小興安嶺伊春地區(qū)林火發(fā)生自然影響因子及其影響力1)

梁慧玲 郭福濤 王文輝 蘇漳文 趙嘉陽 林玉蕊

(福建農(nóng)林大學(xué)，福州，350002)

森林火災(zāi)是森林更新和演替的主要影響因子之一［1］，不僅會(huì)對(duì)森林生態(tài)系統(tǒng)造成重要的干擾和影響，也會(huì)對(duì)人類的生命財(cái)產(chǎn)安全造成威脅［2-3］。我國森林資源豐富，但也是林火高發(fā)區(qū)，每年林火發(fā)生超過10 000 次，過火面積達(dá)820 000 hm2［4］，防控森林火災(zāi)是科研人員和林業(yè)管理部門的一項(xiàng)重要工作。森林火災(zāi)受火源、氣候、地形、植被特征等多種因素共同影響［5］，了解和掌握林火發(fā)生的主要影響因素，是判斷林火分布格局，預(yù)測(cè)林火發(fā)生趨勢(shì)以及科學(xué)管理林火的前提。位于小興安嶺地區(qū)的伊春市是我國北方森林旅游名城，該地區(qū)森林資源豐富，區(qū)內(nèi)有多個(gè)國家級(jí)森林旅游景點(diǎn)，近年來隨著森林旅游業(yè)的迅速發(fā)展該地區(qū)面臨著嚴(yán)重的森林火災(zāi)防控問題。目前，國內(nèi)關(guān)于該地區(qū)林火發(fā)生影響因素的研究已經(jīng)開展，并取得了一定進(jìn)展，研究多集中在氣象因子與林火的關(guān)系分析。高永剛運(yùn)用氣候統(tǒng)計(jì)分析方法，分析了氣候變化對(duì)伊春林區(qū)森林火災(zāi)的影響［6］;鄭瓊對(duì)伊春地區(qū)1980—2010 年森林火災(zāi)的影響因子進(jìn)行了分析，結(jié)果表明空氣濕度、溫度和風(fēng)速是影響林火發(fā)生的主要影響因子［7］;王繼常指出平均相對(duì)濕度和年降水量對(duì)伊春地區(qū)林火發(fā)生的影響較大［8］。目前的研究方法主要為單因素方差分析法［7-9］、時(shí)間變化趨勢(shì)圖分析法［6］和一般線性回歸模型［8］，這些方法具有一定的合理性，但在深入分析單個(gè)因子對(duì)林火發(fā)生的影響力上存在不足。

隨機(jī)森林(RF)是由Breiman 和Cutler 于2001年提出的一種組合分類器，具有不需要預(yù)先設(shè)定函數(shù)表達(dá)式、能夠克服自變量之間的交互作用、分類精度高等優(yōu)點(diǎn)。同時(shí)該方法還可以計(jì)算自變量的相對(duì)重要性和對(duì)單個(gè)因子的影響力進(jìn)行分析［10-13］。由于該方法具有在分類判別及變量重要性分析上的優(yōu)越性，近幾年國外已有少數(shù)學(xué)者將其應(yīng)用于森林火災(zāi)與影響因子關(guān)系的研究［14-16］。目前，國內(nèi)對(duì)伊春地區(qū)林火影響因子的研究雖已開展，但關(guān)于影響因子的影響力分析還鮮有報(bào)道。因此，本研究應(yīng)用此方法，對(duì)小興安嶺伊春地區(qū)的林火發(fā)生影響因子進(jìn)行分析，試圖找到對(duì)伊春地區(qū)林火發(fā)生有顯著影響的因子，并進(jìn)一步分析這些因子對(duì)林火發(fā)生的實(shí)際影響力，最后基于顯著因子的分析結(jié)果對(duì)伊春地區(qū)進(jìn)行火險(xiǎn)區(qū)劃分。本研究結(jié)論將為伊春地區(qū)的林火管理提供依據(jù)，并為該地區(qū)的森林旅游景區(qū)的發(fā)展與規(guī)劃提供參考。

1 研究區(qū)域概況

伊春位于黑龍江省東北部地區(qū)(127°37′-130°46′E，46°28′-49°26′N)，面積39 017 km2(圖1)，屬低山丘陵地形，平均海拔高度600 m，其地面海拔高程在125～330 m，地勢(shì)開闊，坡度平緩。該區(qū)屬于北溫帶大陸性季風(fēng)氣候，年平均氣溫1 ℃，氣溫偏低;年降水量750 ～820 mm，降水量較充沛。區(qū)內(nèi)森林茂密，樹種較多，森林覆蓋率為83．8%。森林類型是以紅松(Pinus koraiensis)為主的針闊混交林，主要樹種為紅松、興安落葉松(Larix gmelinii)、樟子松(Pinus sylvestris var． mongolica)、山楊(Populus davidiana)、蒙古櫟(Quercus mongolica)等［17］。伊春地處小興安嶺地區(qū)，是我國北方森林旅游勝地。截至2012 年底，國家級(jí)自然保護(hù)區(qū)共5 個(gè)，2013 年末，國家AA 級(jí)以上景區(qū)共有27 處，全年共接待游客583．8萬人次，比2012 年增長(zhǎng)7．5%。

2 材料和方法

2．1 數(shù)據(jù)來源與處理

本研究所涉及的數(shù)據(jù)包括林火發(fā)生數(shù)據(jù)、高程、植被類型、基礎(chǔ)設(shè)施和氣象因子等5 部分，共14 個(gè)變量。

1980—2009 年伊春地區(qū)林火發(fā)生數(shù)據(jù)來源于伊春森林防火辦公室，數(shù)據(jù)包括起火地理坐標(biāo)，火災(zāi)大小、起火原因和火災(zāi)發(fā)生時(shí)間等信息，共有379 個(gè)火點(diǎn)。在建立森林火災(zāi)的判別模型時(shí)，需要構(gòu)建一定比例的隨機(jī)點(diǎn)(非火點(diǎn))，因此，本研究應(yīng)用Arc-GIS 軟件按約1 ∶2 的比例隨機(jī)創(chuàng)建758 個(gè)非火點(diǎn)［18］，創(chuàng)建過程遵循時(shí)間和空間上的完全隨機(jī);且用0 表示沒有林火發(fā)生，用1 表示林火發(fā)生。

高程數(shù)據(jù)來源于國家測(cè)繪地理信息局(http:218．244．250．78/NgccDigitalHall/)提供的1 ∶250 000數(shù)字地形圖。

植被類型數(shù)據(jù)來源于中國科學(xué)院寒區(qū)旱區(qū)環(huán)境與工程研究所(http:www．careeri．cas．cn/)提供的分辨率為1 km 的中國數(shù)字植被圖。植被類型用各植被類型的面積占研究區(qū)域面積的比重來表示。

基礎(chǔ)地理信息數(shù)據(jù)來源于國家測(cè)繪地理信息局(http:218．244．250．78/NgccDigitalHall/)提供的精度為1 ∶25 萬的矢量地圖?；A(chǔ)設(shè)施變量包括:火點(diǎn)或非火點(diǎn)到鐵路、公路和居民點(diǎn)的最短距離共3個(gè)變量。圖1 顯示了伊春地區(qū)火點(diǎn)，高程及人為基礎(chǔ)設(shè)施的空間分布。

圖1 伊春地區(qū)火點(diǎn)、鐵路、道路、居民區(qū)和高程分布

氣象數(shù)據(jù)來源于中國氣象數(shù)據(jù)共享網(wǎng)絡(luò)(ht- tp:cdc．cma．gov．cn/)，包括日平均地表溫度、日最高地表溫度、日最大風(fēng)速、20:00—20:00 時(shí)降水量、日照時(shí)間、日平均氣溫、日最高氣溫、日平均相對(duì)濕度共8 個(gè)氣象因子。

運(yùn)用ArcGIS10．0 軟件分別從數(shù)字地形圖、數(shù)字植被圖中提取火點(diǎn)/非火點(diǎn)所對(duì)應(yīng)的海拔、坡度、坡向和植被類型數(shù)據(jù)，用ArcGIS 的圖層鏈接功能計(jì)算火點(diǎn)/非火點(diǎn)到鐵路、公路和居民點(diǎn)的最短距離，結(jié)合EXCEL 的編程模塊提取火點(diǎn)/非火點(diǎn)所對(duì)應(yīng)的每日氣象數(shù)據(jù)，并應(yīng)用SPSS19．0 對(duì)1980—2009 年伊春地區(qū)的林火發(fā)生數(shù)據(jù)及各驅(qū)動(dòng)因子數(shù)據(jù)進(jìn)行基本統(tǒng)計(jì)描述(表1)。本研究從總樣本數(shù)據(jù)中隨機(jī)選取60%的訓(xùn)練樣本用于建模，另外40%的測(cè)試樣本用來檢驗(yàn)?zāi)Ｐ停?5］。為了保證變量選擇的穩(wěn)定性，在隨機(jī)劃分?jǐn)?shù)據(jù)的過程中，進(jìn)行了3 次重復(fù)并分別進(jìn)行模型擬合，最后選擇在3 次擬合結(jié)果中出現(xiàn)2 次或以上的重要變量進(jìn)入全樣本數(shù)據(jù)模型的擬合計(jì)算。

表1 林火發(fā)生數(shù)據(jù)與驅(qū)動(dòng)因子的基本統(tǒng)計(jì)描述

2．2 隨機(jī)森林算法

2．2．1 隨機(jī)森林基本原理

隨機(jī)森林是一種基于分類回歸樹的組合分類器{h(x，θk)，k=1，2，3，…}，其中x 是輸入向量，θk是獨(dú)立同分布的隨機(jī)向量。采用bootstrap 重抽樣技術(shù)從原始數(shù)據(jù)集中抽取n 個(gè)與原始數(shù)據(jù)集大小相同的bootstrap 樣本，對(duì)這n 個(gè)bootstrap 樣本分別建立n棵沒有剪枝的決策樹，在每棵樹的節(jié)點(diǎn)處隨機(jī)抽取m 個(gè)變量(m 小于總變量數(shù)量)，且在m 個(gè)變量中選擇一個(gè)最具有分類能力的變量進(jìn)行分裂，從而得到n 個(gè)結(jié)果;最后將這n 個(gè)結(jié)果綜合起來作為隨機(jī)森林的最終結(jié)果［10-11，14］。

2．2．2 重要影響因子選擇與排序

隨機(jī)森林能夠計(jì)算變量的重要性得分，根據(jù)其得分可以用來評(píng)價(jià)變量的貢獻(xiàn)力大小，變量的重要性得分越高，說明該變量的貢獻(xiàn)力越大。衡量變量重要性的指標(biāo)有兩個(gè)，一個(gè)是人為地加入噪聲后，隨機(jī)森林預(yù)測(cè)準(zhǔn)確性的下降程度，該值越大說明該變量的重要性越大;另一個(gè)是平均基尼指數(shù)減少量，通過基尼指數(shù)計(jì)算節(jié)點(diǎn)純度，從而比較變量的重要性，該值越大說明該變量的重要性越大［13］;進(jìn)而根據(jù)各個(gè)變量的重要性得分，以降序的方式對(duì)其進(jìn)行排列，剔除不重要的變量重新構(gòu)建隨機(jī)森林;最后以使袋外誤差最小為原則，選擇袋外誤差最小的指標(biāo)集作為模型的最終指標(biāo)體系。本研究應(yīng)用隨機(jī)森林預(yù)測(cè)準(zhǔn)確性的下降程度來評(píng)價(jià)變量的重要性，并在R 統(tǒng)計(jì)軟件中調(diào)用randomForest 程序包、varSelRF 程序包和varImpPlot 函數(shù)來實(shí)現(xiàn)隨機(jī)森林的構(gòu)建和特征變量的選擇與排序。

2．2．3 重要因子的影響力分析

因子的影響力分析是基于局部依賴圖進(jìn)行的。局部依賴圖是將“黑匣子”分類和回歸工具中自變量對(duì)因變量的影響可視化的工具［11，19］。設(shè)分類函數(shù)為f，預(yù)測(cè)變量X=(X1、X2、…、Xs)，則f(X)= f(X1、X2、…、Xs)。函數(shù)f 對(duì)變量Xj依賴值等于函數(shù)f 關(guān)于除Xj變量之外的所有變量的期望值。對(duì)于林火發(fā)生與否的二分類問題，則f(X)= 0．5ln(p(X)/(1-p(X))= 0．5logit(p(X))，其中p 為林火發(fā)生的概率［11，19-20］。

2．3 模型擬合優(yōu)度和預(yù)測(cè)準(zhǔn)確率檢驗(yàn)

結(jié)合受試者工作特征曲線分析法對(duì)隨機(jī)森林算法進(jìn)行擬合優(yōu)度檢驗(yàn)［15］，并結(jié)合林火發(fā)生的臨界值，計(jì)算隨機(jī)森林算法對(duì)林火發(fā)生與否的正確判別率，對(duì)隨機(jī)森林算法的擬合結(jié)果進(jìn)行評(píng)價(jià)。受試者工作特征曲線(ROC 曲線)是一條以假陽性率為橫坐標(biāo)，真陽性率為縱坐標(biāo)繪制而成的曲線，是一種不依賴閾值的檢驗(yàn)方法，以ROC 曲線下的面積(AUC)作為模型預(yù)測(cè)準(zhǔn)確性的衡量標(biāo)準(zhǔn)。AUC 值在［0．5，1］區(qū)間上變化，AUC 值越大，說明模型的擬合效果越好。一般認(rèn)為，AUC 值等于0．5 時(shí)相當(dāng)于是一個(gè)完全的隨機(jī)預(yù)測(cè);在(0．5，0．7］之間說明模型的擬合效果較差;在(0．7，0．9］之間說明模型的擬合效果中等;在(0．9，1］之間說明模型的擬合效果非常好［21］。根據(jù)ROC 曲線分析法計(jì)算出來的敏感性值和(1-特異性值)，求出約登指數(shù)，進(jìn)而確定林火發(fā)生的臨界值，如果林火發(fā)生的預(yù)測(cè)概率大于該臨界值則認(rèn)為有林火發(fā)生，否則認(rèn)為無林火發(fā)生［22-24］。

2．4 林火發(fā)生概率分布格局

基于隨機(jī)森林算法所計(jì)算的全樣本數(shù)據(jù)預(yù)測(cè)概率，運(yùn)用ArcGIS10．0 對(duì)其進(jìn)行克里金插值，分析伊春地區(qū)林火發(fā)生概率的空間分布特征。并且根據(jù)林火發(fā)生的臨界值，將小興安嶺地區(qū)劃分成3 個(gè)森林火災(zāi)等級(jí):低火險(xiǎn)區(qū)(＜臨界值)、中等火險(xiǎn)區(qū)(臨界值～0．5)和高火險(xiǎn)區(qū)(＞0．5)［23］，對(duì)小興安嶺地區(qū)的火險(xiǎn)等級(jí)進(jìn)行區(qū)劃。

3 結(jié)果與分析

3．1 驅(qū)動(dòng)因子分析

由變量的重要性排序圖(圖2)可知，日平均相對(duì)濕度、日最高地表溫度、海拔、日最高氣溫和到居民點(diǎn)的距離等5 個(gè)變量進(jìn)入了全樣本數(shù)據(jù)模型的擬合計(jì)算，表明這5 個(gè)變量是影響林火發(fā)生的主要驅(qū)動(dòng)因子;且日平均相對(duì)濕度對(duì)林火發(fā)生的影響最大，日最高地表溫度次之，而到居民點(diǎn)的距離對(duì)林火發(fā)生的影響相對(duì)其他4 個(gè)變量較小。

為了更好地分析各主要影響因子對(duì)林火發(fā)生的影響規(guī)律，運(yùn)用partialPlot 函數(shù)做出隨機(jī)森林算法中林火發(fā)生與各影響因子之間局部依賴圖(圖3)，橫坐標(biāo)為驅(qū)動(dòng)因子的取值，縱坐標(biāo)為［logit(林火發(fā)生概率)］/2，縱坐標(biāo)值越大越容易發(fā)生火災(zāi)。

圖2 主要驅(qū)動(dòng)因子的重要性排序圖

圖3 主要驅(qū)動(dòng)因子對(duì)林火發(fā)生的影響

圖3 顯示了5 個(gè)重要影響因子各自對(duì)林火發(fā)生的影響區(qū)間。日平均相對(duì)濕度對(duì)林火發(fā)生的影響呈下降趨勢(shì)，當(dāng)天平均相對(duì)濕度小于30%時(shí)，火災(zāi)發(fā)生的概率最大;在80%到90%的范圍內(nèi)對(duì)林火發(fā)生的影響最小。日最高地表溫度大約在15 ℃的范圍內(nèi)對(duì)林火發(fā)生的影響最小，大于15 ℃之后對(duì)林火發(fā)生的影響逐漸增大。海拔在400 m 以下時(shí)對(duì)林火發(fā)生的影響較大，在400 ～900 m 的范圍內(nèi)，對(duì)林火發(fā)生的影響較小。日最高氣溫對(duì)林火發(fā)生的影響呈上升趨勢(shì)，當(dāng)天最高氣溫小于0 ℃時(shí)，火災(zāi)發(fā)生概率相對(duì)較小;大于0 ℃后，日最高氣溫與林火發(fā)生呈正相關(guān)關(guān)系。離居民點(diǎn)的距離(h)＜8 km 的范圍內(nèi)呈下降趨勢(shì)，在8 km＜h≤18 km 的范圍內(nèi)呈上升趨勢(shì)，在18 km＜h≤30 km 的范圍內(nèi)略有下降，＞30 km 之后呈平穩(wěn)狀態(tài)。

3．2 模型校驗(yàn)及擬合結(jié)果分析

圖4 為3 個(gè)訓(xùn)練樣本(60%)的ROC 曲線圖，其AUC 值分別為0．859、0．819、0．835，且P 均小于0．001，說明基于特征變量選擇結(jié)果所建立的隨機(jī)森林算法對(duì)林火發(fā)生的擬合效果較好，且具有統(tǒng)計(jì)意義，可用于林火發(fā)生的擬合計(jì)算?；赗OC曲線分析法所計(jì)算出的林火發(fā)生臨界值分別為0．456、0．420、0．320。

圖4 隨機(jī)森林ROC 曲線圖

隨機(jī)森林算法對(duì)訓(xùn)練樣本的正確預(yù)測(cè)概率在76．4%～80．4%，對(duì)測(cè)試樣本的正確預(yù)測(cè)率在75．8%～81．5%，且對(duì)未發(fā)生林火的正確預(yù)測(cè)率整體上高于對(duì)林火發(fā)生的正確預(yù)測(cè)率(表2)。最后，基于特征變量的選擇結(jié)果，對(duì)全樣本數(shù)據(jù)進(jìn)行擬合計(jì)算。經(jīng)計(jì)算全樣本數(shù)據(jù)模型的AUC 值為0．848，P＜0．001，林火發(fā)生的臨界值為0．413，隨機(jī)森林算法對(duì)林火發(fā)生的正確判別率為79．3%。

表2 隨機(jī)森林算法對(duì)林火發(fā)生的正確判別率

3．3 林火發(fā)生概率分布格局分析

基于隨機(jī)森林算法所計(jì)算的全樣本數(shù)據(jù)的預(yù)測(cè)概率，運(yùn)用ArcGIS10．0 對(duì)其進(jìn)行克里金插值，并對(duì)其進(jìn)行火險(xiǎn)等級(jí)劃分。從林火發(fā)生概率分布圖(圖5)和火險(xiǎn)區(qū)劃圖(圖6)可知，伊春地區(qū)的林火發(fā)生主要集中在中部地區(qū)、東南地區(qū)和最北部地區(qū)，西南、東北地區(qū)也存在林火易發(fā)區(qū)。低火險(xiǎn)等級(jí)區(qū)域占總面積的77．0%，中火險(xiǎn)等級(jí)區(qū)域占總面積的13．9%，高火險(xiǎn)等級(jí)區(qū)域占總面積的9．1%。

4 結(jié)論與討論

綜合分析了高程、植被類型、基礎(chǔ)設(shè)施和氣象因子等13 個(gè)因子與林火發(fā)生之間的關(guān)系。研究結(jié)果表明相對(duì)濕度、最高地表溫度、海拔、最高氣溫和離居民點(diǎn)的距離是影響伊春地區(qū)林火發(fā)生的主要影響因子。相對(duì)濕度是反應(yīng)林內(nèi)可燃物含水量的一個(gè)重要指標(biāo)，對(duì)林火發(fā)生有重要影響［25］。研究表明，日平均相對(duì)濕度對(duì)林火發(fā)生的影響力最大，說明了林火發(fā)生對(duì)相對(duì)濕度的變化非常敏感，這與其他學(xué)者的研究相一致［23］。此外，研究發(fā)現(xiàn)日平均相對(duì)濕度小于30%時(shí)，火災(zāi)發(fā)生的概率最大，這與鄭瓊等［7］對(duì)伊春地區(qū)的研究結(jié)果一致。氣溫與林火的發(fā)生關(guān)系密切，可以直接影響相對(duì)濕度的變化，減少可燃物含水率，從而降低可燃物著火點(diǎn)。研究結(jié)果顯示日最高地表溫度和日最高氣溫對(duì)林火發(fā)生有重要影響，且二者的影響趨勢(shì)相近。日最高地表溫度小于20 ℃，日最高氣溫小于5 ℃時(shí)對(duì)林火發(fā)生的影響較小。日最高氣溫大于5 ℃時(shí)，其與林火發(fā)生大致呈正相關(guān)關(guān)系，即溫度越高，越容易發(fā)生火災(zāi)，大于30℃時(shí)，火災(zāi)概率開始下降，與王淑華等［9］對(duì)伊春地區(qū)的研究結(jié)果一致。此外，研究還發(fā)現(xiàn)林火易發(fā)生在0～400 m 的低海拔區(qū)域，主要原因在于伊春地區(qū)地面海拔高度在125～330 m，且地勢(shì)平緩，是主要的城市人口和工業(yè)的聚集地，人為活動(dòng)頻繁，容易發(fā)生人為火災(zāi)。而森林區(qū)域主要分布在海拔400 m 以上的區(qū)域，是森林旅游的主要分布區(qū)，也是當(dāng)?shù)亓只鸸芾淼闹攸c(diǎn)區(qū)域，由于監(jiān)控嚴(yán)格，管理到位，發(fā)生森林火災(zāi)的次數(shù)相對(duì)較少。本研究還顯示離居民點(diǎn)的距離也會(huì)對(duì)當(dāng)?shù)亓只鸢l(fā)生產(chǎn)生顯著影響，林火易發(fā)生在距居民區(qū)10 ～15 km 的范圍內(nèi)，當(dāng)?shù)貙?shí)際情況是很多森林旅游景點(diǎn)及森林棧道大多修建于離市區(qū)10 km 左右范圍，導(dǎo)致當(dāng)?shù)嘏c森林有關(guān)的人為活動(dòng)主要發(fā)生在該距離尺度內(nèi)。

另一方面，本研究沒有發(fā)現(xiàn)植被類型對(duì)林火發(fā)生有顯著影響，這與Maingi 和Henry［26］和Avila-Flores 等［27］的研究結(jié)果相反，可能由于該地區(qū)林型相對(duì)單一，空間異質(zhì)性不明顯，因此植被類型沒有表現(xiàn)出很強(qiáng)的影響力。王淑華等［9］和鄭瓊等［7］對(duì)伊春地區(qū)的研究結(jié)果表明當(dāng)天日照時(shí)間與森林火災(zāi)呈顯著的正相關(guān)關(guān)系，王淑華等［9］與王繼常和李利［8］對(duì)伊春地區(qū)的研究結(jié)果表明風(fēng)速與森林火災(zāi)也呈顯著的正相關(guān)關(guān)系，而本研究結(jié)果沒有發(fā)現(xiàn)日照時(shí)間和風(fēng)速對(duì)森林火災(zāi)有顯著影響，原因在于隨機(jī)森林算法并不是單一的檢驗(yàn)?zāi)骋粴庀笠蜃优c林火發(fā)生之間是否有顯著的線性關(guān)系，而是分析氣象因子之間對(duì)林火發(fā)生的相對(duì)重要性。這種方法的優(yōu)勢(shì)就在于在復(fù)雜多變的自然環(huán)境下，能夠較準(zhǔn)確地分析出影響林火發(fā)生的重要因子及他們之間的影響權(quán)重。而且隨機(jī)森林抽樣檢驗(yàn)的過程也能夠保證因子重要性檢驗(yàn)的準(zhǔn)確性和穩(wěn)定性。更為重要的是隨機(jī)森林是線性相關(guān)性的檢驗(yàn)，這也是該方法優(yōu)于傳統(tǒng)方法的一個(gè)重要方面。

圖5 林火發(fā)生概率分布圖

圖6 火險(xiǎn)區(qū)劃圖

模型的擬合結(jié)果顯示，隨機(jī)森林算法對(duì)我國伊春地區(qū)林火發(fā)生的預(yù)測(cè)具有較高的預(yù)測(cè)精度，且模型的擬合效果較好，其對(duì)全樣本數(shù)據(jù)的擬合精度為79．3%，表明隨機(jī)森林算法可用于伊春地區(qū)林火發(fā)生的預(yù)測(cè)預(yù)報(bào)。伊春地區(qū)林火發(fā)生概率插值圖和火險(xiǎn)區(qū)劃圖顯示，該地區(qū)林火發(fā)生主要集中在中部地區(qū)、東南地區(qū)和最北部地區(qū)，西南、東北地區(qū)也存在林火易發(fā)區(qū)?？稍谶@些地區(qū)配備更多的消防資源，做好林火預(yù)防工作，使林火發(fā)生所造成的損失達(dá)到最小。

［1］ Chang Y，He H S，Bishop I，et al． Long-term forest landscape responses to fire exclusion in the Great Xing’an Mountains，China［J］． International Journal of Wildland Fire，2007，16(1):34-44．

［2］ Liu H P，Randerson J T，Lindfors J，et al． Changes in the surface energy budget after fire in boreal ecosystems of interior Alaska:an annual perspective［J］． Journal of Geophysical Research Atmospheres，2005，110(D13):2515-2530．

［3］ 彭歡，史明昌，孫瑜．基于Logistic 的大興安嶺雷擊火預(yù)測(cè)模型［J］．東北林業(yè)大學(xué)學(xué)報(bào)，2014，42(7):166-169．

［4］ Zhong M H，F(xiàn)an W C，Liu T M，et al． Statistical analysis on current status of China forest fire safety［J］． Fire Safety Journal，2003，38(3):257-269．

［5］ 劉志華，楊健，賀紅士，等．黑龍江大興安嶺呼中林區(qū)火燒點(diǎn)格局分析及影響因素［J］．生態(tài)學(xué)報(bào)，2011，31(6):1669-1677．

［6］ 高永剛，張廣英，顧紅，等．氣候變化對(duì)伊春林區(qū)森林火災(zāi)的影響［J］．安徽農(nóng)業(yè)科學(xué)，2008，36(28):12269-12271，12274．

［7］ 鄭瓊，邸雪穎，金森．伊春地區(qū)1980—2010 年森林火災(zāi)時(shí)空格局及影響因子［J］．林業(yè)科學(xué)，2013，49(4):157-163．

［8］ 王繼常，李利．伊春林區(qū)森林火災(zāi)與氣象因子相關(guān)分析［J］．防護(hù)林科技，2014(6):48-50，62．

［9］ 王淑華，孫鵬飛，程春香．伊春市氣象因子與森林火災(zāi)相關(guān)性研究［J］．林業(yè)科技，2008，33(2):24-26．

［10］ Breiman L． Random forests［J］． Machine Learning，2001，45(1):5-32．

［11］ Cutler D R，Edwards T J，Beard K H，et al． Random forests for classification in ecology［J］． Ecology，2007，88(11):2783-2792．

［12］ 李欣海．隨機(jī)森林模型在分類與回歸分析中的應(yīng)用［J］．應(yīng)用昆蟲學(xué)報(bào)，2013，50(4):1190-1197．

［13］ 劉盈君，張濤，王璐，等．基于隨機(jī)森林的精神分裂癥血清代謝組學(xué)研究［J］．山東大學(xué)學(xué)報(bào):醫(yī)學(xué)版，2015，53(2):1-5．

［14］ Oliveira S，Oehler F，San-Miguel-Ayanz J，et al． Modeling spatial patterns of fire occurrence in Mediterranean Europe using Multiple Regression and Random Forest［J］． Forest Ecology and Management，2012，275(4):117-129．

［15］ Rodrigues M，de la Riva J． An insight into machine-learning algorithms to model human-caused wildfire occurrence［J］． Environmental Modelling ＆ Software，2014，57:192-201．

［16］ Kane V R，Lutz J A，Alina Cansler C，et al． Water balance and topography predict fire and forest structure patterns［J］． Forest Ecology and Management，2015，338:1-13．

［17］ 于穎，范文義，楊曦光．1901—2008 年小興安嶺森林NPP 估算［J］．林業(yè)科學(xué)，2014，50(10):16-23．

［18］ Catry F X，Rego F C，Ba??o F L，et al． Modeling and mapping wildfire ignition risk in Portugal［J］． International Journal of Wildland Fire，2009，18(8):921-931．

［19］ Hastie T，F(xiàn)riedman J，Tibshirani R． The Elements of statistical learning-data mining，Inference，and prediction［M］． New York:Springer-Verlag，2001．

［20］ Liaw A，Wiener M． Classification and regression by random forest［J］． R News，2002，2(3):18-22．

［21］ del Hoyo L V，Martín Isabel M，Javier Martínez Vega F． Logistic regression models for human-caused wildfire risk estimation:analysing the effect of the spatial accuracy in fire occurrence data［J］． European Journal of Forest Research，2011，130(6):983-996．

［22］ 鄧歐，李亦秋，馮仲科，等．基于空間Logistic 的黑龍江省林火風(fēng)險(xiǎn)模型與火險(xiǎn)區(qū)劃［J］．農(nóng)業(yè)工程學(xué)報(bào)，2012，28(8):200-205．

［23］ Chang Y，Zhu Z L，Bu R，et al． Predicting fire occurrence patterns with logistic regression in Heilongjiang Province，China［J］． Landscape Ecology，2013，28(10):1989-2004．

［24］ 柳生吉，楊?。趶V義線性模型和最大熵模型的黑龍江省林火空間分布模擬［J］．生態(tài)學(xué)雜志，2013，32(6):1620-1628．

［25］ 毛光伶．林火與氣象條件相互關(guān)系及其預(yù)報(bào)［J］．氣象，1988，14(9):52-54．

［26］ Maingi J K，Henry M C． Factors influencing wildfire occurrence and distribution in eastern Kentucky，USA［J］． International Journal of Wildland Fire，2007，16(1):23-33．

［27］ Avila-Flores D，Pompa-Garcia M，Antonio-Nemiga X，et al．Driving factors for forest fire occurrence in Durango State of Mexico:a geospatial perspective［J］． Chinese Geographical Science，2010，20(6):491-497．