摘 要：【目的】分析銅仁市林火驅(qū)動因子，并進(jìn)行火險區(qū)劃研究，為研究區(qū)林火管理提供理論參考?！痉椒ā恳糟~仁市2001—2020年的火點數(shù)據(jù)為基礎(chǔ)，對銅仁市的氣象、地形、植被和人類活動等22個因子進(jìn)行林火發(fā)生的研究，分析火點時間分布，基于Logistic回歸模型和隨機(jī)森林算法得到林火發(fā)生的主要驅(qū)動因子，并建立概率模型，繪制銅仁市林火發(fā)生概率和火險區(qū)劃圖?！窘Y(jié)果】近20年來，銅仁市火點數(shù)據(jù)呈下降趨勢，每隔3～5 a會出現(xiàn)一個峰值，70%以上的林火點都集中在1—4月；人口密度、逐月平均濕度、逐月降水量和距鐵路距離4個因子被2個模型選中為主要驅(qū)動因子，均呈負(fù)相關(guān)；2個模型各樣本的AUC值都大于0.750，預(yù)測準(zhǔn)確率大于70%；銅仁市春季林火發(fā)生概率最高，冬季最低，其中高風(fēng)險區(qū)主要集中在石阡縣、印江土家族苗族自治縣和松桃苗族自治縣3個地區(qū)，西北部的沿河土家族自治縣、德江縣、思南縣和南部玉屏侗族自治縣為低風(fēng)險區(qū)?！窘Y(jié)論】氣象因子是銅仁市的主要林火驅(qū)動因子；隨機(jī)森林算法的預(yù)測概率高于Logistic回歸模型，更適用于銅仁市森林火災(zāi)的預(yù)測；研究得到的林火發(fā)生概率和火險區(qū)劃圖，為銅仁市林火管理部門提供科學(xué)支撐，高風(fēng)險區(qū)應(yīng)加強(qiáng)巡查管理，增加瞭望塔和監(jiān)控設(shè)備，低風(fēng)險區(qū)應(yīng)增加防火教育和宣傳，應(yīng)加強(qiáng)消防用火管理，降低火災(zāi)發(fā)生的概率。

關(guān)鍵字：林火驅(qū)動因子；火險區(qū)劃；Logistic回歸模型；隨機(jī)森林算法；銅仁市

中圖分類號：S762 文獻(xiàn)標(biāo)志碼：A 文章編號：1673-923X（2024）12-0059-15

基金項目：國家重點研發(fā)計劃項目（2022YFC3003104）；國家自然科學(xué)基金項目（32201563）；貴州省高等學(xué)校智慧林火創(chuàng)新團(tuán)隊（黔教技〔2023〕75號）；貴州省科技支撐計劃項目（黔科合支撐〔2022〕249號）。

Forest fire driving factors and fire risk distribution in Tongren City

TIAN Lingling1， YANG Guang1， ZHANG Yunlin2

（1.a. School of Forestry； b. Key Laboratory of Sustainable Forest Ecosystem Management-Ministry of Education， Northeast Forestry University， Harbin 150040， Heilongjiang， China； 2.a. School of Biological Sciences； b. Key Laboratory of Forest Fire Ecology and Management of Guizhou Province， Guizhou Education University， Guiyang 550018， Guizhou， China）

Abstract：【Objective】To analyze the driving factors of forest fire in Tongren city and study the fire risk distribution， so as to provide reference for forest fire management in the study area.【Method】Taking the fire point data of Tongren City from 2001 to 2020 as the research object， this study investigated 22 factors including weather， terrain， vegetation， and human activities related to forest fire occurrence in Tongren City， the time distribution of fire point was analyzed， and the main driving factors of forest fire occurrence were obtained based on Logistic regression model and random forest model. A probability model was established， and the probability and fire risk zoning map of forest fire occurrence in Tongren City was drawn.【Result】In the past 20 years， the number of fire points data in Tongren City showed a downward trend and a peak occurred every 3-5 years. Besides， more than 70% of forest fires were concentrated from January to April. Population density， monthly average humidity， monthly average precipitation and distance from railway were selected as the main driving factors by the two models， all showed negative correlation. The AUC value and prediction accuracy of each sample in both models were greater than 0.750 and 70%. The occurrence probability of forest fire in Tongren City was highest in spring and lowest in winter. The high risk areas were mainly concentrated in Shiqian county， Yinjiang Tujia and Miao Autonomous County and Songtao Miao Autonomous County. The low risk areas were Yanhe Tujia Autonomous County， Dejiang County and Sinan County in northwest of Tongren City and Yuping Dong Autonomous County in south.【Conclusion】Climate factors are the main driving factors of forest fire occurrence in Tongren City. The prediction probability of random forest is higher than that of Logistic regression model， which is more suitable for predicting forest fire occurrence in Tongren City. The probability of forest fire occurrence and fire risk zoning map obtained from the study provide scientific support for the forest fire management department in Tongren city. In high-risk areas， patrol management should be strengthened， observation towers and monitoring equipment should be increased. Fire prevention education and publicity should be added in low-risk areas， and fire management should be strengthened during holidays to reduce the probability of fire occurrence.

Keywords： forest fire driving factors； fire risk distribution； Logistic regression model； random forest algorithm； Tongren City

森林火災(zāi)是一種自然災(zāi)害，有突發(fā)性強(qiáng)、破壞大、救助困難等特點，不僅嚴(yán)重破壞森林生態(tài)系統(tǒng)，還會引起空氣污染，威脅人民生命財產(chǎn)安全等[1-2]。因此，做好林火預(yù)防，對于減少林火次數(shù)，降低林火危害極其重要。研究表明，一個地區(qū)的森林火災(zāi)時空分布在一定時間上具有規(guī)律性[3-4]，掌握其時空分布和林火發(fā)生驅(qū)動因子對于做好林火預(yù)防具有重要意義。

林火發(fā)生驅(qū)動因子包括氣候因子、植被因子、地形因子和人類活動等[5-6]。在國內(nèi)對于時空分布和林火發(fā)生驅(qū)動因子的研究中，以經(jīng)典機(jī)器學(xué)習(xí)的1種或2種方法為基礎(chǔ)[7-8]，通過氣象、地形、植被、人類活動等驅(qū)動因子與林火發(fā)生條件之間的關(guān)系，預(yù)測林火發(fā)生的概率。蘇漳文等[9]和張運林等[10]，基于Logistic回歸模型對福建省、貴州省林火發(fā)生驅(qū)動因子分析研究；馬文苑等[11]應(yīng)用Logistic回歸和隨機(jī)森林算法2種機(jī)器學(xué)習(xí)方法，分別分析了山西省的林火驅(qū)動因子，建立林火發(fā)生概率模型，并選擇最佳模型對該地區(qū)進(jìn)行森林火險等級區(qū)劃；國外也有許多學(xué)者對不同地區(qū)的林火驅(qū)動因子進(jìn)行研究[12-13]，Singh等[13]利用隨機(jī)森林機(jī)器學(xué)習(xí)方法來研究大西洋森林的氣候和人為因素對火災(zāi)發(fā)生概率的影響，并繪制火災(zāi)風(fēng)險的空間分布圖。大多研究者都是以省或省以上行政區(qū)域為研究對象，以市為行政級別的研究極少，不同尺度的森林火災(zāi)的驅(qū)動因素不一樣，不同地域和氣候存在較大的差異，因此，基于區(qū)域特征有針對性地指導(dǎo)林火管理工作十分有意義[14-15]。

此外，銅仁市森林和農(nóng)村相互交錯，農(nóng)村木質(zhì)房屋居多，且部分居民仍采用樹枝、落葉和晾干的農(nóng)作物生火做飯[16]，極易引發(fā)火災(zāi)并蔓延，對當(dāng)?shù)厝嗣裆敭a(chǎn)安全和社會穩(wěn)定造成嚴(yán)重威脅，林火管理應(yīng)加大宣傳和教育，降低火源出現(xiàn)概率，從而減少火災(zāi)發(fā)生次數(shù)。因此，本研究選擇銅仁市2001—2020年的林火點數(shù)據(jù)，基于Logistic回歸和隨機(jī)森林算法，分析銅仁市林火驅(qū)動因子對林火發(fā)生的影響，選擇最適模型并進(jìn)行火險等級區(qū)劃，研究結(jié)果為相關(guān)管理部門提供理論參考，對降低林火損失有重要意義。

1 研究區(qū)概況

銅仁市地處國家烏江風(fēng)景道與武陵山風(fēng)景道交匯處（圖1），以低中山丘陵為主，位于107°45′～109°30′N，27°07′～29°05′E。全市大部分地區(qū)溫和濕潤，山間、河谷氣候垂直變化明顯，屬中亞熱帶季風(fēng)濕潤氣候區(qū)。冬無嚴(yán)寒，夏無酷暑、光照適宜、降水豐沛。森林植被類型眾多，主要以針葉林為主，闊葉林次之，包括馬尾松Pinus massoniana、冷杉Abies fabri、青岡Quercus glauca、楊樹Populus L.等。

2 數(shù)據(jù)與方法

所有數(shù)據(jù)處理和研究方法使用的軟件有：Excel 2019、ArcGIS 10.7、R-Studio 4.3.0和SPSS 26.0軟件等。

2.1 因變量

因變量選擇銅仁市2001—2020年的林火點和非林火點?；瘘c是基于全球野火信息系統(tǒng)處理的MCD64A1的火災(zāi)產(chǎn)品（https：//gwis.jrc.ec.europa.eu/ apps/country.profile/downloads）。在中國科學(xué)院資源環(huán)境科學(xué)與數(shù)據(jù)中心下載全國2020年1 km柵格數(shù)據(jù)的林地數(shù)據(jù)，用ArcGIS 10.7對其進(jìn)行投影和裁剪，得到銅仁市范圍內(nèi)的所有林地。通過林地提取林火點數(shù)據(jù)，并保證每個點距離在1 km以上，得到符合要求的林火點736個（圖2）。國內(nèi)外的研究中，對于林火隨機(jī)點取值均沒有明確的統(tǒng)一標(biāo)準(zhǔn)，基于前人的研究經(jīng)驗[14]，本試驗采用ArcGIS 10.7隨機(jī)建立非林火點，將林火點和非林火點設(shè)置比例為1∶1。隨機(jī)非林火點須滿足：1）所有非林火點隨機(jī)建立在銅仁市林地區(qū)域范圍內(nèi)，且兩點之間距離為500 m；2）建立的非林火點在時間和空間上必須完全隨機(jī)。為保證時間上的隨機(jī)性，用Excel 2019軟件對其隨機(jī)賦值。

2.2 自變量

自變量選擇氣象、地形、植被和人類活動等數(shù)據(jù)，共計4類22個因子，如表1所示。

氣象數(shù)據(jù)有逐月平均氣溫、逐月平均相對濕度、逐月平均風(fēng)速和逐月降水量。數(shù)據(jù)來源于國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心（https：//www.geodata.cn/）。利用ArcGIS 10.7軟件進(jìn)行因變量的氣象數(shù)據(jù)提取分析，再用Excel 2019軟件進(jìn)行逐月數(shù)據(jù)一一對應(yīng)。

地形數(shù)據(jù)有坡度、坡向和海拔。數(shù)據(jù)來源于地理空間數(shù)據(jù)云平臺（http：//www.gscloud.cn/）。用ArcGIS 10.7軟件“按掩膜提取”到銅仁市地形數(shù)據(jù)，再“多值提取至點”得到樣本點的海拔、坡度和坡向。

植被數(shù)據(jù)有歸一化植被指數(shù)（NDVI），數(shù)據(jù)來源于國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心（https：//www. geodata.cn/）。ArcGIS 10.7軟件提取分析，得到每年每月樣本點的NDVI數(shù)據(jù)，再用Excel 2019軟件進(jìn)行逐月數(shù)據(jù)一一對應(yīng)。

人類活動中人口密度和國內(nèi)生產(chǎn)總值（GDP），數(shù)據(jù)來源于中國科學(xué)院資源環(huán)境科學(xué)與數(shù)據(jù)中心（https：//www.resdc.cn/）?；?000、2005、2010、2015、2019年的中國人口和GDP公里網(wǎng)格數(shù)據(jù)，先用ArcGIS 10.7軟件提取分析，得到這5年的人口密度和GDP，再根據(jù)《銅仁市統(tǒng)計年鑒》的數(shù)值計算出每年人口和GDP的增長率，從而得到因變量每年的數(shù)值。道路數(shù)據(jù)來源開放街道地圖（Open street map，OSM），導(dǎo)出全國范圍數(shù)據(jù)，“按掩膜提取”到銅仁市道路數(shù)據(jù)，再“近鄰分析”得到樣本點與道路數(shù)據(jù)之間的距離。

2.3 研究方法

2.3.1 銅仁市火點時間分布

將銅仁市2001—2020年的林火點數(shù)據(jù)情況按年份和月份進(jìn)行分析，以年份、月份為橫坐標(biāo)，繪制銅仁市火點數(shù)量情況分布圖。

2.3.2 數(shù)據(jù)歸一化處理

本研究中所有自變量量綱不同，尺度空間上相差也較大，因此為消除奇異樣本數(shù)據(jù)對試驗分析帶來的影響，將對所有自變量進(jìn)行歸一化處理。

當(dāng)VIF低于10，不存在多重共線性；VIF超過10，則存在嚴(yán)重的多重共線性。試驗結(jié)果中，若容忍度小于0.10或方差膨脹系數(shù)大于10，則自變量之間有共線性問題，是不可被接受的，這是Hair 的共線性診斷標(biāo)準(zhǔn)。

2.3.4 建立模型

1）劃分樣本。前人對樣本的劃分比例和重復(fù)次數(shù)各不相同，多數(shù)學(xué)者重復(fù)5次試驗[10-11]。本試驗為了能夠減少試驗結(jié)果因樣本分布誤差帶來的影響，將自變量按6∶4比例隨機(jī)劃分訓(xùn)練樣本和測試樣本，并重復(fù)10次，得到10個樣本，進(jìn)行10次模型擬合，每個模型中出現(xiàn)7次以上（包括7次）的自變量作為銅仁市主要驅(qū)動因子。

3）隨機(jī)森林算法。隨機(jī)森林（Random forest， RF）是一種新興起的、高度靈活的機(jī)器學(xué)習(xí)算法，適用于分類和回歸問題，可用于數(shù)據(jù)挖掘、市場營銷，在林火發(fā)生預(yù)測也被廣泛應(yīng)用[19]。他用bootstrap方法有放回的隨機(jī)抽取N個樣本集，再對每個樣本集構(gòu)造一棵決策樹，隨機(jī)從M個屬性中抽取m個特征，滿足m

其中ntree和mtry是兩個重要參數(shù)，ntree為隨機(jī)森林所包含的決策樹數(shù)目，可采用逐步分析找到比較理想的值，mtry為指定節(jié)點中用于二叉樹變量個數(shù)，可通過圖形大致判斷模型內(nèi)誤差穩(wěn)定時的值。進(jìn)行二分類數(shù)據(jù)分析時，可用R studio語言中varSelRF程序包對自變量進(jìn)行特征變量選擇，此外，使用平均準(zhǔn)確率下降度（Mean decrease accuracy）進(jìn)行重要性評價。該算法不能直接得到回歸系數(shù)，可通過變量偏依賴圖（Partial dependence plot， PDP）對林火發(fā)生因子進(jìn)行描述。PDP圖可查看單個變量對因變量的邊際影響，若曲線非常陡峭，說明這個變量的貢獻(xiàn)度是較大的。均使用未歸一化處理的數(shù)據(jù)分析。

2.3.5 模型檢驗

用測試樣本選擇受試者工作特征曲線（Receiver operating characteristic curve， ROC）對模型進(jìn)行檢驗。ROC曲線以敏感性（Sensitivity）為縱坐標(biāo)，1-特異度（1-specificity）為橫坐標(biāo)繪制，其中每個點反映對同一信號刺激的感受性，曲線下面積（Area under the curve， AUC）可用來判斷模型預(yù)測的精確度。AUC值范圍為0～1，得到的值越大，說明模型精度越好?；煜仃嚳捎糜诰仍u價，真陽性類（實際發(fā)生被正確判斷為發(fā)生）和真陰性類（實際發(fā)生被錯誤判斷為發(fā)生）可計算出模型的實際預(yù)測值，即準(zhǔn)確率，準(zhǔn)確率越高，預(yù)測效果越好[21]。

2.3.6 林火發(fā)生概率與火險區(qū)劃

銅仁市林火發(fā)生的主要驅(qū)動因子和最適模型確定后，基于最適模型計算全樣本林火發(fā)生概率，再用ArcGIS 10.7軟件中的克里金法繪制出銅仁市的林火發(fā)生概率和火險等級區(qū)劃圖。根據(jù)《全國森林火險區(qū)劃等級》標(biāo)準(zhǔn)文件要求[22]，可對銅仁市森林火險區(qū)進(jìn)行等級劃分，且銅仁市四季分明，本研究分別對不同季節(jié)進(jìn)行繪制。

3 結(jié)果與分析

3.1 銅仁市火點數(shù)量分布

由圖3可以看出，銅仁市林火點數(shù)量隨年份變化而逐漸下降，每隔3—5年會出現(xiàn)一個峰值，2016年過后，林火點數(shù)量持續(xù)下降。70%以上的林火點都集中在1—4月，6月最少，7—12月呈波動狀態(tài)。

3.2 林火驅(qū)動因子選擇

表2中22個變量的VIF小于10，容忍度大于0.100，不存在共線性關(guān)系，可全用于建模。

3.3 Logistic回歸分析

表3為10個測試樣本Logistic回歸模型的結(jié)果。其中海拔、人口密度、逐月平均濕度、逐月降水量、距城市四級道路距離、距鐵路距離和距國道距離7個變量在模型中出現(xiàn)7次以上（包括7次），選為銅仁市Logistic回歸模型的主要驅(qū)動因子，將其用于全樣本模型回歸分析。

表4為全樣本進(jìn)行Logistic回歸模型的結(jié)果，海拔和距城市四級道路距離與林火發(fā)生概率呈正相關(guān)，人口密度、逐月平均濕度、逐月降水量、距鐵路距離和距國道距離越大，林火發(fā)生概率越小。從瓦爾德卡方值可以看出，逐月降水量對林火發(fā)生概率的影響最大，距國道距離最小。

3.4 隨機(jī)森林分析

表5為10個測試樣本隨機(jī)森林算法的結(jié)果。其中人口密度、國內(nèi)生產(chǎn)總值、逐月平均氣溫、逐月平均濕度、逐月降水量、距城市一級道路距離、距鐵路距離和距高鐵距離8個變量在模型中出現(xiàn)7次以上，選為銅仁市隨機(jī)森林算法的主要驅(qū)動因子。

由圖4可以看出，逐月降水量的重要性明顯大于其他自變量，逐月平均濕度和距高鐵距離的重要性次之，而10個樣本模型中都出現(xiàn)的3個自變量國內(nèi)生產(chǎn)總值、距鐵路距離和距高鐵距離的重要性排序有所不同?？偟膩碚f，氣象數(shù)據(jù)的逐月降水量是銅仁市林火發(fā)生概率影響最大的因子，而逐月平均氣溫、逐月平均濕度和人類活動中的人口密度、國內(nèi)生產(chǎn)總值、距鐵路距離和影響次之，地形數(shù)據(jù)和植被數(shù)據(jù)中的自變量未被選入隨機(jī)森林算法。

PDP圖以各變量為橫坐標(biāo)，函數(shù)依賴值為縱坐標(biāo)（圖5），縱坐標(biāo)表示林火發(fā)生概率?？傮w可以看出，8個變量對模型預(yù)測的影響都較大，其中人口密度、逐月降水量和距鐵路距離與林火發(fā)生概率總體呈負(fù)相關(guān)；逐月平均氣溫與林火發(fā)生概率先呈正相關(guān)到達(dá)一定閾值后呈負(fù)相關(guān)，當(dāng)大于25 ℃后，林火發(fā)生概率急劇上升；逐月平均濕度先呈正相關(guān)到達(dá)一定閾值后呈負(fù)相關(guān)，最后趨于平衡；而國內(nèi)生產(chǎn)總值、距城市一級道路距離和距高鐵距離3個自變量對林火發(fā)生概率較為復(fù)雜，都有最高的閾值，整體呈波動狀態(tài)。

在Logistic回歸模型和隨機(jī)森林算法中，人口密度、逐月平均濕度、逐月降水量和距鐵路距離4個變量均被選擇為銅仁市的主要驅(qū)動因子，從擬合結(jié)果分析中得到，人口密度、逐月降水量、逐月平均濕度和距鐵路距離整體上均與林火發(fā)生概率呈負(fù)相關(guān)。

3.5 模型擬合

用測試樣本對模型進(jìn)行擬合預(yù)測分析，得到兩個模型的相關(guān)評價指標(biāo)（表6）和ROC曲線（圖6）?？梢钥闯?，2個模型各樣本的AUC值和預(yù)測準(zhǔn)確率都大于0.750和70%，說明擬合的2個模型對銅仁市林火發(fā)生概率預(yù)測都具有較好準(zhǔn)確性。比較2個模型的ROC曲線和相關(guān)評價指標(biāo)，隨機(jī)森林算法每個樣本擬合結(jié)果均高于Logistic回歸模型，在計算銅仁市林火發(fā)生概率時，隨機(jī)森林算法更適合、精度更高。

3.6 林火等級區(qū)劃

隨機(jī)森林算法結(jié)果優(yōu)于Logistic回歸模型，因此基于全樣本使用隨機(jī)森林算法算出銅仁市林火發(fā)生概率，并進(jìn)行火險等級區(qū)劃，劃分標(biāo)準(zhǔn)如表7所示。

由圖7和圖8可看出，銅仁市春季的林火發(fā)生概率極高，主要集中在松桃苗族自治縣、石阡縣和印江土家族苗族自治縣，其他縣都存在極高火險區(qū)；夏季的銅仁市松桃苗族自治縣是高火險區(qū)，由此自北而下林火發(fā)生概率呈下降趨勢，其他縣夏季林火發(fā)生概率較低；秋季和冬季極少存在高火險區(qū)，且比較分散，秋季的高火險區(qū)主要集中在石阡縣和松桃苗族自治縣，冬季僅石阡縣存在極高火險區(qū)，且林火發(fā)生概率最大值為0.835。整體來看，銅仁市松桃苗族自治縣和石阡縣林火發(fā)生概率較大，印江土家族苗族自治縣次之，西北部沿河土家族自治縣、德江縣、思南縣和南部玉屏侗族自治縣林火發(fā)生概率最小。

4 結(jié)論與討論

銅仁市2001—2020年林火點數(shù)量趨勢呈逐年下降，70%以上的林火點都集中在1—4月，部分原因可能與節(jié)假日如春節(jié)、元宵節(jié)和清明節(jié)等會進(jìn)行放鞭炮、祭祀、燒香燒紙等活動有關(guān)系，可進(jìn)一步研究。

本研究22個變量中，逐月降水量和逐月平均濕度是對模型預(yù)測影響最大的變量。逐月平均風(fēng)速沒有被2個模型選中，在朱政等[23]的研究中，月均風(fēng)速在模型中呈正相關(guān)，風(fēng)速通過改變可燃物的含水率和助燃條件來影響林火的發(fā)生，而銅仁市火點都集中在冬春季，這時風(fēng)速并沒有顯著變化，對林火發(fā)生無顯著影響。距鐵路距離為2個模型的顯著性影響因子，呈負(fù)相關(guān)，與吳亦龍[24]對漳州市的研究不同，不同研究區(qū)的森林植被情況有所不同，距離火點也存在一定的差異。人口密度與銅仁市林火發(fā)生概率呈負(fù)相關(guān)，而黃寶華等[25]對山東省森林火險因子分析結(jié)果表明，隨著人口密度的增加，林火發(fā)生概率也增加，高風(fēng)險區(qū)在黃河三角洲等人流量大的區(qū)域，而銅仁市以低中山為主，經(jīng)過森林的人越多，火災(zāi)發(fā)生概率越小。海拔作為Logistic回歸模型的主要因子，呈正相關(guān)，其他因子未選入模型，與馬文苑等[11]研究山西省林火驅(qū)動因子的結(jié)果相反，因為研究地域和尺度的不同，導(dǎo)致出現(xiàn)一定的差別。NDVI指數(shù)未被選為影響因子，而王衛(wèi)國等[26]研究結(jié)果中顯示NDVI對山西省火災(zāi)發(fā)生具有全省范圍的影響，呈正相關(guān)，該因子可進(jìn)一步細(xì)化研究。

Logistic回歸模型和隨機(jī)森林算法被廣泛應(yīng)用在林火發(fā)生概率研究中，曾愛聰?shù)萚27]基于Logistic回歸模型建立浙江省各季節(jié)林火驅(qū)動因子模型；梁慧玲等[28]通過比較Logistic與地理加權(quán)Logistic回歸模型，得到福建地區(qū)林火發(fā)生的最適模型。本試驗基于Logistic回歸模型和隨機(jī)森林算法對銅仁市林火發(fā)生概率進(jìn)行分析，得到隨機(jī)森林算法擬合效果更好，主要驅(qū)動因子對模型影響更大。在以后的研究中可綜合考慮不同的建模方法，提高模型預(yù)測結(jié)果的準(zhǔn)確性，為相關(guān)防火部門帶來更大的實際意義。

本研究沒有考慮植被燃燒性、可燃物含水率、可燃物載量等火險因子，安佳怡等[29]在對重慶合川區(qū)的森林火險等級區(qū)劃研究中，利用層次分析法對可燃物因子賦予不同的權(quán)重指標(biāo)和等級打分，得到喬木層可燃物載量>250 t/hm2、可燃物燃點>250 ℃、可燃物含水率<10%時，火險程度高。本研究考慮的因子不全面，使得研究結(jié)果具有一定的局限性，在今后研究中，可多考慮其他重要的火險因子，進(jìn)一步提升模型精度。此外，本研究選擇的林火發(fā)生氣象因子為逐月變量，今后可通過縮短氣象因子的尺度，進(jìn)行更精確數(shù)值的林火概率分析。

銅仁市不同季節(jié)的林火發(fā)生概率不同，其中春季發(fā)生火災(zāi)的概率最大，冬季最小，高風(fēng)險區(qū)主要集中在石阡縣、印江土家族苗族自治縣和松桃苗族自治縣三個地區(qū)。銅仁市地區(qū)經(jīng)常會出現(xiàn)上墳燒紙、焚燒秸稈、野外吸煙、小孩弄火等現(xiàn)象，極易引發(fā)火災(zāi)。不同研究區(qū)用火方面可能會有很大的差異，日后可進(jìn)一步對用火情況和引燃原因進(jìn)行研究。

參考文獻(xiàn)：

[1] PIAO S L， HUANG M T， LIU Z， et al. Lower land-use emissions responsible for increased net land carbon sink during the slow warming period[J]. Nature Geoscience，2018，11：739-743.

[2] PODUR J， MARTELL D L， CSILLAG F. Spatial patterns of lightning-caused forest fires in Ontario， 1976-1998[J]. Ecological Modelling，2003，164（1）：1-20.

[3] DROBYSHEV I， NIKLASSON M， LINDERHOLM H W. Forest fire activity in Sweden： climatic controls and geographical patterns in 20th century[J]. Agricultural and Forest Meteorology， 2012，154：174-186.

[4] 蘇立娟，何友均，陳紹志.1950—2010年中國森林火災(zāi)時空特征及風(fēng)險分析[J].林業(yè)科學(xué)，2015，51（1）：88-96. SU L J， HE Y J， CHEN S Z. Temporal and spatial characteristics and risk analysis of forest fires in China from 1950 to 2010[J]. Scientia Silvae Sinicae，2015，51（1）：88-96.

[5] CHAS-AMIL M L， PRESTEMON J P， MCCLEAN C J， et al. Human-ignited wildfire patterns and responses to policy shifts[J]. Applied Geography，2015，56：164-176.

[6] 高超，林紅蕾，胡海清，等.我國林火發(fā)生預(yù)測模型研究進(jìn)展[J].應(yīng)用生態(tài)學(xué)報，2020，31（9）：3227-3240. GAO C， LIN H L， HU H Q， et al. A review of models of forest fire occurrence prediction in China[J]. Chinese Journal of Applied Ecology，2020，31（9）：3227-3240.

[7] GUO F T， ZHANG L J， JIN S， et al. Modeling anthropogenic fire occurrence in the boreal forest of China using logistic regression and random forests[J]. Forests，2016，7（11）：250.

[8] 劉柯珍，舒立福，梁灜，等.寒溫帶森林夏季火發(fā)生蔓延研究與進(jìn)展[J].溫帶林業(yè)研究，2018，1（4）：1-8，29. LIU K Z， SHU L F， LIANG Y， et al. Research and progress on the occurrence and spread of summer fires in cold temperate forests[J]. Journal of Temperate Forestry Research，2018，1（4）： 1-8，29.

[9] 蘇漳文，劉愛琴，郭福濤，等.福建林火發(fā)生的驅(qū)動因子及空間格局分析[J].自然災(zāi)害學(xué)報，2016，25（2）：110-119. SU Z W， LIU A Q， GUO F T， et al. Driving factors and spatial distribution pattern of forest fire in Fujian Province[J]. Journal of Natural Disasters，2016，25（2）：110-119.

[10] 張運林，田玲玲，丁波，等.貴州省林火發(fā)生驅(qū)動因子及預(yù)測模型[J].生態(tài)學(xué)雜志，2024，43（1）：282-289.. ZHANG Y L， TIAN L L， DING B， et al. Driving factors and prediction model of forest fire in Guizhou province[J]. Chinese Journal of Ecology，2024，43（1）：282-289.

[11] 馬文苑，馮仲科，成竺欣，等.山西省林火驅(qū)動因子及分布格局研究[J].中南林業(yè)科技大學(xué)學(xué)報，2020，40（9）：57-69. MA W Y， FENG Z K， CHENG Z X， et al. Study on driving factors and distribution pattern of forest fires in Shanxi province[J]. Journal of Central South University of Forestry Technology， 2020，40（9）：57-69.

[12] PADILLA M， VEGA-GARCíA C. On the comparative importance of fire danger rating indices and their integration with spatial and temporal variables for predicting daily human-caused fire occurrences in Spain[J]. International Journal of Wildland Fire，2011，20（1）：46-58.

[13] SINGH M， HUANG Z H. Analysis of forest fire dynamics， distribution and main drivers in the Atlantic forest[J]. Sustainability， 2022，14（2）：992.

[14] GUO F T， WANG G Y， SU Z W， et al. What drives forest fire in Fujian， China？ Evidence from logistic regression and Random Forests[J]. International Journal of Wildland Fire，2016，25（5）：505.

[15] MA W Y， FENG Z K， CHENG Z X， et al. Identifying forest fire driving factors and related impacts in China using random forest algorithm[J]. Forests，2020，11（5）：507.

[16] 向喬玉.銅仁市：“特色載體”促和美鄉(xiāng)村建設(shè)[J].城鄉(xiāng)建設(shè)， 2023（20）：54-57. XIANG Q Y. Tongren city： “characteristic carrier” promotes rural construction in the United States[J]. Urban and Rural Development，2023，（20）：54-57.

[17] 李嚴(yán)潔.多元回歸中的多重共線性及其存在的后果[J].中國衛(wèi)生統(tǒng)計，1992，9（1）：24-27.LI Y J. Multicollinearity and its consequence in Multiple Regression[J]. Chinese Journal of Health Statistics，1992，9（1）： 24-27.

[18] RODRIGUES M， DE LA RIVA J， FOTHERINGHAM S. Modeling the spatial variation of the explanatory factors of human-caused wildfires in Spain using geographically weighted logistic regression[J]. Applied Geography，2014，48：52-63.

[19] 方匡南，吳見彬，朱建平，等.隨機(jī)森林方法研究綜述[J].統(tǒng)計與信息論壇，2011，26（3）：32-38. FANG K N， WU J B， ZHU J P， et al. A Review of technologies on Random Forests[J]. Statistics Information Forum，2011，26（3）：32-38.

[20] 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，2012，275：117-129.

[21] HE Z M， LI L Z， HUANG Z M， et al. Quantum-enhanced feature selection with forward selection and backward elimination[J]. Quantum Information Processing，2018，17（7）：154.

[22] 王棟.為我國森林防火管理工作的規(guī)范化和標(biāo)準(zhǔn)化而努力：《全國森林火險區(qū)劃等級》標(biāo)準(zhǔn)通過審定[J].森林防火， 1992（1）：39. WANG D. Strive for the standardization and standardization of forest fire prevention management in China： the standard of national forest fire risk zoning grade has been approved[J]. Forest Fire Prevention，1992（1）：39.

[23] 朱政，趙璠，王秋華，等.昆明市林火驅(qū)動因子及火險區(qū)劃研究[J].浙江農(nóng)林大學(xué)學(xué)報，2022，39（2）：380-387. ZHU Z， ZHAO F， WANG Q H， et al. Driving factors of forest fire and fire risk zoning in Kunming City[J]. Journal of Zhejiang A F University，2022，39（2）：380-387.

[24] 吳亦龍.漳州市森林火災(zāi)時空分布及火險區(qū)劃[D].福州：福建農(nóng)林大學(xué)，2017. WU Y L. Temporal and spatial distribution and fire risk zoning of forest fire in Zhangzhou City[D]. Fuzhou： Fujian Agriculture and Forestry University，2017.

[25] 黃寶華，張華，孫治軍，等.基于GIS與RS的山東森林火險因子及火險區(qū)劃[J].生態(tài)學(xué)雜志，2015，34（5）：1464-1472. HUANG B H， ZHANG H， SUN Z J， et al. Forest fire danger factors and their division in Shandong based on GlS and RS[J]. Chinese Journal of Ecology，2015，34（5）：1464-1472.

[26] 王衛(wèi)國，潘竟虎，李俊峰.基于空間Logistic的山西省火災(zāi)風(fēng)險評價與火險區(qū)劃[J].草業(yè)科學(xué)，2016，33（4）：635-644. WANG W G， PAN J H， LI J F. Assessment and zoning of fire risk in Shanxi Province based on spatial Logistic model[J]. Pratacultural Science，2016，33（4）：635-644.

[27] 曾愛聰，蔡奇均，蘇漳文，等.基于MODIS衛(wèi)星火點的浙江省林火季節(jié)變化及驅(qū)動因子[J].應(yīng)用生態(tài)學(xué)報，2020，31（2）： 399-406. ZENG A C， CAI Q J， SU Z W， et al. Seasonal variation and driving factors of forest fire in Zhejiang Province， China， based on MODIS satellite hot spots[J]. Chinese Journal of Applied Ecology，2020，31（2）：399-406.

[28] 梁慧玲，王文輝，郭福濤，等.比較邏輯斯蒂與地理加權(quán)邏輯斯蒂回歸模型在福建林火發(fā)生的適用性[J].生態(tài)學(xué)報， 2017，37（12）：4128-4141. LIANG H L， WANG W H， GUO F T， et al. Comparing the application of logistic and geographically weighted logistic regression models for Fujian forest fire forecasting[J]. Acta Ecologica Sinica，2017，37（12）：4128-4141.

[29] 安佳怡，馮仲科，馬天天，等.基于GIS格網(wǎng)的重慶合川區(qū)森林火險等級區(qū)劃[J].中南林業(yè)科技大學(xué)學(xué)報，2022，42（9）： 91-101. AN J Y， FENG Z K， MA T T， et al. Zoning of forest fire risk levels in the Hechuan District of Chongqing based on GIS grid[J]. Journal of Central South University of Forestry Technology， 2022，42（9）：91-101.

[本文編校：戴歐琳]