全 文 ：第 35 卷第 19 期
2015年 10月
生 态 学 报
ACTA ECOLOGICA SINICA
Vol.35,No.19
Oct.,2015
http: / / www.ecologica.cn
基金项目:黑龙江省科技计划(GA09B201鄄06); 国家科技支撑项目(2011BAD37B0104)
收稿日期:2014鄄02鄄14; 摇 摇 网络出版日期:2014鄄12鄄04
*通讯作者 Corresponding author.E鄄mail: huhq@ nefu.edu.cn
DOI: 10.5846 / stxb201402140257
郭福涛, 苏漳文, 马祥庆, 宋禹辉, 孙龙, 胡海清, 杨婷婷.大兴安岭塔河地区雷击火发生驱动因子综合分析.生态学报,2015,35 ( 19):
6439鄄6448.
Guo F T, Su Z W, Ma X Q, Song Y H, Sun L, Hu H Q, Yang T T.Climatic and non鄄climatic factors driving lightning鄄induced fire in Tahe, Daxing忆an
mountain.Acta Ecologica Sinica,2015,35(19):6439鄄6448.
大兴安岭塔河地区雷击火发生驱动因子综合分析
郭福涛1, 苏漳文1, 马祥庆1, 宋禹辉1, 孙摇 龙2, 胡海清2,*, 杨婷婷1
1 福建农林大学, 福州摇 350002
2 东北林业大学林学院, 哈尔滨摇 150040
摘要:森林火灾是一个全球性问题,对森林资源和温室气体排放有重要影响,并严重影响人们生命财产安全。 林火主要分为人
为火(人为活动引起)和雷击火(雷电引起)两大类。 在我国北方针叶林带,雷击火主要集中在黑龙江大兴安岭和内蒙古呼伦贝
尔盟地区。 大兴安岭塔河地区位于我国北方针叶林带,是森林火灾的重灾区。 其中雷击火所占比例大约 1 / 3 以上。 目前针对
当地雷击火与影响因子的研究主要集中于气象因子,非气象因子(森林可燃物和地形特征)的研究受数据条件和技术手段限制
研究报道较少。 研究数据包含三部分,林火数据,气象数据和地理植被数据。 林火数据包含 1974—2009 年间林火发生经纬度
坐标,时间和面积等。 气象数据主要包括每日尺度的最低气温,最高气温,平均风速,平均相对湿度等因子。 根据加拿大火险天
气指标系统计算出了出了细小可燃物湿度码(FFMC),干燥可燃物湿度码(DMC)和干旱码(DC)也没用于本研究。 此外,基于
1 颐10万塔河地区数字化林相图提取了海拔、坡度、坡向、森林类型、优势树种、龄级等因子用于决策因子分析。 研究数据分析过
程主要应用 ArcGIS10.0中的空间分析工具和 SPSS19.0的逻辑斯蒂回归模型完成。 研究结果显示“日最低气温冶,“最大风速冶
和“最小相对湿度冶3个气象因子及火险天气指标系统(FWI)中细小可燃物湿度码(FFMC)干旱码(DC)与雷击火发生概率显著
相关(P<0.05),模型整体拟合水平 R2(Cox & Snell)= 0.326。 在非气象因子与雷击火发生的逻辑斯蒂模型检验中,“地被物盖
度冶和“龄级冶均在P= 0.05水平上与雷击火发生显著相关,其模型的整体拟合水平 R2(Cox & Snell)为 0.15。 研究结论表明在分
析雷击火发生的决策因子时,应该综合考虑气象、可燃物和林分因素。
关键词:大兴安岭; 塔河地区; 雷击火; 气象因子; 逻辑斯蒂回归; 决策因子
Climatic and non鄄climatic factors driving lightning鄄induced fire in Tahe, Daxing忆
an mountain
GUO Futao1, SU Zhangwen1, MA Xiangqing1, SONG Yuhui1, SUN Long2, HU Haiqing2,*, YANG Tingting1
1 Fujian Agriculture and Forestry University, Fuzhou 350002, China
2 Faculty of Forestry, Northeast Forestry University, Harbin 150040, China
Abstract: Forest fires are a global issue due to their significant degradation of forest reserves and greenhouse gas emissions,
as well as loss of human lives and livelihoods. Forest fires are mostly caused by nature ( lightning鄄induced fires) and human
activities (anthropogenic fires) . Lightning鄄induced fires in China mostly occur in boreal forest, namely the Daxing忆 an
Mountains of Heilongjiang province and Hulunbeier of Inner Mongolia. Lightning accounts for nearly a third of all forest fires
in the Tahe area of the Daxing佗n Mountains. Most previous studies on lightning鄄induced fires have focused primarily on
climatic factors, and studies of non鄄climatic factors such as forest fuel and terrain features are relatively rare, due to a lack
of spatial data sets and spatial analysis technology. Thus, the aim of this study was to identify the key climatic and non鄄
http: / / www.ecologica.cn
climatic factors driving lightning鄄induced fires in the Tahe area using fire occurrence and metrological data along with digital
forest maps in conjunction with logistic regression models and spatial analysis.
Fire occurrence data included location, time, and area burned of lightning鄄induced fires in the Tahe region, Daxing忆an
Mountains, 1974—2009. Meteorological data were daily minimum temperature, daily maximum temperature, maximum
wind speed, 24 hour precipitation, average air pressure, average wind speed, average relative humidity, sunshine hours,
and minimum relative humidity. In addition, we calculated the Fine Fuel Moisture Code ( FFMC), Duff Moisture Code
(DMC) and Drought Code (DC) according to the Canadian forest Fire Weather Index (FWI). In this study, 1 颐100000
digital geographic and forest maps of the Tahe region were used to extract elevation, slope, aspect, depth of humus layer,
litter cover, forest type, management regime, dominant tree, age class and canopy data in order to determine the factors
driving lightning鄄induced fire occurrence in the study area.
A logistic regression model was developed to examine the relationship between lighting鄄induced fire, and climatic and
non鄄climate factors. The spatial distribution of lighting鄄induce fires was analyzed using ArcGIS10.0. Three climate factors
(Daily minimum temperature, maximum wind speed and minimum relative humidity) and two fuel indices (FFMC and DC)
were significantly associated with lightning鄄induced fires (P< 0.05), and the goodness鄄of鄄fit of the model was R2 = 0.326.
Moreover, litter cover and tree age class were significantly related to the occurrence of lightning鄄induced fires, albeit with
low R2(0.15). A map of fire likelihood was created using Kriging interpolation in ArcGIS, and the spatial coordinates of
lightning鄄induced fires ( 1974—2005) along with the same number of random control points. This identified four high
lightning鄄induced fire鄄risk regions in our study area, which are located in the middle and South of the Tahe area. In
conclusion, the results from this study provide evidence that the consideration of not only climatic, but also fuel and non鄄
climatic factors, is critical for understanding and predicting the occurrence of lightning鄄induced fires in the Tahe area.
Key Words: Daxing忆an Mountain; Tahe area; lightning鄄induced fire; climatic factors; logistic regression; driving factors
森林火灾是一个全球性问题,对森林储量和温室气体排放都有显著的影响[1],同时林火也是导致森林资
源和人生命财产损失的主要因素。 每年有大约 45000 次森林火灾发生在欧洲[2],10000 次发生在加拿大[3],
12.9万起发生在美国且过火林地面积高达 170多万公顷。 我国每年也会发生大约 10000次火灾,年均过火面
积为 820000hm2[4]。 林火按其火源类型可主要分为天然火和人为火, 天然火中以雷击火为主。 美国 2007—
2011年均由雷击引起的森林火灾大约占到总森林火灾的 63%,为 14200次[5]。 在加拿大,雷击火占总林火的
近 1 / 3,而过火面积则可达到 90%[6]。 据统计,我国的雷击火主要发生在北方针叶林带即黑龙江的大兴安岭、
内蒙古的呼伦贝尔林区和新疆的阿尔泰山地区[7],大兴安岭林区雷击火占该地区森林火灾总次数
的 38%[8鄄9]。
目前关于森林雷击火的研究主要分为雷击火成因机制和雷击火预测预报两大部分。 通过对气象、地形、
可燃物等可能影响雷击火发生的因子进行分析,判别选择对雷击火发生有重要影响的决策因子,并以决策因
子为基础,运用数学统计方法,建立雷击火发生预测预报模型。 国外关于雷击火影响因子的研究已开展多年
并取得了很多成果[10鄄16],这些研究所选的初始影响因子不尽相同,所得的结论也有一定差异。 有研究主要运
用加拿大火险天气指标系统(FWI)中反应可燃物干湿程度的指标如干旱码(DC)等为分析的初始参考因
子[10];还有研究主要考虑可燃物含水率和森林类型[11],以及气象因子[12];此外,部分研究证实了海拔、坡度
对雷击火的显著影响[17],然而也有研究得出了相反的结论[18]。 可见研究区域不同,选择的初始参考因子不
同,研究结论也可能有较大差异,因此在研究雷击火发生的初始因子选择上应尽量涵盖气象、地形、森林类型
等多个方面。
目前国内学者针对大兴安岭地区雷击火的研究通常分为时空格局分析[8,19鄄21]和决策因子分析[22鄄25]两个
方向进行。 在关于雷击火影响因素(决策因子)分析中,大多以气象因子为主要探讨对象[7, 26鄄27]。 然而,综合
0446 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇
http: / / www.ecologica.cn
国内外相关研究表明,雷击火的发生除了受气象因素影响外,森林可燃物(林型、优势树种、植被郁闭度等)和
区域地理地形因素(坡度、坡向、海拔等)都是研究中尤其是初始影响因素分析中应该加以考虑的[14鄄15, 28鄄30]。
本文应用 ArcGIS10.3和 Spss19.0对林火数据与气象和非气象因子(可燃物和地形信息)分别进行分析,探求
对雷击火发生的关键因子,研究结论对深入了解我国北方针叶林雷击火发生规律和特性具有重要的意义。
1摇 研究地区与研究方法
图 1摇 研究区域示意图
Fig.1摇 Sketch map of the study area
1.1摇 研究区概况
本文研究地位于我国北方针叶林带,隶属于黑龙江
大兴安岭塔河地区,地处东经 123毅—125毅,北纬 52毅—
53毅。 属寒温带大陆性气候,由于受大陆和海洋高、低及
季风交替的影响,气候变化显著,冬季漫长干燥而寒冷,
夏季短暂而湿热,春季多大风而少雨,秋季降急剧,霜冻
来的早,塔河县年平均气温-2.4 益,平均无霜期 98 d,
年平均降水量 463.2 mm,主要集中在 7、8 月份,年日照
时数 2015—2865 h。 该地区森林覆盖率为 81%;蓄积量
5340万 m3,主要树种有樟子松、落叶松、白桦、杨树等
10余种。
该地区也是森林火灾高发区,林火类型包括人为火
和雷击火,整体上人为火和雷击火比例相当,但雷击火
的年均过火面积高于人为火。 雷击火主要发生在 5—8
月间,大面积雷击火多集中在 7、8 月。 3、4、10 月仅有
个别林火。 本研究统计表明 1974—2008 年,塔河县过
火面积 563709 hm2, 年均 16106 hm2。 1988 年后,该区
总过火面积呈微弱的下降趋势,但由雷击火引发的过火面积则呈上升趋势。 1990 年后,雷击火引发的过火面
积明显高于人为火和不明火引发的过火面积,1990 年后雷击火引发的过火面积是 1990 前的 7.4 倍。
1.2摇 数据来源
本文数据来源包括三部分,分别为林火数据,气象数据和矢量化林相图数据。 林火数据来源于大兴安岭
地区塔河县森林防火办公室。 数据包括 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)。
气象数据采用雷击火发生的当天气象数据,来源于中国气象数据共享网络 (http: / / cdc.cma.gov.cn / )。
数据包括塔河气象站(国家标准气象站号 50246)1965—2012年的每日气象数据,一共包含极大风速(m / s)等
22个气象因子,本文对气象数据进行了预处理,去除了缺失或不完整的气象因子,剩余气象因子包括,日最低
气温(益),日最高气温(益),24h降水量(mm),平均风速(m / s),平均气温(益),平均水汽压(hPa),平均相对
湿度(%),平均气温(益),日照时数(hour),最大风速(m / s),最小相对湿度(%)共 11个气象因子。
此外,根据研究区域每日气象数据,利用加拿大森林火险天气指标系统(FWI) [31]计算反映可燃物干湿程
度的指标,分别为细小可燃物湿度码(FFMC)、腐殖质湿度码(DMC)、干旱码(DC)。
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颐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,记录的小班内属
性主要包括坡度、坡向、腐质层厚度、地被物盖度、林型、经营措施、优势树种、龄级和郁闭度等。
1.3摇 数据处理
1.3.1摇 二项逻辑斯蒂回归模型(Logistic regression model)
如果令二项分类应变量 Y= 1(有雷击火发生)的概率为 P,则有 Y = 0(无雷击火发生)的概率为(1-P)。
1446摇 19期 摇 摇 摇 郭福涛摇 等:大兴安岭塔河地区雷击火发生驱动因子综合分析 摇
http: / / www.ecologica.cn
有 ln( p
1 - p
) = logit ( )p = 茁0 + 茁1X1 + … + 茁nXn ,这种 P与自变量之间(气象因素+林分信息)的回归关系式就
是 Logistic回归模型。
将 P变换为 ln(P / (1-P))称为 Logit变换,记为 Logit(P),所以也称为 Logit模型。 Logit变换使得在[0,
1]范围取值的 P变换到(-肄 , +肄 ),当 P趋向于 0, Logit(P)趋向于-肄 ,当 P趋向于 1,Logit(P)趋向于+肄 。
雷击火的概率预报模型可表示为:
P = 1
1 + exp[ - (茁0 + 茁1X1 + … + 茁nXn)]
= 1
1 + e -(茁0+茁1X1+…+茁nXn)
式中,P为雷击火发生概率; 茁1…茁n 为各自变量相关系数; X1…Xn 为影响雷击火发生的各自变量。 逻辑斯蒂
模型已被广泛应用于林火发生概率的预测预报[32鄄34]。
1.3.2摇 随机对照样点的创建
本文应用二项逻辑斯蒂回归模型进行关键因子分析和雷击火空间分布形势预测,由 1.3.1 可知,建模的
数据结构要求火点和非火点同时对比存在,本文对照样点分为两部分:第一部分用来分析雷击火发生与气象
因子和可燃物干燥指数的关系。 按 1颐1随机选取与雷击火发生次数相同的对照样点(没有雷击火发生),并提
取对应的当日气象数据和由 FWI系统计算的 FFMC、DMC和 DC进行逻辑斯蒂模型拟合分析。
第二部分分析雷击火与非气象因素的相关性。 本文应用 ArcGIS 的随机点创建功能,按照火点与随机点
1颐1的比例分别创建随机点。 随机点创建数量目前国内外并无明确标准和方法。 国际上有学者按照研究区
域平均林火发生次数来创建随机点[35],也有以随机点之间距离为约束条件来选取随机点的[36]。 通常情况
下,为了防止数据结构过度离散,随机点选取通常要接近于或者略多于雷击火点。 通过随机点坐标,反向确定
各点对应的林班内属性值。
1.3.3摇 林相图数据属性转化
应用 ArcGIS10.0对林相图中的字符型变量进行属性转换用以进行回归模型分析。 包括坡向、林型、经营
措施和林下优势树种,在给字符型因子附数值型属性值时,以整数形式并以 1 为计数间隔(表 1)。 这些被赋
予的属性数值虽是人为定值,但它们的差异真实反应了相对应的字符型属性变量的差异,因此在实际模型运
算中,变量的显著性水平能有效的说明该因子是否对雷击火有显著影响。 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。
2摇 结果与分析
2.1摇 随机点创建及属性值数据库建立
本文应用二项逻辑斯蒂回归模型进行关键因子分析和雷击火空间分布形势预测,由 1.3.1 可知,建模的
数据结构要求火点和非火点同时对比存在。 表 2 为“火点+对照点冶与气象因子的基本统计描述。 应用
ArcGIS的随机点创建功能,按照火点与随机点 1颐1的比例创建随机点(图 2),并运用网格相减计算方法确保
随机点与雷击火点在空间上无重叠现象。 通过所创建随机点的坐标,反向确定各点对应的林班内属性值(非
气象因子)。 应用 ArcGIS将“火点+随机点冶图层与矢量化林相图进行叠加运算,合并各图层属性,表 3为 “火
点+随机点冶与非气象因子的基本统计描述。
2.2摇 模型拟合结果
2.2.1摇 自变量多重共线性检验
多重共线性(Multicollinearity)是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关
关系。 多重共线性会导致变量的显著性检验失去意义及模型的预测功能失效等后果。 因此,在使用多个自变
量来检验其与因变量之间的相关性时,要首先对自变量进行多重共线性检验,排除有显著共线性的因子。 本
文运用方差膨胀因子(VIF)诊断法进行共线性检验。 方差膨胀因子表达式为: VIFi =
1
1 - R2i
,式中 R2i 为自变
2446 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇
http: / / www.ecologica.cn
量 X i对其余自变量作回归分析的复相关系数。 当 VIF很大时,一般以 VIF= 5为标准,大于 5值表明自变量间
存在多重共线性,需要去掉相应的自变量。 目前已有研究采用此种办法进行林火相关因子研究[37]。 本文在
建模分析之前,对所选用的两类自变量因子(气象和林分信息)分别进行了多重共线性检验,检验结果表明个
别气象因子之间存在显著共线性,去除后最终“24h 降水冶,“平均本站气压冶,“平均风速冶,“平均相对湿度冶
“日照时数冶,“日最低气温冶,“最大风速冶,“最小相对湿度冶,FFMC,DMC 和 DC 共 11 个变量进入模型拟合阶
段。 而非气象因子之间不存在多重共线性,因此可以全部应用于模型拟合分析。
表 1摇 林相图属性转化属性表
Table 1摇 The conversion of attribute value of stock map
林型:
属性赋值
Forest type:
Attribute value
坡向:
属性赋值
Aspect:
Attribute value
坡度:
属性赋值
Gradient:
Attribute value
优势树种:属性赋值
Dominant tree:
Attribute value
经营措施:
属性赋值
Management
measures:
Attribute value
腐殖质厚度:
属性赋值
The depth
of humus:
Attribute value
坡地鄄樟子松,杜鹃鄄樟子松
(Land鄄Pinus sylvestris var,
Rhododendron simsii
Planch鄄 Pinus sylvestris rva):1
无坡向:0 平:0
0毅—15毅
白桦
(Betula platyphylla):1
.
封山育林:1 薄:1
杜鹃鄄白桦, 草类鄄白桦
(Rhododendron simsii
Planch鄄 Betula platyphylla,
Grass鄄 Betula platyphylla):2
东:1 缓:1
15毅—30毅
落叶松
(Larix gmellini):2 抚育间伐:2 中:2
坡地鄄落叶松,草类鄄落叶松
(Land鄄Larix gmellini,
Grass鄄 Larix gmellini):3
东北:2 斜:230毅—45毅
樟子松
(Pinus sylvestris var.):3 更新造林:3 厚:3
杜香鄄落叶松,杜鹃鄄落叶松
(Ledum palustre L. var. dilatatum
Wahl鄄 Larix gmellini,
Rhododendron simsii Planch鄄
Larix gmellini):4
东南:3 急:345毅—60毅 柳树(Salix babylonic):4 林分改造:4
杜鹃鄄山杨, 草类鄄山杨
(Rhododendron simsii Planch鄄
Populus davidiana Dode, Grass鄄
Populus davidiana Dode):5
北:4 陡:460毅—75毅
山杨(Populus
davidiana Dode):5 主伐利用:5
河洼鄄杨树, 河洼鄄柳树
(Swamp鄄 populus, Swamp鄄
Salix babylonic):6
南:5 险:575毅—90毅 杨树(populus):6 补充主伐:6
偃松鄄落叶松
(Pinus鄄Larix gmellini):7 西:6
云杉
(Picea asperata mast):7 促进更新:7
杜香藓落(Ledum palustre):8 西北:7 柞树 ( Quercus mongolicaFisch):8
西南:8
表 2摇 雷击火、气象因子及 FWI指数模型变量的基本统计
Table 2摇 The descriptive statistic of variables of Lightning鄄caused fire, climate factors and FWI index
模型变量
Variables of model
样本数
N
极小值
Minimum
极大值
Maximum
均值
Mean
标准差
Standard Error
着火次数
Fire number 235 0 1 0.50 0.50
24 h降水量*
24 hour precipitation
235 0 481 9.65 39.56
平均本站气压
Average air pressure 235 9473 9916 9661.81 65.46
3446摇 19期 摇 摇 摇 郭福涛摇 等:大兴安岭塔河地区雷击火发生驱动因子综合分析 摇
http: / / www.ecologica.cn
续表
模型变量
Variables of model
样本数
N
极小值
Minimum
极大值
Maximum
均值
Mean
标准差
Standard Error
平均风速
Average wind speed 235 3 93 29.14 13.55
平均气温
Average temperature 235
-21.3 28.3 11.38 89.72
平均水汽压
Average water pressure 235 6 220 88.30 52.17
平均相对湿度
Average relative humidity 235 22 97 59.61 15.65
日照时数
Sunshine hours 235 0 148 83.36 41.70
日最低气温
Daily minimum temperature 235
-31.2 21.0 24.17 89.04
日最高气温
Daily maximum temperature 235
-13.7 37.3 201.46 97.66
最大风速
Maximum wind speed 235 2.5 14.8 63.01 22.98
最小相对湿度
Minimum relative humidity 235 0 93 30.08 15.62
细小可燃物湿度码 FFMC 235 14.82 93.60 79.05 13.35
腐殖质湿度码 DMC 235 0.54 113.17 25.73 19.56
干旱码 DC 235 78.83 653.73 377.46 100.93
摇 摇 24 h: 20:00—20:00; FFMC: Fine Fuel Moisture;DMC: Duff Moisture Code;DC: Drought Code
表 3摇 雷击火与非气象因子模型变量的基本统计
Table 3摇 The descriptive statistic of model of Lightning鄄caused fire and non鄄climate factors
模型变量
Variables of model
样本数
N
极小值
Minimum
极大值
Maximum
均值
Mean
标准差
Standard Error
火点和随机点
Fire and random point 235 0 1 0.51 0.501
坡度级(赋值)
Slope (Given value) 235 0 4 0.96 0.761
坡向 (赋值)
Aspect (Given value) 234 0 8 4.19 2.369
腐质层厚度 / cm
The depth of humus layer 235 1 3 1.86 0.405
地被物盖度 / %
Coverage of litter 235 15 90 53.11 15.784
林型(赋值)
Forest type (Given value) 235 1 10 3.08 1.486
经营措施(赋值)
Management measure (Given value) 235 1 6 1.58 1.065
优势树种(赋值)
Dominant tree (Given value) 235 1 6 1.69 0.784
龄级 / a
Tree age 235 0 8 3.46 1.569
郁闭度 / %
Canopy 235 0 1 0.50 0.184
4446 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇
http: / / www.ecologica.cn
图 2摇 雷击火点与 1 颐1随机创建非火点
摇 Fig. 2 摇 Lightning鄄caused fire and 1 颐1 random points ( non鄄fire
points)
2.2.2摇 气象因子对雷击火的决策影响
本文对 1974—2009年间雷击火和对照火点与对应
的当日气象因子进行逻辑斯蒂回归分析,模型的全变量
拟合结果显示,模型整体拟合结果 R2(Cox & Snell)为
0.333,模型参数拟合结果显示“日最低气温冶,“最小相
对湿度冶,FFMC和 DC与雷击火发生之间有显著相关性
(P<0.05),而其它自变量因子在全模型中(含有所有自
变量的逻辑斯蒂模型)与雷击火发生之间并未表现出
显著相关(表 4)。 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
(剔除不显著自变量的逻辑斯蒂模型),模型整体拟合
度指标 R2(Cox & Snell)为 0.326,最优模型中“日最低
气温冶,“最大风速冶,“最小相对湿度冶,FFMC 和 DC 与
雷击火发生有显著相关性且均在 P<0.001 水平上显著
相关(表 5)。
2.2.3摇 非气象因子对雷击火的决策影响
本文对 1颐1 创建随机点的数据进行二元逻辑斯蒂
回归拟合,模型的全变量拟合结果显示,模型整体拟合
结果 R2(Cox & Snell)为 0.175,模型参数拟合结果显示
“地被物盖度冶(P= 0.041)和“龄级冶(P = 0.007)与雷击
火发生之间有显著相关性,而其它自变量因子在全模型中(含有所有自变量的逻辑斯蒂模型)与雷击火发生
之间并未表现出显著相关(表 6)。 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(剔除不显著自变量的逻辑斯蒂模型),模型整体拟合度指标 R2(Cox & Snell)为 0.15,最优模型
中仍然是“地被物盖度冶和“龄级冶两个因子与雷击火发生有显著相关性(表 7)。
表 4摇 逻辑斯蒂全模型参数拟合(气象因子+FWI指数)
Table 4摇 Parameter estimation of the full logistic regression model(climate factors+FWI index)
各自变量因子
Variable factors
估值系数
Estimate
标准误差
Std. Error
Wald
卡方值
显著水平
Pr(> | z | )
常量 Constant -13.378 17.476 0.586 0.444
24 h降水量 24 hour precipitation 0.005 0.003 2.152 0.142
平均本站气压 Average air pressure 0.001 0.002 0.397 0.529
平均风速 Average wind speed -0.005 0.011 0.181 0.671
平均相对湿度 Average relative humidity -0.007 0.013 0.306 0.580
日照时数 Sunshine hours -0.002 0.003 0.356 0.551
日最低气温 Daily minimum temperature 0.007 0.002 17.967 <0.0001
最大风速 Maximum wind speed -0.010 0.006 3.004 0.083
最小相对湿度 Minimum relative humidity -0.046 0.014 10.766 0.001
细小可燃物湿度码 FFMC 0.046 0.016 8.171 0.004
腐殖质湿度码 DMC 0.008 0.007 1.373 0.241
干旱码 DC 0.003 0.001 5.249 0.022
5446摇 19期 摇 摇 摇 郭福涛摇 等:大兴安岭塔河地区雷击火发生驱动因子综合分析 摇
http: / / www.ecologica.cn
表 5摇 剔除不显著变量逻辑斯蒂模型拟合(气象因子+FWI指数)
Table 5摇 Parameter estimation of the "best" logistic regression model (climate factors+FWI index)
各自变量因子
Variable factors
估值系数
Estimate
标准误差
Std. Error
Wald
卡方值
显著水平
Pr(> | z | )
常量 Constant -2.893 1.375 4.427 0.035
日最低气温 Daily minimum temperature 0.006 0.001 22.994 <0.0001
最大风速 Maximum wind speed -0.010 0.004 5.335 0.021
最小相对湿度 Minimum relative humidity -0.050 0.011 19.878 <0.0001
细小可燃物湿度码 FFMC 0.043 0.014 9.793 0.002
干旱码 DC 0.004 0.001 11.664 0.001
表 6摇 逻辑斯蒂全模型参数拟合(非气象因子)
Table 6摇 Parameter estimation of the full logistic regression model (non鄄climate factors)
各自变量因子
Variable factors
估值系数
Estimate
标准误差
Std. Error Wald卡方值
显著水平
Pr(> | z | )
常量 Constant -0.366 1.220 0.090 0.764
海拔 Elevation / m 0.001 0.001 0.011 0.917
坡度级(赋值)Slope (Given value) 0.226 0.210 1.164 0.281
坡向 (赋值)Aspect (Given value) 0.035 0.058 0.366 0.545
腐质层厚度 The depth of humus layer / cm -0.253 0.392 0.416 0.519
地被物盖度 Coverage of litter / % 0.018 0.009 4.176 0.041
林型(赋值)Forest type (Given value) 0.065 0.110 0.348 0.555
经营措施(赋值)Management measure (Given value) -0.092 0.159 0.335 0.563
优势树种(赋值)Dominant tree (Given value) -0.147 0.197 0.556 0.456
龄级 Age class / a -0.330 0.124 7.082 0.008
郁闭度 Canopy / % 1.602 0.878 3.330 0.068
表 7摇 逻辑斯蒂最优模型的参数拟合(非气象因子)
Table 7摇 Parameter estimation of the “best冶 logistic regression model (non鄄climate factors)
各自变量因子
Variable factors
估值系数
Estimate
标准误差
Std. Error Wald卡方值
显著水平
Pr(> | z | )
常量 Constant -0.239 0.575 0.173 0.678
地被物盖度 Coverage of litter / % 0.019 0.009 4.843 0.028
龄级 Age class / a -0.214 0.088 5.904 0.015
2.3摇 研究区域雷击火概率分布
本文根据 1974—2005年塔河地区雷击火空间坐标结合按照 1颐1 比例随机创建的非林火对照点,运用克
里格插值方法对该地区雷击火空间概率分布进行了描述(图 3)。 根据插值结果,可以直观判断,该地区有大
概 4个雷击火高发区 /高火险区,分别位于塔河行政区划的中带和南部(图 3中圈画部分)。
3摇 结论与讨论
本文应用应用 ArcGIS10.0和 SPSS19.0等工具,结合研究地矢量化林相图,通过图层叠加计算,属性转换,
逻辑斯蒂回归模型运算等一系列手段,分别分析了气象因素、可燃物指数和林分特征(非气象因素)对雷击火
发生的影响。 研究结果显示“日最低气温冶,“最大风速冶和“最小相对湿度冶3个气象因子及 FFMC,DC两个反
应可燃物干湿程度的指标与雷击火发生概率显著相关。 气象因子与雷击火的最优逻辑斯蒂模型拟合 R2(Cox
& Snell)为 0.326。 在非气象因子与雷击火发生的逻辑斯蒂模型检验中,虽然“地被物盖度冶和“龄级冶均在P=
0.05水平上与雷击火发生显著相关,但其模型的整体拟合水平 R2(Cox & Snell)仅为 0.15,说明林分特征对雷
6446 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇
http: / / www.ecologica.cn
图 3摇 研究区域人为火发生概率克里格插值结果
摇 Fig. 3 摇 The Kriging interpolation of possibility of Lightning鄄
caused fire in the study area
击火发生的解释程度还不是很高,因此结合气象因素的
综合分析是非常必要的。
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。 网格取点是指对研究
区域进行网格化,规定网格大小。 每一个网格代表一个
火点或对应的非火点(随机点),如果网格面积大, 如 5
km伊5 km,那么坡向,林型等这类因子将不具备唯一性,
没有办法考虑进模型拟合中,若栅格面积小(1km伊1km
或更小)则会出现“非火点冶与“火点冶比例严重失衡现
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,随机取点是一
个比较好的选择。
此外,国外一些学者研究表明,雷击 /闪电次数对雷
击火发生有显著影响[16, 28],本文研究区域位于大兴安
岭区域内,该区域从 2006年开始引入雷击检测设备,但
研究组目前仅收集到 2007—2008年间大兴安岭地区雷
击数据。 根据郭福涛[38]对大兴安岭地区 2007—2008
两年的雷击次数空间分研究表明,该时间区域内雷击频
率高发区主要集中在北部和南部,塔河境内相对较少。
未来应更多收集这方面数据,与之前的各因子相结合,
为该地区雷击火发生的决策因子分析提供更全面综合
的支撑。
参考文献(References):
[ 1 ]摇 Chuvieco E, Giglio L, Justice C. Global characterization of fire activity: towards defining fire regimes from earth observation data. Global Change
Biology, 2008, 14(7): 1488鄄1502.
[ 2 ] 摇 Lasaponara R, Santulli A, Telesca L. Time鄄clustering analysis of forest鄄fire sequences in southern Italy. Chaos, Solutions & Fractals, 2005, 24
(1): 139鄄149.
[ 3 ] 摇 Girardin M P, Ali A A, Carcaillet C, Gauthier S, H佴ly C, Goff H L, Terrier A, Bergeron Y. Fire in managed forests of eastern Canada: Risks and
options. Forest Ecology and Management, 2013, 294: 238鄄249.
[ 4 ] 摇 王明玉. 气候变化背景下中国林火响应特征及趋势 [D]. 北京: 中国林业科学研究院, 2009.
[ 5 ] 摇 NIFC [ National Interagency Fire Center ] . Urban鄄wild鄄land and wildland fire statistics. National Interagency Fire Center, Boise, Idaho,
USA, 2004.
[ 6 ] 摇 Kourtz P H, Todd J B. Predicting the daily occurrence of lightning鄄caused forest fires. Forestry Canada, Information Report PI鄄X鄄 112, Petawawa
National Forestry Institute, Chalk River, Ontario, 1992.
[ 7 ] 摇 田晓瑞, 舒立福, 赵凤君, 王明玉. 大兴安岭雷击火发生条件分析. 林业科学, 2012, 48(7): 98鄄103.
[ 8 ] 摇 倪长虹, 邸雪颖. 黑龙江省大兴安岭雷击火发生规律. 东北林业大学学报, 2009, 37(1): 55鄄57, 75鄄75.
[ 9 ] 摇 高永刚, 顾红, 张广英. 大兴安岭雷击火综合指标研究. 中国农学通报, 2010, 26(6): 87鄄92.
[10] 摇 Flannigan M D, Wotton B M. Lightning鄄ignited forest 覱res in northwestern Ontario. Canadian Journal of Forestry Research, 1991, 21 ( 3):
277鄄287.
[11] 摇 Renkin R A, Despain D G. Fuel moisture, forest type, and lightning鄄caused 覱re in Yellowstone National Park. Canadian Journal of Forestry
Research, 1992, 22(1): 37鄄45.
[12] 摇 Nash C H, Johnson E A. Synoptic climatology of lightning鄄caused forest fires in subalpine and boreal forests. Canadian Journal of Forestry Research,
1996, 26(10): 1859鄄1874.
7446摇 19期 摇 摇 摇 郭福涛摇 等:大兴安岭塔河地区雷击火发生驱动因子综合分析 摇
http: / / www.ecologica.cn
[13]摇 Podur J, Martell D L, Csillag F. Spatial patterns of lightning鄄caused forest 覱res in Ontario 1976—1998. Ecological Modelling, 2003, 164(1):
1鄄20.
[14] 摇 Wotton B M, Martell D L. A lightning fire occurrence model for Ontario. Canadian Journal of Forestry Research, 2005, 35(6): 1389鄄1401.
[15] 摇 Krawchuk M A, Cumming S G, Flannigan M D, Wein R W. Biotic and abiotic regulation of lightning fire initiation in the mixedwood boreal forest.
Ecology, 2006, 87(2): 458鄄468.
[16] 摇 Krawchuk M A, Cumming S G, Flannigan M D. Predicted changes in fire weather suggest increases in lightning fire initiation and future area
burned in the mixedwood boreal forest. Climatic Change, 2009, 92(1 / 2): 83鄄97.
[17] 摇 Castedo鄄Dorado F, Rodr侏guez鄄P佴rez J R, Marcos鄄Menendez J L, 魣lvarez鄄Taboada M F. Modelling the probability of lightning鄄induced forest fire
occurrence in the province of Le佼n (NW Spain) . Forest Systems, 2011, 20(1): 95鄄107.
[18] 摇 McRae R H D. Prediction of areas prone to lightning ignition. International Journal of Wildland Fire, 1992, 2(3): 123鄄130.
[19] 摇 赵俊卉, 亢新刚, 郭广猛, 董斌, 周梅. 基于 LIS / OTD格点数据的中国东北地区雷击火时空分布. 生态学杂志, 2009, 28(4): 715鄄720.
[20] 摇 郭福涛, 胡海清, 张金辉. 塔河地区林火时空分布格局与影响因素. 自然灾害学报, 2009, 18(1): 204鄄208.
[21] 摇 杜春英, 李帅, 刘丹, 李秀芬, 于成龙. 大兴安岭地区森林雷击火发生的时空分布. 自然灾害学报, 2010, 19(3): 72鄄76.
[22] 摇 王明玉, 舒立福, 田晓瑞, 史军. 林火在空间上的波动性及其对全球变化的响应(II) . 火灾科学, 2003, 12(3): 171鄄176.
[23] 摇 赵凤君, 王明玉, 舒立福, 王春乙. 气候变化对林火动态的影响研究进展. 气候变化研究进展, 2009, 5(1): 50鄄55.
[24] 摇 郭福涛, 胡海清, 马志海, 张扬. 不同模型对拟合大兴安岭林火发生与气象因素关系的适用性. 应用生态学报, 2010, 21(1): 159鄄164.
[25] 摇 魏书精, 胡海清, 孙龙. 气候变化对我国林火发生规律的影响. 森林防火, 2011, (1): 30鄄34.
[26] 摇 于建龙, 刘乃安. 我国大兴安岭地区森林雷击火发生的火险天气等级研究. 火灾科学, 2010, 19(3): 131鄄137.
[27] 摇 邸雪颖, 李永福, 孙建, 杨光. 黑龙江省大兴安岭地区塔河县森林火险天气指标动态. 应 用 生 态 学 报, 2011, 22(5): 1240鄄1246.
[28] 摇 D侏az鄄Avalos C, Peterson D L, Alvarado E, Ferguson S A, Besag J E. Space time modelling of lightning鄄caused ignitions in the Blue Mountains,
Oregon. Canadian Journal of Forest Research, 2001, 31(9): 1579鄄1593.
[29] 摇 Anderson K. A model to predict Lightning鄄caused fire occurrences. International Journal of Wildland Fire, 2002, 11(4): 163鄄172.
[30] 摇 Wierzchowski J, Heathcott M, Flannigan M D. Lightning and lightning 覱re, central cordillera, Canada. International Journal of Wildland Fire,
2002, 11(1): 41鄄51.
[31] 摇 Wotton B M. Interpreting and using outputs from the Canadian forest ire anger rating system in research applications. Environ Ecol Stat, 2009, 16:
107鄄131.
[32] 摇 Andrews P L, Loftsgaarden D O, Bradshaw L S. Evaluation of fire danger rating indexes using logistic regression and percentile analysis.
International Journal of Wildland Fire, 2003, 12(2): 213鄄226.
[33] 摇 Mart侏nez J, Vega鄄Garcia C, Chuvieco E. Human鄄caused wildfire risk rating for prevention planning in Spain. Journal of Environmental
Management, 2009, 90: 1241鄄1252.
[34] 摇 Chang Y, Zhu Z L, Bu R C, Chen H W, Feng Y T, Li Y H, Hu Y M, Wang Z C. Predicting fire occurrence patterns with logistic regression in
Heilongjiang Province, China. Landscape Ecology, 2013, 28(10): 1989鄄2004.
[35] 摇 Martell D L, Bevilacqua E, Stocks B J. Modelling seasonal variation in daily people鄄caused forest fire occurrence. Canadian Journal of Forest
Research, 1989, 19(12): 1555鄄1563.
[36] 摇 Vasconcelos M J P de, Sllva S, Tome M, Alvim M, Perelra J M C. Spatial prediction of fire ignition probabilities: Comparing logistic regression
and neural networks. Photogrammetric Engineering & Remote Sensing, 2001, 67(1): 73鄄81.
[37] 摇 Littell J S, McKenzie D, Peterson D L, Westerling A L. Climate and wildfire area burned in western U. S. A ecoprovinces, 1916鄄2003. Ecological
Applications, 2009, 19(4): 1003鄄1021.
[38] 摇 郭福涛. 基于空间分析和模型理论的大兴安岭地区林火分布与预测模型研究 [D]. 哈尔滨: 东北林业大学, 2010.
8446 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇