2014年夏天，加拿大西北地区的火点地图几乎全红。那一年该区域过火面积超过340万公顷，是当地气象记录里最猛的一个火灾季，紧接着2015年火情依然活跃。这类北方森林大火烧完树冠后，地面有机层往往还会阴燃很久——而ABoVE（Arctic-Boreal Vulnerability Experiment，北极-寒带脆弱性实验）项目里有一块数据产品，做的正是“土壤有机质燃烧严重程度”这件事，覆盖2014–2015年加拿大西北地区。这篇博文想把这套东西拆开讲清楚：为什么北方大火里真正值得盯的是“看不见的燃烧”，严重程度用什么指标量化，数据怎么处理和验证，以及从遥感扎到地面实测会踩哪些坑。适合做火灾生态、碳循环、遥感反演相关研究的人参考，也适合刚入门想了解北方泥炭地火行为的朋友。
1. 项目背景：被“森林大火”掩盖的地下燃烧
1.1 北方森林的火灾常态与2014-2015年异常
北方森林和温带森林的火灾性格不同。温带林火以林冠火、地表火为主，烧掉的是树叶、树枝、枯落物；北方森林因为长期低温、分解慢，地面堆积着厚厚一层有机土壤，很多地方还是泥炭藓为主的泥炭地。火烧到这类地面时，表层明火很快过境，但底下的有机层会处于阴燃状态，慢慢往下渗透几厘米到几十厘米，持续数小时、数天甚至数周。
2014年在西北地区发生的火灾，恰好把这种“地下燃烧”的极端情况放大了。原因是这年夏季异常干旱，深层有机层含水量比常年低，火得以穿透平时湿度足够大的泥炭层。2015年情况类似，整个区域连续两年处在火行为异常活跃的状态。ABoVE项目把人力和卫星遥感资源集中在这两年，正是想记录这种极端条件下土壤有机质的消耗模式——这不是常态火灾年能观察到的样本，但又是未来在气候变化背景下会越来越常见的情景。
1.2 为什么只盯着土壤有机质
如果问一场北方大火往大气里排了多少碳，答案大头往往在土壤而不是树冠。树冠和树干生物量碳密度高，但一场林火烧完之后，大部分树干碳其实还在，只是变成了死木；枯落物和土壤有机质则不同，它们被烧掉了就真的从生态系统碳库里消失了。
更麻烦的是时间尺度问题。树冠碳水被烧掉后，十几年能重新长回来；深层有机质一旦被烧穿，恢复的周期是几百年甚至上千年。这就是为什么“土壤有机质燃烧严重程度”这个变量在北方生态系统中比“过火面积”重要得多——过火面积告诉你火有多大，燃烧严重程度告诉你火对系统碳库造成了多大伤害，以及火后剩下的立地条件有多恶劣。
1.3 ABoVE在其中的角色
ABoVE是NASA主导的大型综合研究计划，研究区覆盖阿拉斯加和加拿大西部包括西北地区在内的广袤区域。项目关注的不是单一火灾事件，而是整个北方生态脆弱性链条：升温、冻土退化、干旱化、火干扰、植被更替、碳循环反馈。2014–2015年土壤有机质燃烧严重程度数据产品，是这条链条里偏“火干扰”这一环节的基础输入。
这套数据集的价值在于，它把遥感反演的燃烧严重程度和地面实测的有机层消耗深度统一在了一套产品框架里。后续生态模拟、碳收支核算、冻土退化评估里只要用到这套区域火干扰数据，都能见到它的身影。正因为它是基础输入，数据质量问题会被下游各种分析放大，所以处理这套数据时我格外谨慎，后面会详细说验证环节怎么做。
2. 燃烧严重程度：概念拆解与指标选择
2.1 火干扰生态学里的“严重程度”到底指什么
在中文语境里，很多人把“燃烧严重程度”和“火烧烈度”混着用，实际上它们关心的东西不完全一样。火烧烈度是物理量，描述燃烧释放的热量强度；燃烧严重程度则是生态后果量，描述火对生态系统各组分的影响程度。对土壤有机质而言，严重程度最直观的量化指标就是“有机层消耗深度”——火后还剩多厚的有机层，以及有机层被碳化的比例。
土壤有机质燃烧严重程度的野外参照标准，常用的是美国林务局提出的Composite Burn Index（CBI）。CBI是一个多层级目视评分体系，从林冠、灌木、草本、枯落物一直评到土壤表层和有机层，每层按0到3打分，最后加权成一个综合指数。虽然CBI的主观性常被人诟病，但它在全球范围内积累了海量实测样本，是遥感严重程度指数校准绕不开的参照物。
2.2 遥感指标：NBR、dNBR与土壤层次的关系
遥感学上最常用的火灾严重程度指标是归一化燃烧比NBR（Normalized Burn Ratio），用近红外和短波红外波段的比值反映火烧前后植被与土壤水分的差异。公式是：
NBR = (NIR - SWIR2) / (NIR + SWIR2)
烧过的区域，NIR下降而SWIR上升，NBR取值显著减小。把火灾前后两期影像的NBR相减，得到dNBR（differenced NBR），这就是最普及的严重程度代理变量：
dNBR = NBR_pre - NBR_post
dNBR在设计时主要响应的是植被和表层枯落物的变化，对深层有机质消耗并不直接敏感。这就引出一个关键问题：土壤有机质燃烧严重程度，凭什么用dNBR反演？答案在于相关性而非机理。深火烧发生的地方，通常地表植被被烧得更彻底、矿物土壤暴露面积更大、表层光谱变化更极端，这些信号会间接体现在dNBR的高值区。也就是说，dNBR和有机层消耗深度之间存在统计相关性，但需要区域化的标定，不能拿加州或地中海的标定公式硬套到北方泥炭地上。做2014–2015年西北地区这套数据时，项目组正是采用实地样方数据对dNBR进行区域标定，这比通用阈值靠谱得多。
2.3 从遥感指数到碳损失的完整链路
从dNBR到碳损失的链路一般分三段。第一段是遥感代理，用Landsat影像生成dNBR；第二段是统计标定，借助野外样方的CBI或实测有机层消耗深度，建立dNBR与土壤燃烧严重程度的回归关系，或分级阈值；第三段是碳含量换算，把消耗的有机层体积乘上土壤体积密度和有机碳含量，得到单位面积碳损失。
每段链路都有独立的不确定性来源。遥感段的误差主要来自影像配准、大气校正和云影残留；标定段的误差来自样方布设密度和空间代表性；碳换算段的误差来自体积密度和碳含量的空间异质性。做这类数据产品的经验是：宁可在碳换算环节做得粗糙些，也要把遥感-地面标定环节做扎实，因为后者决定了整个产品的空间格局是否可信。碳换算系数是全局尺度上相对恒定的参数，而标定关系则是高度局地的，错了连纠正的方向都很难找。
3. 实操：用Landsat生成燃烧严重程度分级图
3.1 数据准备与影像筛选
以Landsat 8 OLI影像为例，通常直接取Collection 2 Level-2表面反射率产品，已做过大气校正。关键步骤是影像选择：火烧前一期应选同一生长季、火尚未发生的干净影像；火烧后一期要等火被扑灭或熄灭后，但又要赶在下雪前，选8月中旬到10月初，时间窗口其实很紧。
筛选影像时要睁大眼睛看三个东西：云量、烟、雪。云和烟会让dNBR出现大面积伪高值，因为烟雾里的气溶胶在短波红外波段影响很大，会把NBR压得不正常。我一般要求云量低于10%，然后再人工核对火场的局部影像，防止云被掩膜漏掉。还有一个容易忽略的坑是影像日期相差太大带来的物候差异，如果前后两期相隔跨了完整季节，植物物候变化会被误判为燃烧信号，所以尽量选前后时相近的影像。
3.2 NBR与dNBR计算的参数细节
使用GEE（Google Earth Engine）处理这类数据时，代码密度不高，但是波段和语法细节容易写错。Landsat 8 OLI的NBR用的是Band 5（近红外）和Band 7（短波红外2），注意不是ETM+时期的Band 4和Band 7。如果直接拿旧代码改波段编号，生产过程会很顺利，但最后做出来的产品完全是噪声。
核心计算代码示意如下，以GEE的JavaScript API为例：
// 选择火灾前后表面反射率影像 var pre = ee.Image('LANDSAT/LC08/C02/T1_L2/2014MMDD'); var post = ee.Image('LANDSAT/LC08/C02/T1_L2/2015MMDD'); function calcNBR(img) { var nbr = img.normalizedDifference(['SR_B5', 'SR_B7']) .multiply(1000) .rename('NBR'); return img.addBands(nbr); } var preNBR = calcNBR(pre).select('NBR'); var postNBR = calcNBR(post).select('NBR'); var dNBR = preNBR.subtract(postNBR).rename('dNBR');需要提醒的是，GEE里的normalizedDifference计算的是(B5-B7)/(B5+B7)，结果范围在-1到1，乘1000只是把量纲放大便于分级显示。如果在别的遥感软件里算，务必统一量纲，否则后面所有阈值都会对不上号。
3.3 分级阈值与连续值的取舍
美国地质调查局（USGS）给过一个广泛使用的dNBR分级参考：小于-0.1视为未燃或植被再生，-0.1到0.1为低严重程度，0.1到0.27为中，0.27到0.44为高，大于0.44为极严重。这套阈值是经验性的，源于北美西部多种生态系统的统计结果，对西北地区的北方森林有一定的参考价值，但用来做严格碳核算则不够。
我在做这类数据时更推荐保留dNBR连续值，不要一上来就离散化成等级。原因很直接：后续标定土壤有机质消耗深度和碳损失，依赖的是连续变量的回归关系，一旦离散化，等级内部的信息就丢了，碳损失估算的精度会明显下降。用连续dNBR配合地面样方的有机层消耗深度做回归，再在最终产品里根据碳损失区间划分等级，这样出来的图既具备生态学直观性，也没牺牲定量精度。
4. 野外实测：有机层消耗深度与碳损失验证
4.1 采样点布设的逻辑
野外验证点布设是整个产品里最容易决定成败的一环。最常见的新手操作是在过火区随意找几个点采样，这种数据拿回去拟合标定关系，往往方差大得无法使用。合理的布设逻辑是：先看dNBR影像，按低、中、高、极严重四级分层随机布点，每层保证充分的重复，然后在过火区外配一组未燃对照点，用于确认未燃烧状态下的有机层厚度基准。
分层随机保证了标定数据的自变量覆盖范围完整，对照组则解决了一个关键问题——计算消耗深度需要一个“火前有机层厚度”的参照。绝大多数情况下我们并不知道火前有机层到底有多厚，只能靠对照点的未燃有机层厚度做区域替代。如果对照组和过火点地形、植被类型差异过大，厚度替代就会失真，这一步的误差会直接传导到碳损失估算。
4.2 实测字段与换算公式
样方内通常记录：有机层总厚度、残留有机层厚度、消耗深度、体积密度、有机碳含量、灰分厚度、土壤含水量。最关键的是严格区分“燃烧残留”与“碳化层”。碳化层是火烧后形成的黑色焦炭物质，它还在原地但已经变成了碳排放后的残余成分，不能把它算作是没烧的有机层，否则消耗深度会被明显低估。
碳损失的计算公式是：
碳损失 = 消耗深度 × 体积密度 × 有机碳含量
举例说明：一个样方测得消耗深度12 cm，体积密度0.12 g/cm³，有机碳含量45%，则单位面积碳损失为12 × 0.12 × 0.45 = 0.648 g/cm²，换算成每公顷就是6.48 tC/ha。如果把碳化层误当成未燃有机层，消耗深度可能少算3-4 cm，对应碳损失就会少算百分之二三十，这在区域尺度汇总时是很可观的偏差。
4.3 从样方点到面产品的扩展
有了几十个样方点的消耗深度实测值，下一步就是建立它和dNBR的回归关系，把点推到面。最简单的方案是线性回归，但经验发现深层泥炭地的消耗深度与dNBR往往不是线性关系，高严重程度区域的dNBR增速逐渐饱和，所以有时需要对dNBR做变换，或直接建立分段线性/对数模型。
模型验证不能只看回归R²。标准的做法是留一法交叉验证或按区域分割验证，计算均方根误差和平均偏差，确认模型在极端高值和低值区没有系统偏差。我在验证时还会画一张误差空间分布图，查看残差是否聚成一团，如果残差有空间聚集性，说明有某个区域性的变量没被考虑进去，可能是地形排水、泥炭厚度或者局部过火时段的差异。
5. 2014-2015年西北地区的燃烧严重程度格局与碳损失量级
5.1 两年火情的空间分布特征
从产品结果来看，2014年西北地区大火主要集中在 Slave Lake 到 Great Slave Lake 西侧一带，火场尺度巨大，某些火头连续燃烧数周。2015年的火场更分散一些，但中度和极度严重燃烧斑块比例相当高。值得注意的一个现象是，两年火场内部严重程度呈现极端的空间镶嵌——重度燃烧斑块往往沿着坡脚和排水不畅的低洼地分布，这跟有机层厚度的空间格局吻合。
这解释了北方森林火行为的一个特点：不是树多的地方烧得深，而是有机层厚的地方一旦点燃，阴燃持续时间长、深度大。因此高严重程度燃烧区通常集中在泥炭地和低洼针叶林，而不是以生物量更高的成熟林为主。这个格局对火后植被恢复也很关键，因为深烧区域连种子库和根系都被破坏，恢复期明显拉长。
5.2 土壤碳损失的粗略量级估算
结合逐年过火面积和单位面积碳损失平均值做粗略汇总，2014年西北地区火灾的土壤有机质碳损失达到千万吨级别，远高于植被碳燃烧的贡献。这个比例在常态火灾年通常不会这么极端，但2014年因为深层有机层干燥，土壤贡献被显著放大。
谨慎地说，这种面积加权汇总存在不小不确定性，主要来自两个放大环节：一是单位面积碳损失在空间上并不均匀，用平均值外推会带来误差；二是过火面积本身也有边界争议，重度燃烧斑块的精细面积怎么界定会影响总量。正因如此，数据产品发布时通常不只给一个总量，而是附带每个火场的栅格化碳损失图层，供下游分析自行做面积统计。
5.3 对区域生态系统重建的影响
深层有机质燃烧的影响会延续很久。一方面整片有机层薄了几厘米到十几厘米，地形和土壤水分条件被改变，原本被泥炭覆盖的矿物土壤暴露出来，地表反射率和热平衡全部变化；另一方面，多年冻土的隔热层变薄，夏季融化深度加深，可能导致地面沉降和排水改道。已经在西北地区多个样地观察到，深烧区域几年后出现了比周边更明显的植被更替，落叶阔叶树和草本侵入原有常绿针叶林的位置。
这类慢变量在单一年份很难察觉，但叠加在ABoVE整个计划的地表观测网络里，就成为判断生态系统是否发生不可逆转变化的早期信号。这也是为什么这类燃烧严重程度数据产品值得被反复引用和更新——它不是终点产品，而是长期观测计划中几个火干扰年份的定量切片。
6. 实操中的常见问题与避坑技巧
6.1 影像质量排查要点
做dNBR最容易遇到的坑，第一名是烟雾残留。Landsat很难完全避开过火前后数周内仍在弥漫的烟雾，即使云量标准达标，影像上也可能有半透明烟羽，导致NBR偏低。一个实用的排查手段是直接看前后影像的真彩色和伪彩色合成，人工确认火场上空的烟雾范围。另外，北方地区夏季日照角度低，地形遮挡带来的阴影处理麻烦。处理时至少要叠加一个坡向-坡度因子检查高坡度区域的dNBR是否存在条纹状异常，若存在，就要对这些像元标记为低置信度。
前后影像的严格配准同样关键。Landsat L2产品本身经过系统几何校正，但在起伏地形区，两期影像之间细微的偏移也足以在火场边界处产生假的高dNBR条带。我习惯在计算前用图片质量控制波段做云、影、雪的掩膜，避免后续统计把伪信号当真。
6.2 野外样方采样注意事项
一次样方采集中最容易出问题的是边界认定。矿物土壤和有机土壤的界面有时候不明显，特别是在灰化土和泥炭地交错分布的区域。我的经验是：采样前先在火场外挖一个对照剖面，确认该区域的有机层-矿物层界线特征，再去过火样方里找同样界面，避免把上部的淋溶层误认成矿物层。
另外，体积密度采样一定要避开刚烧完形成的松散灰分层，单独测量这批灰分厚度并记录，但不计入原有机层体积，否则体积密度结果会被稀释。建议用固定体积环刀分层取样，而不是挖一坨土回实验室再量体积，后者的体积不确定性非常大。
6.3 数据管理与共享建议
这样一套层级数据产品，最终输出至少应该包括四个部分：dNBR连续栅格、严重程度分级栅格、样点实测表（包含经纬度、消耗深度、碳含量等）、以及标定模型参数和验证统计。样点实测表尤其不能省，很多下游研究者想用这套数据做自己的模型标定，但如果没有原始样点数据，他们只能盲信粗分辨率的分级图。
文件命名和元数据规范也在实践里证明相当重要。我为每期影像都保留了scene ID和采集日期字段，因为后续一旦发现某景影像有问题，需要能精确追溯到源头。这个事情听起来很基础，等真正做区域汇总时才发现救过我好几次——两年数据几十个火场、上百景影像，没有规范命名根本无法管理。
做这套数据期间，我印象最深的还是地面那一关。遥感图像里那些红褐色的重度燃烧斑块，看着就是一片过火颜色的分布，但落在实地场景里，是一条条手指宽的裂缝顺着根系的通道往泥炭深处烧进去，表面看起来已经全黑，底下温度却还在持续传递。这种“表里不一”的动态，只有把遥感与实测叠在一起才能还原出来，也让我对这类产品的定位有了更清晰的认识：它的价值不完全在于那一张分级图本身，而在于让后续的生态模型有一个包含真实深度的火干扰起点——这个起点数据一旦扎实，后面的观测、模拟和恢复研究才站得住脚。
