全球荒野 - 城市界面

　　尽管WUI以不同的方式定义为不同的地区和应用程序19,20,21,22,22,23,24,51,52,53,54，但我们使用了美国联邦注册册的概念WUI定义 ，首先由参考资料投入使用。1
，这是美国和许多其他国家 /地区最广泛使用的WUI定义1,19,20,21,54 。这种方法将WUI的Intermix定义为每公里2.17座建筑物（或每40英亩的一座建筑物）和野生植被面积大于或等于50％的区域
。WUI的界面定义为每公里的6.17座建筑物的区域，但野生植被不到50％的野生植被 ，位于野外植被的大片（至少5 km2）（至少5 km2）（占75％以上）。最小斑块尺寸不包括Wildland植被中的小城市公园1 。美国联邦登记册定义53中包括2.4公里（1.5英里）的最小距离（1.5英里）
，代表了余烬可以在野外55期间飞行的距离
。 　　我们进一步扩展了这种WUI分类方法，通过根据主要土地覆盖区对WUI区域进行分层 ，将WUI区域或界面与以草原为主的森林
，灌木丛和湿地为主导的WUI wui（扩展数据图3）。我们补充说，由于草原是全球最多样化和动态的土地覆盖类型之一 ，因此分层具有各种管理实践
，从野生草原到托管牧场，几乎类似于农业用途56,57 。结果 ，在特定地点的草原可能会或可能不会在WUI中引起野火风险，这就是为什么以前的国家级WUI地图有目的包括58或排除21个草原的原因
。我们以草原为主的WUI分离支持了随后的地图解释。 　　我们在土地覆盖物和建筑物上使用了两个免费的全球高分辨率数据集来绘制WUI 。这两个数据集均来自地球观测卫星图像
，并采用栅格格式
。 　　我们使用欧洲航天局World -Cover数据集捕获土地覆盖信息5。它是2020年的代表（V.100），并提供了以10 m分辨率在全球区分11个类别的陆地覆盖信息 。该数据集的总体准确性约为75％（参考文献59）。该信息来自Sentinel-1和Sentinel-2卫星图像 ，使用基于专家规则的后处理
，同时绘制许多土地覆盖类别（补充信息）5
。 　　我们将全球人类定居点GHS-built-S-R2022a数据集（以下称为GHS-Built-S）作为建筑位置和密度的参考。4 。GHS-Built-S是2018年的代表性，并在10 m分辨率下在全球范围内提供了整体表面积（从0％到1％的1％）的构建表面积估计
。该数据集包含所有建筑物类型（带有住宅 ，商业
，工业，农业 ，服务或其他目的）。该信息是使用符号机器学习方法旨在准确捕获建筑表面积（补充信息）的象征机器学习方法来得出的 。 　　我们使用Force Software61在数据立方体结构中组织了所有空间数据
，与Equi7参考Grid62的第一层匹配
。该网格定义了对七个世界地区（非洲，南极 ，亚洲
，欧洲，北美 ，大洋洲和南美）的等距预测，分为100公里。网格有助于质量数据存储和有效的处理
，同时避免空间网格过采样和栅格失真 。我们在不包括南极洲（扩展数据图4和补充信息）的所有等号世界区域上使用了瓷砖
。 　　我们实施了全球一致的工作流程来映射WUI。我们以使用人口普查块19或构建位置Data54的WUI映射方法为基础，对栅格数据方法进行了一些改编 。最值得注意的是 ，我们无法应用6.17 km -2的建筑物密度阈值
。 　　我们将土地覆盖数据重新分类为Wildland与非Wildland。荒野植被包括树木覆盖/森林
，灌木丛，草原 ，草本湿地
，红树林和苔藓和地衣 。非Wildland植被包括农田，建筑区域 ，裸露的土壤和稀疏的植被
，雪，冰和水。对于WUI界面 ，我们进行了两次重新分类
，其中包括草原是否为野生植被
。因此，我们绘制了两组大植被斑块。我们使用重新分类的数据集计算圆形内核中的野生植被共享 ，用于粘合映射（先例后半径为500 m）54 。我们还确定了超过5 km2的斑块，其中野生植被共享的界面映射大于75％
。将大型植被斑块的2400 m（以后54）以内的像素作为WUI接口。 　　On the basis of initial tests, we set building density to zero where slope is more than 25° (based on a gap-filled SRTM63/ASTER64 digital elevation model) or where intra-annual water occurrence in the Global Water Surface dataset65 is more than 20%, that is, where water was present during at least 20% of the year to reduce commission errors on steep bare rock and in temporary river beds where false detections of buildings were more common（补充信息） 。此外
，我们仅考虑了估计建筑物密度超过20％的像素，从而删除了建筑物密度非常低的区域 ，该区域可以限制数据准确性
。我们将汇总建筑物密度大于0.5％的所有像素定义为候选WUI像素。与每千km2的6.17建筑物的常用定义相比
，该阈值通常略高（取决于本地建筑物尺寸） 。我们选择了这个阈值，以避免在低建筑物密度区域中WUI委员会错误 ，这意味着我们的WUI估计是保守的
。同样
，我们将平均建筑物密度大于15％的像素定义为具有城市特征的15％。这些区域，例如 ，植被密集和高密度的郊区环境无法归类为WUI Intermix WUI
，因为城市植被通常与野生植被在物种认同，管理实践和栖息地限制方面和更强大的火灾控制系统有所不同 。如图3所示 ，随后进行了WUI映射
。 　　WUI地图被掩盖了
，土地覆盖为水。对于WUI Intermix，我们根据Wildland植被的份额确定了像素内的主要土地覆盖类型 。我们区分了以森林 ，灌木丛和湿地为主的像素与由草地主导的像素。 　　我们确定候选人热点国家是其各自世界地区的前十个国家，其股份最高
，在WUI内拥有其野火地区的20％以上，规模超过10,000 km2
。其中 ，我们选择了在WUI中受到野火影响最多的两个国家。如果他们的边界在200公里以内
，我们用第三名取代了第二名的国家（直到边界距离大于200公里） 。 　　我们分析了全球WUI的程度和分布，还计算了居住在WUI中的人口 ，WUI和WUI地区的生物质比例受野火影响
。 　　对于人群数据
，我们分析了代表每个网格单元的人口的全球人类定居总人口数据集（GHS-POP66），分辨率为100 m。该数据集基于我们用来绘制WUI的建筑物密度数据集 ，但不包括非住宅建筑物 。它是通过使用建筑物密度作为重量将人口普查数据分解为网格单元的来创建的
。我们计算了人口数据的面积加权摘要。 　　对于生物质
，我们分析了2010年地面生物量碳密度的全球图（参考文献67），分辨率为300 m 。我们将生物量碳密度（MGC HA -1）转化为质量（kg） ，并应用了两个系数
，将碳当量质量转化为干物质生物量68
。我们计算了生物量数据的面积加权摘要。 　　对于Wildfire数据，我们分析了MODIS收集6.1主动火灾数据集（MCD14ML）69 ，并从2003年到2020年提取了基于网格的电池的火频率数据（Aqua和Terra的完整数据记录） 。我们仅选择了归类为植被火灾的火灾，并排除了代表活跃火山和静态土地源（例如燃气燃料）的火灾
。此外
，我们将野火与农业或结构性火灾区分开来，仅包括野生植被所占的份额在MODIS像素中所占的份额超过50％以上。我们通过将一个网格单元中的许多火灾发生为一个 ，将火灾频率数据降低为火灾 。我们定义了一个带有火势的网格电池
，为受野火影响的区域。我们使用了MODIS主动火灾数据集，因为它提供了最长的一致性在空间上明确的全局时间序列信息
。但是 ，MODIS主动的火灾数据有一些局限性
，例如，由于宽传感器的宽度为2,230 km ，这可能导致Nadir和10倍的Swath边缘之间的像素面积差异
，从而可能低估了Swath Edges 70的火灾区域。这是一个特殊的问题，因为热异常检测到活动火灾 ，如果将其归类为火灾
，则由像素的中心位置中的一个点表示 。此外，其名义像素分辨率为1,000 m可能导致小火的未检测 ，尤其是在低树木覆盖区域
。这就是为什么我们还分析了自2013年以来具有375 m空间分辨率的Viirs Active Fire产品的数据。VIIRS数据与MODIS产品相当，但由于更高的分辨率和较窄的传感器SWATH71
，因此克服了其某些挑战 。我们比较了受Viirs（2013年至2020年）或MODIS数据（2013-2020进行比较的火灾）影响的火灾区域和人口，以及我们的主要摘要统计数据）
。 　　在适用的情况下 ，我们使用基于像素的区域校正因子计算区域统计数据来调整由我们的投影系统（补充信息）引起的偏斜区域统计。 　　我们使用分层的随机样品彻底评估了全局WUI地图的准确性72 。根据我们五个类别的映射区域份额进行了验证地点：森林/灌木/湿地为主和以草原为主的Intermix以及WUI界面和非WUI
。我们基于从谷歌地球上可用的submemmemtre到仪表分辨率卫星图像的视觉解释得出的专家参考数据
，对六个世界区域中的每个区域进行了独立验证。 　　根据参考 。72，所需验证站点的数量基于每个验证的I类 ，目标用户的准确性UI和估计总体准确性的目标标准误差的映射区域比例WI（等式（1））
。 　　每个世界地区都绘制了n个地点的数量。然后将站点平均分配给五个类别 。分布的一类区域比例将具有复杂的数据处理
，因为非WUI预计将是迄今为止的主要类别。根据目标用户的准确性为0.75，目标标准误差为0.01 ，验证站点的总数为每个世界区域1,504
，即每个世界区域和类别300或301
。这些位点在各个地层内随机绘制（扩展数据图5）。 　　区分WUI与非WUI类别的总体调整映射精度为82.1％（扩展数据图6） 。分别评估所有五个类别时，该面积调整后的总体准确性均为79.6％
。班级用户和生产商的准确性范围很大 ，而没有区域调整的整体精度也是如此（补充数据a）。面积调整的准确性在很大程度上受到高面积份额和非WUI类的高度准确性的影响
，而所有WUI课程在全球范围内都有较小的区域份额 。整体准确性在世界区域之间仅略有不同（在五到十个百分点之间），没有明确的重复模式
。不同解释者之间的总体准确性与相似的边缘不同。在验证过程中 ，只有3％将所有验证点标记为“不确定” 。WUI地图的质量在很大程度上是基础土地覆盖数据质量的函数
。例如，尽管ESA WorldCover产品的总体准确性总体上很高
，但用户的灌木丛的准确性（WUI映射的主要土地覆盖类型之一）仅为39％（参考文献59）。WUI地图的质量也取决于建筑数据的质量 。但是，我们发现 ，由于WUI仅需要高于最低建筑物密度阈值
，甚至在具有散落建筑物的区域中，通常不会导致WUI错过
。另一方面 ，在错过小隔离建筑物的地区
，映射的WUI区域也不会受到很大的影响，因为即使正确绘制了映射 ，这种孤立的建筑物也不会形成WUI。 　　我们还将我们的全球WUI地图与以前基于人口普查和基于建筑物的基于位置的WUI地图进行了比较
，在美国的整个WUI区域中发现了很高的一致性（Pearson的相关性为0.80）（扩展数据图7a） 。在人口稠密的东北州（例如，康涅狄格州 ，马萨诸塞州
，新泽西州和罗德岛州）中，我们发现WUI地区比基于人口普查和建筑物的基于位置的方法要多得多。在大多数其他州 ，我们的WUI地区估计值非常接近或略高于基于人口普查的方法的估计，并且略低于基于建筑物的方法
。我们还将我们的地图结果与来自36个欧洲国家 /地区的两项研究的数据进行了比较。27（所有国家 /地区的r = 0.94）
，并与参考文献一致 。20（r = 0.55）（扩展数据图7b）
。但是，在欧洲 ，我们始终比这两项研究绘制更多的WUI。与参考73
，我们绘制了更多WUI，因为接口映射的距离阈值更大（2.4 km对0.6 km）和参考 。20将WUI定义为围绕建筑物覆盖物（200 m缓冲液）和植被（400 m缓冲液）的缓冲液的重叠 ，这导致WUI少得多
。 　　我们根据在美国开发的WUI的定义建立了WUI地图
，该定义最初在其他世界地区成功应用（例如，Argentina23,74和Poland21） ，但是
，WUI地图取决于绘制标准，尤其是在计算构建密度的范围和较大蔬菜时所考虑的绘制标准 ，尤其是在构建范围时所考虑的。先前的灵敏度分析证实了我们选择的参数的一般适用性
，即对密度计算的500 m半径，距离大植被斑块的距离为2,400 m 。在美国 ，小于500 m的半径使所得的WUI地图对基础建筑数据集中的佣金或遗漏错误高度敏感，而较大的半径则导致WUI面积的变化很小
。在欧洲
，将WUI界面限制在较大植被斑块600 m以内的区域时，WUI面积降低了25％ ，而基于任一距离的WUI面积估计值高度相关（R²= 0.94；参考文献73）。由于没有针对全球大部分地区发布的WUI映射阈值
，因此我们决定采用全球最成熟的方法，但承认进一步占地的区域性研究的价值 。 　　WUI中的野火区和受MODIS主动火灾和Viirs Active Fire数据集影响的野火区域的比较表现出非常相似的模式
。在全球范围内 ，根据MODIS（2013-2020）的说法
，野火地区的3.1％在WUI中，而Viirs（2013- 2020年）为3.5％ ，在任何世界地区
，差异均小于2.6个百分点。略有区别可能是由于Viirs捕获较小的火灾并可能在MODIS SWATH边缘的区域发生更多火灾的能力（有关BIOME，地区 ，国家
，国家和统一行政部门的更详细信息和比较） 。