文章信息
- 郭福涛, 苏漳文, 马祥庆, 宋禹辉, 孙龙, 胡海清, 杨婷婷
- GUO Futao, SU Zhangwen, MA Xiangqing, SONG Yuhui, SUN Long, HU Haiqing, YANG Tingting
- 大兴安岭塔河地区雷击火发生驱动因子综合分析
- Climatic and non-climatic factors driving lightning-induced fire in Tahe, Daxing'an mountain
- 生态学报, 2015, 35(19): 6439-6448
- Acta Ecologica Sinica, 2015, 35(19): 6439-6448
- http://dx.doi.org/10.5846/stxb201402140257
-
文章历史
- 收稿日期: 2014-02-14
- 网络出版日期: 2014-12-04
2. 东北林业大学林学院, 哈尔滨 150040
2. Faculty of Forestry, Northeast Forestry University, Harbin 150040, China
Fire occurrence data included location, time, and area burned of lightning-induced fires in the Tahe region, Daxing'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, 1:100000 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-induced fire occurrence in the study area.
A logistic regression model was developed to examine the relationship between lighting-induced fire, and climatic and non-climate factors. The spatial distribution of lighting-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-induced fires (P <0.05), and the goodness-of-fit of the model was R2 = 0.326. Moreover, litter cover and tree age class were significantly related to the occurrence of lightning-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-induced fires (1974-2005) along with the same number of random control points. This identified four high lightning-induced fire-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-climatic factors, is critical for understanding and predicting the occurrence of lightning-induced fires in the Tahe area.
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, 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, 11, 12, 13, 14, 15, 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, 20, 21]和决策因子分析[22, 23, 24, 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, 27]。然而,综合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, 15, 28, 29, 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。
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°—125°,北纬52°—53°。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 ℃,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。
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(℃),日最高气温(℃),24h降水量(mm),平均风速(m/s),平均气温(℃),平均水汽压(hPa),平均相对湿度(%),平均气温(℃),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∶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。
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)。有 =logitp=β0+β1X1+…+βnXn ,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(-∞,+∞),当P趋向于0,Logit(P)趋向于-∞,当P趋向于1,Logit(P)趋向于+∞。
雷击火的概率预报模型可表示为:
式中,P为雷击火发生概率; β1…βn 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, 33, 34]。
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∶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∶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。
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。
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-樟子松,杜鹃-樟子松(Land-Pinus sylvestris var, Rhododendron simsii Planch- Pinus sylvestris rva):1 | 无坡向:0 | 平:0 0°—15° | 白桦(Betula platyphylla):1 . | 封山育林:1 | 薄:1 |
杜鹃-白桦, 草类-白桦(Rhododendron simsii Planch- Betula platyphylla, Grass- Betula platyphylla):2 | 东:1 | 缓:1 15°—30° | 落叶松(Larix gmellini):2 | 抚育间伐:2 | 中:2 |
坡地-落叶松,草类-落叶松(Land-Larix gmellini, Grass- Larix gmellini):3 | 东北:2 | 斜:2 30°—45° | 樟子松(Pinus sylvestris var.):3 | 更新造林:3 | 厚:3 |
杜香-落叶松,杜鹃-落叶松(Ledum palustre L. var. dilatatum Wahl- Larix gmellini, Rhododendron simsii Planch- Larix gmellini):4 | 东南:3 | 急:3 45°—60° | 柳树(Salix babylonic):4 | 林分改造:4 | |
杜鹃-山杨, 草类-山杨(Rhododendron simsii Planch- Populus davidiana Dode, Grass- Populus davidiana Dode):5 | 北:4 | 陡:4 60°—75° | 山杨(Populus davidiana Dode):5 | 主伐利用:5 | |
河洼-杨树, 河洼-柳树(Swamp- populus, Swamp- Salix babylonic):6 | 南:5 | 险:5 75°—90° | 杨树(populus):6 | 补充主伐:6 | |
偃松-落叶松(Pinus-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 mongolica Fisch):8 | |||
西南:8 |
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”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∶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”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”与非气象因子的基本统计描述。
24 h: 20:00—20:00; FFMC: Fine Fuel Moisture;DMC: Duff Moisture Code;DC: Drought Code | |||||
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 |
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 |
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 |
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: ,式中 Ri2为自变量 Xi 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”,“平均本站气压”,“平均风速”,“平均相对湿度”“日照时数”,“日最低气温”,“最大风速”,“最小相对湿度”,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。
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”,“最小相对湿度”,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”,“最大风速”,“最小相对湿度”,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)。
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 |
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 |
本文对1∶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”(P=0.041)和“龄级”(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”和“龄级”两个因子与雷击火发生有显著相关性(表7)。
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 |
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 |
本文根据1974—2005年塔河地区雷击火空间坐标结合按照1∶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)。
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”,“最大风速”和“最小相对湿度”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”和“龄级”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×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×1km 或更小)则会出现“非火点”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。
[1] | 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): 1488-1502. |
[2] | Lasaponara R, Santulli A, Telesca L. Time-clustering analysis of forest-fire sequences in southern Italy. Chaos, Solutions & Fractals, 2005, 24(1): 139-149. |
[3] | Girardin M P, Ali A A, Carcaillet C, Gauthier S, Hély C, Goff H L, Terrier A, Bergeron Y. Fire in managed forests of eastern Canada: Risks and options. Forest Ecology and Management, 2013, 294: 238-249. |
[4] | 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] | NIFC[National Interagency Fire Center]. Urban-wild-land and wildland fire statistics. National Interagency Fire Center, Boise, Idaho, USA, 2004. |
[6] | Kourtz P H, Todd J B. Predicting the daily occurrence of lightning-caused forest fires. Forestry Canada, Information Report PI-X-112, Petawawa National Forestry Institute, Chalk River, Ontario, 1992. |
[7] | 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): 98-103. |
[8] | 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): 55-57, 75-75. |
[9] | 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): 87-92. |
[10] | Flannigan M D, Wotton B M. Lightning-ignited forest fires in northwestern Ontario. Canadian Journal of Forestry Research, 1991, 21(3): 277-287. |
[11] | Renkin R A, Despain D G. Fuel moisture, forest type, and lightning-caused fire in Yellowstone National Park. Canadian Journal of Forestry Research, 1992, 22(1): 37-45. |
[12] | Nash C H, Johnson E A. Synoptic climatology of lightning-caused forest fires in subalpine and boreal forests. Canadian Journal of Forestry Research, 1996, 26(10): 1859-1874. |
[13] | Podur J, Martell D L, Csillag F. Spatial patterns of lightning-caused forest fires in Ontario 1976—1998. Ecological Modelling, 2003, 164(1): 1-20. |
[14] | Wotton B M, Martell D L. A lightning fire occurrence model for Ontario. Canadian Journal of Forestry Research, 2005, 35(6): 1389-1401. |
[15] | 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): 458-468. |
[16] | 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): 83-97. |
[17] | Castedo-Dorado F, Rodríguez-Pérez J R, Marcos-Menendez J L, Álvarez-Taboada M F. Modelling the probability of lightning-induced forest fire occurrence in the province of León (NW Spain). Forest Systems, 2011, 20(1): 95-107. |
[18] | McRae R H D. Prediction of areas prone to lightning ignition. International Journal of Wildland Fire, 1992, 2(3): 123-130. |
[19] | 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): 715-720. |
[20] | 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): 204-208. |
[21] | 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): 72-76. |
[22] | 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): 171-176. |
[23] | 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): 50-55. |
[24] | 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): 159-164. |
[25] | 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): 30-34. |
[26] | 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): 131-137. |
[27] | 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): 1240-1246. |
[28] | Díaz-Avalos C, Peterson D L, Alvarado E, Ferguson S A, Besag J E. Space time modelling of lightning-caused ignitions in the Blue Mountains, Oregon. Canadian Journal of Forest Research, 2001, 31(9): 1579-1593. |
[29] | Anderson K. A model to predict Lightning-caused fire occurrences. International Journal of Wildland Fire, 2002, 11(4): 163-172. |
[30] | Wierzchowski J, Heathcott M, Flannigan M D. Lightning and lightning fire, central cordillera, Canada. International Journal of Wildland Fire, 2002, 11(1): 41-51. |
[31] | Wotton B M. Interpreting and using outputs from the Canadian forest ire anger rating system in research applications. Environ Ecol Stat, 2009, 16: 107-131. |
[32] | 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): 213-226. |
[33] | 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. |
[34] | 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): 1989-2004. |
[35] | Martell D L, Bevilacqua E, Stocks B J. Modelling seasonal variation in daily people-caused forest fire occurrence. Canadian Journal of Forest Research, 1989, 19(12): 1555-1563. |
[36] | 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): 73-81. |
[37] | Littell J S, McKenzie D, Peterson D L, Westerling A L. Climate and wildfire area burned in western U. S. A ecoprovinces, 1916-2003. Ecological Applications, 2009, 19(4): 1003-1021. |
[38] | 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. |