金 森，劉萬龍

(東北林業(yè)大學 林學院，黑龍江 哈爾濱 150040)

江西南昌典型林分地表死可燃物含水率預測
—— 方法優(yōu)選與FWI適用性分析

金 森，劉萬龍

(東北林業(yè)大學 林學院，黑龍江 哈爾濱 150040)

亞熱帶針闊混交林是我國南方重要的植被類型，森林火災(zāi)發(fā)生次數(shù)多。對該植被類型的典型可燃物含水率將有助于提高火險預報的準確性。以位于該區(qū)域內(nèi)的南昌市茶園山林場5種典型林分地表死可燃物為研究對象，通過對其含水率的連續(xù)觀測，分析了死可燃物含水率與氣象因子的關(guān)系。采用氣象要素、FWI因子和兩者的結(jié)果，區(qū)分不同含水率范圍，分別建立的各可燃物3種預測模型。結(jié)果表明：研究地區(qū)防火期內(nèi)可燃物含水率從11.8%到276.6%，只有1/4的時間低于35%，具備發(fā)生森林火災(zāi)的條件，其余的時間燃燒性都很低，平均火險不高。但最小含水率已低到10%左右，具備發(fā)生大火的潛在可能性。3種預測方法中，F(xiàn)WI模型誤差最大，氣象要素回歸模型和混合模型誤差相似，考慮到簡單方便，該地區(qū)的含水率預測可以采用氣象要素回歸法。含水率小于35%時，模型MAE 2.25%～4.67%,平均3.73%；MRE 11.14%～23.73%，平均18.63%。含水率＞35%時，模型MAE 6.34%～18.33%,平均8.63%；MRE 10.49%～18.16%，平均14.43%。在全范圍含水率時，模型MAE 7.46%～16.43%,平均10.51%；MRE 18.78%～23.64%，平均20.99%。FWI指標與研究地區(qū)可燃物含水率關(guān)系密切，也可以用于含水率預測和火險預報，如果考慮全國統(tǒng)一的預報模型，對于該地區(qū)，F(xiàn)WI系統(tǒng)是適用的，但為提高預測的準確性，應(yīng)進行進一步的修正。

林分地表死可燃物；可燃物含水率；FWI；預測模型；江西南昌

死可燃物含水率大小決定森林點燃的難易程度，是判斷林火能否發(fā)生、進行林火預報的重要因子[1-5]。不同植被類型和同一植被類型分布的不同區(qū)域的可燃物含水率動態(tài)特征不同，預報方法也不同。亞熱帶針闊混交林是我國南方重要的植被類型，森林火災(zāi)發(fā)生次數(shù)多。對該植被類型的典型可燃物含水率將有助于提高火險預報的準確性。江西省森林覆蓋率高達63.1%，是亞熱帶針闊混交林的重要分布區(qū)。目前對該地區(qū)死可燃物含水率的預測研究還未見諸報道。為此，對江西省森林可燃物含水率的預測研究十分必要，是建立該區(qū)域森林火險預報系統(tǒng)的關(guān)鍵[6-11]。

目前進入森林火險預報系統(tǒng)業(yè)務(wù)運行的可燃物含水率預測的方法主要有氣象要素回歸法及時滯平衡含水率法2種。氣象要素回歸法方法簡單，在我國已開展很多研究[12-14]，取得了一定效果。但該方法是一種統(tǒng)計方法，外推誤差較大，且不同地區(qū)建立的模型所采用的因子不同，難以形成統(tǒng)一的預報模式。時滯和平衡含水率法是半物理方法[15]，較氣象要素回歸法復雜，但通用性強，加拿大火險天氣指標系統(tǒng)(FWI)[16]的可燃物含水率計算方法是該類方法的代表。我國國家火險等級系統(tǒng)建設(shè)中曾引進該方法作為國家尺度的火險預報備用方法。但該方法在全國各地的適用性還沒有得到驗證，特別是FWI指標與可燃物含水率的關(guān)系還沒有在全國范圍內(nèi)不同可燃物類型進行系統(tǒng)研究。

為此，以江西省南昌市的典型可燃物為研究對象，對其可燃物含水率動態(tài)進行觀測，采用氣象要素回歸法、FWI方法（時滯和平衡含水率法）以及氣象要素和FWI指標混合等3種方法，分別建立這些可燃物的含水率預測模型。主要目標是分析影響該區(qū)域可燃物含水率的因子，尋求最合適的預測方法模型，明確預測精度，從而為更準確的預測森林火險提供科學依據(jù)。同時也評價FWI指標在該區(qū)域的適用性，為建立統(tǒng)一的預報模式提供參考。

1 研究方法

1.1 研究區(qū)概況

研究地點為江西南昌茶園山林場，地理坐標 28°72′77″ N，115°68′80″ E。 共 有 山 林 面 積42 700 hm2，地形地貌主要為高丘低山，海拔為200 ～ 680 m。亞熱帶濕潤氣候，四季分明，氣候溫暖，日照充足，無霜期長,無積雪覆蓋，年降水量1 700 mm，年均勻氣溫14.5 ～ 17.6℃。土壤為花崗巖母質(zhì)發(fā)育的山地紅壤，土層深厚土壤肥沃，pH值在5.5至6.0。林木資源主要有毛竹Phyllostachys edulis、 馬 尾 松Pinus massoniana、杉木Cunninghamia lanceolata、柳杉Cryptomeria fortunei、 鵝 掌 楸Liriodendron chinense、 油 茶Camellia oleifera、小山竹Yushania suijiangensis、紅花檵木Loropetalum chinense等100余種。林場內(nèi)森林火災(zāi)發(fā)生較少。

1.2 野外試驗

在陽坡選擇5個典型林分，分別為馬尾松林、馬尾松-鵝掌楸混交林、杉木林、毛竹林、柳杉林。在2012年11月5日至12月28日，2013年3月5日至4月30日(防火期為當年10月至次年4月末)，進行可燃物含水率的觀測，共111 d。在每個林內(nèi)選取3個采樣點，每日14:00左右進行地表凋落物采樣[15]，每個點采集50 g左右，裝入信封稱鮮重后，將樣品裝入密封袋帶回試驗室，放入105 ℃烘干箱內(nèi)，持續(xù)烘干至恒質(zhì)量，稱量干質(zhì)量。

在林場樣地內(nèi)架設(shè)HOBO氣象站，同步采集空氣溫度、空氣濕度、土壤溫度、土壤濕度、降雨量、風速，采樣間隔0.5 h。

1.3 數(shù)據(jù)處理與分析

1.3.1 可燃物含水率計算

按下式進行計算各點含水率，取平均值作為該林分的含水率：

式中：M為可燃物含水率(%)；Wh為可燃物鮮質(zhì)量(g)；Wd為可燃物干質(zhì)量(g)。

1.3.2 FWI指標計算

根據(jù)FWI系統(tǒng)的計算方法[17]，計算研究期間的FWI系統(tǒng)的6個指標，初始條件和3個濕度碼的初始值按文獻計算[18]。

1.3.3 可燃物含水率影響因子相關(guān)分析

影響可燃物含水率的因子有兩類：一是土壤條件，包括土壤含水率（%）、土壤溫度；二是氣象要素和指標，細化為3小類：①當天的氣象因子，包括日最高氣溫（℃）、日平均溫度（℃）、13時溫度（℃）、日平均濕度（%）、日平均風速(m·s-1)；②累加降雨量，包括前n(n=1～12、24)小時累積降雨量(mm)；③FWI指標，包括細小可燃物濕度碼(FFMC)、枯落物下層濕度碼(DMC)、干旱碼(DC)、累計指數(shù)(BUI)、初始蔓延指數(shù)(ISI)、火險天氣指數(shù)(FWI)，

24小時平均溫度記為T1；最高氣溫記為T2；24小時平均濕度記為H；13時溫度記為T3；24小時平均風速記為W；24小時土壤平均溫度記為T4；24小時土壤平均含水率記為RS； 前n小時累加降雨量記為Rn(n=1～12、24)；FFMC；DMC；DC；ISI；BUI；FWI.

計算可燃物含水率與上述因子之間的Pearson相關(guān)系數(shù)，以此來評價死可燃物含水率與不同因子間的關(guān)系，確定對含水率有影響的因子，顯著性水平設(shè)定為α=0.05.

1.3.4 可燃物含水率預測模型

纖維的飽和含水率一般為35%，35%的水分交換主要是擴散過程。超過35%的可燃物床層出現(xiàn)自由水，受降雨和凝露等影響,主要是自由蒸發(fā)，與≤35%的擴散過程機理不同。因此，對其分別建模。對于每個林分，共有3個建模數(shù)據(jù)集，≤35%數(shù)據(jù)、＞35%數(shù)據(jù)、全部數(shù)據(jù)。對于每個數(shù)據(jù)集，用3/4數(shù)據(jù)作為建模數(shù)據(jù)，分別以氣象因子(含土壤因子)、FWI6個指標和混合因子(氣象因子+FWI指標)為預測變量，采用逐步回歸的方法[19]建立該林分的地表死可燃物含水率3種多元線性預測模型，分別稱為氣象要素回歸模型、FWI模型和混合模型。用剩余的1/4數(shù)據(jù)作為驗證數(shù)據(jù)，按下式計算該模型的平均絕對誤差(MAE)和平均相對誤差(MRE)：

式中：Ri和Rj分別為實測和預測的含水率（%）。

對3類模型的誤差進行T檢驗，以比較模型誤差差異的顯著性。

采 用SPSS17.0(SPSS Inc., USA)和Sigma Plot10.0(Systat corporation, USA)進行統(tǒng)計分析和繪圖。

2 結(jié)果與分析

2.1 基本情況

表1給出了實驗期間可燃物含水率動態(tài)、氣象要素和FWI指標的統(tǒng)計特征?？扇嘉锖蕪?1.8%到276.6%，平均65.7%，覆蓋了研究地區(qū)防火期可燃物含水率的主要范圍。從25%分位數(shù)上看，研究期間，只有25%的日子里可燃物含水率低于35%，也就是具有可燃物燃燒的條件，其余的時間燃燒性都很低，這與研究期間降雨比較頻繁有關(guān)，也反映了研究地區(qū)平均火險不高。但最小含水率已低到10%左右，此時燃燒，火勢十分劇烈，說明研究地區(qū)具備發(fā)生大火的潛在可能性。

表1 可燃物含水率和氣象要素、FWI指標的統(tǒng)計特征Table 1 Statistics characteristics of fuel moisture, meterological variables and FWI indexes

2.2 地表死可燃物含水率與影響因子的相關(guān)分析

表2～4給出了相關(guān)的氣象因子、土壤因子、FWI指標與地表死可燃物含水率之間的Pearson相關(guān)系數(shù)。與所有可燃物含水率都不相關(guān)的因子未列入表中。地表死可燃物含水率＜35%時，F(xiàn)WI與5個林分可燃物含水率都顯著相關(guān)，濕度、FMC、DMC、DC等濕度碼與4個林分可燃物含水率顯著，不相關(guān)的林分是毛竹林。FWI、ISI、BUI與林分含水率相關(guān)顯然是因為它們是濕度碼的函數(shù)，而濕度碼與含水率相關(guān)。與2個林分可燃物含水率顯著相關(guān)的有T1、T2、T3、T4、W，僅與1個林分可燃物含水率有顯著相關(guān)的有RS、R11、R12；地表死可燃物含水率＞35%時，F(xiàn)FMC均與5個林分可燃物含水率顯著相關(guān)，不同時段的降雨量與可燃物含水率關(guān)系最密切。溫度與一些林分可燃物含水率顯著相關(guān)。對于地表死可燃物全部含水率，溫濕度指標和FWI指標與可燃物含水率多數(shù)都顯著相關(guān)。

表2 地表死可燃含水率≤35%與環(huán)境因子、FWI因子的Pearson相關(guān)系數(shù)?Table 2 Pearson correlation coefficients between fuel moisture and environmental factors for moisture ≤35%

表3 地表死可燃含水率＞35%與環(huán)境因子、FWI因子的Pearson相關(guān)系數(shù)Table 3 Pearson correlation coefficients between fuel moisture and environmental factors for moisture ＞35%

表4 地表死可燃全部含水率與環(huán)境因子、FWI因子的Pearson相關(guān)系數(shù)Table 4 Pearson correlation coefficients between fuel moisture and environmental factors for full ranged moisture

2.3 死可燃物含水率預測模型

表5給出了5個林分地表死可燃物含水率預測模型的參數(shù)和檢驗。在含水率≤35%、含水率＞35%和全部含水率3種情況下，所有預測模型均顯著，模型可用。其中8個混合模型與氣象模型一致。

表5 地表死可燃物含水率預測模型的參數(shù)和檢驗Table 5 Parameters and test of dead surface fuel moisture prediction models

進入模型的主要因子有：日平均濕度、日最高溫度、前6 h累加降雨量、FFMC等，與可燃物含水率密切相關(guān)的一些因子沒有出現(xiàn)在模型中是因為這些因子與進入模型的因子具有一定的相關(guān)性，其對含水率的作用通過進入模型的因子所體現(xiàn)。

含水率≤35%時，氣象預測模型可解釋30.4%～65.5%的可燃物含水率變差，MAE 2.25%～4.67%，平均3.73%；MRE 11.14%～23.73%，平均值18.63%。FWI預測模型可解釋12.2%～46.6%的可燃物含水率變差，MAE 2.83%～5.49%， 平 均4.36%；MRE 12.91%～27.56%，平均值21.38%。混合預測模型可解釋30.4%～93.8%的含水率變差，MAE1.61%～4.67%，平均3.55%；MRE 6.65%～23.73%，平均17.35%。

含水率＞35%時，氣象預測模型可解釋67.8%～91.4%的可燃物含水率變差，MAE 6.34%～18.33%，平均8.63%；MRE 10.49%～18.16%，平均值14.43%。FWI預測模型可解釋19.2%～44.7%的可燃物含水率變差，其MAE為10.19%～29.25%， 平 均17.43%；MRE 15.92%～26.66%，平均21.62%?；旌项A測模型可解釋70.9%～91.4%的含水率變差，MAE6.34%～18.33%，平均10.49%；MRE 10.49%～18.16%，平均13.45%。

全部含水率時，氣象預測模型可解釋75.2%～89.5%的可燃物含水率變差，MAE 7.46%～16.43%，平均10.51%；MRE 18.78%～23.64%，平均值20.99%。FWI預測模型可解釋45.4%～65.1%的可燃物含水率變差，其MAE為11.25%～28.77%， 平 均17.64%；MRE 28.19%～36.96%，平均33.27%?；旌项A測模型可解釋79.4%～89.5%的含水率變差，MAE7.45%～16.43%，平均10.36%；MRE 18.75%～22.77%，平均20.66%。

表6給出了3類模型誤差的t檢驗結(jié)果。從中可見，無論是≤35%、＞35%還是全范圍的含水率，F(xiàn)WI模型的兩類誤差都顯著高于氣象要素回歸法和混合模型，而氣象要素回歸模型與混合模型的兩類誤差差異不顯著，這也說明，在氣象變量中加入FWI指標沒有改進模型的精度。

因為氣象要素回歸模型和混合模型誤差差異不顯著，但都優(yōu)于FWI模型，且氣象要素模型結(jié)構(gòu)簡單，所以，在實際應(yīng)用中具有一定優(yōu)勢。所以，圖1給出了不同含水率范圍給出了氣象要素混合模型實測值與預測值的對比，從中可見，所有含水率預測數(shù)據(jù)偏高和偏低比較均衡，基本圍繞直線Y=X均勻分布，表明模型的無偏性較好。

表6 不同含水率范圍3類預測模型成對樣本的T檢驗Table 6 T-test for errors of three types of models

3 結(jié)論與討論

研究地區(qū)防火期內(nèi)可燃物含水率從11.8%到276.6%，只有1/4的時間低于35%，具備發(fā)生森林火災(zāi)的條件，其余的時間燃燒性都很低，表明研究地區(qū)平均火險不高。但最小含水率已低到10%左右，具備發(fā)生大火的潛在可能性。3種預測方法中，F(xiàn)WI模型誤差最大，氣象要素回歸模型和混合模型誤差相似，考慮到簡單方便，該地區(qū)的含水率預測可以采用氣象要素回歸法。含水率小于35%時，模型MAE 2.25%～4.67%,平均3.73%；MRE 11.14%～23.73%，平均18.63%。含水率＞35%時，模型MAE 6.34%～18.33%,平均8.63%；MRE 10.49%～18.16%，平均14.43%。在全范圍含水率時，模型MAE 7.46%～16.43%,平均10.51%；MRE 18.78%～23.64%，平均20.99%。

FWI方法雖然誤差高于氣象要素回歸法，但該方法的指標與研究地區(qū)可燃物含水率關(guān)系也很密切，也可以用于含水率預測和火險預報，如果考慮全國統(tǒng)一的預報模型，對于該地區(qū)，F(xiàn)WI系統(tǒng)是適用的，但為提高預測的準確性，應(yīng)進行系統(tǒng)的修正，對各指標的計算參數(shù)進行修正，而不是向本研究中的簡單線性回歸。

本研究模型中采用了不同小時的降雨量和作為預測因子，這是現(xiàn)有研究中沒有使用的變量?？扇嘉锖逝c之前幾個小時內(nèi)降雨量和關(guān)系密切，隨著距上一次降雨間隔時間的增長，該降雨對后面可燃物含水率的影響變小，失水過程影響因子逐漸發(fā)揮作用。因此，可燃物含水率與上一次降雨的密切程度與持續(xù)時間有關(guān)，有個最大相關(guān)的累積時間，從相關(guān)系數(shù)（見表3、4）和模型（見表5）上看，與6、12、24 h的降雨累積最密切。

圖1 氣象要素回歸模型實測值與預測值的對比Fig. 1 Contrast between measured and predicted moisture by vapor exchange models

本研究模型與文獻中同類模型的誤差具有一定的相似性。對于FWI模型，Simard等[20]用FWI預測凋落物含水率的誤差為16.5%，Chrosciewicz[21]對FWI修正的模型誤差為16%～18%。本研究中FWI模型的平均MAE對于3種可燃物含水率范圍分別是4.36%，17.43%和17.64%，與這些模型相似，但比在黑龍江開展的同類研究在低含水率部分低，在全部含水率部分高，比云南的在低含水率是相似，全范圍高。對于氣象要素回歸模型，國內(nèi)外很多氣象要素回歸模型沒有直接給出誤差，難以進行全面的比較。Ruiz等[22]建立的含水率≤30%的氣象要素回歸模型，其MAE為1.32%，本研究對于≤35%的氣象要素回歸模型的平均MAE為3.73%，高于該模型，但與在云南的同類研究3.5%相似。

不同林型立地條件等差異較大，今后研究中應(yīng)考慮坡度、坡位、蓋度、海拔等樣地信息；另外，含水率≤35%觀測樣本較少，模型可信度低，今后應(yīng)增加同一林型下多個樣地的觀測，以提高模型預測的可信度。

[1] Reifnyder WE. Seasonal variation in the moisture content of the green leaves of mountain laurel[J]. Forest Science, 1961, 7(1):16-23.

[2] 馬麗華, 李兆山. 大興安嶺6種活森林可燃物含水率的測試與研究[J]. 吉林林學院學報, 1998, 14(1):21-23.

[3] 王曉紅,張吉利,金 森. 林火蔓延模擬的研究進展[J]. 中南林業(yè)科技大學學報,2013,33(10):69-78.

[4] 蔡衛(wèi)紅,王曉紅,于宏洲,等. 基于Rothermel模型的可燃物參數(shù)對林火行為影響的計算機仿真[J]. 中南林業(yè)科技大學學報,2013,33(11):34-41.

[5] 徐麗華. 地被可燃物與林型火險等級劃分[J].遼寧林業(yè)科技,2001,(6):3-6.

[6] Rothermel R C, Wilson R A, Morris G A,et al. Modeling moisture content of fine dead wildland fuels: input to the behave fire prediction system. United States[C]//Department of Agriculture, Forest Service, Research Paper INT-359.Intermountain Research Station, Ogden, Utah, 1986.

[7] 何忠秋, 張成鋼, 牛永杰. 森林可燃物含水率研究綜述[J].世界林業(yè)研究,1996,(5):26-29.

[8] 邸雪穎, 王宏良. 林火預測預報[M]. 哈爾濱: 東北林業(yè)大學出版社, 1993.

[9] Chuvieco E P, Aguado I P, Dimitrakopoulos A P. Conversion of fuel moisture content values to ignition potential for integrated fi re danger assessment[J]. Canadian Journal of Forest Research,2004, 34(11): 2284-2293.

[10] Nelson R M. Prediction of diurnal change in 10-hour fuel moisture content[J].Canadian Journal of Forest Research, 2000,30: 1071-1087.

[11] 單延龍, 劉乃安, 胡海清, 等. 涼水自然保護區(qū)主要可燃物類型凋落物層的含水率[J].東北林業(yè)大學學報,2005,33(5):41-43.

[12] 張大明, 楊雨春, 張維勝, 等. 可燃物含水率與氣象因子相關(guān)關(guān)系預測模型的研究[J].吉林林業(yè)科技, 2010, 39(3):27-39.

[13] 盧欣艷, 牛樹奎, 任云卯. 北京西山林場可燃物含水率與氣象要素關(guān)系[J].林業(yè)資源管理,2010, (3):79-86.

[14] 金 森, 顏雪嬌. 帽兒山地區(qū)10種灌木生長期內(nèi)含水率動態(tài)變化規(guī)律及預測模型研究[J].應(yīng)用生態(tài)學報, 2012, 23(12):96-103.

[15] 劉 曦, 金 森. 平衡含水率法預測死可燃物含水率的研究進展[J].林業(yè)科學, 2007, 43(12):126-133.

[16] Van Wagner CE. Development and structure of the Canadian forest fi re weather index system[J]. Canadian Forestry Service,Technical Report, 1987, (1): 35-37.

[17] 于宏洲, 金 森, 邸雪穎. 以小時為步長的大興安嶺興安落葉松林地表可燃物含水率預測模型[J]. 應(yīng)用生態(tài)學報, 2013,24(6): 1565-1571.

[18] 孫玉成, 馬洪偉, 王秀國, 等. 加拿大火險天氣指標(FWI)計算的初始化方法和解釋[J]. 森林防火, 2003, (4): 12-13.

[19] Komarek EV. Fire ecology-grasslands and man[J]. Tall Timbers Fire Ecology, 1965,(4):169-220.

[20] Albert J. Simard, James E. Eenigenburg, Richard W. Blank.Predicting fuel moisture in jack pine slash: a test of two systems [J].Canadian Journal of Forest Research, 1984, 14:68-76.

[21] Z Chrosciewicz. Prediction of forest-floor moisture content on jack pine cutovers[J]. Canadian Journal of Forest Research, 1989,19:239-243.

[22] Ruiz Gonza′lez AD, Vega Hidalgo JA, A′ lvarez Gonza′lez JG. Construction of empirical models for predicting Pinus sp.dead fi ne fuel moisture in NW Spain. I. Response to changes in temperature and relative humidity[J]. International Journal of Wildland Fire, 2009, 18:71-83.

Prediction on moisture contents of typical forest-land surface dead fuels in Nanchang city, Jinagxi province: method optimization and FWI applicability

JIN Sen, LIU Wan-long
(College of Forestry, Northeast Forestry University, Harbin 150040, Heilongjiang, China)

Subtropical mixed broadleaf-conifer forest is an important vegetation type in south China, where forest fires occurred frequently. Study on the moisture content of typical forest-land surface dead fuels in the region is of benef i t to increase the accuracy of fi re danger forecast. By taking the dead forest land surface fuels in 5 typical stands in Chayuanshan Forest Farm, Nanchang city,Jiaxi province as the studied objects, through continuous observation on moisture of fi ve dead fuels, the relations between the dead fuels and weather variables were investigated. Based on the weather factors, FWI factor and the results of both, the moisture content ranges of different dead fuels were distinguished, and three predictive models for fi ve dead fuels were respectively established. The results show that the fuel moisture in the region in the study period ranged from 11.8% to 276.6%, one fourth of time they were less than 35% which is ready to burn and in the rest time the burn probability of the fuels had lower combustibility, which suggests low fi re hazard in the region. Even so, since the minimum moisture was below 10%, it still had the potential to burn largely. For the three types of models established, the FWI model had the largest error, higher than the vapor exchange models and the mixed model, where there was no signif i cant difference between the rest two models. Considering simple computation requirements, the vapor exchange models are the best choice for predicting fuel moisture in the region, for all different moisture ranges. The MAE were 2.25%～4.67% with a average of 3.73%, the MRE were from 11.14% to 23.73% with average of 18.63%. The FWI indexes were closely correlated with fuel moisture in the region, which indicates that they were suitable for the region and for creating a nationally unique prediction model. But systematically modif i cation should be conducted rather than the simple one done here for higher accuracy.

forest land surface dead fuel; fuel moisture content; FWI; prediction model; Nanchang city of Jiangxi province

2014-01-12

國家林業(yè)公益性行業(yè)科研專項（201204508）

金 森（1970-），男，天津人，教授，博士，主要從事森林防火研究；E-mail：jinsen2005@126.com

S762.3+2

A

1673-923X(2014)11-0001-08

[本文編校：吳 毅]