基于闪电定位数据和气象数据的大兴安岭雷击火预测模型研究

王晓红 ，黄 艳 ，张吉利 ，韦 睿 ，刘 灵 ，张明远 ，陈 方

（1.中国林业科学院 林业新技术研究所，北京100091；2.国家林业局 哈尔滨林业机械研究所，黑龙江 哈尔滨 150086；3.中国林科院 寒温带林业研究中心，黑龙江 哈尔滨 150086；4.大兴安岭地区气象局，黑龙江 加格达奇 165000）

雷击火是由云地闪电引发的森林火灾，多发生在人烟稀少、交通不便的偏远林区。防火期内一次较强的雷暴活动可以形成多个分散的火点，易形成重、特大森林火灾。1976—2001 年，雷击火占加拿大安大略省森林火灾总数的43%[1]；1980—2004 年，雷击火占美国阿拉斯加州森林火灾总数的52%[2]；我国大兴安岭地区也是雷击火重灾区，4—9 月均有雷击火发生， 6 月为高发月份，1966—2006 年，大兴安岭林区发生雷击火500 余起，占火灾总数的36%[3-4]。据中国林业网的报道，2015年大兴安岭林区相继发生36起森林雷击火，共出动扑火人员13 000余人，该区森林雷击火预防扑救形势严峻(http://www.forestry.gov.cn)。

森林雷击火主要受云地闪电、可燃物、气象等因素影响，其中云地闪电是森林雷击火发生的先决条件和预测的主要依据。全区域覆盖的闪电定位系统能够提供闪电发生时间、位置、极性、能量等详实的监测数据，是开展预测工作的重要硬件基础。美国、加拿大、澳大利亚和芬兰等闪电定位系统完善的国家，已将森林（或草原）雷击火险形势预报作为林火管理部门的常规手段[5-7]。气象因子是影响林火发生各因子中变化最快的，利用气象因子进行林火预报研究在国内已广泛开展[8-10]，但与闪电定位数据结合的研究还比较少。黑龙江省大兴安岭地区气象局于2005年建立了ADTD闪电定位监测系统，开始记录监测区内的闪电数据，为雷击火的定因、预测提供了宝贵的原始数据，但相关的雷击火预测模型研究在我国的开展的还比较少[11-13]。本研究选择黑龙江省大兴安岭林区作为研究区域，利用2005—2011年间的雷击火灾数据、闪电监测数据、可燃物和气象等数据，选取预报因子，运用二项Logistic回归模型建立黑龙江省大兴安岭林区雷击火的单日预报模型，探索利用闪电定位数据和其它气象数据联合预测森林雷击火发生的方法。

1 研究方法

1.1 研究区域

黑龙江省大兴安岭林区 (123°40′～ 126°39′E，50°24′～ 52°21′N)属寒温带大陆性季风气候，年辐射总量4 500 MJ，年日照2 600 h，年有效积温2 100 ℃。年平均气温-2.4 ℃，极端最高温39.4 ℃，极端最低温-50.2℃。年平均降水量470mm，集中在7月至9月间。大兴安岭林区是中国重点国有林区和天然林主要分布区之一，也是中国唯一的寒温带明亮针叶林区和国内仅存的寒温带生物基因库，主要树种有兴安落叶松Larix gmelinii、白桦Betula platyphylla、樟子松Pinus sylvestrisvar.mongolica、偃松Pinus pumila、山杨Populus davidiana等针叶和阔叶树种。

1.2 数据来源及数据处理

本研究数据来源如下：2005—2011 年5月至10月大兴安岭地区8个ADTD闪电定位系统的自动记录数据，包括每次闪电回击发生的时间、地理位置（经纬度）、雷电流强度、闪电极性和能量等，数据由大兴安岭地区气象局提供；1968—2011年黑龙江省大兴安岭地区历史雷击火灾数据记录，包括各次起火地点、发现时间、扑灭时间、起火原因和过火面积，数据由省森林防火办提供；2005—2011 年5—10月大兴安岭地区漠河、呼玛、呼中、塔河、新林、加格达奇6个气象站的逐日气象资料，包括气温、降水、相对湿度和风速等来自中国气象科学数据共享网（http://cdc.cma.gov.cn/）。

1.2.1 FFMC的计算

森林火险天气指数（FWI）是其加拿大森林火险等级系统（CFFDRS）的重要组成部分，在大兴安岭地区已有较好的理论研究基础[17]。 FFMC 是代表细小可燃物的可燃性和易燃性的一个相对简单的指标，受温度、降水、相对湿度和风速的影响，最小值为0（可燃物含水率为100%），最大值为101（可燃物的含水率为0）。FFMC 的值越大表明火险等级越高。FFMC 的具体计算过程参照Van Wagner相关文献[18]，分别计算每个气象站的FFMC。

1.2.2 Logistic模型应用

Logistic模型可表示为：

其中，β0为常数项，为偏回归系数；P代表雷击火发生的概率，值越大代表雷击火发生的概率越大；X代表影响雷击火发生的因子：X1前3 d云地闪次数；X2前7 d云地闪次数；X3前3 d云地闪平均能量；X4前7 d云地闪平均能量；X5前7 d FFMC平均值；X6前7 d平均降雨量。

将2005—2011年原始数据观测值整理后利用SPSS软件计算Logistic回归系数，利用最大似然比检验删除不显著变量，建立最终的Logistic回归方程。使用ROC曲线（Receiver operating characteristic curve）对雷击火模拟的预报因子进行综合分析，用于讨论模型的预测效果。

2 结果与分析

2.1 闪电对雷击火的影响

数据表明，1968—2011年黑龙江省大兴安岭地区5月至10月共发生森林火灾1 691次，过火总面积689万hm2（见图1），其中雷击火661次，过火总面积397万hm2，占总火灾次数的39%。其中，2005—2011年该区共发生森林火灾501起，其中雷击火130起，占总火灾次数的25.9%，主要集中在呼中区（见图2）。2005年雷击火发生最多，为44起，占总次数的33.8%。雷击火发生数量不同年际间变化较大。

图1 雷击火与人为火年分布Fig.1 Yearly distribution of lightning-caused and humancaused forest fires

图2 2005—2011年大兴安岭地区雷击火分布Fig.2 The distribution of lightning fires in Daxing’anling region from 2005 to 2011

图3表明，2005年雷击火最多，但闪电发生次数却较少。从2007开始到2011年，闪电次数呈逐渐上升趋势，但雷击火次数变化并无明显规律。并且雷击火次数与闪电次数相关不显著（P＞0.05）。图4为2005—2011年5月至9月雷击火次数与闪电次数变化情况，即该月多年的总和，如5月分别为2005—2011年的5月雷击火次数总和和闪电次数总和，10月雷击火次数为0，闪电次数54次。由图可知，闪电和雷击火主要集中每年的6月至8月，但月际间，闪电次数与雷击火次数相关性并不显著（P＞0.05）。

图3 2005—2011年雷击火次数和闪电次数的变化情况Fig.3 Interannual dynamics of number of lightning fires and lightning from 2005 to 2011

图4 5—9月雷击火次数和闪电次数的变化情况Fig.4 Monthly dynamics of the number of lightning fires and lightning from March to September

由上面两图分析结果可知，虽然雷击火是由闪电引发的，但单纯研究雷击火与闪电的关系无明显相关性，尤其是年际间的雷击火与闪电，有的年间出现负相关性，这可能是由于降水等其他条件对雷击火发生的影响，参考Chen[19]、雷小丽[11]和于成龙[20]等研究结果，本研究最后选定前3 d云地闪次数、前7 d云地闪次数、前3 d平均闪电能量、前7 d平均闪电能量、前7 d FFMC平均值、前7 d平均降水量6个参数做为变量，建立Logistic回归模型。

2.2 Logistic模型的建立

从表1可以看出，综合得分和显著性水平，前3 d平均云地闪能量、前7 d平均云地闪能量、前7 d平均云地闪次数这3个变量应予剔除。把剩余的变量再次代入Logistic模型，回归系数见表2，模型运行结果卡方值为54.481，最大似然平方的对数值为97.413，均大于7.815（显著性水平为0.05，自由度为3的临界值），同时各变量的Wald值均大于3.841（显著性水平为0.05，自由度为1的临界值），故模型可通过检验，最终回归模型的变量包括前3 d平均云地闪次数、前7 d FFMC平均值和前7 d平均降水量。回归方程为：

其中，P为雷击火发生的概率；LT3为前3 d平均云地闪次数；FFMC7为前7 d FFMC平均值；PPT7为前7 d平均降水量。

由模型中各变量的得分情况可以看出，影响雷击火发生的主要因素是前7天FFMC平均值，其次是前3天平均云地闪次数和平均降水量，这些因素对雷击火都起到促进作用。

将2012年和2013年的前3天平均云地闪次数、前7天FFMC平均值和前7天平均降水量代入上述回归方程（方程2），计算模型模拟的概率与实际发生雷击火进行对比，分析该模型的准确率。对发生雷击火的预测精度为66.67%，对不发生雷击火的预测精度为86.82%。由此可见，利用Logistic回归模型进行雷击火概率模拟的准确率较高，结果较为理想。

表1 所有变量显著性得分表Table 1 Sores of significance

表2 最后Logistic 回归结果Table 2 The final results of Logistic regression

2.3 应用ROC评价回归模型对雷击火发生的预报能力

在SPSS工作表中产生预测因子预测值的Pre_1，以新变量Pre_1为检测变量，以雷击火发生的结果为金标准，作ROC曲线分析，得出检验变量的曲线下面积（Area under the curve,AUC）。如下图5所示得到的ROC曲线，ROC曲线越凸越近左上角表明其模拟价值越大。AUC 越大模拟的准确性越大，AUC 接近 0.5 时，无模拟意义，AUC ＜ 0.7 表示模拟准确率较低， AUC 在 0.7～0.9表示模拟准确性中等，AUC ＞ 0.9 时表示模拟有较高的准确性。如下表3所示，新变量 Pre-1的AUC=0.888，说明本研究中选择的前3天平均云地闪次数、前7天FFMC平均值和前7天平均降水量3个变量对雷击火进行模拟具有较好的准确性。

图5 变量pre_1的ROC曲线Fig.5 The ROC curve of the variable pre_1

表3 变量pre_1的曲线下面积Table 3 Area under the curve of the variable pre_1 and variable pre_2

3 结论与讨论

（1）2005—2011年间黑龙江省大兴安岭地区雷击火发生数量年际变化较大，2005年雷击火最高，从2007开始到2011年，雷击火次数出现逐渐上升趋势，闪电和雷击火的高发期是6—8月份，年际间，闪电次数与雷击火次数相关性并不显著（P＞0.05），月际间，闪电次数和雷击火次数的相关性不显著（P＞0.05）。

（2）运用二值Logistic回归模型模拟雷击火发生情况，模拟发生雷击火的精度为66.67%，不发生雷击火的精度为86.82%，总体上准确率较高。运用ROC曲线对模拟结果进行评价，结果显示，变量pre_1的AUC=0.888＞0.5，说明与加拿大、西班牙等雷击火高发林区相同[15-16]，在大兴安岭地区使用Logistic模型进行雷击火预测具强的统计学优势。

从各变量的得分来看，影响雷击火发生概率的因素从大到小依次为前7天FFMC平均值、前3天云地闪次数、前7天平均降水量，其中，FFMC对雷击火的影响作用最大，这与Turner[21]的研究结果一致。

（3）本文主要讨论了利用闪电定位数据和其它气象数据联合预测雷击火发生概率的问题，在参数选择上没有将含水率以外的其它可燃物参数（如种类、密实度等）和地形条件纳入模型中。由于硬件的限制，闪电定位数据本身在空间上存在测量误差（理论上约1 km）。从火灾数据中获取的雷击火时空数据是雷击火引燃、蔓延后被防火部门发现的数据，与实际引燃的时空数据还有一定误差。因此，将闪电定位数据与火灾数据中记录位置推演而来可燃物和地形数据对应在一起意义不大，选择FFMC这类有广泛代表性的参数作为预测因子有利于模型的推广应用

参考文献：

[1]Wotton B M,Martell D L.A lightning fire occurrence model for Ontario[J].Canadian Journal of Forest Research,2005,35:1389-1401.

[2]Andrews P L.Fire danger rating and fire behavior prediction in the United States[J].Proceedings of Fifth NRIFD Symposium International Symposium,Japan,2005:106-117.

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

[4]张吉利,毕武,王晓红,等.雷击火发生的影响因子与预测研究进展[J].应用生态学报,2013,24(9):2674- 2684.

[5]Díaz-Avalos C,Peterson D L,Alvarado E,et al.Space time modelling of lightning-caused ignitions in the Blue Mountains[R].Oregon:Canadian Journal of Forest Research,2001:1579-1593.

[6]Latham D J,Schlieter J A.Ignition Probabilities of Wildland Fuels based on Simulated Lightning Discharges[R].Washington:USDA,1989.INT- 411.

[7]Larjavaara M,Kuuluvainen T,Rita H.Spatial distribution of lightning-ignited forest fires in Finland[J].Forest Ecology and Management,2005,208:177- 188.

[8]曲智林,胡海清.基于气象因子的森林火灾面积预测模型[J].应用生态学报,2007,18(12):2705- 2709.

[9]金 森,王晓红,于宏洲.林火行为预测和森林火险预报中气象场的插值方法[J].中南林业科技大学学报,2012,32(6):1- 7.

[10]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.

[11]王明玉,李 华,舒立福,等.不同植被类型森林火灾及雷击火自组织临界性[J].生态学报,2004,24(8):1803- 1807.

[12]雷小丽,周广胜,贾丙瑞,等.大兴安岭地区森林雷击火与闪电的关系[J].应用生态学报,2012,23(7):1743- 1750.

[13]贾丙瑞,周广胜,于文颖,等.1972—2005年大兴安岭林区雷击火特征及其与干旱指数的关系[J].林业科学,2011,47(11):99-105.

[14]Ordóñez C,Saavedra A,Rodríguez-PérezJ R,et al.Using modelbased geostatistics to predict lightning-caused wildfires[J].Environmental Modelling & Software,2012,29:44- 50.

[15]Nieto H,Aguado I,García M,et al.Lightning-caused fires in central Spain:Development of a probability model of occurrence for two Spanish regions.Agricultural and Forest Meteorology,2012,162:35-43

[16]Magnussen S,Taylor S W.Prediction of daily lightning-and human-caused fires in British Columbia[J].International Journal of Wildland Fire,2012,21:342- 356.

[17]杨 光,舒立福,邸雪颖.气候变化背景下黑龙江大兴安岭林区夏季火险变化趋势[J].应用生态学报,2012,23(11):3157-3163.

[18]Van Wagner C E,Pickett T L.Equations and FORTRAN program for the Canadian Forest Fire Weather Index System[R].Ottawa:Canadian Forestry Service Technical Report,1985.

[19]Feng Chen,Yongsheng Du,Shukui Niu,et al.Modeling Forest Lightning Fire Occurrence in the Daxinganling Mountains of Northeastern China with MAXENT[J].Forests,2015,6(5):1422-1438.

[20]于成龙,刘 丹,杜春英,等.大兴安岭地区雷击火发生的雷电条件分析[J].西北农林科技大学学报,2010,38(11):64-70.

[21]Turner J A,Lawson B D.Weather in the Canadian forest fire danger rating system:A user guide to national standards and practices[R].Victoria:Pacific Forest Research Centre,1978.