不同區(qū)域森林火災(zāi)對生態(tài)因子的響應(yīng)及其概率模型

李曉煒，趙 剛，于秀波，于 強(qiáng)

(1.中國科學(xué)院地理科學(xué)與資源研究所陸地水循環(huán)及地表過程重點(diǎn)實(shí)驗(yàn)室，北京 100101;2.中國科學(xué)院地理科學(xué)與資源研究所生態(tài)系統(tǒng)網(wǎng)絡(luò)觀測與模擬重點(diǎn)實(shí)驗(yàn)室，北京 100101;3.中國科學(xué)院大學(xué)，北京 100049)

火災(zāi)是造成森林生態(tài)系統(tǒng)結(jié)構(gòu)和機(jī)能長期波動的主要干擾之一。生態(tài)環(huán)境因子對一個地區(qū)的火災(zāi)分布特征有決定性的影響［1］。研究人員發(fā)現(xiàn)，生態(tài)環(huán)境因子與森林火災(zāi)的關(guān)系在不同地區(qū)有不同的表現(xiàn)［2］。

目前有很多統(tǒng)計(jì)方法被用于研究生態(tài)影響因子與火災(zāi)之間的關(guān)系，Peng和Schoenberg將火災(zāi)發(fā)生率與溫度、降雨、可燃物濕度和火災(zāi)歷史進(jìn)行分析，發(fā)現(xiàn)前次火災(zāi)距今時間間隔對當(dāng)前火災(zāi)發(fā)生與否的影響很大［3］。鑒于Logistic回歸模型基于多變量對指定事件的預(yù)報能力，并且模型對輸入數(shù)據(jù)無正態(tài)分布的要求［4］，Logistic回歸模型是火險模擬中應(yīng)用較為廣泛的一種方法［5］。二元Logistic回歸模型被用于分析著火概率與3個自變量之間的關(guān)系［6］。這類方法雖然對模擬易波動的數(shù)據(jù)功能強(qiáng)大，但對于分析各個變量對火災(zāi)影響的強(qiáng)弱差別，卻有其不足之處［7］。近幾年來，利用無參數(shù)和半?yún)?shù)Logistic回歸模型，以火災(zāi)影響因子為自變量，火災(zāi)影響因子與火險概率之間的關(guān)系得到了深入分析［8］。

我國森林生態(tài)系統(tǒng)火災(zāi)研究起步較晚［9］。1987年大興安嶺森林火災(zāi)之后，在1988年，國家啟動了森林防火滅火研究開發(fā)基金項(xiàng)目，林火研究工作得到了進(jìn)一步的發(fā)展［10］，在利用衛(wèi)星資料監(jiān)測提取火點(diǎn)、過火區(qū)、林火實(shí)時監(jiān)測或?yàn)?zāi)后損失評估等方面，已取得了很好的研究成果及應(yīng)用［11］。但是，對全國范圍內(nèi)不同植被氣候區(qū)生態(tài)影響因子和森林火災(zāi)之間的非線性關(guān)系，仍缺少精細(xì)和基礎(chǔ)分析［12］。

雖然人類活動是森林火災(zāi)的一大成因，但是生態(tài)環(huán)境確是森林火災(zāi)蔓延開來的先決條件和輔助因素，人類活動對火災(zāi)的影響往往是通過易發(fā)生火災(zāi)的生態(tài)環(huán)境條件而被強(qiáng)化。所以，本研究重點(diǎn)研究和分析導(dǎo)致森林火險的生態(tài)環(huán)境因素和條件，對生態(tài)影響因子在不同區(qū)域的火險預(yù)報能力進(jìn)行的深入的分析和評估。

因此，本研究中，在廣義加性Logistic模型中，引入可以反映數(shù)據(jù)時間性的自變量，并引入描述空間特征的自變量(經(jīng)緯度)和同時描述時空特征的自變量(生態(tài)影響因子)，在模型中加入矢量化空間位置變量，應(yīng)用非參數(shù)化濾波方法，來評估變量間潛在的非線性關(guān)系，分析了森林火災(zāi)生態(tài)影響因子在中國四個不同植被氣候區(qū)(華北落葉闊葉林、東北冷溫帶松林、東南常綠闊葉林、西南熱帶雨林地區(qū))與火險的非線性關(guān)系，研究和分析導(dǎo)致森林火險的生態(tài)成因。建立了以最優(yōu)生態(tài)影響因子及時空變量為自變量的半?yún)?shù)Logistic回歸模型，分析了該模型預(yù)報火災(zāi)著火及蔓延概率的適用性。本研究為進(jìn)一步分析森林生態(tài)系統(tǒng)與火災(zāi)之間的動態(tài)關(guān)系、展開生態(tài)系統(tǒng)火災(zāi)干擾研究提供了理論基礎(chǔ)。

1 材料與方法

1.1 研究區(qū)分布

根據(jù)植被氣候類型分類系統(tǒng)，本文將中國主要森林火災(zāi)地區(qū)劃分為四個區(qū)域:東北冷溫帶松林地區(qū)(西伯利亞冷空氣團(tuán)主導(dǎo)的冷溫帶及寒帶氣候)、華北落葉闊葉林地區(qū)(太平洋季風(fēng)主導(dǎo)的溫帶氣候)、東南常綠闊葉林地區(qū)(東亞季風(fēng)主導(dǎo)的濕潤亞熱帶及熱帶氣候)和西南熱帶雨林地區(qū)(印度洋季風(fēng)、東南季風(fēng)主導(dǎo)的熱帶及亞熱帶氣候)(圖1)。

圖1 研究區(qū)分布圖Fig.1 Distribution of study areas and weather stations used for this study

1.2 數(shù)據(jù)收集及處理

本研究應(yīng)用歸一化植被指數(shù)NDVI來分析各地區(qū)植被覆蓋及生長狀況對火險的影響，每月的環(huán)境數(shù)據(jù)數(shù)據(jù)由研究單元每天的數(shù)據(jù)計(jì)算而得，并生成兩種數(shù)據(jù)，一種為月平均數(shù)據(jù)，另一種為月最高值數(shù)據(jù)。表1列出了植被指數(shù)、環(huán)境數(shù)據(jù)及火災(zāi)數(shù)據(jù)的來源及其描述。

1.3 火險概率模型

本文應(yīng)用3種火險概率作為森林火險的量化方法來進(jìn)行分析:著火概率(p1)、有條件大火蔓延概率(p2)和無條件大火蔓延概率(p3)。在研究區(qū)域，以1×1經(jīng)緯度區(qū)域?yàn)檠芯繂卧?，每月為時間間隔，進(jìn)行火災(zāi)數(shù)據(jù)和氣象數(shù)據(jù)提取。其中，著火概率(p1)表示在所研究的1×1經(jīng)緯度的區(qū)域內(nèi)，所研究月份發(fā)生至少一次火災(zāi)的概率。有條件大火發(fā)生概率(p2)表示在所研究的1×1經(jīng)緯度的區(qū)域中，所研究月份中，當(dāng)有火災(zāi)發(fā)生時，火災(zāi)發(fā)展為大面積火災(zāi)的概率。無條件大火發(fā)生概率(p3)表示在所研究的1×1經(jīng)緯度的區(qū)域內(nèi)，所研究月份中，發(fā)生大面積火災(zāi)的概率。這里提到的大面積火災(zāi)，可以根據(jù)不同的研究需要來設(shè)定，本文中，大面積火災(zāi)代表面積大于400hm2的火災(zāi)［13］。雖然可以直接對p3進(jìn)行計(jì)算，但考慮到自變量與p1和p2的關(guān)系各不相同，先對p1和p2進(jìn)行分別計(jì)算，再計(jì)算p3。應(yīng)用半?yún)?shù)Logistic回歸模型［8］來分析各研究區(qū)生態(tài)影響因子與著火概率、有條件大火蔓延概率的關(guān)系，應(yīng)用自變量對因變量的部分效應(yīng)來分析變量間非線性關(guān)系。自變量與因變量之間的非線性曲線是所有自變量共同作用背景下生成的。自變量對因變量的部分效應(yīng)由GAM模擬得出的splines公式作圖得出。模型公式如下:

表1 數(shù)據(jù)來源及描述Table 1 Data collection and description

式中，k為1×1經(jīng)緯度/月的標(biāo)記數(shù)字;p為著火概率或有條件大火蔓延概率;(lon，lat)代表所研究的1×1經(jīng)緯度的區(qū)域的中心經(jīng)緯度坐標(biāo);month為研究月份;Xn代表所選取進(jìn)行研究的各個自變量(例如:各生態(tài)影響因子，反映植被物候變化的指數(shù)NDVI等)。在公式中，gi()和hn()分別為無參濾波函數(shù)，在計(jì)算中，g1為thin plate splines［14］函數(shù)，因?yàn)榭梢酝ㄟ^薄板樣條函數(shù)對火險概率的空間分布特點(diǎn)進(jìn)行分析，用來模擬經(jīng)度和緯度對火災(zāi)的空間影響。g2為periodic splines函數(shù)，因?yàn)榭梢酝ㄟ^周期平滑函數(shù)來分析火險概率的年內(nèi)季節(jié)周期，用來模擬年內(nèi)月份對火災(zāi)的作用和影響。hn()應(yīng)用B－splines函數(shù)，主要是為了對生態(tài)影響因子和火災(zāi)概率logit值之間的非線性關(guān)系進(jìn)行分析和描述，例如，火災(zāi)發(fā)生概率或蔓延概率與溫度的關(guān)系往往呈非線性，在描述變量間非線性關(guān)系這方面，無參濾波函數(shù)優(yōu)于參數(shù)化的函數(shù)。應(yīng)用AIC對各個自變量進(jìn)行選擇，找出對火災(zāi)概率模擬提供信息最優(yōu)的自變量［15］。在每個研究區(qū)，為了對比分析不同生態(tài)影響因子在預(yù)測火災(zāi)概率時的優(yōu)劣，使用AIC指標(biāo)對以單一生態(tài)影響因子為自變量的概率模型進(jìn)行評估，對計(jì)算得出的AIC值進(jìn)行對比，AIC值越小，代表概率模型所使用的單一生態(tài)影響因子的火險預(yù)報能力越好。為了便于直觀圖解和應(yīng)用，各概率模型命名如下:

僅以時間和空間變量為自變量的概率模型——?dú)v史概率模型(B)，歷史概率模型可以模擬出不同地理位置及月份間的火險概率差異，但不反映年與年之間的差異。歷史概率模型為分析火險預(yù)報極值點(diǎn)提供依據(jù)。B模型(歷史概率模型)公式如下:

以時間和空間變量及單一生態(tài)影響因子為自變量的概率模型——以生態(tài)影響因子命名和代表。在這里，所使用的生態(tài)影響因子包括:植被指數(shù)的月均值(NDVIspot、NDVIgimms)、日最高溫度的月均值(MaxT)、日最高溫度的月最大值(MaxTX)、日平均溫度的月均值(AvgT)、日平均溫度的月最大值(AvgTX)、日降雨量的月均值(PT)、日降雨量的月最大值(PTX)、日平均風(fēng)速的月均值(WS)、日平均風(fēng)速的月最大值(WSX)、日相對濕度的月均值(RH)、日相對濕度的月最大值(RHX)。在每個研究區(qū)，經(jīng)過AIC計(jì)算及對比，在顯著水平＜0.05的生態(tài)影響因子中，選出火險預(yù)報能力好的因子，以時空變量和所選生態(tài)影響因子為自變量，建立回歸模型，并應(yīng)用研究年份之外的數(shù)據(jù)對研究年份的著火概率(p1)和有條件大火發(fā)生概率(p2)進(jìn)行模擬。p3通過計(jì)算而得:p3=p1×p2。文中的統(tǒng)計(jì)計(jì)算和分析使用R語言程序及其程序包完成，其中，概率模型由程序包mgcv 中的 gam［16］和 predict.gam 語句完成［17］，其中的 family 使用 binomial語句，link 使用 logit語句，各無參濾波函數(shù)調(diào)用splines完成;AIC自變量選擇應(yīng)用R語言程序中的程序包stats中的AIC語句完成;自變量對因變量的部分效應(yīng)由GAM模擬得出的splines公式調(diào)用plot.gam語句完成。

為了對最終建立的概率模型進(jìn)行評估，使用Hosmer和Lemeshow提出的評估方法［18］，將觀測與模擬數(shù)據(jù)生成散點(diǎn)圖。因?yàn)槔猛粩?shù)據(jù)集進(jìn)行模型驗(yàn)證會得到比實(shí)際情況好的擬合結(jié)果，所以使用十字交叉法進(jìn)行數(shù)據(jù)處理。具體如下:應(yīng)用研究年份之外的數(shù)據(jù)對研究年份的火險概率進(jìn)行模擬，通過實(shí)際觀測數(shù)據(jù)和模型模擬數(shù)據(jù)生成散點(diǎn)圖，其中，實(shí)際觀測數(shù)據(jù)根據(jù)研究需要，以不同的分類方式進(jìn)行分類，應(yīng)用同類數(shù)據(jù)實(shí)際觀測平均值與其對應(yīng)的模擬數(shù)據(jù)平均值進(jìn)行對比和作圖。由于研究數(shù)據(jù)是(0，1)的形式，所以需要對觀測數(shù)據(jù)按照某一標(biāo)準(zhǔn)進(jìn)行歸類聚合，在每一歸類的集合中，將火災(zāi)發(fā)生的比例與火險概率預(yù)報平均值進(jìn)行比較，從而實(shí)現(xiàn)對模型預(yù)報能力的評估。將擁有相同或相似(相互間差異在1%范圍內(nèi))無條件大火發(fā)生概率模擬值的數(shù)據(jù)歸為一類，對模型持續(xù)性預(yù)報能力進(jìn)行分析。文中，利用GIS軟件，生成火險概率預(yù)報圖。

2 結(jié)果

2.1 森林火災(zāi)對生態(tài)因子響應(yīng)特征的區(qū)域差異

對4個不同植被氣候區(qū)域1996—2008年的火災(zāi)季節(jié)變化特征進(jìn)行了分析(圖2)。

圖2 研究區(qū)月均火災(zāi)數(shù)量及面積Fig.2 The average monthly burnt areas and number of fires

在東北冷溫帶松林地區(qū)，火災(zāi)季節(jié)為3月中旬至6月中旬，(圖2)。雖然3—5月降雨量比11—2月大，由于之前干旱季節(jié)對土壤及植被含水量的影響，每年3—5月，著火次數(shù)不斷增加，10月至翌年2月，火災(zāi)數(shù)量呈不穩(wěn)定變化，這主要是因?yàn)榇杭狙┤诤?，森林中草本層和凋落物層的可燃性會變得非常高。該林區(qū)存在大量雜草及次生林，成為高可燃度的主要因素。中國東南常綠闊葉林地區(qū)，火災(zāi)季節(jié)為9月至翌年4月，較濕潤的5—8月，火災(zāi)很少，但6月較特別，火災(zāi)次數(shù)很多(圖2)。在濕潤月份，由于溫度高，使森林生態(tài)系統(tǒng)的蒸發(fā)散增多，從而抑制了該時期降雨對隨后火災(zāi)的影響。該林區(qū)植被可燃性低于中國北方針葉林。在華北落葉闊葉林地區(qū)，著火季節(jié)為6—7月(圖2)。春季植被處于休眠狀態(tài)，受火災(zāi)破壞程度較小，秋季由于植被還未進(jìn)入冬眠，同時火災(zāi)擴(kuò)散慢、燃燒時間長，植被極易受破壞。本地區(qū)火災(zāi)發(fā)生次數(shù)的年際變化呈周期性，與該地區(qū)土壤濕度的年際變化有很大關(guān)聯(lián)。在中國西南熱帶雨林地區(qū)，12月至翌年5月，降雨少，較干旱，隨著干旱度的累加，火災(zāi)發(fā)生次數(shù)逐月升高(圖2)。

通過生成自變量與因變量之間的非線性曲線圖，分析了著火概率模型和有條件大火概率模型中，每個自變量與因變量之間的非線性關(guān)系(圖3，圖4)。在4個地區(qū)，AvgT均與著火概率呈現(xiàn)出非線性關(guān)系，在華北、東北、東南地區(qū)，NDVI與著火概率呈非線性關(guān)系，在西南地區(qū)，MaxT與著火概率和有條件大火蔓延概率均呈現(xiàn)出非線性關(guān)系。使火險概率高于正常水平的各生態(tài)因子的閾值在4個地區(qū)各不相同(表2)。

圖3 研究區(qū)基于生態(tài)因子的著火概率模型中各個自變量對因變量的部分效應(yīng)圖Fig.3 Estimated partial effects of significant variables on the probability of fire ignition in(a)NC

2.2 基于生態(tài)影響因子的火險概率模型及模型評估

圖4 研究區(qū)基于生態(tài)因子的有條件大火蔓延概率模型中各個自變量對因變量的部分效應(yīng)圖Fig.4 Estimated partial effects of significant variables on the probability of large fire event

表2 4個研究區(qū)火險概率高于正常水平的自變量臨界值及參數(shù)Table 2 The threshold value of the selected factors as the probabilities of fire risk higher than average in the 4 regions

在4個研究區(qū)，通過AIC分析，選出的作為最終著火概率模型及有條件大火概率模型自變量的生態(tài)影響因子，見表3，由表可以看出，對于著火概率模型，所選的自變量均為生態(tài)影響因子的月均值，所有因子的月最大值均未入選為模型自變量。對于有條件大火蔓延概率，在常綠闊葉林區(qū)和熱帶雨林區(qū)，部分因子的月最大值入選為模型自變量。在冷溫帶松林、落葉闊葉林、常綠闊葉林地區(qū)，NDVI對著火概率有明顯作用，在4個地區(qū)，海拔對火災(zāi)發(fā)生有顯著影響，在4個研究區(qū)，日平均溫的月均值均被選為著火概率模型自變量，在落葉闊葉林、常綠闊葉林、熱帶雨林地區(qū)，降雨量和日最高溫的月均值對著火概率有明顯作用，在冷溫帶松林、常綠闊葉林和熱帶雨林地區(qū)，日相對濕度的月均值被選為著火概率模型的自變量，日平均風(fēng)速的月均值僅對落葉闊葉林、熱帶雨林地區(qū)的著火概率影響明顯。在常綠闊葉林地區(qū)，NDVI未被選為有條件大火蔓延概率模型的自變量，日平均風(fēng)速月均值對有條件大火蔓延概率的影響只在常綠闊葉林地區(qū)明顯。降雨量對有條件大火蔓延概率的影響在四個地區(qū)均不顯著。

表3 著火概率模型及有條件大火蔓延概率模型所選的自變量Table 3 The selected factors in the regression models for the probabilities of fire occurrence and large fire event in the 4 regions

圖5為對實(shí)際觀測及模型模擬數(shù)據(jù)所做散點(diǎn)分析圖(虛線為模擬結(jié)果95%置信區(qū)間)。華北落葉闊葉林、東北冷溫帶松林地區(qū)大部分觀測值落在了模擬結(jié)果95%置信區(qū)間之內(nèi)。其他兩個區(qū)域部分實(shí)際觀測數(shù)據(jù)落在了模擬結(jié)果95%置信區(qū)間范圍之外。華北落葉闊葉林、東北冷溫帶松林、東南常綠闊葉林、西南熱帶雨林區(qū)最終模型的概率模擬范圍分別是0—0.95、0—0.96、0—0.87、0—0.94。在概率模擬研究中，概率模擬范圍越大，模型模擬能力越好。

2.3 基于GIS的模型輸出結(jié)果圖形化

列出了2003年9—12月的火險概率圖，圖6中，第一列為著火概率圖，第二列為有條件大火蔓延概率圖，第三列為無條件大火蔓延概率圖，并將對應(yīng)月份的實(shí)際有火災(zāi)發(fā)生和大火發(fā)生的1×1經(jīng)緯度研究單元標(biāo)示了出來。通過該圖，我們可以了解生態(tài)因子概率模型在不同月份模擬時的具體效果，并可以對模型在不同區(qū)域的火險預(yù)報能力有一個直觀的掌握。對于同一個地區(qū)，不同月份所展現(xiàn)出來的火險概率的高低有所不同。這從一個側(cè)面反映出了不同月份植被及氣象因素的變化。圖中實(shí)際發(fā)生火災(zāi)及大火的1×1研究單元多數(shù)位于火險概率較高的區(qū)域，但也有少數(shù)落在火險概率較低的區(qū)域，這樣的情況可能是由火災(zāi)的其他成因引起的，例如人為因素。

在東北地區(qū)，2003年9、10、11月份的著火概率及無條件大火蔓延概率高于12月份，9月份東北北部著火概率及無條件大火蔓延概率高于東北南部，11月份東北北部著火概率及無條件大火蔓延概率低于東北南部，而實(shí)際著火數(shù)據(jù)也反映了這一特征。4個月份有條件大火蔓延概率均呈現(xiàn)出較高的水平，這一結(jié)果與該地區(qū)9至12月植被及氣候狀況相符，在東北地區(qū)，降雪往往導(dǎo)致折斷凋落的植被凋落物增多，增加了火點(diǎn)蔓延的可能性;在華北地區(qū)，2003年10、11、12月份3種火險概率均高于9月份，同一月份內(nèi)存在著空間差異，中部比其他區(qū)域火險概率高;在東南地區(qū)，2003年11、12月份的火險概率高于9、10月份，對于著火概率，東南地區(qū)的北部邊緣、南部邊緣及中部地區(qū)要高于其他地區(qū)。對于有條件大火蔓延概率及無條件大火蔓延概率，東南地區(qū)北部高于南部。實(shí)際的火災(zāi)發(fā)生情況也顯示出了這一特點(diǎn)。在西南地區(qū)，2003年11、12月份的火險概率高于9、10月份，西南地區(qū)北部火險概率要高于南部地區(qū)，多數(shù)實(shí)際著火火點(diǎn)位于該地區(qū)模擬值較高的地區(qū)。西南地區(qū)有條件大火發(fā)生概率普遍較高，無條件大火發(fā)生概率在中北部較高，實(shí)際發(fā)生的大面積火災(zāi)多集中在西南地區(qū)的中北部。

圖5 4個研究區(qū)實(shí)際觀測的無條件大火蔓延概率和模型模擬概率散點(diǎn)對比圖Fig.5 Observed versus estimated probabilities grouping by similar estimated probabilities(within 1%of each other)for the final regression model of the large fire event probabilities in NC，NE，SE and SW

3 結(jié)論與討論

在本研究中，應(yīng)用半?yún)?shù)Logistic回歸模型中的自變量對因變量部分效應(yīng)，分析了中國4個植被氣候區(qū)生態(tài)影響因子與著火概率、有條件大火蔓延概率之間的非線性關(guān)系。建立了火險概率模型，分析研究區(qū)域森林火災(zāi)的時空分布特征及對生態(tài)因子的響應(yīng)機(jī)制。半?yún)?shù)Logistic回歸模型引入了表示模型誤差或其它系統(tǒng)誤差的非參數(shù)分量，從而使模型既含有參數(shù)分量，又含有非參數(shù)分量，綜合了參數(shù)回歸模型和非參數(shù)回歸模型的優(yōu)點(diǎn)，在實(shí)際問題中，比單純的參數(shù)回歸模型和非參數(shù)回歸模型有更大的適應(yīng)性，而且有更強(qiáng)的解釋能力［8］。在4個地區(qū)，AvgT均與著火概率呈現(xiàn)出非線性關(guān)系，在華北、東北、東南地區(qū)，NDVI與著火概率呈非線性關(guān)系，在西南地區(qū)，MaxT與著火概率和有條件大火蔓延概率均呈現(xiàn)出非線性關(guān)系。使火險概率高于正常水平的各生態(tài)因子的閾值在4個地區(qū)各不相同。對于著火概率模型，多數(shù)生態(tài)影響因子月平均值的模擬能力優(yōu)于月最大值。在4個地區(qū)，有條件大火蔓延概率模型所選作為自變量的生態(tài)影響因子數(shù)量比著火概率模型的少。對于有條件大火蔓延概率模型，部分生態(tài)影響因子月最大值的模擬能力優(yōu)于月平均值。各氣候區(qū)模型所選生態(tài)影響因子各不相同。在4個研究區(qū)，著火概率模型和有條件大火蔓延概率模型所選作為自變量的生態(tài)影響因子各不相同。當(dāng)分析實(shí)際觀測數(shù)據(jù)與模型模擬數(shù)據(jù)散點(diǎn)圖時，落葉闊葉林、冷溫帶松林、熱帶雨林地區(qū)的模型模擬結(jié)果比常綠闊葉林地區(qū)好。研究表明，在中國不同生態(tài)區(qū)，應(yīng)用時空變量、生態(tài)影響因子、植被指數(shù)建立半?yún)?shù)化logistic回歸模型模擬火險概率具有可行性。概率模型自變量的部分效應(yīng)是分析生態(tài)影響因子與火險概率非線性關(guān)系的有效途徑。

圖6 研究區(qū)2003年每月著火概率(p1)、有條件大火蔓延概率(p2)、無條件大火蔓延概率(p3)分布圖(9—12月)(基于生態(tài)因子的火險概率模型)Fig.6 Fire risk maps with estimated fire occurrence probability(p1)，estimated conditional probability of a large fire event(p2)，estimated large fire events probability(p3)and observed fire and large fire events(dots)for each month in 2003

在冷溫帶松林、落葉闊葉林、常綠闊葉林地區(qū)，NDVI對著火概率作用明顯，反映出植被生長的年內(nèi)變化對火災(zāi)影響顯著。近年來，在其他國家和地區(qū)，研究者也常常會發(fā)現(xiàn)這種情況［19］。在熱帶雨林地區(qū)，NDVI對有條件大火蔓延概率作用不顯著，這在一定程度上反映出，年內(nèi)植被生長變化對該地區(qū)大火蔓延的作用較小。在4個地區(qū)，海拔對火災(zāi)發(fā)生有顯著影響，并且這種影響有一定的普遍性，這種情況與其他研究者的報道結(jié)論相符［6］。海拔對火災(zāi)的影響有可能是由于人類活動或閃電等間接的因素導(dǎo)致的［20］。模型自變量的選擇反映出土壤濕度及植被含水量在落葉闊葉林、常綠闊葉林、熱帶雨林地區(qū)對著火概率影響顯著。有條件大火蔓延概率模型自變量的選擇反映出，在常綠闊葉林地區(qū)，年內(nèi)植被生長變化對大火蔓延的作用較小。土壤濕度對大火蔓延的作用較小。4個地區(qū)不同因子對火災(zāi)發(fā)生和火災(zāi)蔓延的影響各不相同。對于同一氣候區(qū)，影響著火概率的因子不一定影響大火蔓延概率，有些因子對火災(zāi)蔓延影響顯著，但對火災(zāi)發(fā)生無影響。落葉闊葉林、冷溫帶松林、熱帶雨林地區(qū)的模型模擬結(jié)果比常綠闊葉林地區(qū)好，導(dǎo)致這一結(jié)果的原因有可能是:在常綠闊葉林地區(qū)，相較其它3個地區(qū)，火災(zāi)數(shù)量較少，特別是大面積火災(zāi)數(shù)量較少。在火險研究中，對于研究生態(tài)因子與火災(zāi)之間的非線性關(guān)系，點(diǎn)對點(diǎn)的生態(tài)因子與火災(zāi)發(fā)生數(shù)量的相關(guān)性分析有可能不是最有效的方法。很多研究表明，點(diǎn)對點(diǎn)的時間相關(guān)統(tǒng)計(jì)分析對于研究火險因子與火險之間的非線性關(guān)系來說，略顯劣勢［21］?；馂?zāi)數(shù)據(jù)一般為小數(shù)量數(shù)據(jù)，以0和1居多，所以利用時間相關(guān)統(tǒng)計(jì)分析來研究火災(zāi)數(shù)據(jù)，有一定的弊端。通過研究結(jié)果可以看出，本研究中使用的半?yún)?shù)化Logistic回歸模型，在中國的四個氣候區(qū)，都能夠有效的分析生態(tài)因子與火災(zāi)概率之間的關(guān)系，在其他國家或地區(qū)，使用半?yún)?shù)化Logistic回歸模型模擬火險概率也得到了很好的結(jié)果［8］。顯示出該模型對定量化評估火險概率有很好的應(yīng)用性。

［1］ Brown P M，Heyerdahl E K，Kitchen S G，Weber M H.Climate effects on historical fires(1630—1900)in Utah.International Journal of Wildland Fire，2008，17(1):28－39.

［2］ Turner D，Lewis M，Ostendorf B.Spatial indicators of fire risk in the arid and semi－arid zone of Australia.Ecological Indicators，2011，11(1):149－167.

［3］ Peng R，Schoenberg F.Estimation of wildfire hazard using spatial－temporal fire history data.Los Angeles:Statistics Department，University of California，2001.

［4］ Legendre P，Legendre L.‘Numerical Ecology.’2nd English edn.Amsterdam:Elsevier Science BV，1998.

［5］ Keane R E，Drury S A，Karau E C，Hessburg P F，Reynolds K M.A method for mapping fire hazard and risk across multiple scales and its application in fire management.Ecological Modelling，2010，221(1):2－18.

［6］ Moreira F，Catry F X，Rego F，Bacao F.Size－dependent pattern of wildfire ignitions in Portugal:when do ignitions turn into big fires?.Landscape Ecology，2010，25(9):1405－17.

［7］ Chuvieco E，Allg?wer B，Salas J.Integration of physical and human factors in fire danger assessment//Chuvieco E.Wildland Fire Danger Estimation and Mapping The Role of Remote Sensing Data.Singapore:World Scientific Publishing.2003:197－218.

［8］ Brillinger D R，Preisler H K，Benoit J W.Probabilistic risk assessment for wildfires.Environmentrics，2006，17(6):23－33.

［9］ Di X Y，Wang H L，Yao S R.Forest fire forecast.Harbin:Northeast Forestry University Publishing Company，1993.

［10］ Hu H Q.Forest fire ecology and management.Beijing:China Forest Press，2005.

［11］ Shu L F，Xiang A M，Tian X R.3S in forest fire management.Forest Science，1998，24(1):46－51.

［12］ Shu L，Zhang X，Dai X，Tian X，Wang M.Forest fire research(Ⅱ)－fire forecast.World Forestry Research，2003，16(4):34－37

［13］ Li D Q.A Brief Talk On Characteristics Of Forest Fire In Our Country.Forestry Science and Technology Information，2011，43(1):4－5.

［14］ Wood S N.Thin plate regression splines.Journal of Royal Statistical Society Series B，2003，65(1):95－114.

［15］ Sakamoto Y，Ishiguro M，Kitagawa G.Akaike Information Criterion Statistics.D.Reidel Publishing Company，1986.

［16］ Hastie T，Tibshirani R.Generalized Additive Models.London，UK:Chapman ＆ Hall，1990.

［17］ R Development Core Team.R:a language and environment for statistical computing.R Foundation for Statistical Computing:Vienna，Austria.2010.

［18］ Hosmer D W，Lemeshow S.Applied Logistic Regression.NewYork:Wiley，1989.

［19］ Gianelle D，Vescovo L，Mason F.Estimation of grassland biophysical parameters using hyperspectral reflectance for fire risk map prediction.International Journal of Wildland Fire，2009，18(7):15－24.

［20］ Mma.Madrid，Spain:Area de Defensa Contra Incendios Forestales，Ministerio de Medio Ambiente，2007.

［21］ Roads J，F(xiàn)ujioka F，Chen S，et al.Seasonal fire danger forecasts for the USA.International Journal of Wildland Fire，2005，14(1):1－18.

參考文獻(xiàn):

［9］ 邸雪穎，王宏良，姚樹人.林火預(yù)測預(yù)報.哈爾濱:東北林業(yè)大學(xué)出版社，1993.

［10］ 胡海清.林火生態(tài)與管理.北京:中國林業(yè)出版社，2005.

［11］ 舒立福，向安民，田曉瑞.3S集成技術(shù)在林火管理中的應(yīng)用研究.火災(zāi)科學(xué)，1998，24(1):46－51.

［13］ 李德全.淺談我國森林火災(zāi)發(fā)生的特點(diǎn).林業(yè)科技情報，2011，43(1):4－5.