黑龙江大兴安岭雷击火概率预测模型研究

朱沛林 ，史明昌 ，Mike Wotton，方艳霞 ，刘思林 ，孙 瑜

（1.北京林业大学 林学院，北京 100083；2. Canadian Forest Service, Faculty of Forestry, University of Toronto, ON,Canada M5S 3B3）

黑龙江大兴安岭雷击火概率预测模型研究

朱沛林1，史明昌1，Mike Wotton2，方艳霞1，刘思林1，孙 瑜1

（1.北京林业大学 林学院，北京 100083；2. Canadian Forest Service, Faculty of Forestry, University of Toronto, ON,Canada M5S 3B3）

结合黑龙江大兴安岭雷击火发生特点及该地区的气象条件，引用加拿大天气指标（FWI）系统，使用2005年至2010年每日的闪电定位数据、天气数据、雷击引发的火灾数据，利用二元Logistic回归模型，采用全部进入法建立回归模型，最后检验分析显示:模型拟合效果较为理想，为预测黑龙江大兴安岭地区雷击火发生概率提供依据。

林区雷击火；雷击火概率预测；预测模型；大兴安岭林区

雷击火预测模型的研究超过半个世纪，形成了一些适用于国家级的雷击火预测模型，如加拿大，美国等。国内的雷击火预测模型的研究起步较晚，没有形成适用于国内的雷击火预测模型。黑龙江省大兴安岭是我国雷击火发生的主要区域，而黑龙江省大兴安岭发生的火灾以雷击火为主。近年来，黑龙江省大兴安岭雷击火发生愈加频繁，因此，建立适用于黑龙江省大兴安岭的雷击火预测模型已成为必须。早在20世纪80年代中期，加拿大学者通过研究认为，加拿大天气指标系统在我国大兴安岭地区适用[1]。因此，引用加拿大天气指标系统，应用于我国黑龙江省大兴安岭，构建适用于该地区的雷击火概率预测模型。

1 研究区概况

黑龙江大兴安岭林区（50°10′～ 53°33′N，121°12′～ 127°00′E）夏季海洋季风受阻于山地东坡，东坡降水多，西坡干旱，二者呈明显对比，但整个山区气候较湿润，年降水500 mm以上。该区属寒温带季风气候，年均气温-2 ℃～4 ℃，降水集中于7～8月；相对湿度70%～75%，每年积雪期长达5个月，林内雪深30～50 cm。土壤以棕色针叶林土和暗棕壤为主。大兴安岭林区属寒带针叶林区，森林类型主要为落叶松Larixgmelinii林、樟子松Pinus sylvestrisvar.mongolica林、白桦Betula platyphylla林、蒙古栎Quercus mongolica林和胡枝子Lespedeza bicolor林。该区为我国森林火灾高发区，年均森林过火面积居全国之首，是我国森林火灾危害最严重的地区，由雷击引发的火灾占区森林火灾的36%[2-3]。

2 数据和变量

2.1 数据来源

研究主要应用的数据有黑龙江省大兴安岭地区行政界限图、2005～2010年雷击引发的火灾数据、2005～2010年大兴安岭每日的雷击数据及研究区内5个气象站（漠河、塔河、新林、呼玛和大兴安岭）2005～2010年日观测数据包括最高气温、平均相对湿度、24 h降水量、平均风速。雷击数据包括雷击发生时间和地理位置等。大兴安岭每日的雷击数据（2005～2010年）及雷击引发的火灾数据来自大兴安岭防火部门。

2.2 数据预处理

理想情况下，点燃概率通过建立雷击点燃和火灾发生的关联得到。由于个别闪电和个体火灾很难有高度的确定性关联，因此采取的方法是在小的区域内分析区域内的全部闪电数据。为解决该问题，将整个地区划分为多个单元区域，区域的大小须满足两个条件：（1）可合理估计该地区的闪电数量；（2）天气条件在该区域内属同一类型[4]。经过试验，最终确定将整个大兴安岭地区划分为多个15 km×15 km的单元区域。

点燃概率为单元区域内每天被报告的雷击火引燃数除以总的雷击数量。每个单元区域中针叶树的百分比通过森林资源二类调查的数据得到。大兴安岭地区设有5个气象监测站点，根据每个气象站点监测数据，使用反距离权重法插值计算出每个单元区域的每日天气指标（温度，相对湿度，风速，降雨量）作为该单元区域的天气指标。

利用单元区域每日的天气指标数据，根据FWI系统模型公式[5]编程计算得出每个单元区域内每日的FFMC、DC值，并在原有程序基础上根据SDMC的计算公式添加了该指标的计算模块计算SDMC值[10]。雷击火发生的时间是分散分布的，利用连续的气象观测记录计算每次雷击火发生时的火险天气指数较困难。考虑计算方法的简便性和实用性，雷击火发生前20 d森林可燃物的状态极为相似，且平均气象数据能很好地代表雷击火发生当天的天气状况（除有风和降雨的天气外)，可对计算方法做适当修改：雷击火发生前一天的指标用雷击火发生前20 d的气象日观测数据的平均值来计算[6-7]。根据初始值、雷击火发生前一天的指标和当日气象观测数据，通过系统的公式计算得到雷击火发生当日的指标。在冬季有明显积雪地区，连续3天没有积雪后开始计算，可燃物湿度码FFMC、DC的初始值分别赋值为85、15。冬季没有明显积雪覆盖的地区，从连续3天日平均气温超过6 ℃后开始计算，FFMC=85，DC值是上次降水到现在日数的5倍[8]。

2.3 变量选取

森林地表含水率、闪电极性、针叶林的百分比、雷雨发生的时间均对地表可燃物的传播及持续引燃概率产生影响[9]，结合FWI系统，选取8个自变量，分别是

1）SDMC：代表林木树冠上部有机层含水率的指数。该指数相对于DMC能更好的地预测雷击火发生的概率[10]。

2）DC：代表森林表面深层有机物含水率的指标。

3）FFMC：代表森林表面枯枝落叶层含水率的指标。

4）PERPOS：一天中各单元区域中正极雷击的百分比。

5）PERCLOSED：各单元区域密闭针叶林的百分比。

6）TIMING：代替闪电风暴时间的二进制变量，即表示闪电来自夜晚或白天（0代表夜晚：21：00～06：00；1代表白天：06：00～21：00）。

7）DRYING：代表森林地表是干燥或湿润的二进制变量。这由推测的点燃日期的SDMC值与随后3天的SDMC平均值相比较决定（0代表湿润，1代表干燥）。

8）RAINocc：表明单元区域内检测到闪电的未来3天之内是否有大雨（降雨量大于5 mm）的二进制变量（0是没有雨，1是有雨）[4]。

因变量是一个二进制变量，某天单元区域内有火灾被发现且被报告给大兴安岭防火部门，则值记为1，否则为0。

3 模型

3.1 模型介绍

逻辑斯蒂回归模型是广义线性回归模型中的一种。对有两个结果的二元分类因变量（响应变量）发生的概率建模时，可以使用二元Logistic回归模型来进行分析。通常在建立Logistic模型之前，考虑存在一个不连续的无法观测的变量Z，并认为该变量是事件发生的倾向。在Logistic回归模型中，Z和事件发生的概率之间的关系可以表示[11-12]为

式(1)、式(2)中，pi代表的是第i个个案可能发生的概率，Zi代表的是第i个变量不能观测到的变量值。模型同样假定Zi与自变量之间存在线性关系：

式（3）中：Xi为第i个自变量，Bi为第i个参数，k为自变量的个数。

对于二元Logistic回归函数，因变量Yi的概率函数可以表示为：

式（4） 中，Yi=0,1；（i=1，2， …，n）， 那 么Y1，Y2，…，Yn的似然函数为

将似然函数两端取对数，用极大似然估计迭代法，可以得到Logistic回归模型的参数估计值[13]。

回归模型为

式(6)中：Pr：为雷击引起火灾并且最终能被大兴安岭防火部门检测并记录的概率。Bi（i=0～8）：逻辑回归模型系数。

3.2 参数回归

将雷击数据及雷击火数据进行筛选，获得有效雷击数据10 526条（每个雷击的数据作为一条记录）。从有效数据中随机抽取其中的65.6%作为样本，余下的34.4%用于回判检验模型拟合效果。运用SPSS 18.0软件采用二元逻辑斯蒂全部进入回归法，将单元区域内是否有火灾被发现且被报视为协变量作二元逻辑斯蒂回归，得到二元逻辑斯蒂回归模型的参数。

4 数据结果及分析

对Logistic回归模型拟合的有效性和拟合优度进行检验。处理因变量中无法解释部分显著性问题的-2 Log likelihood值相对较小，则因变量变动中无法解释部分较少，故该模型的拟合程度较好[13-14]。详见表1，Hosmer-Lemeshow检验，检验因变量实际值与预测值的分布是否有显著差异，结果表明不显著，即因变量的实际值与预测值无显著性差异，模型拟合较好。

表1 模型有效性和拟合优度Table 1 Effectiveness and fitting goodness of models

经Wald检验，回归模型中SDMC、DC、FFMC、PERPOS、PERCLOSED、TIMING、DRYING、RAINocc各因子的参数对应的显著性水平Sig.都小于0.1。

回判检验拟合模型预测准确率为62.1%，模 型 能 较 好 地 拟 合SDMC、DC、FFMC、PERPOS、PERCLOSED、TIMING、DRYING、RAINocc同着火概率Pr的关系，模型的拟合效果较好。

Logistic回归估计方程如下：

由于模型的变量TIMING、DC和RAINocc系数的指数值为负，则TIMING、DC及RAINocc对着火概率产生显著的负面影响，即在闪击出现3天内的降雨可降低引起火灾的概率，晚间发生闪击引燃的概率很高。拟合模型中没有SDMC变量时，DC的参数通常为正，森林表面深层有机物含水率越低，越易发生雷击火；但拟合模型变量中存在SDMC情况下，DC的参数正负性随SDMC影响过强或过弱变化，故视DC为SDMC影响过强或过弱的补偿[9]。DC变量系数为负，则DC值变化为对SDMC值影响过大的补偿。变量SDMC、FFMC、PERPOS、PERCLOSED、DRYING系数的指数值均为正，则这些指标对着火概率产生显著的正面影响。夜晚时，DC和RAINocc值越小，SDMC、FFMC、PERPOS、PERCLOSED、DRYING越大，越容易发生雷击火。对雷击火发生概率影响最大的指数是DRYING，故单元区域内检测到闪电的未来3天之内是否有大雨的情况对雷击火的发生概率影响最大。

5 结论与讨论

为建立雷击点燃和火灾发生的关联，将黑龙江大兴安岭区域分成15 km×15 km的单元区域，单元区域是否发生雷击火为因变量，SDMC、DC、FFMC、PERPOS、PERCLOSED、TIMING、DRYING 和RAINocc为协变量作二元逻辑斯蒂回归，得到二元逻辑斯蒂回归模型。经检验，回归模型拟合的有效性和拟合优度较好。因此，已知黑龙江某地的连续观测的气象数据（日最高气温、平均相对湿度湿度、24 h降水和平均风速）、未来3天预测气象数据（最高气温、平均相对湿度湿度、24 h降水、平均风速）及该地针叶林所占百分比，结合该地气象数据得出SDMC、DC、FFMC、PERPOS、PERCLOSED、TIMING、DRYING和RAINocc值。利用雷击火概率预测模型，可为雷击火发生概率以及一定区域内雷击火发生的数量估计提供科学参考依据。

但由于存在雷击探测位置误差、大兴安岭气象站点较为稀疏、雷击火及雷击监测数据年限较短等，因此仍需随原始数据精度的逐渐提高和雷击火及雷击监测历史数据的积累对回归模型的参数逐步完善。

[1] 田晓瑞,Mcrae Douglas J.,Jizhong Jin,等. 大兴安岭地区森林火险变化及FWI适用性评估[J].林业科学, 2010,46(5):127-132.

[2] 舒立福,王明玉,李忠琦,等. 我国大兴安岭呼中林区雷击火发生火环境研究[J]. 林业科学, 2003, 39(6): 94-99.

[3] 张尚印,祝昌汉,高 歌,等. 森林火灾天气等级确定及监测预报方法[J]. 气象科技,2001,(02): 45-48.

[4] 肖志远,姜恩来,刘 毅. 北美雷击火概率预测技术及其应用效果评价[J]. 林业机械与木工设备, 2011, 39(9): 21-25.

[5] Van Wagner C.E. Development and Structure of the Canadian Forestry Fire Weather Index System[R]. Ottawa: Forestry,Service Canadian, 1987.

[6] 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[J]. 火灾科学, 2010, (03): 131-137.

[7] 于建龙. 我国大兴安岭地区森林雷击火发生的预测预报[D].安徽合肥: 中国科学技术大学, 2010.

[8] 孙玉成,马洪伟,王秀国,等. 加拿大火险天气指标(FWI)计算的初始化方法和解释[J]. 森林防火, 2003, (04): 22-24.

[9] M W B. A lightning fire occurrence model for Ontario[J].Canadian Journal of Forest Research. 2005, 35(6): 1389-1401.

[10] Wotton B M. Predicting forest fire occurrence in Ontario[D].Toronto: University of Toronto, 2004.

[11] 韩凤英. 一种基于改进Logistic混沌映射的图像加密算法[J].中南林业科技大学学报, 2008,28(01): 153-157.

[12] 刘艳萍,朱延林,康向阳,等. 电导法协同Logistic方程确定不同类型广玉兰的抗寒性[J]. 中南林业科技大学学报, 2012,32(10): 69-71.

[13] 王伏虎. SPSS在社会经济分析中的应用[M]. 安徽: 中国科学技术大学出版社, 2009.

[14] 杨小平. 二分Logistic模型在分类预测中的应用分析[J]. 四川师范大学(自然科学版), 2009, 32(3): 393-394.

A preliminary study on lightning-caused fi re probability prediction model for Daxing’anling forest region

ZHU Pei-lin1, SHI Ming-chang1, Mike Wotton2, FANG Yan-xia1, LIU Si-lin1, SUN Yu1
(1. College of Forestry, Beijing Forestry University, Beijing 10083, China;2. Canadian Forest Service, Faculty of Forestry, University of Toronto, ON, Canada M5S 3B3)

In order to study lightening-caused fire in Daxing’anling forest region, the characteristics of lightening-caused fire in Daxing’ anling forest region in Heilongjiang province and the meteorological conditions in the area were taken into account, and the Canadian Forest Fire Weather Index (FWI) was cited, and the everyday lightning location data, climate data, lightning-caused fi re data recorded from 2005 to 2010 were used, thus the regression model for the region was established by adopting binary Logistic regression model and Enter Independents Together. The fi nal test results show that the model fi tting effects are satisfactory, thus providing a basis for predicting the probability of lightning-caused fi res in Daxing’anling forest region in Heilongjiang province.

lightning strike fi re in forest region; lightning-caused fi re probability prediction; prediction model; Daxing’ anling forest region

S761

A

1673-923X(2014)08-0082-04

2013-11-30

国家林业局948引进项目（2008-4-51）资助

朱沛林（1989-），女，湖南娄底人，硕士研究生，研究方向为3S在资源环境中的应用；E-mail：2008zhupeilin@163.com

史明昌（1969-），男，内蒙古赤峰人，博士，教授，主要从事3S技术在水土保持与生态环境建设中应用，GIS工程与系统集成方面的研究；E-mail：shimc@dtgis.com

[本文编校：文凤鸣]