当前位置：首页 > news >正文

【野火模型】利用深度神经网络替代 ELMv1 野火参数化：机制、实现与性能评估

news 来源：原创 2025/8/23 17:28:34

一、ELMv1 野火过程表示法（BASE-Fire）

ELMv1 中的野火模型（称为 BASE-Fire）源自 Community Land Model（CLM4.5）中的野火模块（Li et al., 2012），采用过程驱动模型来模拟野火的发生与扩展。

参考论文：J2019-Representing Nitrogen, Phosphorus, and Carbon Interactions in the E3SM Land Model Development and Global Benchmarking

关键机制

在能源超大规模地球系统模型（ESM）陆地模型（ELMv1）中，野火过程的表示法是通过几个关键机制来实现的，以确保模型能够有效地模拟野火对碳、氮和磷循环的影响。
在这里插入图片描述
1. 燃烧过程的建模
ELMv1中野火的表示法首先涉及到燃烧过程的动态模拟。模型使用了一系列参数来描述火灾的燃烧强度、持续时间和火焰传播速度。
这些参数受到气候条件（如温度、湿度和风速）以及生物物理特征（如植物种类、植被密度和干燥程度）的影响。

2. 生态系统响应
野火不仅对植被造成直接影响，还会引起生态系统的长期变化。ELMv1考虑了火灾后的生态恢复过程，包括植被再生和土壤特性改变。这些变化会影响碳固定、土壤有机碳的分解速率以及营养物质循环。

3. 碳和营养物质的释放
火灾会释放大量的二氧化碳和其他温室气体。ELMv1通过计算火灾导致的碳释放量，来评估其对全球碳循环的影响。此外，火灾还会影响氮和磷的释放和流失，进而影响生态系统的营养状态和植物生长。

4. 动态反馈机制
ELMv1中的野火过程考虑了气候、植被和土壤之间的动态反馈。例如，频繁的火灾可能导致植被组成的变化，使得生态系统对火灾的响应和恢复模式发生改变。这种反馈机制有助于更好地理解火灾在气候变化背景下的作用。

5. 模型验证与基准
为了确保野火过程的准确性，ELMv1通过与历史火灾数据和生态系统响应的观察进行验证。此外，模型还利用国际陆地模型基准（ILAMB）包进行性能评估，以优化模型参数和结构。

通过这些机制，ELMv1能够更全面地模拟野火对生态系统及其碳氮磷循环的影响，为气候变化研究提供了重要的工具。

野火模拟的核心过程

1. 火源（Ignition）

包括自然点火（如闪电）和人为点火（如农业焚烧）。
自然点火：与闪电密度成正比（Prentice and Mackerras, 1977）。
人为点火：与人口密度有关（Venevsky et al., 2002）。

2. 火灾抑制（Suppression）

与人类活动有关，尤其是发达地区会更有效地抑制火灾。
抑制能力受社会经济因素影响，如人口密度和 GDP。

3. 燃料控制（Fuel Control）

包括燃料负荷（植物地上生物量）、燃料湿度（表土湿度）、燃料温度（表土温度）等。
燃料可燃性受气象条件（温度、湿度）调控。

4. 火灾蔓延（Fire Spread）

模拟为椭圆形扩散区域，受风速和燃料湿度控制（Rothermel, 1972）。
火灾持续时间固定为一天（基于全球火灾持续性研究，Giglio et al., 2006）。

5. 模型输出

模拟每个网格单元的烧毁面积百分比作为主要输出变量。

二、采用神经网络模拟野火过程

采用深度学习模型以更好地捕捉控制因素（control factors）与野火活动（Wildfire activities）之间复杂的非线性相互作用。
目标是利用深度神经网络替代 ELMv1 中的野火参数化，并改进模型模拟的不同火区的野火燃烧面积。

参考文献：J2022-Building a machine learning surrogate model for wildfire activities within a global Earth system model
为了提高模拟效率和预测精度，此论文提出了一种基于深度神经网络（DNN）的替代模型，称为 DNN-Fire 和 DNN-Fire-OBS，以替代 BASE-Fire 中复杂且计算昂贵的参数化过程。

在这里插入图片描述
1. 基本原理

将 BASE-Fire 看作一个黑箱，用 DNN 模拟其输入与输出之间的非线性关系。
利用神经网络隐藏层隐式编码中间过程（如点火、蔓延），实现对野火模型的“代理建模（surrogate modeling）”。

2. 网络结构

使用前馈全连接神经网络（Feedforward Neural Network）。
结构包括：11个输入变量 → 5个隐藏层，每层5个神经元 → 1个输出（烧毁面积）。
激活函数采用Softplus，可以保留非线性且输出为正值。

3. 输入变量（共11项）

类别	变量名称	数据来源
燃料状况	树覆盖率	LUH2
~	燃料负荷（总生物量）	ELMv1 模拟
~	燃料湿度（表土湿度）	ELMv1 模拟
~	燃料温度（表土温度）	ELMv1 模拟
气候因子	降水	GSWP3
~	近地表温度	GSWP3
~	风速	GSWP3
~	相对湿度	GSWP3
点火潜力	人口密度	Dobson et al., 2000
~	闪电频率	NASA-LIS/OTD
人为抑制	国内生产总值（GDP）	van Vuuren et al., 2007

4. 输出变量
模型输出为：每个网格的烧毁面积百分比（与 BASE-Fire 输出一致）。

5. 建模步骤

Step 1：DNN-Fire 建模

使用 BASE-Fire 的输入输出数据（1981-2010）训练 DNN。
每个 GFED 区域单独训练一个模型（共14个），以提升区域适应性。
使用均方误差（MSE）作为损失函数。

Step 2：DNN-Fire-OBS 校准

使用五个遥感观测数据集的平均值替代 BASE-Fire 的输出，微调 DNN 权重。
大大提高模型对实际观测的拟合能力。
微调过程仅需几分钟计算时间。

6. 模型性能

DNN-Fire 能较好地重建 BASE-Fire 的输出（R² = 0.79）。
DNN-Fire-OBS 与观测数据高度一致（R² = 0.97，Pearson相关系数 = 0.98）。
显著减少了偏差，部分区域（如非洲、南美、欧洲）误差减少超过 90%。

三、总结

项目	BASE-Fire（过程模型）	DNN-Fire（代理模型）	DNN-Fire-OBS（观测校准模型）
原理	显式过程模拟（点火、蔓延）	黑箱建模，学习输入-输出关系	使用观测微调代理模型
输入	气候、燃料、人类因子等	同 BASE-Fire	同 BASE-Fire
输出	烧毁面积百分比	烧毁面积百分比	烧毁面积百分比
优点	模拟机制明确	高效、学习能力强	精度最高、拟合观测好
缺点	参数多、计算昂贵	易受训练数据偏差影响	受观测数据质量限制

目录

一、ELMv1 野火过程表示法（BASE-Fire）

关键机制

野火模拟的核心过程

二、采用神经网络模拟野火过程

三、总结

参考

相关文章：