江西省土壤墒情与林火关系研究

凌 婷，龙余良，张 思

(1. 江西省气象服务中心，330046，南昌；2. 云南省气象信息中心，650034，昆明)

0 引言

气象因子被认为是影响林火发生的潜在重要因素，国内气象部门对此做了大量的分析研究。中央气象台曾利用T213数值预报产品日最高气温、最小相对湿度、最大风速、24 h降水预报，计算未来5 d逐日森林火险天气综合指数，并建立了森林火险气象等级中短期预报系统[1]。湖北省气象局综合运用多种回归技术，研发了不同时间尺度森林火险预报模型。吉林省气象局[2]采用1952—2010年森林火灾次数资料和全省气象站资料，分析该省林火次数时间变化特征及其与气象条件的关系，指出林火次数与降水、相对湿度、气温、风速等气象因子关系密切。此外福建、黑龙江、贵州、云南、陕西、内蒙古等森林覆盖面积较多的省份也在林火的预报预警方面做了诸多的研究，并已将一些相关结论投入到了气象服务的应用中。

除了气象部门以外，很多专家学者也做了大量的研究工作。王梅[3]等采用气象和雷击火灾资料研究大兴安岭地区夏季森林火灾的时空分布规律和周期变化以及影响因子。王研峰[4]等研究了气溶胶产品在林火检测中的适用性。杜帅[5]等针对通化市林火特点，引入了加拿大天气指标系统。梁慧玲[6]等通过研究指出，日最小相对湿度、细小可燃物湿度码和干旱码是影响林火发生的主要气象因子。

由此可见，大部分研究部门和学者对林业气象火险的研究主要集中在空气的温湿条件、植被和地形地貌的关系研究上，对土壤墒情与山火关系的研究还较少。但土壤墒情与降水、日照时间、温度等多个气象因子以及植被、地形地貌等关系密切，是综合性较强的影响因素。且土壤水分是植物耗水的主要直接来源，对植物的生理活动有重大影响。江西省森林覆盖面积较广，林场山地较多，每年因山火而造成的经济损失数以万计，所以土壤墒情与林火的关系具有较为重要的研究意义和实践价值。

1 资料说明

所用资料有2013—2015年江西省卫星监测热点和地面核查反馈数据，同时段江西省52个土壤水分站资料(包括土壤体积含水量、相对湿度、重量含水量、有效水分贮存量)，分析了热点时空分布特征，对江西省土壤墒情分布特征做了讨论，并利用二元logistic回归分析讨论了二者之间的相关关系。

2 热点分布概况

卫星监测热点本质是地面高温热源[7]，对范围较大的野外火源甄别效果较好，且有地面核查反馈数据以证实其真实可靠性。因此，可以用来探讨热点本身及其导致的林火的空间分布特征。从2013―2015年江西省森林热点频次总分布来看(图1)，林火频次密度较大的地区主要集中在江西的西部、赣东北和赣南南部。对比月分布(图略)和气象上的季节分布(图2，冬季：12—2月，春季：2—4月，夏季：5—8，冬季9—11月)，林

图1 (a)2013—2015年江西省森林热点频次总分布、(b)江西省土地利用图

(a)12—2月；(b)3—5月；(c)6—8月；(d)9—11月

火主要发生在冬季，以1月和12月为最，夏季5—9月基本无林火，春秋两季林火发生的概率也比较小，且春季赣南南部林火密度相对大些。除去烧秸秆、烤火炉，以及年节放鞭炮等冬季容易引发火灾的人为因素外，自然气象条件也占了很大一部分原因，冬季风干物燥，空气相对湿度较低，极易产生火灾，所以森林火险等级会高于其他季节。

3 土壤墒情分布概况

土壤水分站是气象部门经过严格的选址、场地建设、仪器布设，建立了自动土壤水分观测站，用自动土壤水分观测仪对土壤墒情进行观测而得到的，其观测到的不同深度(10 cm、20 cm、30 cm、40 cm、50 cm、60 cm、80 cm、100 cm)的土壤体积含水量、相对湿度、重量含水量、有效水分贮存量等参数都具有较高的可用性。图3为江西省52个土壤水分站的空间分布位置，赣北南部和赣中的站点分布密度比全省其他地区要大，且除了赣南，基本涵盖了图1中火灾发生的主要范围。

图3 江西省土壤墒情站站点分布(三角形为下文所需样本站点)

3.1 月变化特征

从多个土壤水分站的时空变化图(略)来看，测得的几个参数自变化趋势较一致，且自变化特征具有相似性，所以选取宜丰站为代表站点讨论江西省土壤墒情的时空分布特征。从月平均趋势来看，1月份不同深度土壤湿度在12个月中都是最高的，而10月为最低。3—6月虽然为江西汛期，对应降水量峰值期，但因为7—10月平均每月20—24 h的日照时长，且9—10月全省降水量都较少，使得土壤中存储的大量水分急速蒸发却得不到补充，所以10月份成为全年土壤最干的一个月。11月为江西秋季暴雨的集中时期，对土壤水分又有了补充，加之冬季日照时长短于夏季，土壤中水分蒸发能力下降，使得1月份土壤最为湿润。

图4 (a)土壤体积含水量和月平均降水量随时间变化；(b)土壤质量含水率和日照时数随时间变化

(a)土壤体积含水量；(b)土壤质量含水率；(c)土壤有效水分贮存量

图5可见，整个垂线方向上1—10月土壤绝对湿度都呈现递减的现象，与上文月均变化特征一致。30 cm到地面之间土壤湿度随深度的加深而增加，30～40 cm以下随着土层的加深，湿度减小，所以土壤墒情整体呈现“增加-略平缓-减小”的趋势，这可能与测站附近降水以及降水再分配、植被根系数量、根系分布深度、土壤孔隙度和气候条件等因素有关[8]。

3.2 空间分布特征

由于土壤墒情站所测的参数(包括土壤体积含水量、相对湿度、重量含水量、有效水分贮存量)在时间序列和垂直方向上分布特征大致相同，所以选取质量含水率这一参数来表征土壤墒情特征。且由上文可知，不同深度土壤质量含水率不同，变化特征也不尽相同。由于降水和蒸发是土壤湿度变化的直接影响因子[9]，从上文可知，层次越深土壤湿度随外界条件变化反馈越缓慢，50 cm以下开始出现滞后现象，所以采用四点法[10]，选取各站垂直平均质量含水率，按取样深度10 cm、20 cm、30 cm和40 cm来计算。公式如下：

P=(P0.1+P0.2+P0.3+P0.4)/4

式中：P为垂直平均土壤含水率(%)，Pi为不同深度(i=0.1 m、0.2 m、0.3 m、0.4 m)的测点土壤含水率(%)。

分析可得，各月的垂直平均土壤含水率空间分布大致相同，由上文分析选取高值(1月)和低值(10月)2个月来讨论(图6)。从整体空间分布来看，江西的西部以及赣东北和赣南南部较全省其他地区土壤更加湿润，即植被森林覆盖地区的土壤湿度较裸地和旱地都要高些，一定程度上表明林地储水能力较强。

(a)1月 (b)10月

4 二元logistic回归分析

上文分析了江西省土壤墒情和森林热点各自的时空分布特征，得到一些简单的规律结论，而两者之间是否有相关性，山火是否可以通过土壤墒情的变化来进行概率预测是实际应用中迫切需要了解和解决的问题。而logistic回归分析，则可以满足以上分析需求。

4.1 原理与公式

logistic回归是利用回归类似的方法来解决分类问题，指对目标概率进行Logit变换，而二元logistic回归则是二分类问题，输出概率p的数据集合为{0,1}，对应本文中发生火灾为1，未发生火灾则为0。记{Xi}为自变量值，把p的某个线性函数假设为变量的函数形式，进行Logit变换，即：

其中β0,β1,β2,…,βi为逻辑回归系数[11]。

4.2 自变量选取和抽样说明

“日照时数”“平均相对湿度”“日最高地表气温”等气象因子被认为与林火发生关系密切[12]，但由于二元logistic回归分析要求自变量之间为非共线性，而模型中用来代表土壤墒情的物理量土壤质量含水率p，与这些气象要素之间存在相关关系(检验略)，所以都不能被选为模型分析的自变量。上文分析山火发生频数具有明显的月分布特征，且土壤墒情与降水量、日照时长等关系密切，所以选取月份和连晴天数以及土壤质量含水率p来进行回归分析。

根据祝必琴[13]等研究得出的江西省森林火险精细化综合区划图，选取高火险地区的13个土壤水分站作为取样站点(图3)，以天为样本的计数单位，去掉持续发生火灾的天数，统计得出由未发生火灾到发生火灾共46 d，对比火灾前的降水日期，得出连晴天数。利用SPSS统计分析软件对未发生火灾天数进行随机抽样，得到354 d无火灾样本，由于354:46 < 10:1，所以不会因为0和1的样本量悬殊而导致分析结果出现较大的差异。

4.3 结果分析

利用SPSS统计分析软件对这400个样本做了二元logistic回归分析得出表1，模型输出结果包括了偏回归系数(B)、标准误(S.E.)、Wals卡方、自由度(df)、显著性(sig)和优势比(Exp(B))。因为自变量月份为不连续性的多分类变量，其数值不具备实际物理意义，所以需要将其量化，故设哑变量。为了避免完全的多重共线性，以12月为参考，引入11个哑变量，则代表月份的自变量可以写成：

Y=b1M1+b2M2+…+bmMm，

其中：m=1,2,3,…,11；bm为m月的哑变量对应的偏回归系数；Mm取值为0或1，m对应相应月份时，Mm=1，其余月份Mm=0，当所有Mm都取0时，Y=0表示12月份。

表1 模型输出结果

分析Wals卡方和显著性sig，10～40 cm的土壤质量含水率、连晴天数和月份对应的卡方值较大，sig均小于0.05，即这3个自变量对火灾的发生影响显著。从哑变量的对应参数来看，1月、2月、3月和11月更容易发生火灾，而5―8月基本没有火灾，9—10月相对于12月发生火灾的概率要小得多，这一结论与各月的火灾频次分布一致。

用logistic回归模型计算预测值得出预测概率(表2)，非火灾样本预测率为82.2%，火灾样本预测率为76.1%，总预测率为81.5%，预测结果较好。

表2 分类表

4.4 模型验证

为了验证回归分析结果，用SPSS绘制ROC曲线(图7)，并计算AUC值。ROC曲线表示拟合数据与实测数据的关系，常用来验证模型的合理性。对于一个二分类问题，横轴(1-特异性)表示假阳性率，即对应被错误识别为火灾的非火灾样本占所有非火灾样本的比例，纵轴(敏感度)表示真阳性率，即模型识别出的火灾样本占所有火灾样本的比例。当模型阈值发生改变时，横轴纵轴也在变化，由此绘制ROC曲线。当假阳性率越接近0，真阳性率越接近1，则模型识别效果越好。所以本模型中ROC曲线位于X=0和Y=X(图7直线)两函数曲线之间，表明火灾拟合结果较好。AUC值是度量验证模型的一个标准，其表示ROC曲线(图7曲线)以下的面积，值为0.864，比较接近1，即模型模拟结果较好。

图7 ROC曲线

5 结论

文章在分析了2013—2015年江西省土壤墒情和林火的时空分布特征的基础上，利用二元logistic回归分析讨论了两者之间的关系，得出如下结论。

1)林火分布主要集中在江西的西部、赣东北和赣南南部，且冬季林火发生频次和火险等级高于其他季节。

2)林地储水能力普遍强于裸地和旱地。受降水集中期影响，土壤墒情呈现明显的月分布变化，1月份最高，10月为最低。而在垂线方向上土壤墒情则是“增加-略平缓-减小”的趋势，层次越深土壤湿度随外界条件变化反馈越缓慢。

3)做二元logistic回归分析，10～40 cm的土壤质量含水率、连晴天数和月份对火灾的发生影响显著。通过模型检验，ROC曲线位于X=0和Y=X之间，且AUC值较接近1，火灾预测模型拟合结果较好。

4)文章仅就3 a的数据做了分析，不能完全包含所有特征，未来的工作中需要抽取更多的样本来进行检验和订正。