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
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。
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。
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 |