近日，中国科学院空天信息创新研究院（空天院）遥感与数字地球全国重点实验室研究员倪文俭团队在北方森林（泰加林）火灾年际动态监测方面取得新进展。研究团队提出了一套融合MODIS火灾产品与Sentinel-2时间序列影像的自动化林火识别算法（BS2BAM），构建了2020至2024年覆盖全球泰加林的10米分辨率逐年林火数据集，显著提升了北方森林火灾监测的精度与时效性。

泰加林是北半球面积最广的森林生态系统，约占全球森林面积的30%，在全球碳循环中扮演着关键角色。受极地增暖影响，北方高纬度地区近年变暖速度加快，野火活动日益频繁，已成为泰加林碳汇能力被抵消的主要驱动因素。现有覆盖全泰加林范围的逐年林火产品大多基于30米分辨率的Landsat影像生成，受限于较低的重访频率，在云雪覆盖、晚季火灾等条件下容易出现烧毁区域遗漏和年份错配等问题，制约了对北方森林火灾年际动态及碳收支的准确评估。此外，现有产品的训练样本普遍依赖人工目视解译生成，制作成本高、耗时长，也给大范围长时序的产品制作带来了挑战。

为此，研究团队提出了一套自动化训练样本提取林火制图方法。该方法充分利用2023年加拿大发生的森林特大火灾事件，基于MODIS火灾产品与燃烧光谱指数自动提取确认燃烧与未燃烧样本，摆脱了对人工解译训练样本的依赖。在此基础上，研究团队构建了随机森林燃烧概率模型，并结合区域生长方法对烧毁边界进行精细化提取，进而将模型外推应用于2020至2024年整个泰加林范围的逐年林火制图，最终生成10米分辨率逐年林火数据集。独立验证结果显示，与现有火灾数据集Global forest loss due to fire（Fire_GFL）相比，BS2BAM将遗漏误差从30.82%降低至15.98%，Dice系数由73.39%提升至86.73%，总体精度达到98.09%。

研究结果显示，2020至2024年间，泰加林野火活动高度集中于少数热点区域：2021年西伯利亚中部和2023年北美洲北部森林分别遭受了最为严重的两次大规模火灾事件，其中2023年的过火面积超过1100万公顷，是研究期内最为严重的火灾年份。与现有数据集相比，BS2BAM能够更准确识别上述两次重大火灾事件的发生年份与空间格局，为研究北方森林野火年际动态及其对碳循环的影响提供了更可靠的数据基础

相关研究成果以“Interannual Dynamics of Boreal Forest Wildfires (2020–2024) Derived from MODIS-Constrained Sentinel-2 Burned-Area Mapping”为题于2026年6月发表在《International Journal of Applied Earth Observation and Geoinformation》上。该研究得到国家重点研发计划项目“陆气相互作用关键要素的卫星定量遥感反演”支持。

论文链接：https://doi.org/10.1016/j.jag.2026.105389

BS2BAM产品通过Zenodo平台公开共享：https://zenodo.org/records/19349493

2020至2024年北方森林野火烧毁面积密度分布图