基于Logistic和GWR Logistic的雷州半岛野火驱动因素的分析

梁赛英 苏漳文

（漳州职业技术学院，福建 漳州 363000）

热带雨林是地球上最复杂、植被碳储量最高的森林生态系统。地球上有超过50%的动植物栖息于此，其产生的氧气占全球总量的1/3以上，这些优势使其成为了维护全球生态环境和减缓气候变暖的坚实后盾[1]。然而，热带雨林生态系统也是极为脆弱的，在人为破坏的情况下，包括森林砍伐、毁林造田、环境污染，这种脆弱性正在增强，使其成为了火灾敏感型生态系统[2]。近年来全球多地热带雨林相继发生了多场毁灭性的火灾[3−6]，气候和土地利用的变化，特别是干旱频率和平均气温的升高正在改变全球许多地区的火灾状况，同时也引发各类次生灾害，破坏生态系统的服务功能[7−8]。

近年来全球约有50%的碳排放与火灾有关，并且近70%的燃烧发生在赤道南北两侧的热带生态系统[9−10]。火灾影响了大气中二氧化碳和其他温室气体浓度的年际变化[11]，同时火灾产生的大量烟气严重危害到生态环境和人类健康[12]。因此，深入地了解热带生态系统野火发生背后的主要环境驱动因素将有助于提高准确预测季节性野火活动的能力，从而在这些脆弱的生态区域促进更好的火灾管理以及维持大气成分的平衡[13−14]。

识别野火驱动因素对于开发野火预测模型具有极其重要的意义。多项研究表明，气象、植被和地形等环境因素以及人为因素对野火的发生起着重要作用[15−16]。全局Logistic回归（GLR）是使用最广的概率预测模型[15]。GLR模型的一般假设是，野火的发生及其驱动因素之间的关系在空间上是恒定和稳定的；也就是说，在整个研究区域内，无论地理位置如何，野火点燃和预测变量之间的关系都是相同的。然而，实际情况未必如此，因为预测变量在空间上是变化的[15]。在这种情况下，Koutsias等[17]在火灾研究中首次引入地理加权模型，该模型可以更好地预测野火及其驱动因素的空间关系。

雷州半岛森林覆盖率低，主要是位于沿海的防护林带和人工林。同时雷州半岛也是中国雷暴高频地区，导致火灾风险高，同时也存在大量的人为火[18−19]。这对当地林业管理部门的森林防火工作提出了挑战[20]。然而，对这些地区野火的研究相对较少。只有少数研究以全省为研究对象，没有对不同生态系统进行单独研究。因此，本研究的主要目的是应用GLR和地理加权逻辑回归（GWLR）从空间角度分析雷州半岛热带生态环境和社会经济条件下野火发生概率及主要驱动因素。研究结果将有助于区域火灾管理战略的实施。

1 研究区概况

本研究在广东雷州半岛的热带生态系统中进行。雷州半岛位于中国陆地最南端，延伸到中国南海，整体地势低平，半岛北部地形缓和，海拔在25～60 m；南部为玄武岩台地，海拔范围在25～359 m。雷州半岛属热带海洋季风气候，年平均气温和年平均降雨分别为22.5 ℃和1417～1804 mm。该地区森林资源稀缺，森林覆盖率只有29.55%，主要由热带常绿季雨林和热带稀树草原组成，包括榕树（Ficus microcarpa）、广东蒲桃（Syzygium kwangtungense）、山杜英（Elaeocarpus sylvestris）等，并伴有蕨类植物，如芒萁（Dicranopteris dichotoma）。此外，沿海地区分布部分人工林、沿海防护林和红树林，剩下的大部分是耕地和其他用途土地。雷州半岛每年都经历大量的自然火灾（如雷击）和人为火灾[19]，2015—2019年，该地区共发生42次森林火灾，其中一般火灾次数为25次，较大火灾次数为17次，火场总面积为181.75 hm2。

2 材料与方法

2.1 野火数据来源

本研究以日为尺度，因变量为二元。为此，本研究采用了2001—2018年的火灾点数据，这些数据是从分辨率为1 km的每日火灾产品（MOD14A1）中获得的，在全球很多研究中得到广泛应用[21]。但是这款产品的缺点是火点的类型不明确，比如一些非野火出现在城镇、农田等地区。因此，该产品已在300 m分辨率的土地利用类型地图上进行了进一步的处理，消除了城乡地区、建筑工地和农田中的火灾点。此外，本研究提取了2000—2018年11月至次年4月雷州半岛旱季期间的火点及其信息（包括火灾的地理坐标和时间）。

为了保证数据不过度离散，使用ArcGIS 10.4创建了与火点数量相同的随机点，并重复10次，然后从每次创建的随机点中随机选择1/10的形成模型拟合所需要的非火点。整个处理的程序遵循时间和空间上的完全随机化[15]。

2.2 潜在的野火驱动因素

2.2.1 气象因素

气象数据来自气象站，从国家地球系统科学数据中心下载（http://www.geodata.cn/index.html）。日温度范围（DTR）、日平均温度（DAT）、日累积降水量（DCP）、日平均相对湿度（DARH）被选为用于模型拟合的日气象数据。通过ArcGIS 10.4计算从起火点到随机点、到最近气象站的距离，提取每日气象数据；利用Excel编程功能提取火灾点和随机点（坐标和时间）对应的气象站日气象数据。

2.2.2 地形因素

从地理空间数据云（http://www.gscloud.cn/）提供的空间分辨率为25 m的数字高程模型中提取了地形数据，包括高程（ELEV）、坡度（SLOPE）、坡向指数（ASPECTI）和表面曲率（SCURVE）。使用ArcGIS 10.4软件中的3D分析工具，从DEM中导出高程、坡度、坡向和表面曲率，然后使用以下公式将坡向进一步转换为坡向指数[22]：

式中：θ为ArcGIS 10.4生成的坡向（数值范围0°～360°），坡向指数范围为−1～1。当坡向指数为−1和1时，坡向分别为正南和正北。即当坡向指数越接近−1时，坡度越接近南坡或阳坡。阳坡日照强，温度高，蒸发快，森林可燃物干燥易燃。

2.2.3 人为因素

人类活动包括到道路的距离（Droad）、到水体的距离（Dwater）、到定居点的距离（Dsettle）和到农田的距离（Dcrop）。以1∶250000基础设施矢量形式提供的道路、水体和住区信息来自中国国家地理信息中心（http://www.ngcc.cn/）。耕地信息提取自2001—2018年全球土地利用栅格数据，分辨率为300 m，从资源与环境数据云平台（http://www.resdc.cn）获得。然后，利用获得的数据，在ArcGIS 10.4中提取火灾点和非火灾点到道路、水体、居民点和农田的距离。

2.2.4 植被因素

使用了植被覆盖（FVC）作为植被因子，其定义为地面绿色植被垂直投影统计区域总面积的百分比[23]。FVC是衡量地表植被的重要指标。它用于指示地表上方的活可燃物和死可燃物的总量[24]。目前已经发展了许多遥感计算FVC的方法。更实用的方法之一是计算归一化差异植被指数（NDVI）[23]。该数据集是从地理空间数据云提供的500 m空间分辨率的中分辨率成像光谱仪NDVI提取的。

全球植被水分指数（GVMI）是本研究中考虑的另一个植被因素，该指数来自SPOT植被数据，用于估计植被湿度。它建立在电磁波谱的近红外和短波红外区域的组合之上[25]。杜晓[26]在中国进行了计算，验证了其有效性。本研究中，Band 2（841～876 nm）和Band 6（1628～1652 nm）用MODIS地表反射率产品MOD09A1计算GVMI。这些下载的图像使用批处理工具（MRT）进行拼接和投影，处理后的图像被重新采样到1 km以内。GVMI计算方法可参考Ceccato等[25]的研究。

2.3 全局Logistic回归

全局Logistic回归（GLR）模型是描述点火概率的常用方法。世界上许多学者已经将其应用于野火概率和与野火驱动因素关系的分析[15,27]。因此，首先应用GLR来分析数据集中野火的发生。

野火点燃的概率可描述如下：

这个公式可以转化为下面的线性函数：

式中：P是野火不发生的概率；m是可覆盖的数量；β0，β1，···，βm是回归模型中的参数；x1，x2，···，xm是影响野火点燃的每个独立变量。

2.4 地理加权Logistic回归

地理加权逻辑回归（GWLR）模型是传统的全局Logistic回归模型的扩展，它综合了空间因素，即地理位置信息[28]。该方法采用加权最小二乘法来估计每个样本点的参数，因此每个样本点都有相应的估计系数。因此，本研究应用了GWLR来检验野火驱动因素的空间变异性。

野火点燃的概率（P）可以在模型中描述如下[15]：

这个公式可以转化为下面的线性函数：

式中：(ui，vi) 是采样点的坐标；βn(ui，vi) 是样本点i上的第n个回归参数。

此外，将GWLR估计系数的四分位范围与从模型得出的系数的标准误差进行了比较，以评估GWLR估计系数的空间变化[28]。如果GWLR模型的IQR超过GLR标准误差的2倍，则响应变量和解释变量之间的关系在空间上是非平稳的，即局部的，否则这些解释变量在空间上是平稳的或全局的。所有计算都是用SAS软件进行的[29]。

2.5 模型评估方法

在本研究中，运用模型的AIC、均方误差（MSE）[30]、ROC曲线下面积（AUC）、残差的空间分布和预测精度[15]对模型的拟合结果进行评估。较小的AIC值意味着首选模型[30]：均方误差衡量的是平方误差的平均值，即观察值和预测值之间的差异。MSE值越小，预测模型描述实验数据的准确性越好；AUC是衡量模型预测能力的指标，通过受试者工作特征（ROC）分析进行量化[16]。AUC值范围为0.5～1，其中AUC值> 0.8通常表示良好的预测能力。

使用全局Moran'sI计算每个模型残差的空间自相关系数。全局Moran'sI值越小，残差的空间依赖性越小，说明模型拟合性能越好，其包括了更多的空间关系[15]。

在拟合2个模型之前，进行关于自变量共线性的多重共线性分析，以消除模型拟合中的偏差。使用方差膨胀因子（VIF）进行多重共线性诊断。如果值大于5，则表明自变量之间存在显著的共线性，应消除自变量之间的共线性[31]。研究区域的自变量之间不存在多重共线性，因此所有变量都用于模型拟合（表1）。

表1 研究区自变量的多重共线性检验Table 1 Multicollinearity test of independent variables in study areas

3 结果与分析

3.1 雷州半岛野火空间分布

利用多距离空间聚类分析方法，计算了2001—2018年期间，雷州半岛每年和每月的野火空间分布。结果表明，在95%置信区间下，由小距离到大距离的观测值均大于期望值。与这些距离的随机分布相比，18年的总体野火分布具有较高的聚类程度。此外，观察到的值都大于95%置信区间上限值，表明空间聚类在不同距离处具有统计学意义（图1）。此外，研究中分别计算了年和月尺度下野火空间分布。年度野火分布计算结果显示，雷州半岛野火的分布存在较大差异。2012年、2015年和2018年，不同距离的观测值均大于期望值和95%置信区间上限值。而在其他年份，在较大距离处，观测值接近期望值，表明聚类程度较低或呈空间离散分布，特别是在2002年和2016年。野火月空间分布表明，雷州半岛 1月和11月的野火分布距离较远时，观测值与期望值接近，即聚类程度不高。在剩下的几个月里，观察到的数值在不同的距离上都大于期望值和95%置信区间上限值，表现出显著的空间聚类分布。

图1 雷州半岛18年野火的Ripley's K函数计算结果Fig. 1 The Ripley's K-function of wildfire ignitions during 18 years in Leizhou Peninsula

3.2 模型比较

根据GLR和GWLR模型的拟合结果（表2），2个模型得到的分类标准略有不同（GLR：0.426；GWLR：0.471）。从模型拟合的参数来看，发现2个模型的拟合优度和预测精度有些不一致。首先，ROC检验结果表明，在雷州半岛地区，GWLR模型的AUC高于GLR模型（0.835>0.783）。其次，根据对应的切割值，GWLR模型在包括野火和非野火的预测中都比GLR模型具有更好的预测精度。此外，雷州半岛的GWLR模型和GLR模型的残差分布（图2）表明，总体上GWLR模型在雷州半岛（−0.58～−0.57）的残差范围小于GLR模型（−0.79～−0.62）。在雷州半岛，GWLR的全局Moran'sI较GLR模型的要小（图2）。这表明，与GLR模型相比，GWLR模型更能考虑空间自相关性，可以更好地模拟和预测雷州半岛野火的发生。

图2 雷州半岛GLR和GWLR模型的空间残差分布和自相关系数Fig. 2 The spatial residual distribution and autocorrelation coefficients of GLR and GWLR models in Leizhou Peninsula

表2 雷州半岛地区模型预测精度和拟合优度比较Table 2 Comparison of prediction accuracy and goodness of fit of models in Leizhou Peninsula regions

3.3 雷州半岛野火驱动因子分析

雷州半岛野火的所有变量的解释力为78.3%，其中，气象变量的解释力度最高，最接近整体变量的解释力度（74.5%），其次是人为因素（63.8%）。地形因素对研究地区野火的解释力最低（图3a）。在雷州半岛，日累积降水量是影响野火点燃的最重要因素；其次是昼夜温度范围，再次是到农田的距离、植被湿度指数和到道路的距离（图3b）。研究区域的GLR模型拟合的最优模型结果见表3。到道路的距离、到定居点的距离、到农田的距离、海拔、坡度、日温度范围、日累积降水量、日平均相对湿度和植被湿度指数与雷州半岛野火的发生显著相关（P<0.05）。

表3 GLR模型得到的预测变量的参数估计Table 3 Parameter estimation of predictive variables obtained by using the global Logistic regression model

图3 雷州半岛变量解释力韦恩图和野火驱动因子重要性雷达图Fig. 3 The Venn diagram of variable explanatory power and the radar map of wildfire driver importance for Leizhou Peninsula

然而，GWLR模型证实，并非所有变量都是空间稳定的。野火点燃概率和大多数变量之间的关系，除了到水体的距离、坡度、表面曲率之外，不是固定的，即在空间上是不均匀的（表4）。根据GWLR模型拟合结果，日平均温度、坡向、到水体的距离和地表曲率对雷州半岛野火点燃的影响不显著。在雷州半岛，气温日较差对野火的影响具有全局显著性（显著区域：100%），而其余变量对野火具有局部显著性影响。日平均相对湿度、到定居点的距离和坡度对野火的影响分别占总面积的26.62%、37.81%和47.12%。在GLR模型中，这些变量与野火显著相关。值得一提的是，植被覆盖对野火的影响是局部显著的（显著区域：45.27%），而GLR模型中其与野火发生无关（图4）。

表4 雷州半岛GWLR模型的系数估算及预测变量的空间变异性Table 4 Coefficient estimates of the GWLR model for tropical forest ecosystem in Leizhou Peninsula and spatial variability of predictor variables

GWLR模型在确定野火与其驱动因素之间的关系方面优于GLR模型，这表明驱动因素对野火影响的空间异质性。气温日较差对着火的积极影响从中部向两侧减弱，日累积降水量对北部和东南部地区有很大的负面影响。相对湿度的负面影响也集中在北部地区。在人为驱动因素中，到农田的距离与着火之间的负相关在该地区的东北部尤为明显，到道路的距离对着火的概率有积极的影响。然而，到定居点的距离对着火概率之间的的影响是双向的。海拔和坡度与火灾发生呈正相关；植被覆盖率对火灾概率的影响也是双向的，植被湿度指数对野火发生呈局部显著正相关（图4）。

图4 雷州半岛显著估计系数和显著变量覆盖面积比例的空间分布Fig. 4 Spatial distributions of significant estimate coefficients and proportion of area covered by significant variable in Leizhou Peninsula

4 结论与讨论

本研究中应用GLR和GWLR模型方法来检验中国南方热带生态系统中野火的驱动因素。GWLR模型在雷州半岛取得了理想的拟合效果，而GLR模型的曲线拟合度和预测精度分别低于0.8%和80%。在本研究中考虑的所有潜在的野火驱动因素中，有9个变量与雷州半岛2001—2018年的野火发生概率有显著关系，而且这种关系在空间上是不均匀的。

气象因素对该地区火灾发生概率的解释力最强。在气候变化的影响下，气象因素被认为控制了世界许多热带地区的野火[32−33]。一方面，热带森林及其周边地区受到人类的严重干扰，森林的减少改变了区域气候。当与气候变化叠加时，将增加火灾风险[33]；另一方面，这些热带季节性森林的野火主要受干旱和温度控制[34]，而林内湿热条件很大程度上受热带太平洋海表温度和厄尔尼诺周期变化的影响[35]。

气温日较差、日累积降水量和日平均相对湿度是野火的气象驱动因素。一般认为，雷州半岛整体海拔低，低海拔对太阳辐射的减弱作用高于高海拔[36]，但本研究发现，海拔并没有改变气温日较差对野火发生概率的影响。以前的研究表明，降水增加会增加死可燃物含水率，从而降低着火的可能性[32]。

温度对研究地区局部火灾的发生没有显著影响。雷州半岛全年都面临着不同程度和方向的风，尤其是初冬来自西伯利亚的西北冷风，因此加上来自太平洋的东北风，旱季的温度不会太高[20]。这也许是雷州半岛旱季时火灾受温度影响较小的原因。

植被因素（植被湿度和植被覆盖度）与野火发生之间的关系在局部地区（稀疏森林覆盖区域）显示出空间变化，这与先前的研究[22]一致。这可能是由于：1）在雷州半岛不同地区采伐木材会留下大量的采伐剩余物，导致更大的可燃物载量；2）林冠覆盖的减少使得阳光能够更直接地加热林地表面；3）林冠密度的降低增加了蒸散量，使得森林中的可燃物更加干燥，从而提高了可燃性[33]；此外，森林覆盖的降低削弱了生态系统中的水循环，在一定程度上延长了热带季节性森林的旱季，并增加了火灾发生的可能性[37]。在Ceccato等[25]和Sow等[38]对热带草原的研究中也观察到了森林火灾和GVMI与野火发生概率之间的强正相关关系。

地形因素解释着火概率的能力最低，在其他热带地区也发现了这种情况[32]，但对此研究人员有不同的解释。一些人认为，地形对火灾的影响可能会受到天气等其他环境因素的抑制[39]，与本研究结果一致；其他人认为这种情况可能与数据的空间尺度有关[32]。

热带地区的大多数野火是人为造成的[32]。在中国南方，计划烧除和清明祭祀时有发生，造成广泛的负面生态影响[40]。Xiong等[32]的研究强调，驱动人为火灾的大多数主要因素都与人类干预密不可分。雷州半岛的开发程度较大，人类活动范围广。由于前期频繁的人为干扰，该地区只有少量的原始植物区系残留，耕地和人工林地所占比例较大[19]，农业生产活动较为丰富和频繁，这证实了前人研究的结果。

在雷州半岛，到农田和公路的距离是影响野火的最重要的人为因素。雷州半岛是中国重要的热带和亚热带经济作物产区。到农田的距离的负面影响是该地区高概率发生野火的一个有效因素。此外，离居民区和道路越远，发生火灾的概率越低，这是在雷州半岛野火研究中发现的，但影响是局部的（37.81%和53.46%）。从文献中发现，在工业发达、森林覆盖率低的居民区和道路附近，可燃物不像偏远森林的植被那样连续[15]，因此火灾发生的可能性很低。另一种解释是，旱季和高频雷击可能导致更严格的森林管理和监督，从而提高消防安全意识[22]，特别是在森林恢复的过程中。在最近的研究中也获得了一些类似的结论，Yu等[14]和Xu等[33]证实了人为因素是在热带稀疏森林和草原地区驱动野火的关键因素。

本研究使用GLR和GWLR模型方法来解释野火驱动因素对雷州半岛野火的相对影响。通过分析得出以下结论：1）2001—2018年，雷州半岛的野火呈空间聚集分布；2）野火驱动因素对雷州半岛野火发生的影响表现出空间变异性；3）气象变量、植被因素和人类活动对这些地区的野火发生概率有较大影响。建议在旱季到来之前要严格定期进行森林可燃物清除。此外，对于进入林区的人和林区周边居民来说，防火教育和宣传也不可忽视。政府推动的农业生产活动和人工林发展导致人类活动频繁，影响和刺激了野火的发生。因此，应努力加强对人类活动的管理，严格禁止使用火作为造林和耕地的整地方法。还建议，有效的森林管理做法需要因地制宜。由于在短期内获得全球热带森林生态系统的相同数据来源存在一定困难，因此缺乏一定的全球性结论。此外，未来的研究也应侧重于改进数据收集和整理，如提高基础设施数据的时间变异性描述，以更好地预测热带地区发生野火的概率。