大兴安岭塔河地区雷击火发生驱动因子综合分析

郭福涛, 苏漳文, 马祥庆, 宋禹辉, 孙 龙, 胡海清,*, 杨婷婷

1 福建农林大学, 福州 350002 2 东北林业大学林学院, 哈尔滨 150040

大兴安岭塔河地区雷击火发生驱动因子综合分析

郭福涛1, 苏漳文1, 马祥庆1, 宋禹辉1, 孙 龙2, 胡海清2,*, 杨婷婷1

1 福建农林大学, 福州 350002 2 东北林业大学林学院, 哈尔滨 150040

森林火灾是一个全球性问题，对森林资源和温室气体排放有重要影响，并严重影响人们生命财产安全。林火主要分为人为火(人为活动引起)和雷击火(雷电引起)两大类。在我国北方针叶林带，雷击火主要集中在黑龙江大兴安岭和内蒙古呼伦贝尔盟地区。大兴安岭塔河地区位于我国北方针叶林带，是森林火灾的重灾区。其中雷击火所占比例大约1/3以上。目前针对当地雷击火与影响因子的研究主要集中于气象因子，非气象因子(森林可燃物和地形特征)的研究受数据条件和技术手段限制研究报道较少。研究数据包含三部分，林火数据，气象数据和地理植被数据。林火数据包含1974—2009年间林火发生经纬度坐标，时间和面积等。气象数据主要包括每日尺度的最低气温，最高气温，平均风速，平均相对湿度等因子。根据加拿大火险天气指标系统计算出了出了细小可燃物湿度码(FFMC)，干燥可燃物湿度码(DMC)和干旱码(DC)也没用于本研究。此外，基于1∶10万塔河地区数字化林相图提取了海拔、坡度、坡向、森林类型、优势树种、龄级等因子用于决策因子分析。研究数据分析过程主要应用ArcGIS10.0中的空间分析工具和SPSS19.0的逻辑斯蒂回归模型完成。研究结果显示“日最低气温”，“最大风速”和“最小相对湿度”3个气象因子及火险天气指标系统(FWI)中细小可燃物湿度码(FFMC)干旱码(DC)与雷击火发生概率显著相关(P<0.05)，模型整体拟合水平R2(Cox & Snell)=0.326。在非气象因子与雷击火发生的逻辑斯蒂模型检验中，“地被物盖度”和“龄级”均在P=0.05水平上与雷击火发生显著相关，其模型的整体拟合水平R2(Cox & Snell)为0.15。研究结论表明在分析雷击火发生的决策因子时，应该综合考虑气象、可燃物和林分因素。

大兴安岭; 塔河地区; 雷击火; 气象因子; 逻辑斯蒂回归; 决策因子

森林火灾是一个全球性问题，对森林储量和温室气体排放都有显著的影响[1]，同时林火也是导致森林资源和人生命财产损失的主要因素。每年有大约45000次森林火灾发生在欧洲[2]，10000次发生在加拿大[3]，12.9万起发生在美国且过火林地面积高达170多万公顷。我国每年也会发生大约10000次火灾，年均过火面积为820000hm2[4]。林火按其火源类型可主要分为天然火和人为火, 天然火中以雷击火为主。美国2007—2011年均由雷击引起的森林火灾大约占到总森林火灾的63%，为14200次[5]。在加拿大，雷击火占总林火的近1/3,而过火面积则可达到90%[6]。据统计，我国的雷击火主要发生在北方针叶林带即黑龙江的大兴安岭、内蒙古的呼伦贝尔林区和新疆的阿尔泰山地区[7]，大兴安岭林区雷击火占该地区森林火灾总次数的38%[8-9]。

目前关于森林雷击火的研究主要分为雷击火成因机制和雷击火预测预报两大部分。通过对气象、地形、可燃物等可能影响雷击火发生的因子进行分析，判别选择对雷击火发生有重要影响的决策因子，并以决策因子为基础，运用数学统计方法，建立雷击火发生预测预报模型。国外关于雷击火影响因子的研究已开展多年并取得了很多成果[10-16]，这些研究所选的初始影响因子不尽相同，所得的结论也有一定差异。有研究主要运用加拿大火险天气指标系统(FWI)中反应可燃物干湿程度的指标如干旱码(DC)等为分析的初始参考因子[10]；还有研究主要考虑可燃物含水率和森林类型[11]，以及气象因子[12]；此外，部分研究证实了海拔、坡度对雷击火的显著影响[17]，然而也有研究得出了相反的结论[18]。可见研究区域不同，选择的初始参考因子不同，研究结论也可能有较大差异，因此在研究雷击火发生的初始因子选择上应尽量涵盖气象、地形、森林类型等多个方面。

目前国内学者针对大兴安岭地区雷击火的研究通常分为时空格局分析[8,19-21]和决策因子分析[22-25]两个方向进行。在关于雷击火影响因素(决策因子)分析中，大多以气象因子为主要探讨对象[7, 26-27]。然而，综合国内外相关研究表明，雷击火的发生除了受气象因素影响外，森林可燃物(林型、优势树种、植被郁闭度等)和区域地理地形因素(坡度、坡向、海拔等)都是研究中尤其是初始影响因素分析中应该加以考虑的[14-15, 28-30]。本文应用ArcGIS10.3和Spss19.0对林火数据与气象和非气象因子(可燃物和地形信息)分别进行分析，探求对雷击火发生的关键因子，研究结论对深入了解我国北方针叶林雷击火发生规律和特性具有重要的意义。

1 研究地区与研究方法

1.1 研究区概况

本文研究地位于我国北方针叶林带，隶属于黑龙江大兴安岭塔河地区，地处东经123°—125°，北纬52°—53°。属寒温带大陆性气候，由于受大陆和海洋高、低及季风交替的影响，气候变化显著，冬季漫长干燥而寒冷，夏季短暂而湿热，春季多大风而少雨，秋季降急剧，霜冻来的早，塔河县年平均气温-2.4 ℃，平均无霜期98 d，年平均降水量463.2 mm，主要集中在7、8月份，年日照时数2015—2865 h。该地区森林覆盖率为81%；蓄积量5340万m3，主要树种有樟子松、落叶松、白桦、杨树等10余种。

图1 研究区域示意图Fig.1 Sketch map of the study area

该地区也是森林火灾高发区，林火类型包括人为火和雷击火，整体上人为火和雷击火比例相当，但雷击火的年均过火面积高于人为火。雷击火主要发生在5—8月间，大面积雷击火多集中在7、8月。3、4、10月仅有个别林火。本研究统计表明1974—2008 年，塔河县过火面积563709 hm2， 年均16106 hm2。 1988 年后，该区总过火面积呈微弱的下降趋势，但由雷击火引发的过火面积则呈上升趋势。1990 年后，雷击火引发的过火面积明显高于人为火和不明火引发的过火面积，1990 年后雷击火引发的过火面积是 1990 前的 7.4 倍。

1.2 数据来源

本文数据来源包括三部分，分别为林火数据，气象数据和矢量化林相图数据。林火数据来源于大兴安岭地区塔河县森林防火办公室。数据包括1974—2009年塔河地区林火发生情况数据(起火地理坐标、起火原因、发生时间、过火面积等)。

气象数据采用雷击火发生的当天气象数据，来源于中国气象数据共享网络 (http:// cdc.cma.gov.cn/)。数据包括塔河气象站(国家标准气象站号50246)1965—2012年的每日气象数据，一共包含极大风速(m/s)等22个气象因子，本文对气象数据进行了预处理，去除了缺失或不完整的气象因子，剩余气象因子包括，日最低气温(℃)，日最高气温(℃)，24h降水量(mm)，平均风速(m/s)，平均气温(℃)，平均水汽压(hPa)，平均相对湿度(%)，平均气温(℃)，日照时数(hour)，最大风速(m/s)，最小相对湿度(%)共11个气象因子。

此外，根据研究区域每日气象数据，利用加拿大森林火险天气指标系统(FWI)[31]计算反映可燃物干湿程度的指标，分别为细小可燃物湿度码(FFMC)、腐殖质湿度码(DMC)、干旱码(DC)。

研究中所需基础地理地形图和矢量化林相图等数据来源于东北林业大学森林经理教研室。1∶10万的基础地理图和矢量化林相图数据库分别建于2000和2003年。其中林相图数据库精确到小班，记录的小班内属性主要包括坡度、坡向、腐质层厚度、地被物盖度、林型、经营措施、优势树种、龄级和郁闭度等。

1.3 数据处理

1.3.1 二项逻辑斯蒂回归模型(Logistic regression model)

将P变换为ln(P/(1-P))称为Logit变换，记为Logit(P),所以也称为Logit模型。Logit变换使得在[0,1]范围取值的P变换到(-∞, +∞)，当P趋向于0, Logit(P)趋向于-∞，当P趋向于1，Logit(P)趋向于+∞。

雷击火的概率预报模型可表示为：

式中,P为雷击火发生概率；β1…βn为各自变量相关系数；X1…Xn为影响雷击火发生的各自变量。逻辑斯蒂模型已被广泛应用于林火发生概率的预测预报[32-34]。

1.3.2 随机对照样点的创建

本文应用二项逻辑斯蒂回归模型进行关键因子分析和雷击火空间分布形势预测，由1.3.1可知，建模的数据结构要求火点和非火点同时对比存在，本文对照样点分为两部分：第一部分用来分析雷击火发生与气象因子和可燃物干燥指数的关系。按1∶1随机选取与雷击火发生次数相同的对照样点(没有雷击火发生)，并提取对应的当日气象数据和由FWI系统计算的FFMC、DMC和DC进行逻辑斯蒂模型拟合分析。

第二部分分析雷击火与非气象因素的相关性。本文应用ArcGIS的随机点创建功能，按照火点与随机点1∶1的比例分别创建随机点。随机点创建数量目前国内外并无明确标准和方法。国际上有学者按照研究区域平均林火发生次数来创建随机点[35]，也有以随机点之间距离为约束条件来选取随机点的[36]。通常情况下，为了防止数据结构过度离散，随机点选取通常要接近于或者略多于雷击火点。通过随机点坐标，反向确定各点对应的林班内属性值。

1.3.3 林相图数据属性转化

应用ArcGIS10.0对林相图中的字符型变量进行属性转换用以进行回归模型分析。包括坡向、林型、经营措施和林下优势树种，在给字符型因子附数值型属性值时，以整数形式并以1为计数间隔(表1)。这些被赋予的属性数值虽是人为定值，但它们的差异真实反应了相对应的字符型属性变量的差异，因此在实际模型运算中，变量的显著性水平能有效的说明该因子是否对雷击火有显著影响。此外，坡度级、地被物盖度、龄级和郁闭度也是本文考虑的因子，但由于其本身以数值型记录因此不需要进行属性转换。

2 结果与分析

2.1 随机点创建及属性值数据库建立

本文应用二项逻辑斯蒂回归模型进行关键因子分析和雷击火空间分布形势预测，由1.3.1可知，建模的数据结构要求火点和非火点同时对比存在。表2为“火点+对照点”与气象因子的基本统计描述。应用ArcGIS的随机点创建功能，按照火点与随机点1∶1的比例创建随机点(图2)，并运用网格相减计算方法确保随机点与雷击火点在空间上无重叠现象。通过所创建随机点的坐标，反向确定各点对应的林班内属性值(非气象因子)。应用ArcGIS将“火点+随机点”图层与矢量化林相图进行叠加运算，合并各图层属性，表3为 “火点+随机点”与非气象因子的基本统计描述。

2.2 模型拟合结果

2.2.1 自变量多重共线性检验

表1 林相图属性转化属性表

表2 雷击火、气象因子及FWI指数模型变量的基本统计

表3 雷击火与非气象因子模型变量的基本统计

图2 雷击火点与1∶1随机创建非火点 Fig.2 Lightning-caused fire and 1∶1 random points (non-fire points)

2.2.2 气象因子对雷击火的决策影响

本文对1974—2009年间雷击火和对照火点与对应的当日气象因子进行逻辑斯蒂回归分析，模型的全变量拟合结果显示，模型整体拟合结果R2(Cox & Snell)为0.333，模型参数拟合结果显示“日最低气温”，“最小相对湿度”，FFMC和DC与雷击火发生之间有显著相关性(P<0.05)，而其它自变量因子在全模型中(含有所有自变量的逻辑斯蒂模型)与雷击火发生之间并未表现出显著相关(表4)。此外，本文应用向后逐步回归法，将不显著变量逐一从全模型中剔除，最后得到最优模型(剔除不显著自变量的逻辑斯蒂模型)，模型整体拟合度指标R2(Cox & Snell)为0.326，最优模型中“日最低气温”，“最大风速”，“最小相对湿度”，FFMC和DC与雷击火发生有显著相关性且均在P<0.001水平上显著相关(表5)。

2.2.3 非气象因子对雷击火的决策影响

本文对1∶1创建随机点的数据进行二元逻辑斯蒂回归拟合，模型的全变量拟合结果显示，模型整体拟合结果R2(Cox & Snell)为0.175，模型参数拟合结果显示“地被物盖度”(P=0.041)和“龄级”(P=0.007)与雷击火发生之间有显著相关性，而其它自变量因子在全模型中(含有所有自变量的逻辑斯蒂模型)与雷击火发生之间并未表现出显著相关(表6)。此外，本文应用向后逐步回归法，将不显著变量逐一从全模型中剔除，最后得到最优模型(剔除不显著自变量的逻辑斯蒂模型)，模型整体拟合度指标R2(Cox & Snell)为0.15，最优模型中仍然是“地被物盖度”和“龄级”两个因子与雷击火发生有显著相关性(表7)。

表4 逻辑斯蒂全模型参数拟合(气象因子+FWI指数)

表5 剔除不显著变量逻辑斯蒂模型拟合(气象因子+FWI指数)

表6 逻辑斯蒂全模型参数拟合(非气象因子)

表7 逻辑斯蒂最优模型的参数拟合(非气象因子)

图3 研究区域人为火发生概率克里格插值结果 Fig.3 The Kriging interpolation of possibility of Lightning-caused fire in the study area

2.3 研究区域雷击火概率分布

本文根据1974—2005年塔河地区雷击火空间坐标结合按照1∶1比例随机创建的非林火对照点，运用克里格插值方法对该地区雷击火空间概率分布进行了描述(图3)。根据插值结果，可以直观判断，该地区有大概4个雷击火高发区/高火险区,分别位于塔河行政区划的中带和南部(图3中圈画部分)。

3 结论与讨论

本文应用应用ArcGIS10.0和SPSS19.0等工具，结合研究地矢量化林相图，通过图层叠加计算，属性转换，逻辑斯蒂回归模型运算等一系列手段，分别分析了气象因素、可燃物指数和林分特征(非气象因素)对雷击火发生的影响。研究结果显示“日最低气温”，“最大风速”和“最小相对湿度”3个气象因子及FFMC，DC两个反应可燃物干湿程度的指标与雷击火发生概率显著相关。气象因子与雷击火的最优逻辑斯蒂模型拟合R2(Cox & Snell)为0.326。在非气象因子与雷击火发生的逻辑斯蒂模型检验中，虽然“地被物盖度”和“龄级”均在P=0.05水平上与雷击火发生显著相关，但其模型的整体拟合水平R2(Cox & Snell)仅为0.15，说明林分特征对雷击火发生的解释程度还不是很高，因此结合气象因素的综合分析是非常必要的。

目前关于林火与影响因子的空间分析研究，主要有网格取点和随机取点两种方式。网格取点是指对研究区域进行网格化，规定网格大小。每一个网格代表一个火点或对应的非火点(随机点)，如果网格面积大, 如5 km×5 km，那么坡向，林型等这类因子将不具备唯一性，没有办法考虑进模型拟合中，若栅格面积小(1km×1km 或更小)则会出现“非火点”与“火点”比例严重失衡现象，会导致模型拟合的偏差，从而无法判断影响因子。因此在火点和非火点比例失衡的情况下，随机取点是一个比较好的选择。

此外，国外一些学者研究表明，雷击/闪电次数对雷击火发生有显著影响[16, 28]，本文研究区域位于大兴安岭区域内，该区域从2006年开始引入雷击检测设备，但研究组目前仅收集到2007—2008年间大兴安岭地区雷击数据。根据郭福涛[38]对大兴安岭地区2007—2008两年的雷击次数空间分研究表明，该时间区域内雷击频率高发区主要集中在北部和南部，塔河境内相对较少。未来应更多收集这方面数据，与之前的各因子相结合，为该地区雷击火发生的决策因子分析提供更全面综合的支撑。

[1] Chuvieco E, Giglio L, Justice C. Global characterization of fire activity: towards defining fire regimes from earth observation data. Global Change Biology, 2008, 14(7): 1488-1502.

[2] Lasaponara R, Santulli A, Telesca L. Time-clustering analysis of forest-fire sequences in southern Italy. Chaos, Solutions & Fractals, 2005, 24(1): 139-149.

[3] Girardin M P, Ali A A, Carcaillet C, Gauthier S, Hély C, Goff H L, Terrier A, Bergeron Y. Fire in managed forests of eastern Canada: Risks and options. Forest Ecology and Management, 2013, 294: 238-249.

[4] 王明玉. 气候变化背景下中国林火响应特征及趋势 [D]. 北京: 中国林业科学研究院, 2009.

[5] NIFC [National Interagency Fire Center]. Urban-wild-land and wildland fire statistics. National Interagency Fire Center, Boise, Idaho, USA, 2004.

[6] Kourtz P H, Todd J B. Predicting the daily occurrence of lightning-caused forest fires. Forestry Canada, Information Report PI-X-112, Petawawa National Forestry Institute, Chalk River, Ontario, 1992.

[7] 田晓瑞, 舒立福, 赵凤君, 王明玉. 大兴安岭雷击火发生条件分析. 林业科学, 2012, 48(7): 98-103.

[8] 倪长虹, 邸雪颖. 黑龙江省大兴安岭雷击火发生规律. 东北林业大学学报, 2009, 37(1): 55-57, 75-75.

[9] 高永刚, 顾红, 张广英. 大兴安岭雷击火综合指标研究. 中国农学通报, 2010, 26(6): 87-92.

[10] Flannigan M D, Wotton B M. Lightning-ignited forestres in northwestern Ontario. Canadian Journal of Forestry Research, 1991, 21(3): 277-287.

[11] Renkin R A, Despain D G. Fuel moisture, forest type, and lightning-causedre in Yellowstone National Park. Canadian Journal of Forestry Research, 1992, 22(1): 37-45.

[12] Nash C H, Johnson E A. Synoptic climatology of lightning-caused forest fires in subalpine and boreal forests. Canadian Journal of Forestry Research, 1996, 26(10): 1859-1874.

[13] Podur J, Martell D L, Csillag F. Spatial patterns of lightning-caused forestres in Ontario 1976—1998. Ecological Modelling, 2003, 164(1): 1-20.

[14] Wotton B M, Martell D L. A lightning fire occurrence model for Ontario. Canadian Journal of Forestry Research, 2005, 35(6): 1389-1401.

[15] Krawchuk M A, Cumming S G, Flannigan M D, Wein R W. Biotic and abiotic regulation of lightning fire initiation in the mixedwood boreal forest. Ecology, 2006, 87(2): 458-468.

[16] Krawchuk M A, Cumming S G, Flannigan M D. Predicted changes in fire weather suggest increases in lightning fire initiation and future area burned in the mixedwood boreal forest. Climatic Change, 2009, 92(1/2): 83-97.

[17] Castedo-Dorado F, Rodríguez-Pérez J R, Marcos-Menendez J L,lvarez-Taboada M F. Modelling the probability of lightning-induced forest fire occurrence in the province of León (NW Spain). Forest Systems, 2011, 20(1): 95-107.

[18] McRae R H D. Prediction of areas prone to lightning ignition. International Journal of Wildland Fire, 1992, 2(3): 123-130.

[19] 赵俊卉, 亢新刚, 郭广猛, 董斌, 周梅. 基于LIS/OTD格点数据的中国东北地区雷击火时空分布. 生态学杂志, 2009, 28(4): 715-720.

[20] 郭福涛, 胡海清, 张金辉. 塔河地区林火时空分布格局与影响因素. 自然灾害学报, 2009, 18(1): 204-208.

[21] 杜春英, 李帅, 刘丹, 李秀芬, 于成龙. 大兴安岭地区森林雷击火发生的时空分布. 自然灾害学报, 2010, 19(3): 72-76.

[22] 王明玉, 舒立福, 田晓瑞, 史军. 林火在空间上的波动性及其对全球变化的响应(II). 火灾科学, 2003, 12(3): 171-176.

[23] 赵凤君, 王明玉, 舒立福, 王春乙. 气候变化对林火动态的影响研究进展. 气候变化研究进展, 2009, 5(1): 50-55.

[24] 郭福涛, 胡海清, 马志海, 张扬. 不同模型对拟合大兴安岭林火发生与气象因素关系的适用性. 应用生态学报, 2010, 21(1): 159-164.

[25] 魏书精, 胡海清, 孙龙. 气候变化对我国林火发生规律的影响. 森林防火, 2011, (1): 30-34.

[26] 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. 火灾科学, 2010, 19(3): 131-137.

[27] 邸雪颖, 李永福, 孙建, 杨光. 黑龙江省大兴安岭地区塔河县森林火险天气指标动态. 应 用 生 态 学 报, 2011, 22(5): 1240-1246.

[28] Díaz-Avalos C, Peterson D L, Alvarado E, Ferguson S A, Besag J E. Space time modelling of lightning-caused ignitions in the Blue Mountains, Oregon. Canadian Journal of Forest Research, 2001, 31(9): 1579-1593.

[29] Anderson K. A model to predict Lightning-caused fire occurrences. International Journal of Wildland Fire, 2002, 11(4): 163-172.

[30] Wierzchowski J, Heathcott M, Flannigan M D. Lightning and lightningre, central cordillera, Canada. International Journal of Wildland Fire, 2002, 11(1): 41-51.

[31] Wotton B M. Interpreting and using outputs from the Canadian forest ire anger rating system in research applications. Environ Ecol Stat, 2009, 16: 107-131.

[32] Andrews P L, Loftsgaarden D O, Bradshaw L S. Evaluation of fire danger rating indexes using logistic regression and percentile analysis. International Journal of Wildland Fire, 2003, 12(2): 213-226.

[33] Martínez J, Vega-Garcia C, Chuvieco E. Human-caused wildfire risk rating for prevention planning in Spain. Journal of Environmental Management, 2009, 90: 1241-1252.

[34] Chang Y, Zhu Z L, Bu R C, Chen H W, Feng Y T, Li Y H, Hu Y M, Wang Z C. Predicting fire occurrence patterns with logistic regression in Heilongjiang Province, China. Landscape Ecology, 2013, 28(10): 1989-2004.

[35] Martell D L, Bevilacqua E, Stocks B J. Modelling seasonal variation in daily people-caused forest fire occurrence. Canadian Journal of Forest Research, 1989, 19(12): 1555-1563.

[36] Vasconcelos M J P de, Sllva S, Tome M, Alvim M, Perelra J M C. Spatial prediction of fire ignition probabilities: Comparing logistic regression and neural networks. Photogrammetric Engineering & Remote Sensing, 2001, 67(1): 73-81.

[37] Littell J S, McKenzie D, Peterson D L, Westerling A L. Climate and wildfire area burned in western U. S. A ecoprovinces, 1916-2003. Ecological Applications, 2009, 19(4): 1003-1021.

[38] 郭福涛. 基于空间分析和模型理论的大兴安岭地区林火分布与预测模型研究 [D]. 哈尔滨: 东北林业大学, 2010.

Climatic and non-climatic factors driving lightning-induced fire in Tahe, Daxing′an mountain

GUO Futao1, SU Zhangwen1, MA Xiangqing1, SONG Yuhui1, SUN Long2, HU Haiqing2,*, YANG Tingting1

1FujianAgricultureandForestryUniversity,Fuzhou350002,China2FacultyofForestry,NortheastForestryUniversity,Harbin150040,China

Forest fires are a global issue due to their significant degradation of forest reserves and greenhouse gas emissions, as well as loss of human lives and livelihoods. Forest fires are mostly caused by nature (lightning-induced fires) and human activities (anthropogenic fires). Lightning-induced fires in China mostly occur in boreal forest, namely the Daxing′an Mountains of Heilongjiang province and Hulunbeier of Inner Mongolia. Lightning accounts for nearly a third of all forest fires in the Tahe area of the Daxingán Mountains. Most previous studies on lightning-induced fires have focused primarily on climatic factors, and studies of non-climatic factors such as forest fuel and terrain features are relatively rare, due to a lack of spatial data sets and spatial analysis technology. Thus, the aim of this study was to identify the key climatic and non-climatic factors driving lightning-induced fires in the Tahe area using fire occurrence and metrological data along with digital forest maps in conjunction with logistic regression models and spatial analysis.Fire occurrence data included location, time, and area burned of lightning-induced fires in the Tahe region, Daxing′an Mountains, 1974—2009. Meteorological data were daily minimum temperature, daily maximum temperature, maximum wind speed, 24 hour precipitation, average air pressure, average wind speed, average relative humidity, sunshine hours, and minimum relative humidity. In addition, we calculated the Fine Fuel Moisture Code (FFMC), Duff Moisture Code (DMC) and Drought Code (DC) according to the Canadian forest Fire Weather Index (FWI). In this study, 1∶100000 digital geographic and forest maps of the Tahe region were used to extract elevation, slope, aspect, depth of humus layer, litter cover, forest type, management regime, dominant tree, age class and canopy data in order to determine the factors driving lightning-induced fire occurrence in the study area.A logistic regression model was developed to examine the relationship between lighting-induced fire, and climatic and non-climate factors. The spatial distribution of lighting-induce fires was analyzed using ArcGIS10.0. Three climate factors (Daily minimum temperature, maximum wind speed and minimum relative humidity) and two fuel indices (FFMC and DC) were significantly associated with lightning-induced fires (P< 0.05), and the goodness-of-fit of the model wasR2= 0.326. Moreover, litter cover and tree age class were significantly related to the occurrence of lightning-induced fires, albeit with lowR2(0.15). A map of fire likelihood was created using Kriging interpolation in ArcGIS, and the spatial coordinates of lightning-induced fires (1974—2005) along with the same number of random control points. This identified four high lightning-induced fire-risk regions in our study area, which are located in the middle and South of the Tahe area. In conclusion, the results from this study provide evidence that the consideration of not only climatic, but also fuel and non-climatic factors, is critical for understanding and predicting the occurrence of lightning-induced fires in the Tahe area.

Daxing′an Mountain; Tahe area; lightning-induced fire; climatic factors; logistic regression; driving factors

黑龙江省科技计划(GA09B201-06); 国家科技支撑项目(2011BAD37B0104)

2014-02-14; < class="emphasis_bold">网络出版日期:

日期:2014-12-04

10.5846/stxb201402140257

*通讯作者Corresponding author.E-mail: huhq@nefu.edu.cn

郭福涛, 苏漳文, 马祥庆, 宋禹辉, 孙龙, 胡海清, 杨婷婷.大兴安岭塔河地区雷击火发生驱动因子综合分析.生态学报,2015,35(19):6439-6448.

Guo F T, Su Z W, Ma X Q, Song Y H, Sun L, Hu H Q, Yang T T.Climatic and non-climatic factors driving lightning-induced fire in Tahe, Daxing′an mountain.Acta Ecologica Sinica,2015,35(19):6439-6448.