近日，我校工学院生物多样性智慧监测科研团队在活可燃物含水率预测研究方面取得新进展。

　　活可燃物含水率(Live Fuel Moisture Content，LFMC)，是植被含水量与其干重的比率，已被证明是植物可燃性和火灾行为的主要驱动因素，是影响野火发生和传播的重要指标。因此准确、动态预测LFMC，掌握活可燃物的时空特征，对于火灾风险评估和火灾行为的空间建模至关重要。利用深度学习方法基于遥感数据有利于实现大时空尺度的LFMC预测，是目前较为前沿的LFMC预测方法。

　　我校工学院生物多样性智慧监测科研团队提出了一种融合多源遥感数据的集成深度学习模型。该集成模型以中分辨率成像光谱仪（MODIS）、Landsat、Sentinel以及包括地形、土壤、植被结构的辅助数据等多源遥感数据为输入，并融合了LSTM、TCN和 TCN-LSTM，可以更好地捕捉植被水分随时间的动态变化，进一步提高了LFMC预测准确率。

　　上述研究成果在遥感领域高水平期刊Remote sensing（二区，IF: 5.349 (2021)）上发表，题目为《Retrieval of Live Fuel Moisture Content Based on Multi-Source Remote Sensing Data and Ensemble Deep Learning Model》。工学院生物多样性智慧监测科研团队教师谢将剑副教授为该论文第一作者，北京林业大学为唯一完成单位，本研究得到了国家重点研发计划(2020YFC1511601)和中央高校基本科研业务费 (2021ZY70)等项目的资助。

　　文章链接：https://doi.org/10.3390/rs14174378