1961～2020 年中国两大林区森林火险天气的多尺度特征

王文杰 钱诚 张宇 封小凡 张嘉仪

1 成都信息工程大学大气科学学院，成都 610225

2 中国科学院大气物理研究所中国科学院东亚区域气候—环境重点实验室，北京 100029

3 中国科学院大学，北京 100049

4 安徽省气象灾害防御技术中心，合肥 230031

1 引言

森林火灾是一种危害性大、突发性强、处置扑救较为困难的自然灾害，是林区最主要的风险源。它也是一种复合型极端事件（Zscheischler et al.,2018）。近几年，极端林火事件发生地愈加频繁：2019 年以来亚马逊雨林火灾数量超过7.2 万起，较2018 年同期增长了83%（http://m.news.cctv.com/2019/08/22/ARTIMoyFmbUvSw9bAXEO09Bc19082 2.shtml[2021-03-22]）；2020 年发生在美国的加州山火，烧毁了加利福尼亚州的大片土地，过火面积达到了1.6×104km2（将近北京市的面积）（https://mil.news.sina.com.cn/2020-10-05/doc-iivhuipp8029845.shtml[2021-03-22]）；2020 年3 月四川省西昌市突发森林大火，导致19 名地方扑火人员牺牲，造成了严重的社会影响（http://m.news.cctv.com/2020/03/31/ARTImOmtjxkuisWOawtMldHn200331.shtml[202 1-03-22]）。中国是森林火灾发生次数较多的国家，平均每年发生森林火灾12000 多起，约占全球的6%；平均每年受灾的森林面积可达82×104km2，占总森林面积的0.83%，位于世界前列（程亮等,2020）。

森林是地球生态系统的重要组成部分，是系统中最大的碳库，贡献了约80%的固碳量；因而森林的碳汇作用在实现“碳中和”目标过程中扮演着重要的角色。森林火灾对地球生态系统的影响主要通过森林燃烧后向大气中排放含碳气体，使森林由碳汇转向碳源并导致气候变暖的加剧（Li et al.,2014; Loehman, 2020）。同时，林火干扰作为森林非连续的生态因子，能够显著改变生态系统的结构和功能以及养分循环和能量转换，引起森林生态系统碳库碳储量和碳分配的变化，对森林生态系统的碳平衡和碳循环产生影响（Flannigan et al., 2009;刘魏魏等, 2016; 胡海清等, 2020）。在可能引起森林火险的因子中，火险天气是最主要的因素之一；在全球变暖的背景下，识别和分析中国典型林业区域森林火险天气的演变特征是当前亟待解决的问题。

目前，已有一些学者对中国森林火险天气的变化特征进行了研究。一部分研究根据历史资料来分析森林火险天气的变化情况（赵凤君和舒立福,2007; 田晓瑞等, 2010a, 2020; 陈锋等, 2012; 李德等,2013; 刘吉敏等, 2018）。例如，李晓炜（2011）分析了1963～2008 年的森林火险气象指数，结果表明在东北地区北部及东南地区南部，极端火险天数有增加的趋势，而在西南地区南部，极端火险天数有减少的趋势。还有一部分研究利用气候模式模拟未来不同时段林区的火险天气变化特征（杨光等,2012; 田晓瑞等, 2012; Tian et al., 2014; 陈锋, 2015）。例如，王明玉（2009）对未来气候变化情景下中国森林火险响应特征进行分析，结果表明2010～2100 年中国林火发生次数呈增加的趋势且黑龙江省的增幅较大。田晓瑞等（2017）利用气候模式预估未来气候对中国森林火险天气的影响，根据预测，大部分林区的气候呈现暖干化趋势且华北和西南地区的森林火险明显提高，南方比北方林区火险指数的增幅更加显著。森林火险天气涉及到多个统计上相关的气象因子，它的变化是一个相对复杂的过程，表现出非线性和多尺度的特征。纵观对于森林火险天气的研究，无论是通过分析历史数据还是模式预估数据，多是利用线性回归的方法来分析森林火险气象条件的长期变化情况，而对两大林区火险天气的多时间尺度变化特征并未涉及。

针对上述研究存在的不足，本文以逐日森林火险气象指数作为度量火险天气的指标，用严格的线性趋势分析方法探讨了1961～2020 年该指数及相关气象因子在两大林区的长期变化趋势；并利用集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）（Wu and Huang, 2009）方法，对两大林区防火期森林火险气象指数序列进行多时间尺度分析。本研究旨在探索气候变化背景下中国两大林区森林火险气象条件的变化规律，有助于提高“碳中和”背景下中国典型林业区域适应气候变化的能力，为林区林火管理规划提供一定的参考和依据。

2 数据和方法

2.1 研究数据

2.1.1 气象观测数据

本文使用的气象数据来自国家气象信息中心提供的中国国家级地面气象站基本气象要素日值数据集V3.0。此套数据包含了中国699 个基本气象站、基准气候站的逐日观测数据，并且对各要素数据进行了严格的质量检验和控制（https://data.cma.cn/data/cdcdetail/dataCode/SURF_CLI_CHN_MUL_DA Y_V3.0.html[2021-03-22]）。 本 研 究 选 取 了 从1960 年1 月1 日至2021 年2 月28 日的气象站气象要素：逐日累计降水量、日平均风速以及经过均一化订正的逐日气温数据集（CHTM3.0, Li et al.,2016）、逐日相对湿度数据集（ChinaRHv1.0, Li et al., 2020）。其中的均一化订正采用了序列多元分析均一化（MASH）方法（Szentimrey, 1999），对迁站和观测方式变更等引起的非均一性进行了校订。

为了分析有较长时间序列的气象要素，我们对站点资料进一步做了质量控制（谢睿恒等, 2020）：首先，剔除了连续缺测15 d 及以上的站点；其次，将累计缺测时长超过总时长5%的站点也剔除掉；最后，筛选出了552 个具有长期观测数据的站点（如图1 所示）。文中的季节以及年时间尺度的定义为：春季（3～5 月）、夏季（6～8 月）、秋季（9～1 月）、冬季（12 月至次年2 月）、全年（1～12 月）。

图1 站点分布及两大林区（黑色方框）示意图Fig. 1 Spatial distribution of 552 meteorological stations selected and the northeastern and southwestern forest regions analyzed (black rectangles)

2.1.2 林火数据

本文还使用林火资料来验证所用的森林火险气象指数的适用性。林火资料来自中国森林防火预警监测信息中心提供的中国野火数据集（Wildfire Atlas of China, Fang et al., 2021）。此套数据集包含了从2005 年到2018 年月时间尺度的森林火灾发生次数，是基于多颗卫星的连续监测图像并经当地林业部门校准所得到的（Fang et al., 2021）。

2.2 方法

2.2.1 森林火险气象指数

森林火险是森林火灾发生的可能性及蔓延难易程度的一项重要度量指标，迄今已发展出了多种火险指数。例如，加拿大的火险天气指标系统（Fire Weather Index, FWI）系 统（Fosberg, 1978①Fosberg M A. 1978. Weather in wildland fire management: The fire weather index [C]. Proceedings of the Conference on Sierra Nevada Meteorology, South Lake Tahoe, NV: 1-4.）、澳大利亚的McArthur 森林火险气象指数（Forest Fire Danger Index, FFDI）（McArthur, 1967）、美国的Keetch-Byram 干旱指数（Keetch Byram Drought Index, KBDI）（Keetch and Byram, 1968）等 等。目前，国内已应用这些森林火险气象指数开展了一些研究，例如，FWI（王明玉, 2009; 田晓瑞等,2010b, 2012, 2017; Tian et al., 2014; Du et al., 2021）、KBDI（于文颖等, 2010; 李晓炜, 2011; 刘永强,2016; Zhao et al., 2020）、FFDI（牛若芸等, 2007;于文颖等, 2010; 刘吉敏等, 2018）等。其中，FFDI结合了可燃物干燥度及相关天气特征的分析，是一个测量可燃物水分含量的方法（McArthur, 1967）。它是澳大利亚用于火灾预测预警的重要指标，被国际社会广泛应用于森林火险的研究当中（例如，Dowdy et al., 2010; Clarke et al., 2013; Holgate et al.,2017）。牛若芸等（2007）对国际上通用的几种火险指数进行对比分析，指出FFDI 与我国两大森林防火重点区域——东北林区和西南林区的森林火灾次数相关程度最高，总体应用效果最好。因此，本文使用的火险指数为FFDI。在实际应用中，FFDI值越大，表明火险等级越高，林火事件发生的可能性就越大。FFDI 的计算公式（Noble et al., 1980）为

其中，DF 为干旱因子，RH 为相对湿度，Tmax为日最高气温，v为日平均风速。干旱因子是对干燥可燃物含水量的估计，或者等效地认为是可用于燃烧的干燥可燃物的数量（Khastagir, 2018），其计算方法如下：

其中，I为KBDI 指数，N为连续无降水日数，R为日降水量。KBDI 是一个表征土壤含水量赤字的指标，综合考虑了与干旱有关的降水、温度以及地表状况（Keetch and Byram, 1968; Heim, 2002）。由公式（2）可知，在火险气象指数的构建上，将KBDI 作为干旱因子的一部分，纳入到FFDI 的计算当中，第t日的KBDI 计算公式如下：

其中，KBDIt和KBDIt-1分别为当日和前一日的KBDI，ETt为蒸腾作用引起的水分损失量。在原始文献中KBDI 采用的为英制单位（单位：in），本研究参照Crane（1982）将ETt换算为国际制单位（单位：mm），如下所示：

RFt为日净降水量：

公式（4）、（5）中，R0为年平均降水量，Rt和Rt-1分别为当日和前一日的降水量。KBDI 公式的设计是基于一系列假设条件的，具体细节可参考Keetch and Byram（1968）。由于每年1 月1 日的KBDI 计算要用到前一年的数据，因此本文实际分析FFDI 的时段为1961～2020 年。

同时，本文参考Luke and McArthur（1986）根据FFDI 值将火险等级划分为低（0～5）、中[5～12）、高[12～24）、非常高[24～50）、极高≥50 共5 个级别。

2.2.2 防火期的定义

一般把林区容易发生火灾的季节，称为森林防火期。受季风气候等大气环流的影响，中国各大林区的森林防火期，表现出明显的季节变化特征。东北、内蒙古林区春季防火期一般为3 月中旬到6 月中旬，戒严期为4～5 月；秋季防火期从9 月中旬到11 月中旬，戒严期为10 月（王明玉, 2009）。西南林区的防火期为11 月至次年5 月（田晓瑞等,2010b, 2012）。结合上述内容及森林火灾发生次数百分比统计（图2a），本文将东北地区的春、秋季以及西南地区的冬、春季节定义为两大林区的防火期。

图2 2005～2018 年两大林区（a）1～12 月森林火灾发生次数百分比和（b）森林火险气象指数（FFDI）逐月多年平均值、（c）东北林区和（d）西南林区FFDI 与森林火灾发生次数的相关关系Fig. 2 (a) Ratio of forest fire occurrences from Jan to Dec and (b) multiyear average of the monthly forest fire danger index (FFDI) in the two major forest regions and the corresponding correlation between FFDI and the number of forest fire occurrences in the (c) northeastern forests and (d)southwestern forests during 2005-2018

2.2.3 线性趋势分析方法

本研究采用WS2001（Wang and Swail, 2001）统计方法来分析森林火险气象指数的线性趋势。该方法是在Zhang et al.（2000）提出的方法基础上由Wang and Swail（2001）改进的一种不易受离群值影响并考虑自相关的非参数方法。WS2001 的优势在于：它考虑到了序列中存在自相关、且自相关和趋势是共存的现象，在用Sen’s slope（Sen, 1968）计算趋势斜率和用Mann-Kendall 检验（Mann,1945; Kendall, 1955）判断趋势的统计显著性时，采用迭代方案计算一阶自相关并做了预白化处理（Qian et al., 2019; 张嘉仪和钱诚, 2020）。Qian et al.（2019）考虑到序列中存在相同值的情况，又对WS2001 方法进行了完善。本文用Qian et al.（2019）版本的WS2001 方法。

2.2.4 EEMD 多时间尺度分析

集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）是一种时间序列信号分析技术，具有较好的自适应性和局部特征，适用于分析非线性、非平稳的时间序列（Wu and Huang,2009）。该方法是对经验模态分解（Empirical Mode Decomposition, EMD）方法（Huang et al., 1998;Huang and Wu, 2008）的改进，改善了EMD 方法的边界效应和尺度混合的问题（Wu and Huang,2009），逐渐被广泛应用到气候序列的多尺度分析当中（Qian et al., 2009, 2011; Qian and Zhou, 2014;Qian, 2016; Song et al., 2021）。

对于原始信号X(t)，经过EMD 分解后为

其中，Ci(t)为时间序列在第i个固有尺度上的分量，Res(t)为信号经过分解后得到的趋势项。EEMD 的本质是噪声辅助数据分析，将适当大小的白噪声添加到待分解的数据中，经过多次计算后进行平均以模拟多次测量取平均值的情形，可以抵消添加的白噪声，集成均值的结果作为最终结果。本文在对两大林区防火期的FFDI 序列进行EEMD 多时间尺度分析时，集合次数取值1000，扰动噪声与原始信号的信噪比取0.2。

2.2.5 区域平均

中国地域辽阔，自然气候条件复杂，森林分布具有明显的区域特征。东北林区是中国最大的天然林区，主要分布在大、小兴安岭和长白山（许恩银等, 2020）。我国的第二大林区是西南林区，其森林资源主要分布在四川、云南和西藏3 省区交界处的横断山区以及西藏东南部的喜马拉雅山南坡等地区（田晓瑞等, 2012）。两大林区都是我国森林火灾的多发区和重灾区。基于林区的分布范围、气象站点资料的可获取性和代表性，本研究选取了两个典型林业区域，分别为东北林区（38°N～54°N，120°E～136°E）、西南林区（20°N～30°N，98°E～108°E），如图1 所示。在计算两大林区FFDI 及相关变量的区域平均序列时，参考张嘉仪和钱诚（2020）将各站点的变量相对于1981～2010 年的距平序列分配到分辨率2°（纬度）×2°（经度）的网格中，先进行各个格点内所有站点的算术平均得到格点的数值，然后通过对研究区域内的格点进行面积加权平均得到的。

3 结果分析

3.1 FFDI 的适用性研究

森林火灾的发生往往具有明显的季节特征，为了在前人研究（牛若芸等，2007）的基础上进一步验证森林火险气象指数对林区火灾多发期的指示效果，本文首先以两大林区为对象，分析了FFDI 的适用性。由图2a 可知，两大林区的森林火灾发生次数均表现出明显的季节变化特征。在2005～2018 年期间，西南地区森林火灾多发期主要集中在1～5 月，火灾发生次数约占林火发生总数的90%以上。其中，3 月是所有月份中火灾发生次数最多的时段，约占28%。东北地区的森林火灾多发期为3～5 月和9～11 月，这两个时段的火灾发生次数占总数的85%以上。两大林区的逐月FFDI演变图（图2b）显示，东北林区FFDI 的逐月分布为M 型，两个高值期分别在3～6 月和9～10 月；西南林区FFDI 的分布特征为单峰型，FFDI 高值期主要集中在1～5 月。由此可见，FFDI 对两大林区的森林火灾多发期均有很好的指示作用。进一步，我们分别计算了东北（图2c）、西南（图2d）林区的FFDI 与森林火灾发生次数的去线性趋势后的相关关系。结果表明，东北林区的相关系数为0.47（P＜0.01），西南林区的相关系数为0.76（P＜0.01）；FFDI 指数与两大林区的森林火灾发生次数均呈显著的正相关。综上所述，FFDI 指数对于两大林区的适用性较强，这也与牛若芸等（2007）以及于文颖等（2010）得出的结论有较好的一致性。

3.2 FFDI 的空间分布特征

3.2.1 FFDI 气候平均态的空间分布特征

1981～2010 年气候平均的森林火险气象指数具有明显的季节变化和空间分布特征：在春季（图3a），森林火险等级为中级及以上的地区主要集中在东北、华北、内蒙、四川南部、云南、河西走廊和新疆等部分区域。全国约有33%的站点，其火险等级处于中级及以上的水平，是四个季节中最多的；夏季、秋季、冬季对应的中级及以上的高火险站点数分别为18%（图3b）、17%（图3c）和4%（图3d）。在冬季（图3d），全国大部分地区火险等级偏低，火险指数大值区主要集中在西北干旱区和西南部分山区。年平均的火险指数中，火险等级处于中级及以上水平的站点约占14%，主要集中在内蒙和西北地区（图3e）。值得注意的是，在季节以及年平均时间尺度上，新疆等西北地区以及内蒙古等地，其森林火险等级长期维持在一个较高的水平，这与当地高温、低湿、干旱、大风等极端的气象条件有关（曾雪莹等, 2019）。但是，由于这些地区的林区分布范围较小，因而不作为森林火险主要的监测和关注区。

图3 1981～2010 年气候平均的森林火险气象指数火险等级：（a）春季；（b）夏季；（c）秋季；（d）冬季；（e）年平均Fig. 3 Spatial distributions of the category of climatological FFDI during 1981-2020: (a) Spring; (b) summer; (c) autumn; (d) winter; (e) annual average

3.2.2 FFDI 线性变化趋势的空间分布特征

对1961～2020 年各个站点年平均、四个季节平均的森林火险气象指数进行了线性变化趋势分析（图4）表明，全国多数站点的FFDI 呈现增长趋势，局部地区仍有个别显著减少的站点存在。在春季（图4a），全国约有21%的站点呈统计上显著增长趋势，这些站点主要分布在陕甘宁、内蒙古、山西、辽宁的部分地区和长江中下游等地，而在新疆、西藏及黑龙江的部分站点则表现出统计上显著的减少趋势。夏季（图4b）、秋季（图4c）呈显著增长趋势的站点数均有10%，这些站点大多集中在西南地区。在夏季，华东及新疆等部分地区存在显著减少的站点，分布较为密集。新疆等地的FFDI 在夏季减少的幅度要高于秋季。冬季（图4d），全国约有11%的站点呈统计上显著增长的趋势，这些站点主要集中在东北、西南、华北等地。就年平均（图4e）火险指数的变化趋势而言，FFDI 显著增长的站点数约为17%，高于夏、秋、冬季节，其中显著增长的站点主要集中在黄河中游、辽宁南部、西南及广东个别地区。此外，结合图3 及图4可以看出，新疆等西北地区，虽然FFDI 常年处在高值状态，但是在季节及年平均时间尺度上都表现出不同程度的减少态势。我们推测，这可能与西北干旱区气候暖湿化趋势（施雅风等, 2002; Zhang et al., 2021）产生的影响有关。就两大林业区域而言：西南林区的站点总体上呈增长趋势；东北地区随着季节的更替有不同的变化特征，在冬季呈增长趋势的站点数所占的比例最大。

3.3 区域平均的FFDI 及相关气象因子的线性趋势分析

3.3.1 FFDI 及相关气象因子季节线性趋势分析

东北林区区域平均的FFDI 和相关气象因子的线性趋势分析（表1）表明，该林区FFDI 的线性变化趋势在四个季节中均不显著。但是，日最高气温的变化趋势在四个季节中都呈0.05 水平下显著增暖的态势，其中春季和夏季更是在0.01 水平下统计显著的。并且，东北林区的平均风速在四个季节中都呈0.01 水平下统计显著的减小趋势，这与前人得到的“风速减弱”的结论一致（王遵娅等,2004; 任国玉等, 2005; Xu et al., 2006）。平均风速减弱这一变化特征，在一定程度上减缓了东北林区森林火险气象指数的增长速度。此外，该地区春季的干旱指数和干旱因子变化趋势通过了90%的信度检验，分别呈现1.55 mm/10 a 和0.08/10 a 的变干趋势；冬季的干旱因子趋势也在0.05 水平下是统计显著的，达0.1/10 a。而相对湿度在秋、冬两季的线性趋势也至少在0.1 水平下是显著的，分别为-0.35%/10 a（P＜0.1）和-0.56%/10 a（P＜0.1）。这几个指标均向干旱化演变，有利于火险发生。

表1 1961～2020 年东北林区森林火险气象指数及相关因子的线性趋势Table 1 Linear trends of FFDI and related variables in the northeastern forest region during 1961-2020

西南林区区域平均的FFDI 和相关气象因子的变化趋势分析结果（表2）表明，该地区的FFDI在四个季节中都呈现至少在0.1 水平下统计显著地增长趋势，其中，夏季、秋季更是在0.05 水平下统计显著的，趋势系数分别为：0.05/10 a（P＜0.05）和0.04/10 a（P＜0.05）。该地区的干旱指数在4个季节均呈现至少在0.1 水平下显著地增长趋势，且夏季、秋季、冬季相应的干旱因子也呈现统计上显著的变干趋势（P＜0.05）。与东北林区类似，西南林区日最高气温的变化趋势在4 个季节中均呈0.01 水平下统计显著的增长态势。相对湿度在4 个季节的变化趋势均不显著，而平均风速在春季是0.05 水平下统计显著地减小趋势，抑制了FFDI的增长。

结合表1 和表2 可知，两大林区的气候都向着变暖的方向演变，温度作为火险气象因子的一部分，在两大林区森林火险天气的变化过程中发挥着关键性作用（傅泽强等, 2001; 李德, 2013）。东北林区是显著变暖和风速减小起主导作用。西南林区的气候则呈现出了显著的“暖干化”特征，和前人的研究结果一致（苏秀程等, 2014）。由此可见，高温和干旱叠加，使得西南林区的气候向着有利于林火发生的方向演变。

表2 1961～2020 年西南林区森林火险气象指数及相关因子的线性趋势Table 2 Linear trends of FFDI and related variables in the southwestern forest region during 1961-2020

3.3.2 FFDI 及相关气象因子在防火期的区域平均序列分析

图5 显示了1961～2020 年两大林区防火期区域平均的FFDI 距平序列，从中可以看出：东北林区春季（图5a）、秋季（图5b）防火期的FFDI分别在2009 年和2001 年出现历史最高值，而在2013 年和2012 年分别出现最低值；春、秋季FFDI 的线性趋势分别为0.01/10 a 和0.04/10 a，均未通过显著性检验；但呈现很强的年际变率。在西南林区防火期FFDI 距平序列的演变过程中，其春季（图5c）和冬季（图5d）分别以 0.09/10 a（P＜0.1）和0.05/10 a（P＜0.1）的变化幅度增长。期间叠加有明显的年际变率，且分别在1969 年（春季）和2009 年（冬季）达到历史最大值。

图5 1961～2020 年东北林区（a）春季、（b）秋季和西南林区（c）春季、（d）冬季防火期森林火险气象指数的时间序列（实线）以及对应的线性趋势（虚线）Fig. 5 Time series (solid lines) of FFDI in the northeastern forest region in (a) spring and (b) autumn and southwestern forest region in (c) spring and(d) winter during 1961-2020 and their linear trends (dashed line)

森林火险天气是受多个气象因子共同影响的，然而各个气象因子与两大林区防火期FFDI 的密切程度是不同的。因此，我们计算了FFDI 与各气象因子之间的相关关系（如表3 所示）。从表3 可知，东北林区春季FFDI 与KBDI、DF、Tmax、RH 具有较强的相关性，均通过99%的信度检验；其中，FFDI 与RH 的相关性最强且呈显著的负相关，相关系数为-0.79，说明相对湿度与东北林区春季火险天气的关系最密切。秋季防火期中，FFDI 与DF 的相关性最强，相关系数为0.90，两者关系最密切。西南林区春季防火期的FFDI 与各个气象因子均有显著的相关关系（P＜0.01），其中与KBDI、DF、RH 的相关系数均达到0.9 以上；冬季FFDI与KBDI、DF、Tmax有显著的相关性。

表3 1961～2020 年两大林区森林火险气象指数与相应的气象因子之间的相关系数Table 3 Correlation coefficients between the FFDI and corresponding meteorological factors in the two major forest regions during 1961-2020

为了进一步了解与两大林区FFDI 密切相关的气象条件的演变情况，以表1、表2 和表3 为基础，对防火期中线性变化趋势显著（P＜0.01）并且与FFDI 显著相关的气象因子进行了深入分析（图6）。结果表明：东北林区春季的日最高气温总体表现为波动上升的增暖特征（图6a），线性趋势为0.31°C/10 a；东北林区春季防火期的风速（图6b）呈显著减小的趋势（-0.23 m s-1/10 a）；其在2010 年以后略有上升，但仍低于气候平均状态，为负距平。西南林区日最高气温在春季（图6c）、冬季（图6d）的线性变化趋势分别为0.17°C/10 a和0.20°C/10 a；且有明显的年际和年代际变率。该林区冬季的KBDI（图6e）表现为显著的变干趋势，以2.74 mm/10 a 的变化率上升；大值期主要集中在21 世纪且在2009 年达到历史最高值。综上所述，结合林区防火期的FFDI 及相关气象因子的演变特征可知，西南林区的防火形势变得愈发地严峻。值得注意的是，虽然相对湿度与东北林区的两个防火期和西南林区的春季防火期森林火险天气有较大的相关性（表3），但在两大林区防火期中相对湿度的线性变化趋势仅有东北林区的秋季防火期勉强通过90%的信度检验（表1 和表2）。因此，对于相对湿度的变化情况此处不做分析。

图6 1961～2020 年东北林区（a）春季Tmax、（b）春季v 和西南林区（c）春季Tmax、（d）冬季Tmax、（e）冬季KBDI 防火期显著变化的气象因子的时间序列（实线）以及对应的线性趋势（虚线）Fig. 6 Time series (solid lines) of (a) daily maximum temperature (Tmax) in spring and (b) wind speed (v) in spring in Northeastern forest region and(c) Tmax in spring, (d) Tmax in winter, and (e) Keetch Byram Drought Index (KBDI) in winter in Southwestern forest region and their linear trends(dashed lines) during 1961-2020

3.4 FFDI 的多时间尺度变化特征

以上我们对两大林区FFDI 的长期线性变化趋势已经有所了解，进一步我们用EEMD 方法对这两大林区防火期的FFDI 进行多时间尺度演变特征分析。时间序列分解后，共得到4 个波动分量（C1～C4）和一个趋势项（Res）。我们计算了各分量的周期及方差贡献率（表4），可知：东北林区两个防火期的C1、C2 分量均具有准3 年、准7年的周期；西南林区春季的C1、C2 分量周期分别为准3 年、准5 年，冬季的C1、C2 分量周期分别为准3 年、准7 年。两大林区的C3 均呈现10～20 年的周期，C4 则为20～30 年的周期。方差贡献率可用来表示各分量对FFDI 振幅的影响程度，两大林区C1 和C2 的方差贡献率之和贡献了70%以上，其中C1 约贡献50%以上，C2 约贡献16%～26%。由此可见，年际变率在东北、西南林区火险天气的演变中占主导地位。

表4 1961～2020 年两大林区森林火险气象指数的集合经验模分解（EEMD）分量周期及方差贡献率Table 4 Period and variance contribution of the Ensemble Empirical Mode Decomposition (EEMD) components for FFDI series in the two major forest regions during 1961-2020

图7 展示了两大林区防火期的FFDI 各个波动分量依次从高频到低频不同时间尺度的波动特性，趋势项可以表示FFDI 随时间的长期演变特征。为了直观地比较FFDI 的线性趋势与非线性趋势的差异，将FFDI 的线性变化趋势和EEMD 趋势画在一起。从中可以看出，两大林区FFDI 在不同防火期的C1～C4 分量都表现出多波动特征。东北林区春季防火期（图7a）的C1 分量（准3 年周期）在2010 年附近的振幅要明显大于其他时期；C2 分量（准7 年周期）在21 世纪也出现较大振幅；C3 分量（准15 年周期）在1985～1995 年这十年间的振幅较小；C4 分量（准30 年周期）在1970 年代中期和2000 年代中期为峰值区、1990 年左右为谷值区；而EEMD 非线性趋势和线性趋势有明显差异，EEMD 非线性趋势是先快速上升，2000 年后上升速度放缓。由图7b 可知，东北林区秋季防火期的C1 分量（准3 年周期）在20 世纪80 年代至90 年代中期振幅较小，在其他时期的波动特征比较明显；C2 分量（准7 年周期）的变化与C1 分量类似；C3 分量（准20 年周期）在20 世纪80 年代前有较大振幅；C4 分量（准30 年周期）的波动和春季有些类似，也是在1970 年代中期和2000 年代中期为峰值区、1990 年左右为谷值区；EEMD 非线性趋势和线性趋势有明显差异，EEMD 非线性趋势是以20 世纪90 年代为界的，前期为逐渐上升的趋势，1990 年代末转为缓慢下降的趋势。就西南林区而言，其春季防火期（图7c）的C1 分量（准3 年周期）在20 世纪60 年代中后期及2010 年附近出现较大振幅，而在1970～2010 年期间的振幅较小；C2 分量（准5 年周期）的变化与C1 分量类似，都是在中间时段振幅较小；C3 分量（准10 年周期）在20 世纪80 年代之前出现较大振幅，之后呈逐渐减小的态势；而C4 分量（准24 年周期）从20 世纪90 年代开始呈现出较大振幅，1990 年代末是明显的谷值区、2010 年代初是明显的峰值区；EEMD非线性趋势和线性趋势差异较明显，EEMD 非线性趋势在20 个世纪是稳定少变的，到了20 世纪末开始呈现出明显的上升态势。西南林区冬季防火期（图7d）的C1 分量（准3 年周期）在20 世纪60年代中后期及2009 年附近出现较大振幅；C2 分量（准7 年周期）在整个时段上都表现出明显的波动特征；而C3 分量（准12 年周期）从20 世纪80年代初到2000 年附近的振幅较小，变化比较平稳；C4 分量（准30 年周期）在1970 年代初和2010 年左右为峰值区、1990 年代初为谷值区；EEMD 非线性趋势的变化情况和线性趋势较为接近，总体表现出逐步上升的过程，只是EEMD 的趋势在后期略大。

综上，从两大林区的线性趋势和非线性趋势的对比来看，基于EEMD 得到的非线性趋势能更好地反映出FFDI 序列的阶段性演变细节。

4 结论和讨论

本文以FFDI 作为森林火险天气的度量指标，分析了该指数的适用性及空间分布特征，进而重点分析了东北、西南两大林区FFDI 及相关气象因子的线性变化趋势；最后，利用EEMD 方法揭示了两大林区1961～2020 年森林火险天气演变的多时间尺度特征，得出的主要结论如下：

（1）东北地区FFDI 大值期主要集中在春季、秋季；西南地区的FFDI 高值期为春季和冬季。整体来看，FFDI 高值期与两大林区的森林火灾多发期均有很好的对应关系，且FFDI 与两大林区的森林火灾发生次数均呈显著的正相关关系，表明我们使用的森林火险天气指标适用性较好。

（2）在FFDI 线下变化趋势的空间分布中，春季呈显著增长趋势的站点数要多于其他季节，达到了21%；夏、秋两季呈显著增长趋势的站点数均为10%；冬季约有11%的站点呈显著增长的趋势，且这些显著增长的站点较多地出现在辽宁、河套地区和西南。

（3）就两大林区区域平均而言，东北林区FFDI 的线性变化趋势在四季都不显著。但FFDI

相关的气象因子中的日最高气温在四季都呈现至少0.05 水平下显著的变暖趋势，有利于FFDI 的增长；平均风速在四季都呈现0.01 水平下显著减弱的趋势，在一定程度上抑制了FFDI 的增长趋势。而西南地区四季的FFDI 都呈至少是0.1 水平下的显著增长态势，其中春、冬季防火期变化幅度分别为0.09/10 a（P＜0.1）和0.05/10 a（P＜0.1）。夏季、秋季、冬季三个季节是在显著变暖背景下又显著变干（P＜0.05），朝着“暖干化”的气候特征演变，显著增加了西南林区发生极端火险天气的可能性。总体上看，西南林区的防火形势变得愈发地严峻，并且除了要关注西南林区的防火期之外，对其他时期也需要引起足够的重视。

（4）EEMD 多时间尺度分析结果表明，两大林区防火期的前两个年际尺度分量（C1 和C2）的方差贡献率之和超过70%，占主导地位。东北林区两个防火期的C1、C2 分量均具有准3 年、准7年的周期；西南林区春季的C1、C2 分量周期为准3 年、准5 年，冬季的为准3 年、准7 年。通过趋势项可知，东北春季和秋季防火期FFDI 的非线性趋势分别呈先快速上升后减缓和先快速上升后转为下降的趋势；西南春季防火期FFDI 的非线性趋势从20 个世纪的稳定少变转为21 世纪开始呈现快速上升的趋势，冬季防火期FFDI 则总体呈稳步上升趋势。与线性变化趋势相比，基于EEMD 得到的非线性趋势能更好地反映出火险天气的阶段性演变细节。

本文通过EEMD 方法对两大林区FFDI 的多时间尺度特征进行了分析，得到了FFDI 序列的非线性趋势阶段性演变细节，表明在东北、西南林区中FFDI 的阶段性演变特征是不同的。对相关气象因子也进行EEMD 分解提取各自的非线性趋势项（图8），可以探讨它们在FFDI 的非线性趋势阶段性演变中的作用。东北林区春季防火期（图8a）FFDI 所呈现的先快速上升后减缓的趋势，是由于v一直呈现减小趋势从而抑制FFDI 增长，其他几个因子KBDI、DF、Tmax、RH 均有利于FFDI 增长。东北林区秋季防火期（图8b）FFDI 所呈现的先快速上升转为下降的趋势，是由于v一直呈现减小趋势从而抑制FFDI 增长，加上RH 在2010 年之后也向增加（抑制FFDI）的方向转变。西南林区春季防火期（图8c）FFDI 所呈现的21 世纪开始快速上升的趋势以及冬季防火期（图8d）FFDI 的稳步上升趋势，则是由于v从21 世纪开始转为明显的增长态势；虽然冬季RH 呈现的增长趋势抑制FFDI，但是不足以抵消其他因子对FFDI 的正向作用。由此可见，v的趋势转变可能是造成西南林区FFDI 阶段性演变有别于东北林区的关键因子。

图8 1961～2020 年两大林区防火期相关气象因子KBDI、DF、Tmax、RH 和v 的EEMD 趋势。为便于比较，相应FFDI 的EEMD 趋势也展示在最下方Fig. 8 EEMD trends of related meteorological factors KBDI, Drought Factor (DF), Tmax, Relative Humidity (RH), and v in the fire seasons of the two forest regions during 1961-2020. For ease of comparison, the EEMD trend of corresponding FFDI is also shown at the bottom

致谢感谢两位匿名审稿人和常务编委提出的宝贵建议。