全 文 ：我国北方针叶林人为火发生的预测模型∗
郭福涛１　 苏漳文１　 王光玉２　 王　 强３　 孙　 龙３∗∗　 杨婷婷１
（ １福建农林大学林学院， 福州 ３５０００２； ２加拿大不列颠哥伦比亚大学林学院， 温哥华 Ｖ６Ｔ １Ｚ４； ３ 东北林业大学林学院， 哈尔
滨 １５００４０）
摘　 要　 我国北方针叶林带是重要的森林资源储藏地，也是林火发生的重灾区，其自然火和
人为火所占比例相当． 气象因子、地形特征、植被条件、人为基础设施等因素对人为火发生具
有显著影响，国内目前应用空间分析技术对北方针叶林带人为火影响因子的研究还存在一定
不确定性． 本文基于 １９７４—２００９年间人为火的空间地理坐标，结合研究地的气象因子、基础
地理信息及矢量化林相图，应用 ＡｒｃＧＩＳ １０．０中的空间分析工具和 ＳＰＳＳ １９．０的逻辑斯蒂回归
模型对影响人为火发生的主要驱动因子进行分析，并建立人为火发生的概率模型． 利用 ＨＡＤ⁃
ＣＭ２模式下研究区域未来气象数据对塔河地区 ２０１５ 年人为火发生情况进行计算．结果表明：
距离铁路距离（ｘ１）和平均相对湿度（ｘ２）对研究区域人为火发生具有显著影响，并得到火险概
率模型 Ｐ＝ １ ／ ［１＋ｅ－（３．０２６－０．０００１１ｘ１－０．０４７ｘ２）］ ． 模型校验结果显示，模型的准确度可达到 ８０％．林火发
生预测结果表明，塔河地区 ２０１５年 ４—６月、８ 月为人为火高发期，其中，４—５ 月的林火发生
概率最高．从火险空间分布来看，高火险主要集中在塔河西部和西南部，铁路线路主要包含在
此区域．
关键词　 北方针叶林； 人为火； 逻辑斯蒂回归； 空间分析
文章编号　 １００１－９３３２（２０１５）０７－２０９９－０８　 中图分类号　 Ｓ７６２．２　 文献标识码　 Ａ
Ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｏｆ ｈｕｍａｎ⁃ｃａｕｓｅｄ ｆｉｒｅ ｏｃｃｕｒｒｅｎｃｅ ｉｎ ｔｈｅ ｂｏｒｅａｌ ｆｏｒｅｓｔ ｏｆ ｎｏｒｔｈｅｒｎ Ｃｈｉｎａ．
ＧＵＯ Ｆｕ⁃ｔａｏ１， ＳＵ Ｚｈａｎｇ⁃ｗｅｎ１， ＷＡＮＧ Ｇｕａｎｇ⁃ｙｕ２， ＷＡＮＧ Ｑｉａｎｇ３， ＳＵＮ Ｌｏｎｇ３， ＹＡＮＧ Ｔｉｎｇ⁃ｔｉｎｇ１
（ １Ｃｏｌｌｅｇｅ ｏｆ Ｆｏｒｅｓｔｒｙ， Ｆｕｊｉａｎ Ａｇｒｉｃｕｌｔｕｒｅ ａｎｄ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ， Ｆｕｚｈｏｕ ３５０００２， Ｃｈｉｎａ； ２Ｆａｃｕｌｔｙ
ｏｆ Ｆｏｒｅｓｔｒｙ， Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｂｒｉｔｉｓｈ Ｃｏｌｕｍｂｉａ， Ｖａｎｃｏｕｖｅｒ Ｖ６Ｔ １Ｚ４， Ｃａｎａｄａ； ３Ｓｃｈｏｏｌ ｏｆ Ｆｏｒｅｓｔｒｙ， Ｕｎｉ⁃
ｖｅｒｓｉｔｙ ｏｆ Ｎｏｒｔｈｅａｓｔ Ｆｏｒｅｓｔｒｙ， Ｈａｒｂｉｎ １５００４０， Ｃｈｉｎａ） ． ⁃Ｃｈｉｎ． Ｊ． Ａｐｐｌ． Ｅｃｏｌ．， ２０１５， ２６（７）： ２０９９－
２１０６．
Ａｂｓｔｒａｃｔ： Ｔｈｅ Ｃｈｉｎｅｓｅ ｂｏｒｅａｌ ｆｏｒｅｓｔ ｉｓ ａｎ ｉｍｐｏｒｔａｎｔ ｆｏｒｅｓｔ ｒｅｓｏｕｒｃｅ ｉｎ Ｃｈｉｎａ． Ｈｏｗｅｖｅｒ， ｉｔ ｈａｓ ｂｅｅｎ
ｓｕｆｆｅｒｉｎｇ ｓｅｒｉｏｕｓ ｄｉｓｔｕｒｂａｎｃｅｓ ｏｆ ｆｏｒｅｓｔ ｆｉｒｅｓ， ｗｈｉｃｈ ｗｅｒｅ ｃａｕｓｅｄ ｅｑｕａｌｌｙ ｂｙ ｎａｔｕｒａｌ ｄｉｓａｓｔｅｒｓ （ｅ．ｇ．，
ｌｉｇｈｔｎｉｎｇ） ａｎｄ ｈｕｍａｎ ａｃｔｉｖｉｔｉｅｓ． Ｔｈｅ ｌｉｔｅｒａｔｕｒｅ ｏｎ ｈｕｍａｎ⁃ｃａｕｓｅｄ ｆｉｒｅｓ ｉｎｄｉｃａｔｅｓ ｔｈａｔ ｃｌｉｍａｔｅ， ｔｏｐｏｇ⁃
ｒａｐｈｙ， ｖｅｇｅｔａｔｉｏｎ， ａｎｄ ｈｕｍａｎ ｉｎｆｒａｓｔｒｕｃｔｕｒｅ ａｒｅ ｓｉｇｎｉｆｉｃａｎｔ ｆａｃｔｏｒｓ ｔｈａｔ ｉｍｐａｃｔ ｔｈｅ ｏｃｃｕｒｒｅｎｃｅ ａｎｄ
ｓｐｒｅａｄ ｏｆ ｈｕｍａｎ⁃ｃａｕｓｅｄ ｆｉｒｅｓ． Ｂｕｔ ｔｈｅ ｓｔｕｄｉｅｓ ｏｎ ｈｕｍａｎ⁃ｃａｕｓｅｄ ｆｉｒｅｓ ｉｎ ｔｈｅ ｂｏｒｅａｌ ｆｏｒｅｓｔ ｏｆ ｎｏｒｔｈｅｒｎ
Ｃｈｉｎａ ａｒｅ ｌｉｍｉｔｅｄ ａｎｄ ｌｅｓｓ ｃｏｍｐｒｅｈｅｎｓｉｖｅ． Ｔｈｉｓ ｐａｐｅｒ ａｐｐｌｉｅｄ ｔｈｅ ｓｐａｔｉａｌ ａｎａｌｙｓｉｓ ｔｏｏｌｓ ｉｎ ＡｒｃＧＩＳ
１０．０ ａｎｄ Ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｔｏ ｉｎｖｅｓｔｉｇａｔｅ ｔｈｅ ｄｒｉｖｉｎｇ ｆａｃｔｏｒｓ ｏｆ ｈｕｍａｎ⁃ｃａｕｓｅｄ ｆｉｒｅｓ． Ｏｕｒ ｄａｔａ
ｉｎｃｌｕｄｅｄ ｔｈｅ ｇｅｏｇｒａｐｈｉｃ ｃｏｏｒｄｉｎａｔｅｓ ｏｆ ｈｕｍａｎ⁃ｃａｕｓｅｄ ｆｉｒｅｓ， ｃｌｉｍａｔｅ ｆａｃｔｏｒｓ ｄｕｒｉｎｇ ｙｅａｒ １９７４－２００９，
ｔｏｐｏｇｒａｐｈｉｃ ｉｎｆｏｒｍａｔｉｏｎ， ａｎｄ ｆｏｒｅｓｔ ｍａｐ． Ｔｈｅ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅｄ ｔｈａｔ ｄｉｓｔａｎｃｅ ｔｏ ｒａｉｌｗａｙ （ ｘ１） ａｎｄ
ａｖｅｒａｇｅ ｒｅｌａｔｉｖｅ ｈｕｍｉｄｉｔｙ （ ｘ２） ｓｉｇｎｉｆｉｃａｎｔｌｙ ｉｍｐａｃｔｅｄ ｔｈｅ ｏｃｃｕｒｒｅｎｃｅ ｏｆ ｈｕｍａｎ⁃ｃａｕｓｅｄ ｆｉｒｅ ｉｎ ｔｈｅ
ｓｔｕｄｙ ａｒｅａ． Ｔｈｅ ｌｏｇｉｓｔｉｃ ｍｏｄｅｌ ｆｏｒ ｐｒｅｄｉｃｔｉｎｇ ｔｈｅ ｆｉｒｅ ｏｃｃｕｒｒｅｎｃｅ ｐｒｏｂａｂｉｌｉｔｙ ｗａｓ ｆｏｒｍｕｌａｔｅｄ ａｓ Ｐ＝ １ ／
［１＋ｅ－（３．０２６－０．０００１１ｘ１－０．０４７ｘ２）］ ｗｉｔｈ ａｎ ａｃｃｕｒａｃｙ ｒａｔｅ ｏｆ ８０％． Ｔｈｅ ａｂｏｖｅ ｍｏｄｅｌ ｗａｓ ｕｓｅｄ ｔｏ ｐｒｅｄｉｃｔ ｔｈｅ
ｍｏｎｔｈｌｙ ｆｉｒｅ ｏｃｃｕｒｒｅｎｃｅ ｄｕｒｉｎｇ ｔｈｅ ｆｉｒｅ ｓｅａｓｏｎ ｏｆ ２０１５ ｂａｓｅｄ ｏｎ ｔｈｅ ＨＡＤＣＭ２ ｆｕｔｕｒｅ ｗｅａｔｈｅｒ ｄａｔａ．
Ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｈｉｇｈ ｒｉｓｋ ｏｆ ｈｕｍａｎ⁃ｃａｕｓｅｄ ｆｉｒｅ ｏｃｃｕｒｒｅｎｃｅ ｃｏｎｃｅｎｔｒａｔｅｄ ｉｎ ｔｈｅ
ｍｏｎｔｈｓ ｏｆ Ａｐｒｉｌ， Ｍａｙ， Ｊｕｎｅ ａｎｄ Ａｕｇｕｓｔ， ｗｈｉｌｅ Ａｐｒｉｌ ａｎｄ Ｍａｙ ｈａｄ ｈｉｇｈｅｒ ｒｉｓｋ ｏｆ ｆｉｒｅ ｏｃｃｕｒｒｅｎｃｅ
ｔｈａｎ ｏｔｈｅｒ ｍｏｎｔｈｓ． Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｐｏｓｓｉｂｉｌｉｔｙ ｏｆ ｆｉｒｅ ｏｃｃｕｒｒｅｎｃｅ， ｔｈｅ ｈｉｇｈ ｆｉｒｅ
ｒｉｓｋ ｚｏｎｅｓ ｗｅｒｅ ｍａｉｎｌｙ ｉｎ ｔｈｅ ｗｅｓｔ ａｎｄ ｓｏｕｔｈｗｅｓｔ ｏｆ Ｔａｈｅ， ｗｈｅｒｅ ｔｈｅ ｍａｊｏｒ ｒａｉｌｗａｙｓ ｗｅｒｅ ｌｏｃａｔｅｄ．
Ｋｅｙ ｗｏｒｄｓ： ｂｏｒｅａｌ ｆｏｒｅｓｔ； ｈｕｍａｎ⁃ｃａｕｓｅｄ ｆｉｒｅ； Ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ； ｓｐａｔｉａｌ ａｎａｌｙｓｉｓ．
∗福建农林大学林学院青年科学基金项目（６１１２Ｃ０３５Ｋ）、霍英东基金基础项目（１３１０２９）和黑龙江省博士后科研启动经费项目资助．
∗∗通讯作者． Ｅ⁃ｍａｉｌ： ｓｕｎｌｏｎｇ３６５＠ １２６．ｃｏｍ
２０１４⁃０８⁃１２收稿，２０１５⁃０３⁃０２接受．
应 用 生 态 学 报　 ２０１５年 ７月　 第 ２６卷　 第 ７期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， Ｊｕｌ． ２０１５， ２６（７）： ２０９９－２１０６
　 　 林火（包括雷击火和人为火）是北方针叶林中
十分重要的生态干扰因子，影响森林更新和演
替［１］， 还将直接导致森林资源损失，并大大增加森
林经营管理成本［２］ ．林火是一个全球性问题，每年有
大约 ４５０００ 次林火发生在欧洲，过火面积达到 ２６×
１０５ ｈｍ２［３］；加拿大平均每年大约发生 １００００ 次林
火，过火面积大约 ２５×１０５ ｈｍ２［４］；我国每年发生林火
大约 １００００次，年均过火面积为 ８２×１０４ ｈｍ２［５］ ．在森
林火灾中，人为火（由于人类活动或人为基础设施
而引起的火灾）占很大比重［６－７］ ．位于北美阿拉斯加
的北方针叶林带，年均人为火发生次数约占到总林
火次数的 ６０％以上，过火面积随着人为扑救措施和
技术手段的进步，近年来呈递减趋势，从 ３８％
（１９５０—１９５９年）降到 ５％（２０００—２００５ 年），但火灾
次数却一直居高不下［８］ ．我国南方地区人为火比重
也非常大，如江西、福建省人为火多在 ９０％ 以
上［９－１０］ ．但由于南方全年湿度和降水量较大，人为火
发生后如及时进行扑救，不容易造成大面积森林损
失．我国北方针叶林带（大兴安岭地区）的植被和气
候特征与加拿大及美国北方针叶林带十分相似，林
分树种组成多为针叶林，可燃性较强，春秋季节区域
气候较为干旱，一旦发生森林火灾，扑救难度很大，
容易造成大面积森林损失．研究表明，我国北方针叶
林带人为火的比重约为 ５０％～６０％［１１］ ．因此，了解该
区域人为火发生的主要影响因子， 对人为火的预测
及管理具有重要意义．
近年来国内很多学者对人为火的时空分布格
局、火源组成、人为火与气象因子的关系进行了广泛
研究， 取得了大量研究成果［１２－１７］ ．国外研究显示，除
了气象因素外，林内可燃物类型及人为基础设施等
因素对人为火的发生也具有显著影响［１８－２２］ ．综合分
析气象、可燃物、地形、人为基础设施等因素与人为
火的关系，对理解我国北方针叶林带人为火发生特
性具有重要意义，也是对该地区林火进行预测的基
础．为此，本文利用空间分析手段，探讨了大兴安岭
塔河地区人为火发生的驱动因子，并利用所获得的
驱动因子和预测模型，计算了 ２０１５年该地区防火期
内的火险分布情况．
１　 研究地区与研究方法
１􀆰 １　 研究区概况
塔河地区位于我国黑龙江大兴安岭林区（图
１），属于典型的北方针叶林带，具有植物多样性
低、乔木组成树种简单等特点，植被以兴安落叶松
图 １　 研究区域示意图
Ｆｉｇ．１　 Ｓｋｅｔｃｈ ｍａｐ ｏｆ ｔｈｅ ｓｔｕｄｙ ａｒｅａ．
（Ｌａｒｉｘ ｇｍｅｌｉｎｉｉ）林和白桦（Ｂｅｔｕｌａ ｐｌａｔｙｐｈｙｌｌａ）林为
主．该区属寒温带季风气候，年均气温－２ ～ ４ ℃，年
降水量 ３５０～ ５００ ｍｍ，相对湿度 ７０％ ～ ７５％．年积雪
期达 ５个月，林内积雪深可达 ３０ ～ ５０ ｃｍ．历史上塔
河地区是火灾多发区，人为火源和雷击火源共同存
在，从次数来说，人为火约占火灾总数的 ２ ／ ３，从面
积来说，雷击火的过火面积高于人为火．该地区雷击
火在空间尺度上多呈现聚集分布，且多集中在铁路
和居民区附近，时间尺度上多集中在 ５—９ 月，４—６
月是人为火高发期［２３－２４］ ．
１􀆰 ２　 数据获取
本文数据来源包括 ３部分，分别为林火数据、矢
量化林相图和气象数据．林火数据来源于大兴安岭
地区塔河县森林防火办公室，包括 １９７４—２００９ 年塔
河地区林火发生情况数据（起火地理坐标、起火原
因、发生时间、过火面积等）．
１􀆰 ２􀆰 １基础地理和林相数据　 研究中所需基础地理
地形图和矢量化林相图等数据来源于东北林业大学
森林经理教研室．１ ∶ １０万的基础地理图和矢量化林
相图数据库分别建于 ２０００ 和 ２００３ 年．其中，林相图
数据库精确到小班，并对林下植被类型和土壤条件
进行了很好的记录，为本研究提供了有力的数据支
持．本文参考国外相关研究［６，１８，２０，２２］，通过 ＡｒｃＧＩＳ 软
件的空间分析技术计算各火点和对照点到河流、街
区、铁路和机耕路等人为基础设施距离，以及火点和
对照点所对应的林型、坡度、坡向、地被物盖度和优
势树种等林分和地形特征．
１􀆰 ２􀆰 ２历史气象数据　 火点和随机点对应的当日气
象数据（历史数据）来源于中国气象数据共享网络
（ｈｔｔｐ： ／ ／ ｃｄｃ．ｃｍａ．ｇｏｖ． ｃｎ ／ ） ．由于空间异质性的普遍
００１２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
存在，原则上在提取研究区内火点相应的每日气象
数据时，需要对该研究区域内所有气象站点的数据
进行插值．然而，由于本研究地只有一个基础气象站
（５０２４６），无法进行区域插值．为了尽可能减少空间
异质性对每日气象数据的影响，本文利用邻近气象
站数据，对所用气象数据进行矫正．步骤如下：１）确
定了塔河附近所有国家级基础气象站的位置（５ 个
气象站覆盖了整个大兴安岭地区）（图 ２），发现如果
以塔河地区东西长度为半径画圆，作为气象站的有
效覆盖范围，则 ５０１３６（国家标准气象站号）、５０３４９、
５０３５３和 ５０４４２这 ４个气象站对塔河地区林火影响
微弱．但若以塔河气象站（５０２４６）为圆心，则火点和
随机点距离气象站点的距离有显著差异．２）为减少
偏差，我们以气象站 ５０１３６ 和 ５０２４６ 为圆心的两个
圆的切点为新站点（虚拟气象站点），其气象数据为
两个气象站的平均值．３）以新站点和 ５０２４６ 为基础，
对所有火点和随机点进行最近距离计算，火点和随
机点的气象数据将由与其最近的气象站决定．
气象数据包括 １９７４—２００９ 年的每日极大风速
等 ２２个气象因子，为保证数据的完整性，本文对气
象数据进行预处理， 将由自然灾害或监测设施损坏
等原因而缺失的气象数据进行剔除．并将使用的气
象站原始气象数据与周边气象站数据进行对比，排
查异常点，保证数据的准确性．最终确定进入分析的
气象数据包括日最低气温（℃）、日最高气温（℃）、
２４ ｈ降水量（ｍｍ）、平均风速（ｍ·ｓ－１）、平均气温
（℃）、平均水汽压（ｈＰａ）、平均相对湿度（％）、平均
气温（℃）、日照时数（ｈ）、最大风速（ｍ·ｓ－１）、最小
相对湿度（％）共 １１个气象因子．
图 ２　 塔河周边区域国家级气象站分布
Ｆｉｇ．２ 　 Ｄｉｓｔｒｉｂｕｔｉｏｎｓ ｏｆ ｎａｔｉｏｎａｌ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｓｔａｔｉｏｎｓ ａｒｏｕｎｄ
Ｔａｈｅ ｓｔａｔｉｏｎ．
１􀆰 ２􀆰 ３未来气象数据 　 为提高预测模型的准确性，
本文应用每日气象数据建立林火发生概率模型．然
而，对研究区域未来的火险形势进行预测，以月或年
为时间尺度则更具实际意义．因此，本文以每日气象
尺度建立的预测模型为基础，将每日尺度模型中涉
及的气象因子进行月尺度转化，即以月尺度气象数
据代替日尺度数据，并通过 ＡｒｃＧＩＳ 的栅格运算器，
计算出未来研究区域的每月林火发生概率．
月尺度未来气象数据来源于 ＨＡＤＣＭ２ 模式中
国区域数据集．数据包括研究区域未来降水、温度和
相对湿度情况．ＨＡＤＣＭ２ 模式是 Ｈａｄｌｅｙ 气候预测和
研究中心发展的海气耦合模型．其中，大气模式水平
分辨率为 ２．５０°×３．７５°（经度×纬度） ［２５］ ．模式模拟的
开始时间为 １８６０ 年，情景预测至 ２０９９ 年，共模拟
２４０年．在模拟过程中，１８６０—１９８９ 年温室气体排放
采用历史实测资料；自 １９９０ 年起采用 ＩＳ９２ａ 排放情
景，即温室气体排放综合效果相当于 ＣＯ２浓度（以下
简称相当 ＣＯ２浓度）逐年递增 １％．ＨＡＤＣＭ２ 中国区
域数据集建立在 ＨＡＤＣＭ２基础上，原始数据来源于
ＩＰＣＣ数据发布中心，数据为 ＧＲＩＢ 格式，先将其转
化为文本格式，提取中国区域的数据点，结合中国的
ＤＥＭ，利用 ＡＮＵＳＰＬＩＮ软件包进行空间插值．数据集
成为 ＮＥＴＣＤＦ格式，空间分辨率为 １０ ｋｍ，时间分辨
率为月．数据由南京大学国际地球系统科学研究所
编辑，通过地球系统科学数据共享平台（ｈｔｔｐ： ／ ／ ｇｅｏ⁃
ｄａｔａ．ｎｊｕ． ｅｄｕ． ｃｎ ／ Ｐｏｒｔａｌ ／ ｉｎｄｅｘ． ｊｓｐ）提供．已有研究表
明，ＨＡＤＣＭ２模式较好地模拟了中国区域地面气温
和降水的分布特征［２６－２８］ ．
１􀆰 ３　 数据处理
１􀆰 ３􀆰 １火点与对照点的创建及空间属性提取　 应用
逻辑斯蒂回归模型对人为火发生的概率及驱动因子
进行分析．根据模型使用原理（二项逻辑斯蒂模型原
理介绍）需要随机创建一定数量（通常大于等于火
点数量）的对照点与火点一同进行模型拟合．对照点
的创建追寻时间和空间上的双向随机原则，对照点
创建后，按对照点的具体时间提取相应的气象因子，
同时根据对照点的空间地理坐标提取林型、坡度、到
铁路距离等地形和植被因子，并建立对照点及影响
因子数据库．对照点的创建数量或比例，国际上并没
有统一标准．有学者按照指定时间范围内平均火点
数量选取非火点［２４］，也有学者以非火点之间的最小
距离为标准在整个研究区域内选取随机点［２５］ ．这些
方法各有利弊，但对照点的“随机性”是选择的基本
原则．此外，由于实际情况往往是研究区域的火点空
１０１２７期　 　 　 　 　 　 　 　 　 　 　 　 　 　 郭福涛等： 我国北方针叶林人为火发生的预测模型　 　 　 　 　 　
间分布少于或大大少于对照点，所以在随机选取对
照点时，其数量通常不能低于火点数量，以反映林火
发生的客观规律．本文按照火点与随机点 １ ∶ ２ 的原
则选取对照点，共统计得到样本 １５０个．
根据火点和对照点的时间提取相对应的气象因
子，并应用 ＡｒｃＧＩＳ １０．０对火点和对照点与基础地理
和林相图数据进行空间分析，计算火点及对照点到
河流面、街区、铁路、机耕路及等级公路的距离．并将
林相图中的字符型变量进行属性转换以便进行统计
分析，包括坡向、林型、经营措施和林下优势树种．此
外，坡度级、地被物盖度、龄级和郁闭度也是本文考
虑的因子，但由于其本身以数值型记录，因此不需要
进行属性转换．通过对时间和空间的信息提取，建立
人为火点及影响因子的数据库．
１􀆰 ３􀆰 ２建模应用数据的特征描述与分析　 本文通过
定位火点、对照点、河流面、街区、铁路、机耕路、等外
公路及等级公路的空间分布（图 ３），运用 ＡｒｃＧＩＳ 栅
格计算器计算火点和对照点到河流等其他设施的距
离．并将火点和对照点图层与林相图属性图层进行
叠加运算，合并各图层属性．同时根据火点和对照点
的时间选取对应的气象因子，建立数据属性数据库．
１􀆰 ３􀆰 ３模型拟合及优度检验 　 二项逻辑斯蒂模型
（Ｌｏｇｉｓｔｉｃ）是目前被广泛应用于林火发生概率模型
研究的方法［２１，２９－３１］ ．在 Ｌｏｇｉｓｔｉｃ 回归模型中，对两类
判别问题进行取值．第一类为有林火发生，记为 ｙ ＝
１，第二类为无林火发生，记为 ｙ＝ ０．根据指标可以建
立 ＬｏｇｉｔＰ关于自变量（气象因子、相关林相属性及
火点到河流、铁路、公路等设施的距离）的 Ｌｏｇｉｓｔｉｃ
回归方程：
ＬｏｇｉｔＰ＝ ｂ０＋ｂ１ｘ１＋ｂ２ｘ２＋…＋ｂｍｘｍ （１）
图 ３　 火点、对照点、河流及其他人为基础设施空间分布
Ｆｉｇ． ３ 　 Ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎｓ ｏｆ ｆｉｒｅ ｐｏｉｎｔｓ， ｒａｎｄｏｍ ｃｏｎｔｒｏｌ
ｐｏｉｎｔｓ， ｒｉｖｅｒｓ ａｎｄ ｏｔｈｅｒ ｉｎｆｒａｓｔｒｕｃｔｕｒｅｓ ｉｎ ｔｈｅ ｓｔｕｄｙ ａｒｅａ．
得到概率估计公式：
Ｐ＝ ｅ
ｂ０＋ｂ１ｘ１＋ｂ２ｘ２＋…＋ｂｍｘｍ
１＋ｅｂ０＋ｂ１ｘ１＋ｂ２ｘ２＋…＋ｂｍｘｍ
本文根据估计概率进行判别归类，并计算模型
的预测准确率．以往在运用逻辑斯蒂分析林火发生
概率的研究中，通常以 ０．５ 为临界值，认为高于 ０．５
就有林火发生，低于 ０．５ 则无林火发生．但此种临界
值多为主观选择，缺少统计支持．因此，有学者运用
医学领域用来判断肿瘤是否发生的约登指数，来判
断林火发生的最佳临界值［３１－３３］ ．约登指数 ＝敏感性
（ｓｅｎｓｉｔｉｖｉｔｙ）＋特异性（ ｓｐｅｃｉｆｉｃｉｔｙ ） －１，其中，敏感性
为把实际为真值的判断为真值的概率，特异性为把
实际为假值的判断为假值的概率．一般来说，以约登
指数最大，即（敏感性＋特异性－１）达到最大所对应
的值为最佳诊断界值．本文将数据随机分为 ７０％和
３０％两部分，分别用来建模和验证．
此外，本文应用 ＲＯＣ（ ｒｅｃｅｉｖｅｒ ｏｐｅｒａｔｉｎｇ ｃｈａｒａｃ⁃
ｔｅｒｉｓｔｉｃ） ［３４］检验方法对逻辑斯蒂模型进行拟合优度
分析．ＲＯＣ曲线用于二分类判别效果的分析与评价，
一般自变量为连续变量，因变量为二分类变量．基本
原理是：通过判断点（ ｃｕｔｏｆｆ ｐｏｉｎｔ ／ ｃｕｔｏｆｆ ｖａｌｕｅ）的移
动，获得多对敏感性和误判率（１－特异性），以敏感
性为纵轴，以误判率为横轴，连接各点绘制曲线，然
后计算曲线下的面积（ａｒｅａ ｕｎｄｅｒ ｔｈｅ ｃｕｒｖｅ，ＡＵＣ），
面积取值范围为 ０～１，越接近 １ 说明判断价值越高．
本研究应用 ＳＰＳＳ １０．０软件进行建模和模型评估．
１􀆰 ３􀆰 ４研究区域未来火险分布　 根据建模结果， 结
合 ＨＡＤＣＭ２ 模式下中国 ２０１５ 年的月平均气象数
据，应用 ＡｒｃＧＩＳ 的图层运算功能计算出研究区域
２０１５年的林火概率分布图．
２　 结果与分析
２􀆰 １　 模型拟合结果及校验
２􀆰 １􀆰 １模型拟合结果　 本文对火点和对照点进行二
元逻辑斯蒂回归拟合．模型的全变量拟合（全模型）
结果显示，模型整体拟合结果 Ｒ２为 ０．５２３，模型参数
拟合结果显示距铁路距离、日平均相对湿度、日平均
气温和日最高气温与人为火发生之间均表现出显著
相关性（Ｐ＜０．０５），而其他自变量因子在全模型中与
人为火发生之间并未表现出显著相关（表 １）．此外，
本文应用向后逐步回归法，将不显著变量逐一从全
模型中剔除，最后得到最优模型（剔除不显著自变
量后的模型）．最优模型整体拟合度指标 Ｒ２ 为
０􀆰 ４８１，模型中距离铁路距离和平均相对湿度仍然表
２０１２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
表 １　 逻辑斯蒂全模型的参数拟合
Ｔａｂｌｅ １　 Ｐａｒａｍｅｔｅｒｓ ｅｓｔｉｍａｔｉｏｎ ｏｆ Ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ ｆｕｌｌ ｍｏｄｅｌ
自变量因子
Ｉｎｄｅｐｅｎｄｅｎｔ ｖａｒｉａｂｌｅ
估值系数
Ｅｓｔｉｍａｔｉｏｎ
ｃｏｅｆｆｉｃｉｅｎｔ
标准误
ＳＥ
Ｗａｌｄ卡方值
Ｗａｌｄ ｃｈｉ⁃
ｓｑｕａｒｅ ｖａｌｕｅ
Ｐ
常量 Ｃｏｎｓｔａｎｔ －５．５１２ ８１．８９５ ０．００５ ０．９４６
地理及人为 到河流面距离 Ｄｉｓｔａｎｃｅ ｔｏ ｒｉｖｅｒ ０．００３×１０－３ ０．００９×１０－３ ０．００１ ０．９７３
基础设施因素 到街区距离 Ｄｉｓｔａｎｃｅ ｔｏ ｒｅｓｉｄｅｎｔｉａｌ ａｒｅａ －０．００８×１０－３ ０．０１１×１０－３ ０．５３０ ０．４６７
Ｇｅｏｇｒａｐｈｉｃａｌ ａｎｄ ｈｕｍａｎ 到铁路距离 Ｄｉｓｔａｎｃｅ ｔｏ ｒａｉｌｗａｙ －０．０１６×１０－３ ０．００５×１０－３ ８．６１２ ０．００３
ｉｎｆｒａｓｔｒｕｃｔｕｒｅ ｆａｃｔｏｒｓ 到机耕路距离 Ｄｉｓｔａｎｃｅ ｔｏ Ｊｉｇｅｎｇ Ｒｏａｄ －０．００８×１０－３ ０．０１１×１０－３ ０．５３３ ０．４６５
到等级公路距离 Ｄｉｓｔａｎｃｅ ｔｏ Ｄｅｎｇｊｉ Ｒｏａｄ ０．００６×１０－３ ０．０１１×１０－３ ０．３３１ ０．５６５
坡度 Ｓｌｏｐｅ －０．３６２ １．０３０ ０．１２４ ０．７２５
坡向 Ａｓｐｅｃｔ －０．１８２ ０．２２６ ０．６５０ ０．４２０
可燃物因子 腐质层厚度 Ｄｅｐｔｈ ｏｆ ｈｕｍｕｓ ｌａｙｅｒ ３．２２７ １．７８０ ３．２８５ ０．０７０
Ｆｕｅｌ ｆａｃｔｏｒｓ 地被物盖度 Ｃｏｖｅｒａｇｅ ｏｆ ｌｉｔｔｅｒ －０．０５７ ０．０３０ ３．５９１ ０．０５８
林型 Ｆｏｒｅｓｔ ｔｙｐｅ －０．７７１ ０．４８６ ２．５１０ ０．１１３
经营措施 Ｍａｎａｇｅｍｅｎｔ ｍｅａｓｕｒｅ －０．６０３ １．００８ ０．３５８ ０．５５０
优势树种 Ｄｏｍｉｎａｎｔ ｔｒｅｅ －０．２３１ ０．５４７ ０．１７９ ０．６７３
龄级 Ｔｒｅｅ ａｇｅ －０．５５２ ０．４００ １．９０５ ０．１６８
郁闭度 Ｃａｎｏｐｙ ５．５９９ ３．２５５ ２．９５９ ０．０８５
气象因子 ２０：００—２０：００降水量 ２０：００－２０：００ ｐｒｅｃｉｐｉｔａｔｉｏｎ ０．０２８ ０．０３４ ０．６６２ ０．４１６
Ｗｅａｔｈｅｒ ｆａｃｔｏｒｓ 日平均气压 Ｄａｉｌｙ ａｖｅｒａｇｅ ａｉｒ ｐｒｅｓｓｕｒｅ ０．０１５×１０－２ ０．００８ ０．０３２×１０－２ ０．９８６
日平均风速 Ｄａｉｌｙ ａｖｅｒａｇｅ ｗｉｎｄ ｓｐｅｅｄ ０．１１０ ０．０６０ ３．３２５ ０．０６８
日平均气温 Ｄａｉｌｙ ａｖｅｒａｇｅ ｔｅｍｐｅｒａｔｕｒｅ －０．１０８ ０．０４２ ６．５８３ ０．０１２
日平均相对湿度 Ｄａｉｌｙ ａｖｅｒａｇｅ ｒｅｌａｔｉｖｅ ｈｕｍｉｄｉｔｙ －０．０３５ ０．０５１ ０．４６７ ０．０４６
日照时数 Ｓｕｎｓｈｉｎｅ ｈｏｕｒｓ ０．０３９ ０．０１９ ３．９７８ ０．４９４
日最低气温 Ｄａｉｌｙ ｍｉｎｉｍｕｍ ｔｅｍｐｅｒａｔｕｒｅ ０．０３５ ０．０２１ ２．６７６ ０．１０２
日最高气温 Ｄａｉｌｙ ｍａｘｉｍｕｍ ｔｅｍｐｅｒａｔｕｒｅ ０．０７８ ０．０２７ ８．５４７ ０．００３
日最大风速 Ｄａｉｌｙ ｍａｘｉｍｕｍ ｗｉｎｄ ｓｐｅｅｄ －０．０３７ ０．０３６ １．０４８ ０．３０６
日最小相对湿度 Ｄａｉｌｙ ｍｉｎｉｍｕｍ ｒｅｌａｔｉｖｅ ｈｕｍｉｄｉｔｙ －０．０３３ ０．０５７ ０．３３０ ０．５６６
现出与人为火发生有显著相关性，此外这两个变量
的显著性水平较全模型平均明显提高（表 ２）．
建模数据 （ ７０％）和校验数据 （ ３０％）的模型
ＲＯＣ曲线（图 ４）下面积（ＡＵＣ）值分别为 ０．８４７ 和
０􀆰 ９１４，且显著性水平 Ｐ＜０．０００１（表 ３），说明本文建
立的逻辑斯蒂模型具有统计学意义且拟合效果较
好．人为火发生概率（Ｐ）模型为：
Ｐ＝ １ ／ ［１＋ｅ－（３．０２６－０．０００１１ｘ１－０．０４７ｘ２）］ （３）
式中：ｘ１、ｘ２分别为距离铁路距离和平均相对湿度．
２􀆰 １􀆰 ２ 模型预测准确度检验　 本文根据约登指数计
表 ２　 逻辑斯蒂最优模型的参数拟合
Ｔａｂｌｅ ２　 Ｐａｒａｍｅｔｅｒｓ ｅｓｔｉｍａｔｉｏｎ ｏｆ Ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ ｂｅｓｔ
ｍｏｄｅｌ
自变量因子
Ｉｎｄｅｐｅｎｄｅｎｔ ｖａｒｉａｂｌｅ
估值系数
Ｅｓｔｉｍａｔｉｏｎ
ｃｏｅｆｆｉｃｉｅｎｔ
标准误差
ＳＥ
Ｗａｌｄ卡方值
Ｗａｌｄ ｃｈｉ⁃
ｓｑｕａｒｅ ｖａｌｕｅ
Ｐ
常量 Ｃｏｎｓｔａｎｔ ３．０２６ １．０５０ ８．３０３ ０．００４
距铁路距离
Ｄｉｓｔａｎｃｅ ｔｏ ｒａｉｌｗａｙ
－０．０００１ ０ １５．２５６ ＜０．０００１
日平均相对湿度
Ｄａｉｌｙ ａｖｅｒａｇｅ ｒｅｌａｔｉｖｅ
ｈｕｍｉｄｉｔｙ
－０．０４７ ０．０１７ ７．５１７ ０．００６
算出最佳临界值为 ０．２７８，以此为基础检验模型的预
测准确率．结果表明，模型建模数据（７０％）部分的整
体预测准确率为 ７９．１％，校验数据（３０％）部分的预
测准确率为 ８０．０％（表 ４），说明模型具有较好的预
测能力．
２􀆰 ２　 研究区域林火发生概率分布
根据模型拟合结果，通过 ＨＡＤＣＭ２ 模式下研究
区域 ２０１５ 年的月平均相对湿度和平均气温，应用
ＡｒｃＧＩＳ的图层运算功能计算出塔河地区 ２０１５ 年防
火期（３—１１月）各月的林火概率分布．由图 ５ 可以
看出，塔河地区 ２０１５年人为火发生概率较高的月份
为 ４—６月和８月，其中，４、５月是林火高发期 ．从空
表 ３　 ＡＵＣ检验结果
Ｔａｂｌｅ ３　 Ｒｅｓｕｌｔ ｏｆ ＡＵＣ ｔｅｓｔ
数据类型
Ｄａｔａ ｔｙｐｅ
面积
Ａｒｅａ
标准误差
ＳＥ
Ｐ ９５％置信区间
９５％ ｃｏｎｆｉｄｅｎｃｅ ｉｎｔｅｒｖａｌ
下限
Ｕｐｐｅｒ
上限
Ｌｏｗｅｒ
建模数据
Ｂｕｉｌｄｉｎｇ ｄａｔａ
０．８４７ ０．０４４ ＜０．００１ ０．７６０ ０．９３４
校验数据
Ｖａｌｉｄａｔｉｏｎ ｄａｔａ
０．９１４ ０．０４５ ＜０．００１ ０．８２５ １
３０１２７期　 　 　 　 　 　 　 　 　 　 　 　 　 　 郭福涛等： 我国北方针叶林人为火发生的预测模型　 　 　 　 　 　
表 ４　 基于最佳临界值的林火建模数据（７０％）和校验数据（３０％）预测准确率
Ｔａｂｌｅ ４　 Ｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ｂｕｉｌｄｉｎｇ ｄａｔａ （７０％） ａｎｄ ｖａｌｉｄａｔｉｏｎ ｄａｔａ （３０％） ｂａｓｅｄ ｏｎ ｃｕｔｏｆｆ ｖａｌｕｅ
观测值
Ｏｂｓｅｒｖｅｄ ｖａｌｕｅ
预测值 Ｐｒｅｄｉｃｔｅｄ ｖａｌｕｅ
建模数据 Ｂｕｉｌｄｉｎｇ ｄａｔａ （７０％）
火点 Ｆｉｒｅ
０ １
预测准确率
Ｐｅｒｃｅｎｔａｇｅ ｃｏｒｒｅｃｔ
校验数据 Ｖａｌｉｄａｔｉｏｎ ｄａｔａ （３０％）
火点 Ｆｉｒｅ
０ １
预测准确率
Ｐｅｒｃｅｎｔａｇｅ ｃｏｒｒｅｃｔ
火点 Ｆｉｒｅ ０ ５９ １８ ７６．６ ２８ ７ ８０．０
１ ４ ２４ ８５．７ ２ ８ ８０．０
总预测准确率 Ｏｖｅｒａｌｌ ｐｅｒｃｅｎｔａｇｅ （％） ７９．１ ８０．０
图 ４　 模型的 ＲＯＣ拟合曲线
Ｆｉｇ．４　 ＲＯＣ ｃｕｒｖｅ ｏｆ Ｌｏｇｉｓｔｉｃ ｍｏｄｅｌ．
ａ）７０％拟合数据的计算结果 Ｒｅｓｕｌｔ ｏｆ ｂｕｉｌｄｉｎｇ ｄａｔａ （７０％）； ｂ）３０％
校验数据的计算结果 Ｒｅｓｕｌｔ ｏｆ ｖａｌｉｄａｔｉｏｎ ｄａｔａ （３０％）．
间分布来看，高火险区将集中分布在南部和西南部，
也是铁路主要分布区．
３　 讨　 　 论
本文应用塔河地区历年人为火信息数据，结合
研究地气象、基础地理信息及矢量化林相图，应用
ＡｒｃＧＩＳ １０．０和 ＳＰＳＳ １９．０等工具，通过空间分析、图
层叠加、属性转换、逻辑斯蒂回归模型运算等一系列
手段，分析了对我国北方针叶林带人为火发生有显
著影响的驱动因子．结果显示，距离铁路距离和平均
相对湿度对人为火发生有显著影响．本文根据逻辑
斯蒂模型结果，运用 ＨＡＤＣＭ２模式下研究区域的未
来月平均气象因子，对大兴安岭塔河地区 ２０１５ 年逐
月人为火发生概率分布进行预测，结果显示，２０１５
年 ６—９月为人为火高发期且主要集中在塔河南部
沿铁路沿线．
图 ５　 研究区域 ２０１５年火险期人为火发生概率
Ｆｉｇ．５　 Ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｈｕｍａｎ⁃ｃａｕｓｅｄ ｆｉｒｅ ｄｕｒｉｎｇ ｆｉｒｅ ｓｅａｓｏｎ ｏｆ ２０１５ ｉｎ ｔｈｅ ｓｔｕｄｙ ａｒｅａ．
４０１２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
　 　 本文主要研究结论与 Ｃａｒｄｉｌｌｅ 等［６］在北美针叶
林带所进行的研究结论相似，他们的研究指出，铁路
密度对研究区域人为火有显著影响．Ｍａｉｎｇｉ 等［１９］在
美国肯塔西州的研究结果表明，到公路距离和公路
密度与人为火发生显著相关，这也说明了人为基础
设施的空间分布对人为火的重要影响．此外，本文关
于平均相对湿度是人为火发生主要驱动因子的结论
也与其他相关研究一致［３５］ ．
由于数据本身的局限性，我们只获得 ２００３ 年的
塔河地区矢量林相图．本研究假设塔河地区在
１９７４—２００９年间主要林型的空间分布保持一致．实
际上塔河地区每年（尤其 １９７４—１９９６ 年）都会进行
计划采伐，采伐形式多为择伐和抚育间伐，主伐比例
相对较小．择伐和抚育间伐通常不会改变群落优势
树种，而主伐后区域补植多以采伐树种为主，因此本
研究的假设在一定程度上具有合理性．但更多连续
时间梯度上的塔河地区矢量林相图，可以更准确地
反映林型的动态变化，进而提高预测模型的精度，这
也需要研究团队进一步深入研究．此外，由于塔河地
区属于我国北方林区，受林地规划因素影响，林区的
道路、铁路发展相对比较平缓，因此本研究假设林区
铁路、道路在空间分布上保持相对稳定．
本研究主要选取气象因子及一些人为基础设施
为研究对象，与国外同类研究相比［６，１９－２１］，本文没有
考虑当地人口密度、ＧＤＰ 等经济发展因素，主要由
于我国公开的 ＧＤＰ 或人口密度等统计数据的最小
尺度单位为县，而本研究区域位于塔河县内， 因此
无法体现出空间异质性， 进而无法同其他因子进行
分析．目前关于林火与影响因子的空间分析研究，主
要有网格取点和随机取点两种方式．网格取点指对
研究区域进行网格化，规定网格大小．每个网格代表
一个火点或对照点（非火点），如果网格面积大（如
５ ｋｍ×５ ｋｍ），那么坡向、林型等因子将不具备唯一
性，没有办法考虑进模型拟合中，若网格面积小（如
１ ｋｍ×１ ｋｍ 或更小），则会出现对照点与火点比例严
重失衡现象，会导致模型拟合的偏差，从而无法判断
影响因子．因此，在火点和非火点比例失衡的情况
下，随机选取对照点是一个比较好的选择．
参考文献
［１］　 Ｐｏｄｕｒ Ｊ， Ｍａｒｔｅｌｌ ＤＬ， Ｃｓｉｌｌａｇ Ｆ． Ｓｐａｔｉａｌ ｐａｔｔｅｒｎｓ ｏｆ ｌｉｇｈｔ⁃
ｎｉｎｇ⁃ｃａｕｓｅｄ ｆｏｒｅｓｔ ｆｉｒｅｓ ｉｎ Ｏｎｔａｒｉｏ， １９７６－１９９８． Ｅｃｏｌｏｇｉ⁃
ｃａｌ Ｍｏｄｅｌｌｉｎｇ， ２００３， １６４： １－２０
［２］　 Ｃｈａｓ⁃Ａｍｉｌｌ ＭＬ， Ｔｏｕｚａ Ｊ， Ｐｒｅｓｔｅｍｏｎ ＪＰ． Ｓｐａｔｉａｌ ｄｉｓｔｒｉ⁃
ｂｕｔｉｏｎ ｏｆ ｈｕｍａｎ⁃ｃａｕｓｅｄ ｆｏｒｅｓｔ ｆｉｒｅｓ ｉｎ Ｇａｌｉｃｉａ （ ＮＷ
Ｓｐａｉｎ）． Ｓｅｃｏｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｏｄｅｌｌｉｎｇ，
Ｍｏｎｉｔｏｒｉｎｇ ａｎｄ Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｆｏｒｅｓｔ Ｆｉｒｅｓ． Ｇｒｅｅｃｅ，
２０１０： ２４７－２５８
［３］　 Ｌａｓａｐｏｎａｒａ Ｒ， Ｓａｎｔｕｌｌｉ Ａ， Ｔｅｌｅｓｃａ Ｌ． Ｔｉｍｅ⁃ｃｌｕｓｔｅｒｉｎｇ
ａｎａｌｙｓｉｓ ｏｆ ｆｏｒｅｓｔ⁃ｆｉｒｅ ｓｅｑｕｅｎｃｅｓ ｉｎ ｓｏｕｔｈｅｒｎ Ｉｔａｌｙ．
Ｃｈａｏｓ， Ｓｏｌｉｔｏｎｓ ＆ Ｆｒａｃｔａｌｓ， ２００５， ２４： １３９－１４９
［４］　 ＢＣ Ｍｉｎｉｓｔｒｙ ｏｆ Ｆｏｒｅｓｔｓ ａｎｄ Ｒａｎｇｅ Ｗｉｌｄｆｉｒｅ Ｍａｎａｇｅｍｅｎｔ
Ｂｒａｎｃｈ． Ｃｌｉｍａｔｅ Ｃｈａｎｇｅ ａｎｄ Ｆｉｒｅ Ｍａｎａｇｅｍｅｎｔ Ｒｅｓｅａｒｃｈ
Ｓｔｒａｔｅｇｙ． Ｌｏｎｄｏｎ： ＢＣ Ｍｉｎｉｓｔｒｙ ｏｆ Ｆｏｒｅｓｔｓ ａｎｄ Ｒａｎｇｅ
Ｗｉｌｄｆｉｒｅ Ｍａｎａｇｅｍｅｎｔ Ｂｒａｎｃｈ， ２００９
［５］　 Ｚｈｏｎｇ ＭＨ， Ｆａｎ ＷＣ， Ｌｉｕ ＴＭ， ｅｔ ａｌ． Ｓｔａｔｉｓｔｉｃａｌ ａｎａｌｙｓｉｓ
ｏｎ ｃｕｒｒｅｎｔ ｓｔａｔｕｓ ｏｆ Ｃｈｉｎａ ｆｏｒｅｓｔ ｆｉｒｅ ｓａｆｅｔｙ． Ｆｉｒｅ Ｓａｆｅｔｙ
Ｊｏｕｒｎａｌ， ２００３， ３８： ２５７－２６９
［６］　 Ｃａｒｄｉｌｌｅ ＪＡ， Ｖｅｎｔｕｒａ ＳＪ， Ｔｕｒｎｅｒ ＭＧ． Ｅｎｖｉｒｏｎｍｅｎｔａｌ
ａｎｄ ｓｏｃｉａｌ ｆａｃｔｏｒｓ ｉｎｆｌｕｅｎｃｉｎｇ ｗｉｌｄｆｉｒｅｓ ｉｎ ｔｈｅ Ｕｐｐｅｒ Ｍｉｄ⁃
ｗｅｓｔ， Ｕｎｉｔｅｄ Ｓｔａｔｅｓ． Ｅｃｏｌｏｇｉｃａｌ Ａｐｐｌｉｃａｔｉｏｎｓ， ２００１， １１：
１１１－１２７
［７］　 Ｐｒｅｓｔｅｍｏｎ ＪＰ， Ｂｕｔｒｙ ＤＴ． Ｔｉｍｅ ｔｏ ｂｕｒｎ： Ｍｏｄｅｌｉｎｇ ｗｉｌｄ⁃
ｌａｎｄ ａｒｓｏｎ ａｓ ａｎ ａｕｔｏｒｅｇｒｅｓｓｉｖｅ ｃｒｉｍｅ ｆｕｎｃｔｉｏｎ． Ａｍｅｒｉｃａｎ
Ｊｏｕｒｎａｌ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ Ｅｃｏｎｏｍｉｃｓ， ２００５， ８７： ７５６－７７０
［８］　 Ｔｏｄｄ ＳＫ， Ｊｅｗｋｅｓ ＨＡ． Ｗｉｌｄｌａｎｄ Ｆｉｒｅ ｉｎ Ａｌａｓｋａ： Ａ Ｈｉｓ⁃
ｔｏｒｙ ｏｆ Ｏｒｇａｎｉｚｅｄ Ｆｉｒｅ Ｓｕｐｐｒｅｓｓｉｏｎ ａｎｄ Ｍａｎａｇｅｍｅｎｔ ｉｎ
ｔｈｅ Ｌａｓｔ Ｆｒｏｎｔｉｅｒ． Ａｇｒｉｃｕｌｔｕｒａｌ ａｎｄ Ｆｏｒｅｓｔｒｙ Ｅｘｐｅｒｉｍｅｎｔ
Ｓｔａｔｉｏｎ Ｂｕｌｌｅｔｉｎ Ｎｏ． １１４． Ｆａｉｒｂａｎｋｓ， ＡＫ： Ｕｎｉｖｅｒｓｉｔｙ ｏｆ
Ａｌａｓｋａ Ｆａｉｒｂａｎｋｓ， ２００６
［９］ 　 Ｓｕｎ Ｋ⁃Ｈ （孙科辉）， Ｘｉａｏ Ｊ⁃Ｘ （肖金香）， Ｆｅｎｇ Ｍ⁃Ｙ
（冯敏玉）， ｅｔ ａｌ． Ａｎａｌｙｓｉｓ ｏｎ ｆｏｒｅｓｔ ｆｉｒｅ ａｎｄ ｆｉｒｅ⁃ｄａｎｇｅｒ
ｗｅａｔｈｅｒ ａｎｄ ｉｎｔｅｇｒａｔｅｄ ｐｒｅｖｅｎｔｉｖｅ ｔｅｃｈｎｉｑｕｅｓ． Ａｃｔａ Ａｇｒｉ⁃
ｃｕｌｔｕｒａｅ Ｕｎｉｖｅｒｓｉｔａｔｉｓ Ｊｉａｎｇｘｉｅｎｓｉｓ （江西农业大学学
报）， ２００４， ２（３）： ３９４－３９８ （ｉｎ Ｃｈｉｎｅｓｅ）
［１０］　 Ｚｈａｏ Ｈ （赵　 辉）． Ｓｐａｔｉａｌ ａｎｄ Ｔｅｍｐｏｒａｌ Ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ
Ｆｏｒｅｓｔ Ｆｉｒｅｓ ａｎｄ Ｉｔｓ Ｉｍｐａｃｔ ｉｎ Ｓａｎｍｉｎｇ ｏｆ Ｆｕｊｉａｎ Ｐｒｏ⁃
ｖｉｎｃｅ ｆｒｏｍ ２０００ ｔｏ ２００９． Ｍａｓｔｅｒ Ｔｈｅｓｉｓ． Ｂｅｉｊｉｎｇ： Ｂｅｉ⁃
ｊｉｎｇ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ， ２０１２ （ｉｎ Ｃｈｉｎｅｓｅ）
［１１］　 Ｇｕｏ Ｆ⁃Ｔ （郭福涛）． Ｆｏｒｅｓｔ Ｆｉｒｅ Ｄｉｓｔｒｉｂｕｔｉｏｎ ａｎｄ Ｆｏｒｅ⁃
ｃａｓｔｉｎｇ Ｍｏｄｅｌｉｎｇ Ｂａｓｉｓ ｏｎ Ｓｐａｔｉａｌ Ａｎａｌｙｓｉｓ Ｍｏｄｅｌｉｎｇ
Ｔｈｅｏｒｙ ｉｎ Ｄａｘｉｎｇ’ ａｎ Ｍｏｕｎｔａｉｎｓ． ＰｈＤ Ｔｈｅｓｉｓ． Ｈａｒｂｉｎ：
Ｎｏｒｔｈｅａｓｔ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ， ２０１０ （ｉｎ Ｃｈｉｎｅｓｅ）
［１２］　 Ｊｉｎ Ｓ （金　 森）， Ｈｕ Ｈ⁃Ｑ （胡海清）． Ｓｔｕｄｙ ｏｎ ｆｏｒｅｓｔ
ｆｉｒｅ ｒｅｇｉｍｅ ｏｆ Ｈｅｉｌｏｎｇｊｉａｎｇ Ｐｒｏｖｉｎｃｅ．Ⅰ． Ｆｏｒｅｓｔ ｆｉｒｅ ｓｐａ⁃
ｔｉａｌ ａｎｄ ｔｅｍｐｏｒａｌ ｄｙｎａｍｉｃｓ ａｎｄ ｓｔａｔｉｓｔｉｃａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ．
Ｓｃｉｅｎｔｉａ Ｓｉｌｖａｅ Ｓｉｎｉｃａｅ （林业科学）， ２００２， ３８ （１）：
８８－９４ （ｉｎ Ｃｈｉｎｅｓｅ）
［１３］　 Ｗａｎｇ Ｍ⁃Ｙ （王明玉）， Ｓｈｕ Ｌ⁃Ｆ （舒立福）， Ｔｉａｎ Ｘ⁃Ｒ
（田晓瑞）， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｆｌｕｃｔｕａｔｉｏｎ ｏｆ ｆｏｒｅｓｔ ｆｉｒｅｓ ａｎｄ
ｔｈｅｉｒ ｒｅｓｐｏｎｓｅ ｔｏ ｇｌｏｂａｌ ｃｈａｎｇｅ． Ｆｉｒｅ Ｓａｆｅｔｙ Ｓｃｉｅｎｃｅ （火
灾科学）， ２００３， １２（３）： １６５－１７６ （ｉｎ Ｃｈｉｎｅｓｅ）
［１４］　 Ｚｈａｏ Ｆ⁃Ｊ （赵凤君）， Ｗａｎｇ Ｍ⁃Ｙ （王明玉）， Ｓｈｕ Ｌ⁃Ｆ
（舒立福）， ｅｔ ａｌ． Ｐｒｏｇｒｅｓｓ ｉｎ ｓｔｕｄｉｅｓ ｏｎ ｉｎｆｌｕｅｎｃｅｓ ｏｆ
ｃｌｉｍａｔｅ ｃｈａｎｇｅ ｏｎ ｆｏｒｅｓｔ ｆｉｒｅ ｒｅｇｉｍｅ． Ａｄｖａｎｃｅｓ ｉｎ Ｃｌｉｍａｔｅ
Ｃｈａｎｇｅ Ｒｅｓｅａｒｃｈ （气候变化研究进展）， ２００９， ５（１）：
５０－５５ （ｉｎ Ｃｈｉｎｅｓｅ）
［１５］　 Ｗｅｉ Ｓ⁃Ｊ （魏书精）， Ｈｕ Ｈ⁃Ｑ （胡海清）， Ｓｕｎ Ｌ （孙　
龙）． Ｔｈｅ ｅｆｆｅｃｔｓ ｏｆ ｃｌｉｍａｔｅ ｃｈａｎｇｅ ｏｎ ｔｈｅ ｌａｗｓ ｏｆ ｆｏｒｅｓｔ
ｆｉｒｅ ｏｃｃｕｒｒｅｎｃｅ ｉｎ Ｃｈｉｎａ． Ｆｏｒｅｓｔ Ｆｉｒｅ Ｐｒｅｖｅｎｔｉｏｎ （森林防
火）， ２０１１（１）： ３０－３４ （ｉｎ Ｃｈｉｎｅｓｅ）
［１６］　 Ｓｕｎ Ｙ⁃Ｒ （孙玉荣）， Ｚｈａｎｇ Ｇ （张　 贵）． Ｃｈａｒａｃｔｅｒｉｓ⁃
５０１２７期　 　 　 　 　 　 　 　 　 　 　 　 　 　 郭福涛等： 我国北方针叶林人为火发生的预测模型　 　 　 　 　 　
ｔｉｃｓ ｏｆ ｔｈｅ ｓｐａｔｉａｌ⁃ｔｅｍｐｏｒａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｆｏｒ ａｒｔｉｆｉｃｉａｌ ｆｉｒｅ
ｓｏｕｒｃｅｓ ｏｎ ｆｏｒｅｓｔ ｆｉｒｅｓ ｉｎ Ｈｕｎａｎ． Ｃｈｉｎｅｓｅ Ａｇｒｉｃｕｌｔｕｒａｌ
Ｓｃｉｅｎｃｅ Ｂｕｌｌｅｔｉｎ （中国农学通报）， ２０１１， ２７ （ ２８）：
１０３－１０８ （ｉｎ Ｃｈｉｎｅｓｅ）
［１７］　 Ｚｈａｎｇ Ｚ⁃Ｘ （张正祥）， Ｚｈａｎｇ Ｈ⁃Ｙ （张洪岩）， Ｌｉ Ｄ⁃Ｘ
（李冬雪）， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｐａｔｔｅｒｎ ｏｆ ｈｕｍａｎ⁃
ｃａｕｓｅｄ ｆｉｒｅｓ ｉｎ Ｈｕｌｕｎｂｅｉｒ ｇｒａｓｓｌａｎｄ． Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉ⁃
ｃａ （生态学报）， ２０１３， ３３（７）： ２０２３－２０３１ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［１８］　 Ｓｙｐｈａｒｄ ＡＤ， Ｒａｄｅｌｏｆｆ ＶＣ， Ｋｅｅｌｅｙ ＪＥ， ｅｔ ａｌ． Ｈｕｍａｎ ｉｎ⁃
ｆｌｕｅｎｃｅ ｏｎ Ｃａｌｉｆｏｒｎｉａ ｆｉｒｅ ｒｅｇｉｍｅｓ． Ｅｃｏｌｏｇｉｃａｌ Ａｐｐｌｉｃａ⁃
ｔｉｏｎｓ， ２００７， １７： １３８８－１４０２
［１９］　 Ｍａｉｎｇｉ ＪＫ， Ｈｅｎｒｙ ＭＣ． Ｆａｃｔｏｒｓ ｉｎｆｌｕｅｎｃｉｎｇ ｗｉｌｄｆｉｒｅ
ｏｃｃｕｒｒｅｎｃｅ ａｎｄ ｄｉｓｔｒｉｂｕｔｉｏｎ ｉｎ ｅａｓｔｅｒｎ Ｋｅｎｔｕｃｋｙ， ＵＳＡ．
Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｗｉｌｄｌａｎｄ Ｆｉｒｅ， ２００７， １６： ２３－
３３
［２０］ 　 Ｒｏｍｅｒｏ⁃Ｃａｌｃｅｒｒａｄａ Ｒ， Ｎｏｖｉｌｌｏ ＣＪ， Ｍｉｌｌｉｎｇｔｏｎ ＪＤＡ， ｅｔ
ａｌ． ＧＩＳ ａｎａｌｙｓｉｓ ｏｆ ｓｐａｔｉａｌ ｐａｔｔｅｒｎｓ ｏｆ ｈｕｍａｎ⁃ｃａｕｓｅｄ
ｗｉｌｄｆｉｒｅ ｉｇｎｉｔｉｏｎ ｒｉｓｋ ｉｎ ｔｈｅ ＳＷ ｏｆ Ｍａｄｒｉｄ （ ｃｅｎｔｒａｌ
Ｓｐａｉｎ）． Ｌａｎｄｓｃａｐｅ Ｅｃｏｌｏｇｙ， ２００８， ２３： ３４１－３５４
［２１］　 Ｍａｒｔíｎｅｚ Ｊ， Ｖｅｇａ⁃Ｇａｒｃｉａ Ｃ， Ｃｈｕｖｉｅｃｏ Ｅ． Ｈｕｍａｎ⁃ｃａｕｓｅｄ
ｗｉｌｄｆｉｒｅ ｒｉｓｋ ｒａｔｉｎｇ ｆｏｒ ｐｒｅｖｅｎｔｉｏｎ ｐｌａｎｎｉｎｇ ｉｎ Ｓｐａｉｎ．
Ｊｏｕｒｎａｌ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｍａｎａｇｅｍｅｎｔ， ２００９， ９０：
１２４１－１２５２
［２２］ 　 Ｐａｄｉｌｌａ Ｍ， Ｖｅｇａ⁃Ｇａｒｃｉａ Ｃ． Ｏｎ ｔｈｅ ｃｏｍｐａｒａｔｉｖｅ ｉｍｐｏｒ⁃
ｔａｎｃｅ ｏｆ ｆｉｒｅ ｄａｎｇｅｒ ｒａｔｉｎｇ ｉｎｄｉｃｅｓ ａｎｄ ｔｈｅｉｒ ｉｎｔｅｒａｃｔｉｏｎ
ｗｉｔｈ ｓｐａｔｉａｌ ａｎｄ ｔｅｍｐｏｒａｌ ｆｉｒｅ ｏｃｃｕｒｒｅｎｃｅｓ ｉｎ Ｓｐａｉｎ． Ｉｎ⁃
ｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｗｉｌｄｌａｎｄ Ｆｉｒｅ， ２０１１， ２０： ４６－５８
［２３］　 Ｙｕ Ｃ⁃Ｌ （于成龙）， Ｈｕ Ｈ⁃Ｑ （胡海清）， Ｗｅｉ Ｒ⁃Ｈ （魏
荣华）． Ｄｙｎａｍｉｃ ａｎａｌｙｓｉｓ ｏｆ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｃｏｎｄｉｔｉｏｎｓ ｏｆ
ｆｏｒｅｓｔ ｆｉｒｅ ｉｎ Ｔａｈｅ ｆｏｒｅｓｔｒｙ ｂｕｒｅａｕ ｏｆ Ｄａｘｉｎｇ’ａｎ
Ｍｏｕｎｔａｉｎｓ． Ｊｏｕｒｎａｌ ｏｆ Ｎｏｒｔｈｅａｓｔ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ （东
北林业大学学报）， ２００７， ３５（８）： ２３－ ２７ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［２４］　 Ｇｕｏ Ｆ⁃Ｔ （郭福涛）， Ｈｕ Ｈ⁃Ｑ （胡海清）， Ｍａ Ｚ⁃Ｈ （马
志海）， ｅｔ ａｌ． Ａｐｐｌｉｃａｂｉｌｉｔｙ ｏｆ ｄｉｆｆｅｒｅｎｔ ｍｏｄｅｌｓ ｉｎ ｓｉｍｕ⁃
ｌａｔｉｎｇ ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐｓ ｂｅｔｗｅｅｎ ｆｏｒｅｓｔ ｆｉｒｅ ｏｃｃｕｒｒｅｎｃｅ
ａｎｄ ｗｅａｔｈｅｒ ｆａｃｔｏｒｓ ｉｎ Ｄａｘｉｎｇ’ ａｎ Ｍｏｕｎｔａｉｎｓ． Ｃｈｉｎｅｓｅ
Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ （应用生态学报）， ２０１０， ２１
（１）： １５９－１６４ （ｉｎ Ｃｈｉｎｅｓｅ）
［２５］　 Ｊｏｈｎｓ ＴＣ， Ｃａｒｎｅｌｌ ＲＥ， Ｇｒｅｇｏｒｙ ＪＭ， ｅｔ ａｌ． Ｔｈｅ ｓｅｃｏｎｄ
Ｈａｄｌｅｙ Ｃｅｎｔｒｅ ｃｏｕｐｌｅｄ ｏｃｅａｎ⁃ａｔｍｏｓｐｈｅｒｅ ＧＣＭ： Ｍｏｄｅｌ
ｄｅｓｃｒｉｐｔｉｏｎ， ｓｐｉｎｕｐ ａｎｄ ｖａｌｉｄａｔｉｏｎ． Ｃｌｉｍａｔｅ Ｄｙｎａｍｉｃｓ，
１９９７， １３： １０３－１３４
［２６］　 Ｘｕ Ｙ⁃Ｌ （许吟隆）． Ａｎａｌｙｓｅｓ ｏｎ ｓｃｅｎａｒｉｏ ｓｉｍｕｌａｔｉｏｎｓ ｏｆ
ｔｈｅ ２１ｓｔ ｃｅｎｔｕｒｙ ｃｌｉｍａｔｅ ｃｈａｎｇｅ ｉｎ Ｃｈｉｎａ． Ｊｏｕｒｎａｌ ｏｆ
Ｎａｎｊｉｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｍｅｔｅｏｒｏｌｏｇｙ （南京气象学院学报），
２００５， ２８（３）： ３２３－３２９ （ｉｎ Ｃｈｉｎｅｓｅ）
［２７］　 Ｍａｒｔｅｌｌ ＤＬ， Ｂｅｖｉｌａｃｑｕａ Ｅ， Ｓｔｏｃｋｓ ＢＪ． Ｍｏｄｅｌｌｉｎｇ ｓｅａｓｏｎａｌ
ｖａｒｉａｔｉｏｎ ｉｎ ｄａｉｌｙ ｐｅｏｐｌｅ⁃ｃａｕｓｅｄ ｆｏｒｅｓｔ ｆｉｒｅ ｏｃｃｕｒｒｅｎｃｅ．
Ｃａｎａｄｉａｎ Ｊｏｕｒｎａｌ ｏｆ Ｆｏｒｅｓｔ Ｒｅｓｅａｒｃｈ， １９８９， １９： １５５５－
１５６３
［２８］　 ｄｅ Ｖａｓｃｏｎｃｅｌｏｓ ＭＪＰ， Ｓｌｌｖａ Ｓ， Ｔｏｍｅ Ｍ， ｅｔ ａｌ． Ｓｐａｔｉａｌ
ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｆｉｒｅ ｉｇｎｉｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｉｅｓ： Ｃｏｍｐａｒｉｎｇ ｌｏｇｉｓ⁃
ｔｉｃ ｒｅｇｒｅｓｓｉｏｎ ａｎｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ． Ｐｈｏｔｏｇｒａｍｍｅｔｒｉｃ Ｅｎ⁃
ｇｉｎｅｅｒｉｎｇ ＆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２００１， ６７： ７３－８１
［２９］　 Ｇａｒｃｉａ ＣＶ， Ｗｏｏｄａｒｄ ＰＭ， Ｔｉｔｕｓ ＳＪ， ｅｔ ａｌ． Ａ Ｌｏｇｉｔ
ｍｏｄｅｌ ｆｏｒ ｐｒｅｄｉｃｔｉｎｇ ｔｈｅ ｄａｉｌｙ ｏｃｃｕｒｒｅｎｃｅ ｏｆ ｈｕｍａｎ
ｃａｕｓｅｄ ｆｏｒｅｓｔ ｆｉｒｅｓ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｗｉｌｄｌａｎｄ
Ｆｉｒｅ， １９９５， ５： １０１－１１１
［３０］ 　 Ａｎｄｒｅｗｓ ＰＬ， Ｌｏｆｔｓｇａａｒｄｅｎ ＤＯ， Ｂｒａｄｓｈａｗ ＬＳ． Ｅｖａｌｕａ⁃
ｔｉｏｎ ｏｆ ｆｉｒｅ ｄａｎｇｅｒ ｒａｔｉｎｇ ｉｎｄｅｘｅｓ ｕｓｉｎｇ ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ
ａｎｄ ｐｅｒｃｅｎｔｉｌｅ ａｎａｌｙｓｉｓ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｗｉｌｄ⁃
ｌａｎｄ Ｆｉｒｅ， ２００３， １２： ２１３－２２６
［３１］　 Ｃｈａｎｇ Ｙ， Ｚｈｕ ＺＬ， Ｂｕ ＲＣ， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｎｇ ｆｉｒｅ ｏｃｃｕｒ⁃
ｒｅｎｃｅ ｐａｔｔｅｒｎｓ ｗｉｔｈ ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ ｉｎ Ｈｅｉｌｏｎｇｊｉａｎｇ
Ｐｒｏｖｉｎｃｅ， Ｃｈｉｎａ． Ｌａｎｄｓｃａｐｅ Ｅｃｏｌｏｇｙ， ２０１３， ２８： １９８９－
２００４
［３２］　 ｄｅｌ Ｈｏｙｏ ＶＬ， Ｉｓａｂｅｌ ＭＰＭ， Ｖｅｇａ ＦＪＭ． Ｌｏｇｉｓｔｉｃ ｒｅｇｒｅ⁃
ｓｓｉｏｎ ｍｏｄｅｌｓ ｆｏｒ ｈｕｍａｎ⁃ｃａｕｓｅｄ ｗｉｌｄｆｉｒｅ ｒｉｓｋ ｅｓｔｉｍａｔｉｏｎ：
Ａｎａｌｙｚｉｎｇ ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｔｈｅ ｓｐａｔｉａｌ ａｃｃｕｒａｃｙ ｉｎ ｆｉｒｅ ｏｃｃｕｒ⁃
ｒｅｎｃｅ ｄａｔａ． Ｅｕｒｏｐｅａｎ Ｊｏｕｒｎａｌ ｏｆ Ｆｏｒｅｓｔ Ｒｅｓｅａｒｃｈ， ２０１１，
１３０： ９８３－９９６
［３３］　 Ｊｉｍéｎｅｚ⁃Ｖａｌｖｅｒｄｅ Ａ． Ｉｎｓｉｇｈｔｓ ｉｎｔｏ ｔｈｅ ａｒｅａ ｕｎｄｅｒ ｔｈｅ ｒｅ⁃
ｃｅｉｖｅｒ ｏｐｅｒａｔｉｎｇ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｃｕｒｖｅ （ ＡＵＣ） ａｓ ａ ｄｉｓ⁃
ｃｒｉｍｉｎａｔｉｏｎ ｍｅａｓｕｒｅ ｉｎ ｓｐｅｃｉｅｓ ｄｉｓｔｒｉｂｕｔｉｏｎ ｍｏｄｅｌｌｉｎｇ．
Ｇｌｏｂａｌ Ｅｃｏｌｏｇｙ ａｎｄ Ｂｉｏｇｅｏｇｒａｐｈｙ， ２０１２， ２１： ４９８－５０７
［３４］ 　 Ｆｉｅｌｄｉｎｇ ＡＨ， Ｂｅｌｌ ＪＦ． Ａ ｒｅｖｉｅｗ ｏｆ ｍｅｔｈｏｄｓ ｆｏｒ ｔｈｅ ａｓ⁃
ｓｅｓｓｍｅｎｔ ｏｆ ｐｒｅｄｉｃｔｉｏｎ ｅｒｒｏｒｓ ｉｎ ｃｏｎｓｅｒｖａｔｉｏｎ ｐｒｅｓｅｎｃｅ ／
ａｂｓｅｎｃｅ ｍｏｄｅｌｓ． Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｃｏｎｓｅｒｖａｔｉｏｎ， １９９７， ２４：
３８－４９
［３５］　 Ｗｏｔｔｏｎ ＢＭ， Ｍａｒｔｅｌｌ ＤＬ， Ｌｏｇａｎ ＫＡ． Ｃｌｉｍａｔｅ ｃｈａｎｇｅ ａｎｄ
ｐｅｏｐｌｅ⁃ｃａｕｓｅｄ ｆｏｒｅｓｔ ｆｉｒｅ ｏｃｃｕｒｒｅｎｃｅ ｉｎ Ｏｎｔａｒｉｏ． Ｃｌｉｍａｔｉｃ
Ｃｈａｎｇｅ， ２００３， ６０： ２７５－２９５
作者简介　 郭福涛，男，１９８２ 年生，博士． 主要从事林火生
态、林火预测预报研究． Ｅ⁃ｍａｉｌ： ｇｕｏｆｕｔａｏ＠ １２６．ｃｏｍ
责任编辑　 杨　 弘
６０１２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷