化加速。这种效应在严重燃烧区可以持续几十年。

利用这套数据，你可以做一项很有价值的延伸分析：把燃烧严重程度等级与火后的活动层厚度观测数据叠加，建立"燃烧严重程度-活动层变化"的关系曲线。这是ABoVE项目非常关心的科学问题之一，也是这类数据产品在碳循环之外的重要价值。

如果你要往这个方向做，我的建议是别只看单年份数据，尽量结合火后连续多年的地表温度、植被恢复指数和干扰恢复数据集，因为冻土对有机层变薄的响应是滞后的，峰值可能出现在火后5到10年，而不是当年。

5.4 给不同使用者的实践建议

如果你是研究生，第一次接触这类数据，我建议按这个顺序执行：先读变量说明表，再画一张dNBR分布直方图，看看范围是否合理，然后单独统计一个火场的平均有机质消耗量，和文献里的北方森林火灾碳损失数值对比一下量级，确认无误后再铺开做全区分析。

如果你是工程师，要把这套数据集成到业务系统里，我建议建立标准的自动化质检流程，每次下载新数据都检查CRS、单位、NoData、覆盖范围四个要素，任何一项不合格立即停止处理并告警，不要等算完全区域才发现投影错位。

如果你是决策支持人员，想用这套数据支撑政策报告，我建议不要只引用单一数据产品的估算值，而是交叉对比至少两套独立来源的碳排放估算，例如基于火烧面积的经验模型和基于有机质消耗量的遥感估算，差异控制在30%以内再使用。

6. 用这套数据绕不开的几个大前提和边界

6.1 30米分辨率的局限性

Landsat的30米分辨率对火烧迹地来说是够用的，但对土壤有机质燃烧深度来说是相对粗糙的。因为土壤有机层厚度在几十米范围内可以变化很大，泥炭地深可达一米以上，而旁边排水良好的山坡可能只有几厘米。30米像元内的平均燃烧深度，和实际展布之间可能存在很大差异。

所以当你的研究尺度小到一个具体样地、十米级范围，这套数据就不太适用，地面实测仍然是唯一可靠的手段。只有当研究尺度在景观以上级别时，这组数据才真正发挥优势。

6.2 火后立即评估的时效性

数据反映的是火后早期的燃烧严重程度，也就是2014年和2015年火灾发生后不久的状态。火后几年，植被会逐渐恢复，倒木和灰烬会被降水冲走，地表光谱会发生变化。如果拿这份数据去解释2023年的地表状态，会有很大的局限性。

但燃烧严重程度信息本身是有长期参考价值的，因为有机层消耗量在地质时间尺度上是不可逆的，至少在未来几十年内，那些被烧穿的有机层不会恢复。你要把它理解为"2014-2015年火灾留下的持久性碳库损失证据"，而不是"当前地表状态描述"。

6.3 碳损失不只是燃烧那一项

最后必须提醒一点：火灾对碳库的影响不只是燃烧释放，还有火后几年内的分解加速和树木死亡造成的枯落物输入变化。燃烧释放只是"直接损失"，火后异养呼吸增加、植被死木分解会带来更多的"间接损失"，这部分在某些生态系统中可能和直接燃烧排放量相当甚至更高。

所以，当你用这套数据得出碳损失总量时，表述应该限定为"火灾当年土壤有机质燃烧直接排放量"，不要扩大解释为"这次火灾的总碳排放"，后者还包含植被燃烧、火后分解、多年冻土融化后的微生物分解释放等多项过程，需要更多观测和模型手段来整合。

我自己在处理北方火灾数据时，最早犯的错就是把直接排放等同于总排放，结果拿这个数字去和其他研究的多年净碳收支对比，量级对不上，追了一个多月才发现是口径问题。这套数据的价值恰恰在于它把"燃烧直接损失"这个口径做得足够扎实，后面的间接过程你可以基于它的结果继续叠加，而不是从零开始。对一个以碳循环为核心关切的研究领域来说，这种把观测数据打磨到能直接对外输出的产品形态，才是真正省时间和避免重复劳动的方向。