大兴安岭地表细小死可燃物含水率预测模型1)

陆昕　胡海清　孙龙　张冉

(东北林业大学，哈尔滨，150040)



大兴安岭地表细小死可燃物含水率预测模型1)

陆昕胡海清孙龙张冉

(东北林业大学，哈尔滨，150040)

摘要以大兴安岭地区南瓮河保护区落叶松林(Larix gmelinii)、蒙古栎林(Quercus mongolica Fischer)、落叶松-白桦混交林(Mixture of Larix gmelinii and Betula platyphylla)(阴坡、阳坡)、沟塘草甸等4种典型林分为研究对象，运用气象要素回归法，对春季防火期和秋季防火期内的地表细小死可燃物含水率动态进行测定，构建了不同防火期、不同林型地表死可燃物含水率的预测模型，分析了相应模型的预测误差。结果表明：同林型地表可燃物含水率在春季防火期和秋季防火期差异显著；在秋季防火期，5个典型林型的地表死可燃物含水率预测平均绝对误差为0.167，平均相对误差为0.218，低于春季防火期模型和春季-秋季混合模型；秋季防火期模型对可燃物含水率预测效果最好。气象要素回归法适用于南瓮河保护区典型林型地表死可燃物含水率预测。

关键词大兴安岭；细小死可燃物；可燃物含水率预测模型

森林火灾是森林生态系统重要的影响因子，而森林可燃物是森林火灾发生的首要条件[1]。森林火灾多为地表火，所以地表死可燃物含水率在森林火灾的预测预报中显得尤为重要[2]。地表死可燃物含水率是森林火灾发生的重要指标[3]，地表死可燃物含水率高低直接影响着森林火灾发生的难易程度，间接的影响着林火的强度和蔓延速度。准确地对地表死可燃物含水率进行预测已经成为林火科学的重要研究内容[4]。

相对森林活可燃物来说，地表死可燃物更容易收到气象因子变化的影响[5]，因此，以气象因子为影响因子的森林可燃物含水率变化规律的研究具有重要意义[6]。当前，对可燃物含水率预测的方法主要有：基于平衡含水率的方法、气象要素回归法、遥感估测法、基于过程模型的方法[7]，所以，对地表死可燃物来说，气象要素回归相对于其他3种方法更加适用于含水率的预测。气象要素回归法相对于其他方法比较简单[8-10]，所以，该方法是当前适用最为广泛的方法[11]。

位于黑龙江省大兴安岭地区的南瓮河国家级自然保护区，是我国重要的森林生态系统所在地，同时也是我国森林火灾发生较严重的林区。如何准确和有效地对该研究区域森林地表死可燃物含水率进行预测，对该地区的森林防火工作意义重大[12]。本研究以南瓮河保护区典型林分为研究对象，对地表死可燃物含水率在春季防火期和秋季防火期的动态变化进行分析，构建了林分地表死可燃物含水率预测模型，为进一步提高南瓮河保护区森林地表死可燃物含水率预报的准确程度提供理论依据。

1研究区域概况

南瓮河自然保护区位于黑龙江省大兴安岭松岭地区境内，地处大兴安岭支脉伊勒呼里山的南麓。保护区北以伊勒呼里山脊为界与新林林业局接壤，东与呼玛县相连，西与松岭林业局相邻，南与加格达奇林业局毗邻。地理坐标125°07′55″～125°50′05″E；51°05′07″～51°39′24。南瓮河自然保护区地处寒温带，气候属寒温带大陆性季风气候，年平均气温-3 ℃，极端最低温度达-48 ℃，极端最高气温35.5 ℃，≥10 ℃积温为1 400～1 600 ℃，年日照时间2 500 h，无霜期90～100 d。年降水量415～500 mm，主要集中在每年的7—8月份。主要林分为落叶松林(Larix gmelinii)、蒙古栎林(Quercus mongolica Fischer)、落叶松-白桦混交林(Mixture of Larix gmelinii and Betula platyphylla)等。根据黑龙江森林火灾数据统计，南瓮河自然保护区1970—2010年共发生森林火灾275次，发生火灾的总面积为3 430 656.299 hm2，平均每次为12 475.114 hm2。

2研究方法

2.1样地设置和地表可燃物含水率数据采集

于2015年5月26—6月25日(春季防火期)和8月31日—9月20日(秋季防火期)对地表死可燃物含水率数据进行采集。在南瓮河保护区，分别在阳坡落叶松、阳坡蒙古栎、阳坡落叶松-白桦混交林、阴坡落叶松-白桦混交林以及沟塘草甸设置样地。样地基本信息见表1。选择称重法对地表死可燃物含水率进行测量。在阳坡落叶松、阳坡落叶松-白桦混交林、阴坡落叶松-白桦混交林内各设置1块大小为40 m×80 m的样地，样地内共设置15个样品采集点；在阳坡蒙古栎林内设置1块大小为40 m×60 m的样地，样地内共设置10个样品采集点；在沟塘草甸内设置1块大小为40 m×40 m的样地，样地内共设置5个样品采集点。采样点设置在每个样地内地表死可燃物分布均匀的位置。在每个采样点挖取1个20 cm×20 cm的小样方。为了方便对地表死可燃物含水率变化情况进行测量，使样品可以与环境进行正常水分交换，同时避免新凋落的可燃物、风或者小型动物对样品产生影响，将所挖取的地表可燃物放入尼龙网袋中，再将尼龙网袋放回原位，保持可燃物的原始状态。选择在每日14：00左右，对5个样地样品尼龙网袋进行称质量，记录为湿质量。实验结束后，将尼龙网袋中的可燃物样品装入档案袋带回实验室，放入干燥箱，在105 ℃温度条件下连续烘干24 h至恒质量，称量干质量并记录。

2.2气象数据采集

使用Kestrel 4500袖珍气象追踪仪对地面1 m高度位置的相对湿度(H)、气温(T)、风速(W)等气象因子的实时数据进行测量并记录，采集与样品称重同步进行。整理该研究区域春季和秋季防火期气象数据，包括前n天的气象因子、n天前当日气象因子。用下面的方式对数据进行标记：前n天的气象因子设为a(如前2天平均气温记为Ta2)。气象因子的获取以采样当日00：00时为基准，降水量的获取以采样当日14：00时为基准。

表1　样地基本信息

2.3可燃物含水率计算

按下面的公式对地表可燃物含水率进行计算：M=(WH-WD)/WD。式中：M为可燃物含水率；WH为可燃物湿质量；WD为可燃物干质量。

对实验测定可燃物湿质量和干质量进行处理后，得到各个样地采样点每日14：00可燃物含水率的数据。将可燃物含水率数据与当日的气象数据(空气相对湿度、气温、风速、降水量)进行数据检验。

2.4可燃物含水率模型的建立

2.5模型误差分析

对建立的不同林型可燃物含水率预测模型，按下式计算模拟误差，以确定模型参数的有效性。

通过统计软件SPSS 18.0和Statistica 10.0对实验数据进行分析。

3结果与分析

3.1地表死可燃物含水率动态变化

对收集的气象数据进行整理，得到研究区域不同林分样地内气温和空气相对湿度(见图1)、降水量(见图2)的动态变化，春季防火期和秋季防火期5种林分地表死可燃物含水率动态变化(见图3)。从图中可以看出，地表死可燃物含水率的变化趋势和空气相对湿度的变化基本吻合，但不同林分之间地表死可燃物含水率存在差异。在春季防火期，5种林分地表可燃物含水率由大到小的顺序为：沟塘草甸、落叶松-白桦混交林(阴坡)、落叶松-白桦混交林(阳坡)、落叶松林、蒙古栎林，其中，沟塘草甸地表可燃物含水率比蒙古栎地表可燃物含水率高7.8%。在秋季防火期，地表可燃物含水率数值大小的变化趋势和春季防火期相似。最大的落叶松-白桦混交林(阴)地表可燃物含水率比最小的阳坡蒙古林地表可燃物含水率高23.5%。总体上看，落叶松-白桦混交林(阴坡)、沟塘草甸的可燃物含水率要高于其他3种林分。

图1　研究区域不同林分内实测气温、相对湿度动态变化

图2　研究区域降水量动态变化

图3　研究区域不同林分内可燃物含水率动态变化

由于落叶松-白桦混交林位于阴坡，样地内郁闭度较高，林下草本植被茂密，水分不易散失，因此，地表可燃物含水率较高。与阳坡的林分相比，蒙古栎林样地坡度较大并且样地的郁闭度较低，受太阳辐射和风速影响较大，地表死可燃物含水率变化速度较快。沟塘草甸周围虽然没有其他林分遮挡，郁闭度为0，但沟塘草甸样地内存在沼泽化现象，样地内地表水分会对可燃物含水率产生影响。

对于同一种林分，总体上秋季防火期地表死可燃物含水率要高于春季防火期。在秋季防火期，落叶松、蒙古栎、落叶松-白桦混交林(阳坡)、落叶松-白桦混交林(阴坡)林分、沟塘草甸等地表死可燃物含水率分别比春季防火期地表死可燃物含水率高48.1%、27.2%、10.1%、25.0%、39.1%。由图2可知，虽然在春季防火期的降水频率要高于秋季防火期，但是与春季防火期相比，秋季防火期的气温更低、空气相对湿度更高，这也直接造成了可燃物含水率秋季普遍高于春季防火期的原因。

3.2不同林分地表死可燃物预测模型的变量选择与检验

对可燃物含水率和气象因子进行Pearson相关性分析，筛选与可燃物含水率相关性显著的因子作为构建预测模型的自变量。通常风速也是影响可燃物含水率的主要气象因子之一，但是在本研究中，由于所测的风速为瞬时风速且不连续，同时根据Pearson分析结果，含水率变化与风速并不显著，所以没有选择风速作为构建模型的自变量。结合所选择的气象因子，通过逐步回归，构建了5种林分的春季防火期、秋季防火期以及春季-秋季混合模型，并对不同林分可燃物含水率的预测模型参数进行估计检验(见表2)。其中，对于落叶松林分选择当天气温(T)、前2天的平均气温(Ta2)、前2天的平均降水量(Ra2)、前2天的平均相对湿度(Ha2)作为模型的自变量；蒙古栎林分选择前1天的平均气温(Ta1)、前1天的降水量(Ra1)、前1天的相对湿度(Ha1)作为模型的自变量；阳坡和阴坡落叶松-白桦混交林分别选择T、Ha1、Ra1、Ra2作为模型的自变量；沟塘草甸则选择了Ta2、Ra1、Ha1、前2天的平均相对湿度(Ha2)作为模型自变量。

总体上，在春季防火期的时候，拟合出的模型决定系数(R2)为0.276～0.520；在秋季防火期，模型的决定系数(R2)为0.303～0.588；而春季-秋季混合模型的决定系数(R2)为0.230～0.421。秋季防火期模型的R2总体上要高于春季模型和春季-秋季混合模型。

表2　不同林分可燃物含水率的预测模型参数估计

3.3地表死可燃物含水率预测模型误差分析

对拟合的5种地表死可燃物含水率预测模型2种误差(平均绝对误差(MAE)和平均相对误差(MRE))进行计算。结果表明：春季防火期数据建立的5种可燃物含水率预测模型的MAE平均值为0.217 8，MRE平均值为0.355 3；秋季防火期数据建立的可燃物含水率预测模型的MAR平均值为0.167 1，MRE平均值为0.290 9；春季和秋季防火期数据建立的可燃物含水率混合模型MAE的平均值为0.201 6，MRE的平均值为0.313 9。

由表3可知，5种秋季防火期预测模型的MAE和MRE均小于春季防火期模型和春季-秋季混合模型。对3种模型的MAE和MRE进行t检验，结果表明：5种秋季防火期模型的MAE显著小于春季(n=5，t=2.295，P<0.05)以及春季-秋季混合模型(n=5，t=-2.569，P<0.05)，但春季防火期模型的MRE与春秋混合模型差异不显著;而5种林分模型秋季防火期模型MRE显著小于春季防火期模型(n=5，t=-2.182，P<0.05)和春季-秋季混合模型(n=5，t=-3.786，P<0.05)；而春季防火期模型MRE与混合模型差异不显著，与MAE的大小顺序保持一致。总体来说，秋季防火期模型的2种误差最小，预测精度最高，而春季防火期模型和春季-秋季混合模型的精度均低于秋季防火期模型。而春季模型与春季-秋季混合模型的2种误差之间差异并不明显，说明通过春季和秋季数据共同建立的混合模型并没有很理想的提高模型预测精度。

表3　不同林分可燃物含水率预测模型误差分布

由图4可知，总体上5种秋季防火期模型的精度最高，预测效果最好；而由于降水的影响，在秋季防火期可燃物含水率存在高于100%的数据点，这些数据点使得秋季防火期模型产生了一些误差，因此，在一定程度上影响了模型的精度。春季-秋季混合模型可燃物含水率数据与秋季防火期数据相比也比较离散，但是含水率在0～100%的数据相对集中，距离1:1线比较近。所以对于春季-秋季混合模型，含水率数据在0～100%时，模型精度比高含水率的精度高，效果较好。另外，当可燃物含水率比较高，尤其是含水率高于100%的时候，火险等级比较低，因此该模型整体预测误差对火险预测预报准确性产生的影响比较小。春季防火期可燃物含水率数据比较离散，整体预测效果不如秋季防火期模型。

同时结合MAE和MRE比较的结果看，总体上，秋季防火期模型的预测精度最高、效果最好，春季防火期模型的误差比较大，预测精度比较低；而构建的春季-秋季混合模型在整体上预测效果要好于春季防火期模型，但是不如秋季防火期模型。对于所构建的3种模型，可燃物含水率的预测结果在不同程度上被低估，在对模型进行应用的时候要注意这一点。

图4　不同林分可燃物含水率预测模型预测值和实测值

4讨论

在春季防火期和秋季防火期，落叶松林、蒙古栎林、落叶松-白桦混交林(阳坡)、落叶松-白桦混交林(阴坡)、沟塘草甸等5种林分地表死可燃物含水率进行测定。经分析，不同林分可燃物含水率之间存在差异；而对同种林分，在春季防火期，地表死可燃物含水率要低于秋季。采用气象要素回归法构建不同林分的可燃物含水率预测模型时，不同林分、不同季节所选预测模型的自变量均不同。对建立模型的2种误差MAE和MRE进行比较可知，5种林分秋季防火期模型MAE和MRE均为最小；另外，对不同林分的可燃物含水率实测值和模型的预测值的比较结果也表明秋季防火期模型的预测效果最好，春季-秋季混合模型次之，春季防火期模型效果最差。从森林地表死可燃物含水率的预测的效果来看，对不同季节防火期进行区分，分别建立不同时期的含水率预测模型，可以提高可燃物含水率的预测精度。

气象要素回归模型是完全基于统计量的模型，因此，对建模所使用的数据要求比较高、依赖性比较大。所以，构建的气象要素回归模型的MAE、MRE的误差相对来说都比较大[13]，整体来说预测模型精度不是很高，但是可以满足一般森林火险的预报[14]。另外，由于降水的影响，不同季节防火期的预测模型精度差异较大。2个季节防火期降水量与频率也比较高，无降水时段数据采集的比较分散，所以没有区分并建立降水与无降水时段的预测模型。

本研究在很多方面具有一定的局限性，在未来工作中，还需要在以下几个方面开展研究：(1)研究中对5个林分来说，只设置了一种林分的阴坡、阳坡相对应的样地，并不能代表所有的坡向。在未来的研究中，需在实验设计中设置更多不同坡向的对照样地，更深入的来分析坡向对模型预测结果的影响。(2)本研究并未考虑到地形因子对可燃物含水率的影响，对于所选林分，没有考虑不同坡位对含水率动态变化的影响以及对预测模型进行分析；不同的郁闭度也会对可燃物含水率造成影响，今后的研究中应充分考虑这种可燃物含水率的异质性[15]。(3)缩小可燃物含水率预测的时间尺度会提高预测模型的精度[16-17]，本研究所创建的预测模型无法在更小时间尺度上对林火行为进行预测预报，未来的工作需在时间尺度方面进行更深入的研究。(4)本研究将所挖取的地表可燃物放入尼龙网袋中，称量后又放回原地，这种方法在一定程度上阻隔了地表细小死可燃物与周边可燃物、下层可燃物和土壤的水分、热量交换，对可燃物自身的尺度和可燃物层的结构等也有一定的影响，从而对可燃物含水率造成了较大影响，在未来的研究中需定量的对此影响进行分析。(5)对各个林分而言，死可燃物含水率的变化除了受到林分因子和环境因子的影响之外，还受到模型类型的影响。除了气象回归模型外，时滞平衡含水率法也是对可燃物含水率研究的重要方法，结合时滞平衡含水率法对本研究的结果进行对比、分析也是未来研究中的重点。

参考文献

[1]田甜,邸雪颖.森林地表可燃物含水率变化机理及影响因子研究概述[J].森林工程,2013,29(2):21-25.

[2]ROTHERMEL R C, WILSON R A, MORRIS G A, et al.Modeling moisture content of fine dead wildland fuels: input to the BEHAVE fire prediction system, Research paper/NT-359[R].Ogden, UT: U.S.Department of Agricuture, Forest service, Intemountain Research Station,1986.

[3]贾鹏超,曲智林,马普龙.基于时间序列分析的可燃物含水率预测模型[J].东北林业大学学报,2013,41(5):158-159.

[4]Nelson JR R M.Prediction of diurnal change in 10-h fuel stick moisture content[J].Canadian Journal of Forest Research,2000,30(7):1071-1087.

[6]曲智林,吴娟,闵盈盈.具有时滞的可燃物含水率预测模型[J].东北林业大学学报,2012,40(3):120-122.

[7]SAGLAM B, BILGILI E, KUÇUK O, et al.Determination of surface fuels moisture contents based on weather conditions[J].Forest Ecology and Management,2006,234:S75.DOI:10.1016/J.FORECO.2006.08.107.

[8]王瑞君,于建军,郑春艳.森林可燃物含水率预测及燃烧性等级划分[J].森林防火,1997(2):16-17.

[9]王得祥,徐钊，张景群，等.细小可燃物含水率与气象因子关系的研究[J].西北林学院学报,1996,11(1):35-39.

[10]王金叶,车克钧,傅辉恩,等.可燃物含水率与气象要素相关性研究[J].甘肃林业科技,1994(2):21-23.

[11]刘曦,金森.平衡含水率法预测死可燃物含水率的研究进展[J].林业科学,2007,43(12):126-133.

[12]单延龙,刘乃安,胡海清,等.凉水自然保护区主要可燃物类型凋落物层的含水率[J].东北林业大学学报,2005,33(5):41-43.

[13]杜秀文,李茹秀,王英杰.几种森林类型可燃物含水率与气象因子关系的分析[J].东北林业大学学报,1988,16(3):87-90.

[14]于宏洲,金森,邸雪颖.以小时为步长的大兴安岭兴安落叶松林地表可燃物含水率预测模型[J].应用生态学报,2013,24(6):1565-1571.

[15]WOTTON B M, BEVERLY J L.Stand-specific litter moisture content calibrations for the canadian fine fuel moisture code[J].International Journal of Wildland Fire,2007,16(4):463-472.

[16]CHUVIECO E, AGUADO I, DIMITRAKOPOULOS A P.Conversion of fuel moisture content values to ignition potential for integrated fire danger assessment[J].Canadian Journal of Forest Research,2004,34(11):2284-2293.

[17]FOSBERG M A,DEEMING J E.Derivation of the one-and ten-hour timelag fuel moisture calculations for fire-danger rating[R].Rocky Mountain Forest and Range Experiment Station, Forest Service, Us Dept.of Agriculture,1971.

第一作者简介：陆昕，男，1987年1月生，东北林业大学林学院，博士研究生。E-mail：luxin@nefu.edu.cn。 通信作者：张冉，东北林业大学理学院，助教。E-mail：ziselan126@126.com。

收稿日期：2016年1月16日。

分类号S762.2

Prediction Models of Fine Dead Fuels Moisture Content for Typical Stand in Daxing’an Mountains//

Lu Xin, Hu Haiqing, Sun Long, Zhang Ran(Northeast Forestry University, Harbin 150040, P.R.China)//

Journal of Northeast Forestry University，2016,44(7)：84-90.

A study was conducted on the dynamics of the moisture content of ground surface fine dead fuels under five stand types in spring and autumn prohibitive period of forest fire, and the prediction models were established.The fuels moisture content of with Pinus sylvestnis, Quercus mongolica Fische, mixture of Larix gmelinii and Betula platyphylla (South and Nouth-facing slope), and meadow in wetland in Nanwenghe National Nature Reserve in the Daxing’an Mountains, the moisture content prediction models of different stand types in different prohibitive period of forest fire were established by using the meteorological element regression method.The fuel moisture content in the same stand varied with prohibitive period of forest fire.The average mean absolute error (MAE) and root mean square error (RMAE) of five stand types in autumn model were 0.167 and 0.218, respectively, lower than those in spring model and spring-autumn mix model.The accuracy of the model in autumn is generally higher than that of spring model and spring-autumn mix model, and the forecasting performance was the best.The prediction methods of the fuels moisture content based on one-day time step were applicable for the typical stand in the Daxing’an Mountains.

KeywordsDaxing’an Mountains； Surface fine dead fuels； Moisture content prediction model of fuels moisture content

1)中央高校基本科研业务费专项资金项目(C2572014BA23)；林业公益性行业科研专项(201404402)。

责任编辑：王广建。