基于MCD45A1的我国大陆地区草地火时空格局分析

靳全锋　沈培福　黄海松　马远帆　郭福涛

摘要：基于2001—2016年我国大陆地区中分辨率成像光谱仪（MODIS）遥感影像数据，运用R和ArcGIS软件以及Mann-Kandell显著性检验、核密度和随机森林等方法分析草地火时空分布及影响因素。研究结果显示，我国大陆地区草地火时空分布不均衡，东北区域火集中在黑龙江省西部、东部区域和吉林省西部区域;华北区域火集中在内蒙古与黑龙江省、吉林省交汇处，河北省、山西省与内蒙古交汇区域火密度较大;西北区域火集中在新疆西北部、中部区域及甘肃省中部区域;西南区域火集中在甘肃省、青海省、四川省和西藏交汇区域以及云南省少部区域;16年火次数和面积分别是 2.32×104次和2.57×106 hm2，各区域火次数和面积差异明显，华北、西北、东北、西南、华中、华东和华南等区域火次数占总次数比例分别为41.08%、21.81%、19.82%、16.29%、0.44%、0.36%和0.20%，火面积比例分别是52.14%、18.51%、15.80%、13.19%、0.14%、0.11%和0.11%;年变化表明华北区域草地火灾面积呈增长趋势，西北、东北、西南和华中等区域呈降低趋势而华南区域呈显著降低趋势;华北、西北和东北区域草地火次数呈增长趋势，西南华东和华南呈降低趋势，华中呈显著降低趋势;月变化表明草地火的月际变化不均匀，火比率呈双峰分布，北方区域草地火多集中在3—5月和8—10月，南方华中区域草地火多集中在8—10月，华南集中在1—3月。此外草地火受海拔和坡向影响明显，海拔在1 000 m和2 000 m、阳坡和半阳坡区域是草地火频发区。通过对我国大陆地区草地火时空特征分析研究，为深入探究草地火污染排放和损失评估提供科学依据，为各级政府和相关部门制定防火政策提供理论和数据支持。

关键词：我国大陆;MCD45A1;草地火;时空格局;随机森林

中图分类号： X43  文献标志码： A  文章编号：1002-1302（2019）04-0264-05

草地火是草地生态系统的重要干扰因子，其高强度、高频率对全球大气环境、气候、土壤和生态系统有显著影响[1-2]。Torlak等研究顯示全球有3.49×109 hm2的草业资源[3]，44%火灾发生在草地[4]，其中52%来源于非洲、30%来源于美洲、14%来源于亚洲，其他区域占4%[5]。草地是全球最大的生物质燃烧源[6]，燃烧时释放大量酸性气体、污染性气体和颗粒物显著影响空气质量和人类健康[7-8]。烟气排放破坏臭氧层[9]，降低空气能见度，促进化学烟雾的形成，直接导致气候改变[10]，此外，草地火不仅破坏生态系统，还显著影响土壤及降水pH值[11]，导致水土流失，造成草地生态系统退化[12]。目前关于草地火灾的研究已展开，随着科学技术发展，卫星监测方法已成为主流，卫星遥感影像最适用于大尺度草地火时空格局研究。遥感影像具有空间尺度大、时间周期短和成本低等优良特性，对于大尺度草地火灾研究具有其他方法不可替代的优势[13-14]。

我国是居世界第2的草地资源大国，约有4.0×108 hm2草地资源，占国土面积的2/5。然而我国也是草地火灾频发的国度，每年有1/3的草地遭受火灾的破坏[15]。人类活动导致草地火频发，95%草地火由人类活动引起[16]。目前我国已开展草地火灾研究，并取得了一定进展[17-21]，但以往研究主要是草地火险等级划分和研究草地火灾影响因子[20，22-26]。丽娜等对小区域草地火面积进行研究[27]，靳全锋等对小区域草地火灾污染物进行研究[18]，而大空间尺度和长时间尺度的研究未见报道。因此，探讨我国大陆区域草地火和火面积时空变化具有重要意义。

本研究以2001—2016年中分辨率成像光谱仪（MODIS）火灾数据为研究对象，运用R和ArcGIS软件以及Mann-Kandell趋势显著性检验、核密度和随机森林等方法分析草地火时空分布及影响因素。主要研究目标：（1）估测出2001—2016年我国大陆地区草地火面积;（2）分析我国大陆地区草地火和面积时空分布;（3）分析地形对草地火的影响。本研究深入探究草地火与地形关系及火点和面积时空格局，为各级政府和相关部门制定防火政策提供理论和数据支持。

1 资料来源与方法

本研究以我国大陆31个省（市、自治区）为研究区域，运用传统的统计方法和ArcGIS空间分析方法进行数据分析，运用ENVI软件进行MODIS数据拼接获得火迹地数据，探索2001—2016年我国大陆草地火点和面积时空变化及影响因素。

1.1 研究区概况

我国大陆地区位于北半球、东半球，大部分位于北回归线以北。5个热量带中大部分属于北温带，少部分属于热带，没有寒带，地理位置为6°06′～53°30′N、73°20′～135°30′E（图1）。土地面积9.60×106 km2，仅次于俄罗斯、加拿大，居世界第三，我国草地资源居世界第2，占国土面积的2/5[28]。

1.2 数据来源与处理方法

1.2.1 数据来源 MODIS遥感影像数据在监测植被火灾方面具有良好的可靠性[29]，目前MODIS监测受自然因素影响，成功监测率为90%左右，但通过滤除噪声、耀斑及云的干扰，不同区域和季节草地成功监测率为高达100%[30]，因此本研究使用的是500 m空间分辨率的月尺度MCD45A1产品（https：//e4ftl01.cr.usgs.gov/），以及空间分辨率为1 km的我国行政区划图（1 ∶ 1 000 000）和我国植被覆盖图产品（http：//www.resdc.cn/data.aspx？DATAID=184）进行叠加分析。

1.2.2 数据处理方法 MODIS数据产品处理主要包括定义投影信息、投影转换、镶嵌、裁剪以及掩膜计算，将2001—2016年MCD45A1火面积数据运用ENVI软件由正弦曲线投影转换为兰伯特投影，带号为48，椭球体基准为1984年世界大地坐标系统（WGS-84）。将我国大陆地区每月19景遥感影像运用ArcGIS 10.2软件进行数据镶嵌、裁剪以及利用我国植被类型图进行掩膜计算，分析发生草地区域过火像元和火灾日期信息。

1.2.3 数据处理 利用Excel统计2001—2016年每次草地火发生时间、位置和面積，以获取草地火时间分布特征，根据草地火空间分布特征运用ArcGIS 10.2软件绘制空间分辨率为10 km×10 km的草地火密度和空间分布图。

1.3 草地火点和面积变化趋势及显著性

1.3.1 Pearson相关系数方法 Pearson相关系数方法是一种统计学方法[31]，可以定量地衡量变量之间的相关关系，Pearson相关系数取值域范围是-1～+1，相关系数为+1或-1时，表示完美线性相关关系，相关系数为0时，表示没有线性相关关系。

1.3.2 草地火灾次数和面积趋势及其显著性分析 Mann-Kandell趋势检验法[32]是一种非参数统计检验方法。该方法不需要遵循一定分布，不受少量异常值干扰，更适用于时间序列变化的数据趋势检验，被广泛运用于时间序列上水文、温度和气候等趋势变化，且计算比较简单。

1.3.3 草地火与地形关系分析 随机森林算法是Breiman提出的一种基于分类树的算法[33]，运算速度很快，处理大数据表现优异，不需要回避多重共线性问题，通过对大量分类树汇总提高了模型的预测精度，用于火灾因子对因变量影响分析以及其他领域，成为机器学习领域的一个里程碑。

2 结果与分析

2.1 我国大陆草地火空间分布格局

基于2001—2016年MODIS-MCD45A1草地火数据，运用ArcGIS 10.2在WGS-84投影下划分为10 km×10 km网格，将草地火点运用核密度原理，绘制16年火点密度图（图2）。2001—2016年我国大陆区域共发生草地火23 192次，年均1 450次，火在空间分布不均匀，火密度分布规律：东北地区火集中在黑龙江省西部、东部区域和吉林西部区域;华北地区在内蒙古与黑龙江省、吉林省交汇处，河北省、山西省与内蒙古交汇区域火点密度较大;西北地区火集中在新疆西北部、中部区域及甘肃省中部区域;西南地区火集中在甘肃省、青海省、四川省和西藏交汇区域以及云南少部区域。该研究结果与靳全锋等研究[18，34-35]一致，靳全锋等研究显示草地火受自然因素（气温、降水、相对湿度等）、人为因素（放牧数量、道路密度、农田等）和生物质特性等因素影响[18-19]。相关研究表明，生物质密度越大、温度越高、降水越少、相对湿度越低、放牧数量越少、距道路越近越有利于草地火发生。

2.2 我国大陆草地火时间分布格局

我国大陆草地火点和面积时间变化趋势见图3，全国2001—2016年草地火次数和面积分别是2.32×104次和 2.57×106 hm2各区域火次数和面积差异明显，总体火次数高低顺序为华北>西北>东北>西南>华中>华东>华南，火面积高低顺序为华北>西北>东北>西南>华东>华中>华南;华北、西北、东北、西南、华中、华东和华南等区域火次数占总火比例分别为41.08%、21.81%、19.82%、16.29%、0.44%、0.36%和0.20%，火面积比例分别是52.14%、18.51%、15.80%、13.19%、0.14%、0.11%和0.11%。全国火次数和面积分别在2003年和2014年达到极大值，华北区域草地火次数和面积皆在2014年达到极大值，东北区域火次数和面积皆在2013年达到极小值，其他5区域火次数和面积呈波动变化，年际变化存在差异。

运用Pearson相关系数和Mann-Kandell趋势显著性检验分析草地火次数和面积时间变化。图4为2001—2016年我国大陆区域草地火次数和面积的动态变化，Mann-Kandell趋势显著性检验结果表明，华北区域草地火面积呈增长趋势，西北、东北、西南和华中等区域呈降低趋势而华南区域呈显著降低趋势;华北、西北和东北区域草地火次数呈增长趋势，西南、华东和华南呈降低趋势，华中呈显著降低趋势。研究显示草地火面积与空气相对湿度和降水量呈负相关关系，与草地生物量风速等因素呈正相关[36]。

由图5可知，我国大陆地区草地火的月际变化不均匀，火发生比率呈双峰分布，主峰明显高于次峰，峰值分别集中在3—5月和8—10月，时间上草地火发生比率高低顺序为春 季>秋 季>夏季>冬季，春、夏、秋和冬季发生草地获得比率分别是40.91%、15.95%、30.10%和13.04%;各区域间存在差异，东北、华北、西北、华东和西南等区域呈双峰分布、但主峰与次峰时间差异较大。华中和华南区域呈单峰分布，从而体现南、北方草地火发生存在差异。东北和华北区域草地火多集中在3—5月和8—10月，该研究与靳全锋等研究[18，25]一致，北部区域草地火集中在春、秋2季，主要受自然因素（降水、空气湿度、温度和风速等）、草地植被性质和植被含水率等因素影响。张正祥等研究表明北方区域春季降水较少、相对湿度低、气温回暖快、风速较大导致植被含水量低，且前1年死亡生物质较多，极易促进草地火灾形成[19，35];秋季生物质大量死亡、降水较少、空气湿度降低和风速较强，有利于草地火灾的形成，但由于气温下降较快降低火频率，导致春季火灾频率显著高于秋季;其他月份降水、温度和草地属性等因子阻碍草地火发生。南方华中区域草地火多集中在8—10月，华南集中在1—3月。

2.3 地形对草地火的影响

全国草地火灾与地形有密切关系，草地火主要集中在中海拔区域，随海拔的增高大致呈增加→降低→增加→降低趋势。由图6可知，海拔在500 m以下，对草地火发生的影响较小，在1 000 m左右和2 000 m左右呈双峰分布，该海拔对草地火影响显著。Guo等研究表明，在该范围是城市人口和工业的聚集地，人为活动频繁，容易发生人为火灾，草地区域主要分布在海拔2 000左右的区域，是旅游的主要分布区及北方区域人类活动区域，人类活动加强，导致发生火灾的概率增大，且频率显著高于低海拔区域[16，37-38]。坡向对草地火有明显影响，阳坡与半阳坡草地火灾发生概率明显高于阴坡和半阴坡。由于阳坡和半阳坡区域受到太阳辐射时间和强度高于阴坡和半阴坡，使其下垫面升温较快，易于地表生物量水汽的蒸发，加快植被水分蒸发，有利于火灾的发生，Guo等研究表明太阳辐射、温度等因素与草地火呈正相关[16]，本研究与Guo等的结果一致。

3 结论

针对我国大陆地区草地火灾现状，本研究利用MODIS遥感影像，运用Mann-Kandell趋势显著性检验、核密度和随机森林等方法，对不同地区草地火点、火面积时空分布及影响因子进行系统的研究，得到主要结论如下：（1）2001—2016年我国大陆地区草地火空间分布不均衡，火密度分布规律：东北地区火集中在黑龙江省西部、东部区域和吉林省西部区域;华北地区在内蒙古与黑龙江省、吉林省交汇处，河北省、山西省与内蒙古交汇区域火点密度较大;西北地区火集中在新疆西北部、中部区域及甘肃省中部区域;西南地区火集中在甘肃省、青海省、四川省和西藏交汇区域以及云南部分区域。（2）2001—2016年全国共发生火次数和面积分别是 2.32×104次和2.57×106 hm2，各区域火灾次数和面积差异明显，华北、西北、东北、西南、华中、华东和华南等区域火次数占总火比例分别是41.08%、21.81%、19.82%、16.29%、0.44%、0.36%和0.20%，火面积比例分别是52.14%、18.51%、15.80%、13.19%、0.14%、0.11%和0.11%。（3）2001—2016年我国大陆地区草地火和面积动态变化，年变化表明华北草地火面积呈增长趋势，西北、东北、西南和华中等区域呈降低趋势而华南区域呈显著降低趋势;华北、西北和东北区域草地火次数呈增长趋势，西南、华东和华南呈降低趋势，华中呈显著降低趋势;月变化表明草地火的月际变化不均匀，火比率呈双峰分布，北方区域草地火多集中在3—5月和8—10月，南方华中区域草地火多集中在8—10月，华南集中在1—3月。（4）草地火受海拔和坡向影响显著，结果表明，海拔 1 000 m 和 2 000 m 左右、阳坡和半阳坡区域草地火灾发生频率较高。

参考文献：

[1]Akagi S K，Craven J S，Taylor J W，et al. Evolution of trace gases and particles emitted by a chaparral fire in California[J]. Atmospheric Chemistry and Physics，2012，12（3）：1397-1421.

[2]Permadi D A，Oanh N T K. Assessment of biomass open burning emissions in Indonesia and potential climate forcing impact[J]. Atmospheric Environment，2013，78（3）：250-258.

[3]Torlak G，Sevkli M，Sanal M，et al. Analyzing business competition by using fuzzy TOPSIS method：an example of Turkish domestic airline industry[J]. Expert Systems with Applications An International Journal，2011，38（4）：3396-3406.

[4]Van G R，Randerson J T，Giglio L，et al. Global fire emissions and the contribution of deforestation，savanna，forest，agricultural，and peat fires （1997—2009）[J]. Atmospheric Chemistry and Physics，2010，10（23）：11707-11735.

[5]Van G R，Randerson J T，Giglio L，et al. Interannual variability of global biomass burning emissions from 1997 to 2004[J]. Atmospheric Chemistry & Physics Discussions，2006，6（2）：3175-3226.

[6]Baleentiene· L，Uupis A. Fuzzy TOPSIS applied for evaluation of mitigation strategies for greenhouse gas emissions from abandoned grassland[J]. 2012，75（3）：242-249.

[7]Levine J. Influence of biomass burning emissions on precipitation chemistry in the equatorial forests of Africa[M]// Global biomass burning：atmospheric，climatic，and biospheric implications. Boston：MIT Press，1991.

[8]靳全鋒，马祥庆，王文辉，等. 中国亚热带地区2000—2014年林火排放颗粒物时空动态变化[J]. 环境科学学报，2017，37（6）：2238-2247.

[9]Blake N J，Blake D R，Sive B C，et al. Biomass burning emissions and vertical distribution of atmospheric methyl halides and other reduced carbon gases in the South Atlantic region[J]. Journal of Geophysical Research：Atmospheres，1996，101（19）：24151-24164.

[10]Neto T G S，Carvalho J A，Veras C A G，et al. Biomass consumption and CO2，CO and main hydrocarbon gas emissions in an Amazonian forest clearing fire[J]. Atmospheric Environment，2009，43（2）：438-446.

[11]Yokelson R J，Goode J G，Ward D E，et al. Emissions of formaldehyde，acetic acid，methanol，and other trace gases from biomass fires in North Carolina measured by airborne Fourier transform infrared spectroscopy[J]. Journal of Geophysical Research：Atmospheres，1999，104（23）：30109-30125.

[12]Chuvieco E，Aguado I，Yebra M，et al. Development of a framework for fire risk assessment using remote sensing and geographic information system technologies[J]. Ecological Modelling，2010，221（1）：46-58.

[13]傅泽强，杨友孝，戴尔阜. 内蒙古干草原火动态及火险气候区划研究[J]. 中国农业资源与区划，2001，22（6）：18-22.

[14]刘兴朋，张继权，周道玮. 中国草原火灾风险动态分布特征及管理对策研究[J]. 中国草地学报，2006，28（6）：77-82.

[15]张继权，张 会，佟志军，等. 中国北方草原火灾灾情评价及等级划分[J]. 草业学报，2007，16（6）：121-128.

[16]Guo F T，Wang G Y，Su Z W，et al. What drives forest fire in Fujian，China？ Evidence from logistic regression and random forests[J]. International Journal of Wildland Fire，2016，25（5），505-519.

[17]宮大鹏，李炳怡，刘晓东. 草原火烧严重度燃烧指数的适用性比较分析[J]. 生态学报，2018（7）：1-7.

[18]靳全锋，鞠园华，杨夏捷，等. 2005—2014年内蒙古草地火灾排放污染物的时空格局[J]. 草业学报，2017，26（2）：21-29.

[19]张正祥，张洪岩，李冬雪，等. 呼伦贝尔草原人为火空间分布格局[J]. 生态学报，2013，33（7）：2023-2031.

[20]曲炤鹏，郑淑霞，白永飞. 蒙古高原草原火行为的时空格局与影响因子[J]. 应用生态学报，2010，21（4）：807-813.

[21]陈世荣. 草原火灾遥感监测与预警方法研究[D]. 北京：中国科学院研究生院，2006.

[22]乌云德吉. 基于GIS的草原火遥感监测与火险评估[D]. 呼和浩特：内蒙古师范大学，2014.

[23]都瓦拉. 内蒙古草原火灾监测预警及评价研究[D]. 北京：中国农业科学院，2012.

[24]李兴华. 内蒙古东北部森林草原火灾规律及预警研究[D]. 北京：中国农业科学院，2007.

[25]周怀林，王玉辉，周广胜. 内蒙古草原火的时空动态特征研究[J]. 草业学报，2016，25（4）：16-25.

[26]峰 芝. 近30年内蒙古牧区草原火时空演化特征分析[D]. 呼和浩特：内蒙古师范大学，2015.

[27]丽 娜，包玉龙，银 山，等. 中蒙边境地区草原火时空分布特征分析[J]. 灾害学，2016，31（3）：207-210.

[28]曹国良，张小曳，郑方成，等. 中国大陆草原火灾排放的颗粒物及其它污染物量的估算[C]//大气气溶胶科学技术研究进展——第八届全国气溶胶会议暨第二届海峡两岸气溶胶科技研讨会文集. 北京：中国颗粒学会，2005.

[29]Amraoui M，Pereira M G，Dacamara C C，et al. Atmospheric conditions associated with extreme fire activity in the Western Mediterranean region[J]. Science of the Total Environment，2015，524/525：32-39.

[30]Zhou X C，Wang X Q. Validate and improvement on arithmetic of identifying forest fire based on EOS-MODIS data[J]. Remote Sensing Technology & Application，2006，21（3）：206-211.

[31]靳全锋，马祥庆，王文辉，等. 华东地区2000—2014年间秸秆燃烧排放PM2.5时空动态变化[J]. 环境科学学报，2017，37（2）：460-468.

[32]Jin Q，Ma X，Wang G，et al. Dynamics of major air pollutants from crop residue burning in mainland China，2000-2014[J]. Journal of Environmental Sciences，2017，70（8）：190-205.

[33]Breiman L. Random forests[J]. Machine Learning，2001，45（1）：5-32.

[34]刘兴朋，张继权，范久波. 基于历史资料的中国北方草原火灾风险评价[J]. 自然灾害学报，2007，16（1）：61-65.

[35]张正祥. 基于地理信息系统和遥感的草地火状况研究[D]. 长春：东北师范大学，2010.

[36]Zhang Z X，Zhang H Y，Zhou D W. Using GIS spatial analysis and logistic regression to predict the probabilities of human-caused grassland fires[J]. Journal of Arid Environments，2010，74（3）：386-393.

[37]梁慧玲，郭福涛，王文辉，等. 小兴安岭伊春地区林火发生自然影响因子及其影响力[J]. 东北林业大学学报，2015，43（12）：29-35.

[38]黄宝华. 基于MCD45山东植被燃烧时空分布分析[J]. 消防科学与技术，2016，35（2）：286-290.刘 博，雒沛文，齐永波，等. 氨基酸增效磷肥对黄褐土磷有效性的影响[J]. 江苏农业科学，2019，47（4）：269-272.