彭徐劍 靳全鋒 詹慶斌 郭福濤

(南京森林警察學院，南京，210023) (麗水職業(yè)技術學院) (南京森林警察學院) (福建農林大學)

野火是森林生態(tài)系統(tǒng)重要干擾因子，維持生物多樣性和生態(tài)系統(tǒng)結構關鍵因子，也是對森林資源、大氣環(huán)境和人類生命財產安全造成威脅主要因子[1-4]。近年隨著全球氣候變暖、人口急劇增加、人類活動和工業(yè)化進程加快，中國亞熱帶區(qū)域野火具有頻率高、強度小、高污染等特點。中國亞熱帶區(qū)域每年發(fā)生約2 490次野火，火災面積高達2.14×105hm2[5-6]。浙江區(qū)域野火具有亞熱帶野火特性[7]，因此，探索浙江區(qū)域野火發(fā)生特征、建立野火發(fā)生預測模型已成為亞熱帶區(qū)域野火管理的關鍵，對浙江區(qū)域野火發(fā)生規(guī)律和行為的探索具有重要意義。野火發(fā)生受植被、地形、氣象等因子影響較大[8-11]，氣象、植被和地形等因子是野火發(fā)生和蔓延關鍵因子，氣象因子可改變可燃物溫度、濕度和含水率等物理性質，地形可影響可燃物空間分布，形成不同野火環(huán)境，從而直接影響野火發(fā)生和蔓延[12-15]。

野火受氣象、地形、經濟、社會、交通設施和人為基礎設施影響[10-11]，探究野火相關因子對建立野火發(fā)生預測模型至關重要。傳統(tǒng)回歸模型[16-18]假設是因變量和自變量的關系是空間平穩(wěn)性(不存在空間異質性)，然而，大量研究表明模型參數空間差異顯著，因此，需考慮野火與潛在因子之間空間關系，以建立有效而現實的預測模型，地理加權回歸可有效解決空間異質性問題[19]。本研究以浙江區(qū)域2001—2018年野火數據為研究對象，應用地理加權邏輯斯蒂回歸方法，結合氣象、植被和地形等因子探索野火時間變化的特征及相關因子，主要包括野火發(fā)生時間變化特征；氣象、地形和植被等因子對野火發(fā)生的潛在影響；通過野火模型建立預測模型并劃分火險等級。

1 研究區(qū)概況

浙江區(qū)域位于中國東部沿海區(qū)域，其范圍為北緯27°6′～31°11′，東經118°1′～123°10′，面積為1.02×105km2(見圖1)。第九次森林資源清查結果顯示森林面積為6.05×106hm2，森林覆蓋率達59.43%，僅次于福建、江西和廣西，居中國第4位。全省地貌類型復雜多樣，總體呈西南向東北傾斜趨勢，南部多丘陵地帶。該區(qū)域地處亞熱帶季風氣候區(qū)，夏季雨熱同期、冬季寒冷干燥，年平均氣溫為16.5 ℃，年降水量為980～2 000 mm，日照時間1 710～2 100 h[7]。

圖1 浙江區(qū)域植被分布

2 研究方法

本研究以浙江區(qū)域2001—2018年野火數據為研究對象，應用地理加權邏輯斯蒂回歸方法結合氣象、植被、地形等因子探索野火時間變化特征及相關因子。

2.1 數據來源

火點數據：2001—2018年浙江區(qū)域野火數據來源于空間分辨率為500 m、時間分辨率為1 d的MODIS-MCD64A1火產品(https://e4ftl01.cr.usgs.gov/)，該產品在監(jiān)測植被火災方面具有良好可靠性[4，20]。以2001—2018年浙江區(qū)域衛(wèi)星火數據與植被類型圖(1 km空間分辨率)進行疊加(http://westdc.westgis.ac.cn/)，提取野火數據，數據包含每次野火發(fā)生時間、地理坐標。

地形數據：地形數據包括高程、坡向、坡度。其中高程數據來源于地理空間數據云(http://www.gsclo-ud.cn/sources/?cdataid=265&pdataid=10)，運用ArcGIS對高程數據進行3D分析，獲得坡向和坡度等數據，坡向指數也是目前地形研究的主要數據，坡向指數(IA)計算公式為：IA=cos(θ×2π/360)。式中：θ為坡向程度和范圍0°～360°，IA取值范圍為-1～1，越接近1，潛在太陽輻射越強。

氣象數據:氣象數據來源于中國氣象數據共享網絡(http://cdc.cma.gov.cn/)，浙江及周邊42個國家級氣象站的每日氣象數據。每日氣象數據主要包括日平均地表氣溫、日最高地表氣溫、日最低地表氣溫、日平均風速、日最大風速、日降水量、日平均氣壓、日照時間、日平均氣溫、日最高氣溫、日最低氣溫、日平均相對濕度和日最小相對濕度等13個氣象因子。

植被數據：植被覆蓋數據跟據地理空間數據云(http://www.gscloud.cn)Landsat影像經過拼接、校正、投影等變換合成歸一化植被指數(I)，根據前人研究成果，以歸一化植被指數為基礎采用像元二分模型計算植被覆蓋度(FVC)[21]，公式如下：FVC=(I-IS)/(IV-IS)。式中，IS、IV分別為純土壤像元值、純植被像元值，其中IS、IV在完整的遙感圖像處理平臺中以5%置信區(qū)間確定。

2.2 數據處理

2.2.1 多重共線性診斷

多重共線性是自變量間相關關系重要表現，如果模型存在較高共線性，會導致顯著性檢驗失去意義及模型的預測功能失效。因此在模型建模前應對自變量進行多重共線性診斷，剔除有顯著共線性的自變量。本研究運用方差膨脹因子(VIF)對因子進行多重共線性檢驗，以方差膨脹因子等于10為標準。當方差膨脹因子大于10時，表明自變量間存在多重共線性，將其剔除并以逐步回歸法得到最優(yōu)結果；當方差膨脹因子小于10時，表明自變量間不存在多重共線性[22]。

2.2.2 地理加權邏輯斯蒂回歸模型

地理加權邏輯斯蒂回歸模型(GWLR)是對傳統(tǒng)的全局邏輯斯蒂回歸模型擴展，納入空間因素——地理位置信息，利用加權最小二乘法對每一個樣點進行參數估計，因此每個樣點都有對應的估計系數[23]。與全局邏輯斯蒂回歸模型相同，假設位置i有野火發(fā)生的概率為P，無野火發(fā)生的概率為(1-P)，則GWLR模型的表達式如下：

β2(ui,vi)xi2+…+βn(ui,vi)xin。

式中：(ui,vi)為樣本單元(樣點)i的坐標；βn(ui,vi)為樣點i上的第n個回歸參數。

根據基于前人研究成果將總樣本數據隨機的分成60%訓練樣本和40%測試樣本[24]，重復5次有放回隨機抽樣，分別得到5組樣本，對5組樣本組進行地理加權邏輯斯蒂回歸運算，建立5個中間模型。得到各自空間不穩(wěn)定變量大于3次為基準，確定最終變量，進行最終樣本運算。

2.3 浙江區(qū)域野火精度評價

應用特征曲線(ROC)下面積值(AU,C)，分析評價浙江區(qū)域基于氣象、地形和植被模型預測能力[25]。AU,C值的范圍為0.5～1.0，其中，AU,C>0.8時，表示模型具有良好的預測能力?；谔卣髑€靈敏度系數和特異性系數計算的約登指數(靈敏度系數+特異性系數-1)，可判斷全局GWLR模型預測準確度的最佳閾值。如果模型的預測值高于該閾值，則認為野火發(fā)生概率大；如果小于該閾值，則野火發(fā)生概率小。

3 結果與分析

3.1 浙江區(qū)域野火時間變化

圖1顯示，浙江區(qū)域野火次數月變化存在差異，野火主要集中在10月到次年4月。時間上野火在10、11、12、1、2、3和4月份火災發(fā)生比率分別為14.50%、4.43%、4.60%、6.45%、20.31%、30.48%和14.50%，其占全年總火點的95.29%以上，因此10月到次年4月將成為浙江區(qū)域野火重點防火期，5月—9月為非防火期。

表1 2001—2018年浙江野火月時間變化

3.2 GWLR模型擬合結果

由表2可知，本研究運用方差膨脹因子對模型自變量進行多重共線性診斷，逐步剔除具有顯著共線性自變量。防火期逐步剔除日平均地表氣溫、日平均氣溫、日最低地表氣溫、前一年植被覆蓋度和年平均氣溫等5個自變量；非防火期逐步剔除日平均地表氣溫、日平均氣溫、植被覆蓋度、日最高氣溫和日最低氣溫等5個自變量。

樣本平穩(wěn)性檢驗是假定因變量和自變量具有空間平穩(wěn)性特征，對防火期和非防火期10組訓練樣本進行模型擬合后，對因變量與自變量之間關系空間非平穩(wěn)性進行檢驗。如果“GWL R模型變量估計系數上下四分位數范圍大于全局邏輯斯蒂回歸模型因變量估計系數±標準差范圍”，說明因變量野火發(fā)生影響具有空間非平穩(wěn)性。浙江區(qū)域防火期和非防火期各5個訓練樣本中選擇出3次及以上非平穩(wěn)性變量進入全樣本擬合階段，并作為本研究模型因子，空間變量非平穩(wěn)性檢驗詳見表3。

表2 自變量的多重共線性檢驗

表3 GWLR模型空間非平穩(wěn)性變量檢驗

由表4可知，防火期和非防火期全樣本數據GWLR模型參數擬合結果，防火期和非防火期野火發(fā)生影響因子存在差異。其中，日平均地表氣溫、日降水量、海拔和年平均降水等4個因子全年對野火影響顯著；僅非防火期海拔對野火影響呈負相關關系，前一年植被覆蓋度呈正相關關系，其他因子在整個浙江區(qū)域上均在正相關和負相關之間變化。

表4 全樣本數據GWLR模型參數估計

為了更好展現GWLR模型各因子系數變化，本研究ArcGIS10.4軟件運用普通克里金法對防火期和非防火期全樣本各個因子估計系數進行空間插值，對因子估計系數空間分布特征進行分析，其中防火期和非防火期各因子系數差異顯著(見圖2、圖3)，說明野火發(fā)生不僅受到氣象因素影響，還受季節(jié)影響很大。此外，在因子空間變化特征進行分析的基礎上，進行因子系數t檢驗和空間普通克里金插值，如果估計t值大于1.96，則在研究區(qū)域上綠色顯示，若小于-1.96，則在研究區(qū)域上以藍色顯示(見圖4、圖5)。

MA-GST為日最高地表氣溫；AV-WIN為日平均風速；PRE為日降水量；AV-PRS為日平均氣壓；MI-TEM為日最低氣溫；MI-RHU為日最小相對濕度；DEM為海拔；Slope為坡度；Y-PRE為年平均降水量；FVC為植被覆蓋度；Constant為常數。

3.3 模型效果評價

ROC曲線下面積(AU,C)是目前國內外運用較廣方法，是判別模型精度重要指標，研究顯示AU,C值域范圍一般在0.5～1.0。當0.50.9時，有極高準確性，而AU,C為0.5時，說明該診斷方法無診斷價值。由表5可知，防火期GWLR模型AU,C值和預測準確率平均值分別是0.903和86.03%，非防火期AU,C值和預測準確率平均值分別是0.926和90.76%，表明GWLR模型在非防火期預測效果更佳。

MA-GST為日最高地表氣溫；PRE為日降水量；SSD為日照時間；DEM為海拔；Aspect Index為坡向指數；Y-PRE為年平均降水量；Y-TEM為年平均氣溫；PR-FVC為前一年植被覆蓋度；Constant為常數。

表5 GWLR模型評價

3.4 浙江區(qū)域野火概率分布

研究表明GWLR對浙江區(qū)域野火發(fā)生進行全樣本計算出野火隨機點預測概率，并運用普通克里金插值方法對江浙野火空間概率分布進行插值分析，GWLR模型默認閾值為0.5和火災發(fā)生預測概率的閾值(Cut-off)[26]對浙江區(qū)域進行火險等級區(qū)劃，防火期概率P<0.50為低火險，0.50≤P<0.738為中火險，P≥0.738位高火險區(qū)；非防火期概率P<0.50為低火險，0.50≤P<0.726為中火險，P≥0.726位高火險區(qū)(見圖6、圖7)。

由圖6、圖7可知，防火期和非防火期高火險地區(qū)主要集中在溫州中部和東部、溫州與麗水市交匯區(qū)域、紹興市與寧波市交匯區(qū)域，其他區(qū)域有少量高火險區(qū)域分布。

MA-GST為日最高地表氣溫；AV-WIN為日平均風速；PRE為日降水量；AV-PRS為日平均氣壓；MI-TEM為日最低氣溫；MI-RHU為日最小相對濕度；DEM為海拔；Slope為坡度；Y-PRE為年平均降水量；FVC為植被覆蓋度；Constant為常數。

4 結論與討論

研究結果表明浙江區(qū)域野火時間變化不均勻，10月至次年4月野火發(fā)生點占全年總火點的95.29%，其它月份僅占4.71%，該研究防火期比整個劃定防火期(11月1日至次年4月30日)提前1個月，研究結果與靳全鋒[7]等研究結果一致。防火期的延長說明，一方面是氣候變暖促進野火發(fā)生早于原預定期限閥值，另一方面是由于雨季不斷速斷，導致森林可燃物含水率大大降低，促進野火發(fā)生；野火發(fā)生受到氣象因子影響重大，其具有顯著空間異質性特征，發(fā)現防火期降水量較少，最大地表氣溫增加，平均風速較大區(qū)域野火發(fā)生頻率較高。Guo et al.[10，15]和Su et al.[8-9]等研究指出，溫度和風速對野火發(fā)生具有顯著積極影響，地表溫度和平均風速增加將有效改變森林可燃物的含水率大小來影響野火發(fā)生概率，日最小相對濕度與野火發(fā)生存在正相關關系，與與本研究的結果不一致，可能是相對濕度對野火發(fā)生沒有直接影響，通過影響森林植被的生長而影響野火，較高最小相對濕度有利于地表植被生長，進一步增加可燃物負荷量，若大量可燃物暴露在高溫和少雨的情況下，地面可燃物負荷量大促進了野火的發(fā)生，導致野火發(fā)生與最小相對濕度之間存在正相關系[16，27]；然而非防火期降水和最大地表氣溫增加有效促進生長季節(jié)植物生長，植被含水率較高，有效抑制野火在該時期的發(fā)生，日照時長與野火發(fā)生存在正相關關系，Guo et al.[10，15]研究指出，日照時長增加，有效改善森林可燃物含水率，改變野火發(fā)生頻率。

MA-GST為日最高地表氣溫；PRE為日降水量；SSD為日照時間；DEM為海拔；Aspect Index為坡向指數；Y-PRE為年平均降水量；Y-TEM為年平均氣溫；PR-FVC為前一年植被覆蓋度；Constant為常數。

地形和植被因子是通過改變水分分布和可燃物負荷量等間接影響野火發(fā)生，海拔低、坡度緩和植被茂密區(qū)域越有利于野火發(fā)生，研究結果也表明野火發(fā)生的概率與海拔呈負相關關系，與植被覆蓋度呈正相關關系。浙江區(qū)域野火火源多為人為源，隨著海波增加，人類活動逐漸減弱，野火發(fā)生頻率也降低；野火在緩坡區(qū)域發(fā)生頻率最高，主要由于緩坡區(qū)域能夠較好保存適量水分，促進有效燃料積累，防火期大量草本死亡和森林凋落物積累，為野火發(fā)生積累大量細軟可燃物，防火期水分的缺乏有利于野火發(fā)生和蔓延[28]。

本研究運用GWLR模型是全局空間回歸模型僅解決空間因子非平穩(wěn)性問題，僅考慮自然因子對野火影響，研究顯示社會、經濟、人口和基礎設施等因子對野火發(fā)生影響顯著[10，29-31]，因此，未來研究對野火影響的影子時，必須考慮社會、經濟、人口和基礎設施等因子。

圖6 防火期野火生概率和火險等級分布

圖7 非防火期野火生概率和火險等級分布