农林交错区典型地表死可燃物含水率预测

金 森，李建民,2

（1.东北林业大学 林学院，黑龙江 哈尔滨 150040；2.内蒙古林业监测规划院，内蒙 呼和浩特 014010）

农林交错区典型地表死可燃物含水率预测

金 森1，李建民1,2

（1.东北林业大学 林学院，黑龙江 哈尔滨 150040；2.内蒙古林业监测规划院，内蒙 呼和浩特 014010）

黑龙江省平原和山区交错带植被受长期的人为破坏， 林相差， 人为活动频繁， 火险等级高， 火灾频发。加强该区域可燃物含水率动态和预测研究，有利于提高火险预报准确性。以处于该交错区的黑龙江省庆安县典型地表死可燃物为研究对象，对其含水率和气象要素进行了动态观测，分析了影响含水率的因子，并以气象要素、FWI指标及两者的混合为预报因子分别建立了地表死可燃物含水率的预测模型。结果表明，可燃物不同含水率时，其影响因子不同，低含水率时，受湿度影响大；高含水率时，受降雨影响大。FWI指标，主要是FFMC与全范围的含水率相关，但与≥35%的含水率相关差。该指标可用于预测全范围的含水率，但误差大于气象要素回归法，不适合降雨后的含水率预测。FWI指标与气象要素混合建模对于绝大多数模型并没有提高精度。气象要素回归模型误差在＜35%时与FWI模型差异不显著，但对于全范围的含水率预测，其误差低于后者。对于该地区除红松林＜35%的含水率以外的地表死可燃物含水率的预测，应采用气象要素回归模型，MAE为2.0%～7.8%，平均5.4%；MRE为10.6%～28.1%，平均15.8%。对＜35%的红松林含水率预测，加入FWI指标能够改进预测精度，采用混合模型最好。

农林交错区；地表死可燃物；可燃物含水率；黑龙江省庆安县

可燃物含水率是进行森林火灾监测的重要因素和确定森林火险等级的基础[1]。可燃物含水率，特别是地表死可燃物含水率的动态预测是森林火险等级预报系统的核心[2]，也是森林火险天气预报的重要内容[3-5]，也是做好火险天气预报和火行为预报的关键[6-10]。

目前火险预报中常用的可燃物含水率预测方法主要有两种[11-13]，一种是针对具体可燃物类型的预测方法，这类方法以气象要素回归法为代表，该方法简单易用，但不同地区、不同可燃物类型的预测模型的结构和采用的预测因子会有所不同，需要针对每个类型建立一个预测模型，工作量大。另一种是统一结构框架下不同地区微调的方法。这种方法一般都是物理、半物理的方法，其中以加拿大火险天气指标系统(FWI)[13]为代表。该方法普适性好，但也需要对具体地区进行适当的修正。我国国家火险等级系统建设中曾引进FWI方法作为国家尺度的火险预报备用方法。但该方法在全国多数地区的适用性还没有得到验证，特别是FWI指标与可燃物含水率的关系还没有在全国范围内进行系统研究。

生态交错区往往是生态脆弱的区域[14-16]，特别是受强烈扰动后的生态区，其林火环境发生了很大变化。黑龙江省松嫩平原和小兴安岭交错的区域，原生植被受农业生产和采伐等人为干扰破坏严重，目前多为林相不好的次生林和人工林。该区域重要的火险特征是林相残败，林龄小，郁闭度低，林下阳性杂草多，可燃物变干速度快，加上人为活动频繁，易于发生森林火灾，发生火灾后易形成树冠火。该区域发生多次重特大森林火灾，损失严重，加强该区域火险预报工作是有效预防森林火灾发生，减少森林火灾损失的重要手段。目前还没有对该区域可燃物含水率动态变化情况和预测模型进行研究，为此，选择位于该交错区内的黑龙江庆安地区的典型可燃物为研究对象，对其可燃物含水率开展相应的研究。采用气象要素回归法、FWI方法（时滞和平衡含水率法）以及气象要素和FWI指标混合等三种方法，分别建立这些可燃物的含水率预测模型。主要目标是分析影响该区域可燃物含水率的因子，寻求最合适的预测方法模型，明确预测精度，从而为更准确的预测森林火险提供科学依据。同时也评价FWI指标在该区域的适用性，为建立全国统一的预报模式提供参考。

1 研究地概况

研究地区位于黑龙江省绥化地区庆安县曙光林场，地处松嫩平原和小兴安岭余脉的交汇地带，属呼兰河流域的中上游，127°51′20″～128°13′30″E，47°3′47″～ 47° 8′30″N。属于低山丘陵平原区，平均海拔260 m左右，寒温带大陆性季风气候。四季分明，春季多风干旱；夏季温热多雨；秋季温凉适中；冬季寒冷干燥。降水集中于7～9月份，积雪期达5个月，林内雪深可达30～70 cm。年平均日照时数为2 599 h；年平均气温为1.69℃；无霜期128 d左右；年平均降雨量577 mm。有3个土类：草甸土、黑土、暗棕壤，以黑土为主。其中草甸土占总面积的29.3%，黑土占总面积的69.3%，砂质底暗棕壤占总面积的1.4%，黑土中尤以薄层白浆化黑土为最，占总面积的68.7%。现有植被为原生植被破坏后恢复起来的次生林和人工林，人工林比例大。林相差。主要林木种类有长白落叶松Larix olgensis f. viridis、红松Pinus koraiensis、樟子松 Pinus sylvestris var.mongolica、白桦Betula platyphylla、山杨Populus davidiana、紫椴Tilia amurensis、蒙古栎Quercus mongolica、 胡 桃 楸 Juglans mandshurica、 水 曲柳 Fraxinus mandschurica、黄菠萝Phellodendron amurense、 榆 树 Ulmus pumila、 柳 树 Salix matsudana等十余种。

2 研究方法

2.1 样地设置

2012年在曙光林场选择人工红松林、白桦山杨林、蒙古栎林、人工落叶松林、草塘5种可燃物类型。在每个类型内，分别设20 m×20 m样地，进行常规调查，具体样地情况见表1。

表1 样地信息Table1 Information of sample plots

2.2 可燃物含水率和气象因子观测采集

2012年秋季和2013年春季防火期内，在样地内采用破坏性采样方法采样。每日13时在样地内垂直等高线取4个点，采集测定点的凋落物，称取鲜重，记录后装入密封袋中，带回室内用烘干箱（101A-3型）105 ℃下烘干24 h，再称取干重记录。共测量100 d的数据。同期在样地内架设HOBO U30气象站，每隔1 h采集温度、相对湿度、风速、降雨量。

2.3 数据处理与分析

2.3.1 可燃物含水率计算

按下式计算各样地个点的可燃物含水率，取4个点的平均值作为该样地的含水率。

式中：Mi为第i天可燃物含水率(%)；Whi为第i天可燃物鲜重(g)；Wdi为可燃物干重(g)。

2.3.2 气象数据处理及FWI指标计算

利用气象站采集的气象数据推算出当日最小相对湿度、当日平均相对湿度、前48小时降雨量、当日平均温度。符号规定：H（当日13时湿度%）、H1（当日最小相对湿度%）、H2（当日平均相对湿度）R0（前24小时降雨量mm）、R1（前48小时降雨量mm）、T（当日13时气温℃）、T1（当日平均温度℃）、T2(当日最高温度℃)、S（13时风速米/秒）。

根据FWI系统的计算方法[17]，计算研究期间的FWI系统的6个指标，3个湿度码的初始值是：FFMC=85，DMC=21，DC=15。

计算气象因子的统计特征。

2.3.3 可燃物含水率影响因子相关分析

计算可燃物含水率与气象要素、FWI指标之间的Pearson相关系数，以此来评价死可燃物含水率与不同因子间的关系，确定对含水率有影响的因子，显著性水平设定为α=0.05。

2.3.4 可燃物含水率预测模型

纤维的饱和含水率一般为35%[18]，35%的水分交换主要是扩散过程。超过35%的可燃物床层出现自由水，受降雨和凝露等影响，主要是自由蒸发，与＜35%的扩散过程机理不同。将每个林分的数据分成＜35%和≥35%两个部分以及全部数据共三个数据集，针对每个数据集分别以气象因子、FWI 6个指标和混合因子（气象因子+FWI指标）为预测变量，采用逐步回归的方法[19]建立该林分的地表死可燃物含水率三种多元线性预测模型，分别称为气象要素回归模型、FWI模型和混合模型. 对于全部含水率数据，采用50个数据建模，用剩余的50个数据验证。对于＜35%和≥35%的含水率数据，如果样本较少，则采用交叉验证法验证。按下式计算该模型的平均绝对误差（MAE）和平均相对误差（MRE）：

式中：Ri和Rj分别为实测和预测的含水率（%）。

对3类模型的误差进行t检验，以比较模型误差差异的显著性。

3 结果与分析

3.1 可燃物含水率动态和气象因子基本特征

表2给出了实验期间可燃物含水率动态、气象要素和FWI指标的统计特征。可燃物含水率从8%到173%，覆盖了研究地区防火期可燃物含水率的主要范围。可燃物含水率最高的可达300%～400%，一般出现在饱和降雨后，该地区春秋两季防火期内降雨量没有那么大，所有可燃物含水率也不能达到300%。50%分位数反映了研究地区可燃物含水率在防火期内多数低于35%这个临界含水率，但25%分位数的含水率为22.3%，说明该地区极端干燥条件并是特别多，75%的天气条件下不容易着火或着火火势也不大。这与采样林分郁闭度较大有关。但草塘含水率均值19.6%，范围为11.%～2.2%，75%分位数为22.7%。说明该地区草塘在防火期易燃，火险等级高。

3.2 死可燃物含水率影响因子分析

表3和表4给出了地表死可燃物含水率与气象因子、FWI指标的Pearson相关系数。表中所列出的影响因子，至少与一种死可燃物含水率相关，与所有死可燃物含水率均不相关的，未列入表中。

对于全范围含水率，湿度、降雨和FFMC与可燃物含水率关系密切。ISI与可燃物含水率密切相关是因为该指标是FFMC函数与风函数的乘积。与可燃物含水率关系最密切的是降雨，特别是前一天降雨，其次是当天的湿度。温度和风对可燃物含水率影响不显著。当含水率＜35%，当天、前一天、两天的湿度对5个可燃物类型含水率都有影响，降雨只对草塘含水率有影响，可能因为没有冠层遮阴的原因。温度只对落叶松可燃物有影响。FFMC与除白桦林之外所有样地关系密切，其他FWI指标只与红松林或草塘关系密切。而对≥35%的含水率，降雨是最大的影响因子，除与草塘不相关外，对其他4个林分的可燃物含水率都有影响，而湿度和温度的影响不大。FFMC也只与少数样地关系密切。这表明，含水率不同时，其影响因子不同，低含水率时，受湿度影响大，含水率高时，受降雨影响大。

表2 可燃物含水率和气象要素、FWI指标的统计特征Table2 Statistical characteristics of fuel moisture content, meteorological elements and FWI indexes

表3 地表死可燃物全部含水率与气象因子、FWI因子的Pearson相关系数Table3 Correlation coefficients of fuel moisture content of land surface dead fuels to FWI factors and meteorological factors

表4 地表死可燃物含水率（35%组分）与气象因子、FWI因子的Pearson相关系数Table4 Correlation coefficients of fuel moisture content of land surface dead fuels (4 35%) to FWI factors and meteorological factors

3.3 地表死可燃物含水率预测模型

本研究三类模型共计45个，其中统计显著的模型36个，一些混合模型没有FWI指标加入，与气象要素回归模型相同，去掉这些相同的，最后剩下26个有效模型。表5给出了5个不同林分情况下地表死可燃物含水率预测模型的参数和统计检验。表6给出了三类模型的误差比较的t检验结果。

表5 各样地全部数据FWI指标回归建模参数Table5 Regression modeling parameters of all data of FWI indexes

表6 3种模型误差的t检验†Table6 T-tests of errors of three type models

使用全部含水率建模时，FWI模型可解释20.5%～50.7%的可燃物含水率变差，其MAE为3.4%～18.5%，平均13.9%；MRE 16.9%～50.8%，平均39.9%。气象要素回归模型可解释81.2%～90.3%的可燃物含水率变差，MAE2.0%～7.8%，平均5.4%；MRE 10.6%～28.1%，平均值15.8%。气象要素回归模型的两类误差显著低于FWI模型（表6），混合模型与气象要素回归模型全部相同，表明FWI指标的加入，没有提高模型准确性。

含水率小于35%时，FWI指标可以预测白桦林地表死可燃物含水率以外的其他四种可燃物的含水率。该模型可解释28.4%～65.9%的可燃物含水率变差，MAE为2.8%～25.5%，平均9.0%；MRE 12.6%～148.8%，平均48.2%。气象要素回归模型可解释36.2%～88.3%的可燃物含水率变差，MAE 2.0%～11.3%，平均4.9%；MRE 10.5%～41.9%，平均值19.7%。混合模型中白桦林和草塘的与气象要素回归模型相同，该类模型可解释36.2%～90.5%的含水率变差，MAE1.7%～3.4%， 平 均2.3%；MRE 6.8%～17.1%，平均11.7%。三类模型的两种误差的差异都不显著（表6）。

含水率≥35%时，FWI未能建立任何模型。气象要素回归模型和混合模型一致，可解释55.6%～83.3%的可燃物含水率变差，MAE9.3%～22.0%，平均16.3%；MRE 8.2%～32.8%，平均值20.7%。

在所有的FWI模型中，FFMC和DC使用最多，FFMC进入了每一个FWI模型，DC只有落叶松林含水率＜35%的FWI模型未使用。个别模型使用了FWI或ISI。气象要素模型中，当日和前一日湿度，当日、前一、二日降雨使用最多，湿度进入了除红松林全部数据、红松林含水率≥35%、落叶松林含水率≥35%之外的所有气象要素回归模型。前一天湿度进入了红松林全范围模型、落叶松林全范围模型、落叶松林＜35%气象要素回归模型。温度和风速只进入了个别模型。混合模型与气象要素回归模型大部分相同。与气象要素回归模型不同的有红松林含水率＜35%（H、ISI）、蒙古栎林含水率＜35%（H、R1、ISI）、落叶松林含水率＜35%（H1、FFMC）三个混合模型。其它与可燃物含水率密切相关的因子没有出现在模型中是因为这些因子与进入模型的因子具有一定的相关性，其对含水率的作用通过进入模型的这些因子所体现。

图1给出了各样地三组含水率三种模型的预测值与实测值的对比情况（混合模型与气象要素回归模型相同者，就不做比较了）。图中的直线为y=x。

可以看出，对于全范围的含水率预测，在10%～65%含水率范围内气象要素回归模型(与混合模型相同)与FWI模型对于5个可燃物的预测误差都较小，两种模型区别不大，含水率＞65%两种模型误差增加，预测偏低，但FWI模型显著增加，表明FWI对该范围的含水率预测能力差。区域两种模型预测值多数偏小。含水率＜35%时，红松林的混合模型误差最小，FWI次之，气象要素模型预测全部偏低。蒙古栎和落叶松和可燃物的气象要素回归模型明显优于FWI模型，FWI模型高估了蒙古栎地表可燃物含水率，低估了落叶松地表死可燃物含水率。草塘两种模型差异较小，但FWI模型预测更离散。含水率≥35%时，只有气象要素回归法显著。白桦林的效果最好，蒙古栎地表死可燃物误差最大

上述分析表明，对于5种可燃物，如果是对全范围可燃物含水率预测采用一个模型，则采用气象要素回归模型最好。对于＜35%的含水率预测，应区分林分类型选择模型，红松林可采用混合模型，白桦林、蒙古栎林、落叶松林和草塘采用气象要素回归模型。≥35%时，只能采用气象要素回归模型。

4 结论与讨论

对研究地区典型可燃物含水率与气象要素等影响因子的相关分析和逐步回归分析表明，不同含水率时，其影响因子不同，含水率低时，湿度对含水率变化影响大，高含水率主要受降雨影响大。FWI指标，主要是FFMC与全范围的含水率相关，但与≥35%的含水率数据相关差，可用于预测全范围的含水率，但误差大于气象要素回归法，且在高含水率时误差偏大，不适合降雨分段模型。FWI指标与气象要素混合并没有改进模型的精度。即便如此，如果选择FWI方法作为国家火险预报的一种方法，该方法仍适用于本研究地区，这也是半物理模型的优势。

气象要素回归模型误差要么与FWI模型差异不显著，要么低于后者，表明气象要素回归法优于FWI模型。对于该地区的除红松林＜35%的含水率以外的预测，应采用气象要素回归模型，其MAE 2.0%～7.8%，平均5.4%；MRE 10.6%～28.1%，平均15.8%。对＜35%的红松林含水率预测有贡献，采用混合模型最好。

在研究地区，FWI作为含水率预测因子，对针叶林预测效果要好于阔叶林，尤其是可燃物含水率＜35%时。原因是FWI是依据加拿大针叶林建立的系统[20]，研究地区和FWI建立地区的纬度相近，所以更适用于针叶林，不适用于阔叶林。

本研究模型与文献中同类模型的误差具有一定的相似性。对于FWI模型，Simard等[21]用FWI预测凋落物含水率的误差为16.5%，Chrosciewicz[22]对FWI修正的模型误差为16～18%。本文中FWI模型的MAE平均11.5%，比这些模型还要低一些，与在云南的同类研究相似[23]。对于气象要素回归模型，国内外很多气象要素回归模型没有直接给出误差，难以进行全面的比较。Ruiz等[24]建立的含水率＜30%的气象要素回归模型，其MAE为1.32%，本研究对于＜35%的气象要素回归模型的平均MAE为4.9%，高于该模型，但与在云南的同类研究3.5%相似[21]可能的原因是前者的样本数较少，水率＜30%而不是35%，且模型参数多。

本研究模型采用的都是通过现有的常规气象站方便观测的气象要素，且其误差在同类研究的控制水平内，因此，可以在该地区的森林火险预报中直接应用。

研究地区为严重破坏后的生态交错区。其次生林的郁闭度比较低。受人力限制，为方便同步采样，本研究选择的几个样地为公路附近，恢复时间较长的林分，郁闭度较高，因此，含水率也较高。其他次生林的含水率应低于表1数据，但草塘的低含水率反应了该地区的火险状况[25]。今后，应选择更具代表性的林分开展研究，同时搞清不同交错区、不同破坏程度和恢复途径对可燃物含水率动态的影响也十分必要。

图1 各样地含水率数据3种模型的预测实测值对比Fig.1 Comparisons of moisture measured and computed by three methods

[1] 信晓颖,江 洪,周国模,等.加拿大森林火险气候指数系统(FWI)的原理及应用[J]. 浙江农林大学学报,2011,(2):314-318.

[2] 高永刚,张广英,顾 红,等.森林可燃物含水率气象预测模型在森林火险预报中的应用[J]. 中国农学通报,2008,(9):171-175.

[3] 卢欣艳,牛树奎,任云卯. 北京西山林场可燃物含水率与气象要素关系[J]. 林业资源管理,2010,(3):79-86.

[4] 王晓红,张吉利,金 森. 林火蔓延模拟的研究进展[J]. 中南林业科技大学学报,2013,33(10):69-78.

[5] 蔡卫红,王晓红,于宏洲,等. 基于Rothermel模型的可燃物参数对林火行为影响的计算机仿真[J]. 中南林业科技大学学报,2013,33(11):34-41.

[6] 舒立福,张小罗,戴兴安,等．林火研究综述(Ⅱ)——林火预测预报[J]. 世界林业研究,2003,(4):34-37.

[7] Rothermel R C, Wilson R A, Morris G A, et al. 1986. Modeling moisture content of fi ne dead wildland fuels: input to the behave fi re predict ion system. United States Department of Agriculture,Forest Service, Research Paper INT-359. Intermountain Research Station, Ogden, Utah, 61.

[8] 何忠秋,李长胜,张成钢,等.森林可燃物含水量模型的研究[J]. 森林防火,1995,(2):15-16,20.

[9] 何忠秋,张成钢,牛永杰. 森林可燃物湿度研究综述[J]. 世界林业研究,1996,(5):27-31.

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

[11] 李桂君. 新林林区地表死可燃物含水率分布模型的研究[D].北京:北京林业大学,2013.

[12] 邓 超, 熊 俊. 南昌地区木荷生物防火林带造林人工技术和效果[J]. 生物灾害科学, 2013, 36(2): 210-212.

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

[14] 王健锋,雷瑞德. 生态交错带研究进展[J]. 西北林学院学报,2002,(4):24-28,37.

[15] 国庆喜,李具来,刘继新,等．大小兴安岭森林植被交错区生态系统在全球气候变化研究中的科学意义[J].东北林业大学学报,2001,(5):1-4.

[16] 牟长城,韩士杰,罗菊春,等,长白山森林/沼泽生态交错带群落和环境梯度分析[J]. 应用生态学报,2001,(1):1-7.

[17] 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,(4):22-24.

[18] 李 林. 森林可燃物含水率及失水效率的研究[D].哈尔滨：东北林业大学,2004

[19] Komarek EV. Fire ecology: Grasslands and man. Proceedings Fourth Annual Tall Timbers Fire Ecology Conference. Tall Timbers Research, Inc. Tallahassee, FL, 1965:169-220.

[20] 胡海清.林火生态与管理[M].北京:中国林业出版社, 2005.

[21] 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

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

[23] 金 森,周 勇.昆明典型地表死可燃物含水率预测模型研究,拟投《应用生态学报》审稿中.

[24] Ruiz Gonza´lez AD, Vega Hidalgo JA, A´ lvarez Gonza´lez JG Construction of empirical models for predicting Pinus spp.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 dead combustible fuels of an ecotones in Qing’an county of Heilongjiang province

JIN Sen1, LI Jian-min1,2
(1. College of Forestry, Northeast Forestry University, Harbin 150040, Heilongjiang, China; 2. Inner Mongolia Forestry Survey and Planning Institute, Hohhot 014010, Inner Mongolia, China)

The plain and mountain ecotones in Heilongjiang province suffered from long time human disturbance, causing forest severely damaged, such as bad forest form and high fire danger rate. The enhancements on studying dynamic prediction of fuel moisture contents can increase fi re danger forecast accuracy. By taking the typical dead land surface fuels in the ecotones in Qing’an county of Heilongjiang province as the tested objects, the moisture of and weather variables in the region were successively observed,and the factors affecting fuel moisture dynamics changes were analyzed. Fuel moisture prediction models were established by using weather variables, FWI indexes, and the two aspects variables as predictive factors, respectively. The results show that the different factors affected the fuel moisture at different levels; for the lower moisture, the air humidity was the major affecting factor while the precipitation was for higher moisture; FWI indexes, mainly FFMC, were correlated with the fuel moisture evaluated for full moisture range, but not for moisture ≥35%, which indicated that the indexes can be used for predicting fuel moisture for full range, but its accuracy was lower than that of vapor exchange models; the vapor exchange models have lower errors than FWI models for full range fuel moisture prediction but not for ＜35% moisture prediction; the model accuracies were not improved when FWI indexes were incorporated; the vapor exchange models should be used for moisture prediction for all fuels in the region except ＜35% moisture prediction of fuel in Korean pine stand, which accuracy was MAE 2.0%～7.8%, averaged 5.4%, and MRE 10.6%～28.1%, averaged 15.8%. For the prediction of fuel moisture ＜35% in Korean pine stand, mixed variable models was the best.

Forest-agriculture ecotones; land surface dead combustible fuel; fuel moisture content; Qing’an county of Heilongjiang province

S762.2

A

1673-923X(2014)12-0027-08

2014-01-12

国家林业公益性行业科研专项（201204508）

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

[本文编校：文凤鸣]