哈尔滨城市林业示范基地5种典型人工林地表死可燃物含水率的预测1)

李保中 刘鑫源 于淙 韩宇 倪宝新 李妍 徐艳景 杨光

(东北林业大学，哈尔滨，150040)

林火作为一种重要的生态因子，对森林的发生、演替及消亡都有重要的影响和作用[1]。当今气候变化背景下，森林火灾呈多发趋势，掌握火灾的发生发展规律，及时遏制林火的蔓延，最大限度减少森林火灾对森林资源和人民财产的危害非常重要[2]。2016年5月1日，加拿大艾伯塔省麦克默里堡马河森林火灾造成大约90 000人被迫撤离，摧毁了3 244幢住宅和建筑，并烧毁了约589.552 hm2森林[3]。2019年，全国共发生火灾2 345起，重大火灾8起、特大火灾1起，2020年3月的四川西昌森林火灾造成19人遇难[3]。因此林火的预测预报在今天尤为重要。

地表死可燃物含水率的高低是林火能否发生的关键因素，也是预测预报的关键因子[4-6]。地表死可燃物含水率越低，越容易被引燃，起火后越难阻止火灾的蔓延[7]。地表死可燃物含水率又和温度、相对湿度、风速、降水量等气象要素密切相关[8-9]，因此，研究气象要素与地表死可燃物含水率的关系是是预测预报森林火险的关键。森林地表死可燃物与活可燃物不同，地表死可燃物更容易在短期内受到外界综合因素的变化而发生改变[10-11]，研究地表死可燃物含水率与气象因子的关系也是森林火险预测的核心内容[4-6]。刘昕等[12]运用气象要素回归法、平衡含水率法和遥感估测法等建立地表死可燃物含水率预测模型，三种方法的预测都有一定误差，将气象要素回归法和平衡含水率法二者结合对含水率的预测效果较好；于宏洲等[13-15]以小时为步长对大兴安岭典型林分地表死可燃物含水率进行预测并进行外推精度的分析研究；满子源等[16]研究了帽儿山典型地表死可燃物含水率动态变化及预测模型；张运林等[17]在室内进行了模拟，研究了空气温湿度对不同结构的红松松针床层含水率动态变化影响；张冉等[18]对大兴安岭林区典型森林和草甸地表死可燃物的含水率进行了模型预测；孙龙等[19]对森林地表死可燃物含水率预测模型的研究进展进行了总体概括。综合来看地表死可燃物含水率的预测模型主要分为4种：气象要素回归法、平衡含水率法、遥感估测法和过程模型法。目前遥感估测法估算的精度较差，只适用于大尺度范围，低植被下的含水率预测受到较大限制；平衡含水率法容易受到外界温湿度变化易出现实际值与理论值不符，仍处于探索阶段；过程模型法过程复杂，在实际用用中难度比较大[20-21]；在我国北方将气象要素和平衡含水率结合对森林地表死可燃物含水率预测取得较好应用。本实验对哈尔滨市城市林业示范基地5种典型人工林的气象要素和地表死可燃物含水率进行测量，并通过回归分析，建立森林地表死可燃物含水率预测模型，为森林地表死可燃物含水率预测和林火预测预报系统提供基础数据。

1 研究区概况

研究区位于黑龙江省哈尔市城市林业示范基地(126°37′458″E，45°43′464″N)，该区属于中温带大陆性季风型气候，全年平均气温3.5 ℃，最高气温38 ℃，最低气温-37 ℃，年平均降水量为534 mm。研究区地势平坦，原为哈尔滨市周边绿化进行树种选择实验基地，人工林均为20世纪50年代末至60年代初营造。植被类型主要有白桦(Betulaplatyphylla)、蒙古栎(Quercusmongolica)、胡桃楸(Juglansmandshurica)、水曲柳(Fraxinusmandschurica)、黑皮油松(Pinustabuliformisvar.mukdensis)、樟子松(Pinussylvestrisvar.mongolica)、落叶松(Larixgmelinii)等[22-25]。土壤类型为地带性黑钙土，腐殖质含量高，土层深厚，林下地表死可燃物积累较多，土壤肥力和水分条件良好。

2 研究方法

2.1 数据获取

选取白桦、黑皮油松、蒙古栎、水曲柳、兴安落叶松等5种人工林，于2020年秋季防火期(10月26日—11月28日)，在林内架设便携式气象站和太阳辐射仪，记录气温、相对湿度、风向、风速、太阳辐射值(紫外光，可见光)、降水量、降水持续时间等气象要素。将一天24 h划分为4个阶段，并按此设置好气象站与太阳辐射仪记录数据的时间间隔。5次记录时间为：08:00、10:00、12:00、14:00、16:00，相邻两次时间间隔均为2 h。每种林分随机设置3块样地，每个样地每次5个采样点(20 cm×20 cm)随机取样，将样方内地表死可燃物全部收集。每个采样点收集的地表死可燃物约100 g。为保证选取的样品具有代表性，在取样时，对阳光直射和阴影区的地表死可燃物都进行采样，采样后先称量鲜质量，然后将样品带回实验室用烘箱(105 ℃)烘干至恒质量。

2.2 数据处理

将带回实验室的样品烘干后计算含水率，地表死可燃物含水率由5个采样点的地表死可燃物含水率的平均值计算，对地表死可燃物含水率和气象要素观测数据进行统计分析，得出最小值，最大值和平均值。

本研究的地表死可燃物含水率为绝对含水率，计算公式如下：

式中：M是地表死可燃物绝对含水率，W1、W2分别是地表死可燃物的鲜质量和干质量。

2.3 模型建立与误差检验

本试验采用气象要素回归法和随机森林法，通过对气象要素与地表死可燃物含水率的相关性进行分析，根据不同气象要素与地表死可燃物含水率的相关性，建立含水率预测模型。

气象要素回归方法。通过对气象要素与地表死可燃物含水率的皮尔森(Pearson)相关性分析，选择与含水率显著相关的气象因子，采用逐步回归的方法运用SPSS 25.0来建立模型。

地表死可燃物含水率模型如下：

式中：M是地表死可燃物含水率，Xi是前2个小时和当前时刻的温度、相对湿度、风速、风向、降水量等气象要素，bi是不同气象要素对应的待估参数。

随机森林算法。近几年，国外已有学者将随机森林算法应用于林火的预测预报，取得较好的效果[26-31]。随机森林是目前在回归问题和分类上应用范围较广的一类集成学习方法，它通过随机化的决策树的结果进行预测[32]。由于算法是决策树的集合，所以成为随机森林。它的原理简单来说就是在任何一个时间点，决策树集合中的每一棵树都是由一个样本建立的。样本选择是在训练数据集中完成，在决策树的构建过程中，最优特征每次都在一个随机子集中选择，极大减少模型的变化，产生性能更好的广义模型。随机森林因其在数据上的优越性，在各个领域(生态学、生物信息学、数据挖掘等)都有较好的应用，在实际应用中取得了优异性能[33]。本实验采用随机森林算法，以气象要素为基础，来建立模型并预测地表死可燃物含水率。随机森林模型是根据R语言中Random Forest包来见建立的。

将统计分析全部数据组的70%建立气象要素回归模型，余下30%数据组进行模型误差检验。具体公式如下：

式中：MAE为平均绝对误差，RMSE为均方根误差，Mi是地表死可燃物含水率实测值，Mii是地表死可燃物含水率预测值。

3 结果与分析

3.1 地表死可燃物含水率影响因子

表1为10月26日—11月18日获取气象要素和含水率数据，每种林分每天观测5次，连续观测23 d，获得115组数据。经过对数据进行统计分析，得到不同林分气象要素和地表死可燃物含水率统计特征。

表1 不同林分气象要素和地表死可燃物含水率统计特征

林分类型太阳可见光辐射量/lx最小值最大值平均值前12h降水量/mm最小值最大值平均值地表死可燃物含水率/%最小值最大值平均值白桦2.00435005649.7903.40.078.90123.7924.37黑皮油松0104101543.0602.00.041.00131.2123.66蒙古栎1.00386007141.9803.50.073.37134.6219.74水曲柳13.00277006006.1103.50.0712.39138.3124.32兴安落叶松0218003696.5603.50.0714.46164.3929.74

由表2可知，5种林分的地表死可燃物含水率与温度均呈极显著负相关(P<0.01)；5种林分的地表死可燃物含水率与相对湿度呈极显著正相关(P<0.01)，显著性由高到低顺序为：兴安落叶松、白桦、蒙古栎、黑皮油松、水曲柳；兴安落叶松林地表死可燃物含水率与风速呈现显著正相关(P<0.05)；蒙古栎地表死可燃物含水率与太阳辐射紫外光呈显著负相关(P<0.05)；5种林分地表死可燃物含水率都与前12 h降水量呈极显著正相关(P<0.01)。

表2 不同类型地表死可燃物含水率与气象要素的相关性系数

3.2 多元线性回归地表死可燃物含水率预测模型

由表3可知，白桦林预测模型的平均绝对误差和均方根误差最大，预测结果不理想；黑皮油松林预测模型的误差相对较小，预测结果相对较好；蒙古栎林和水曲柳林预测模型的预测效果一般；兴安落叶松的模型平均绝对误差和标准误差最小，相对其他林分的预测结果最好。

由图1可知，持续干旱时地表死可燃物含水率0～40%，3次短暂降水内地表死可燃物含水率的突然剧增导致短期内数据预测出现较大偏差。原因是在降水期内，地表死可燃物含水率主要受到降水影响，受其他气象因子影响不明显。白桦林地表死可燃物含水率预测值和实测值分布在1∶1直线两侧，总体比较分散，未呈现均匀分布；黑皮油松和兴安落叶松地表死可燃物含水率预测值和实测值大都分布在1∶1直线两侧，均匀性较差；蒙古栎和水曲柳林较好的分布在1∶1附近，并且分布集中，结果较好。

表3 地表死可燃物含水率预测模型及其误差

图1 地表死可燃物含水率实测值与预测值1∶1图

3.3 随机森林地表死可燃物含水率预测模型

由表4可知，温度对于水曲柳林地表死可燃物含水率预测结果的重要性占比最大，其它林分地表死可燃物含水率预测结果重要性占比最大的均为相对湿度。白桦、蒙古栎和兴安落叶松林分内温度和降水量对预测结果影响相对较弱，紫外光、可见光和风速对预测结果的影响微弱；可见光、温度和降水量对黑皮油松地表死可燃物含水率预测结果影响相对较弱，紫外光和风速对预测结果影响微弱；水曲柳林相对湿度和降水量对预测结果影响相对较弱，可见光、紫外光和风速对预测结果影响微弱。

表4 不同类型地表死可燃物气象要素重要性评价

地表死可燃物类型不同气象要素的节点纯度温度相对湿度风速太阳紫外光辐射太阳可见光辐射前12h降水量白桦林地5548.0415438.76762.451258.421687.634994.51黑皮油松林地100.0244562.09120.6730.145412.36207.46蒙古栎林地3219.3625025.31119.381187.472316.917430.43水曲柳林地9807.918564.42874.362673.143276.188710.25兴安落叶松林地80.1663427.390.13210.7817.2134.27

由表5可知，水曲柳林地表死可燃物含水率预测的平均绝对误差最大，预测效果不理想；黑皮油松和兴安落叶松林的预测平均绝对误差最小，对比其它林分效果最好；蒙古栎和白桦林的预测误差相对较小，预测效果相对较好。

由图2可知，黑皮油松林地表死可燃物含水率的预测值与实测值直线斜率最接近，预测值与实测值分布相近，效果最好；兴安落叶松林的预测值与实测值直线斜率较接近，效果比较好；白桦、蒙古栎和水曲柳林的预测值与实测值斜率偏离较大，预测值与实测值分布较分散，预测效果不理想。

表5 随机森林预测模型误差

3.4 气象要素回归法与随机森林比较

由表3、表5可知，气象要素回归法建立模型5种林分的平均绝对误差和均方根误差的变化范围分别是12.67%～21.36%和18.07%～49.23%。随机森林的模型的平均绝对误差和均方根误差的变化范围分别是8.35%～9.50%和15.71%～19.48%。随机森林预测结果中白桦林、黑皮油松林、蒙古栎林和水曲柳林的决定系数均大于气象要素回归预测模型，只有兴安落叶松林的决定系数略小于气象要素回归法预测值。随机森林的总体误差变化范围只有1.15%，不同林分之间的误差变化也较小，平均绝对误差均小于气象要素回归法模型的误差，均方根误差除了兴安落叶松外，其它4种林分均小于气象要素回归法的均方根误差，所以随机森林方法在地表死可燃物含水率预测的准确性方面比气象要素回归法要更精确。

4 结论与讨论

通过对白桦林、黑皮油松林、蒙古栎林、水曲柳林、兴安落叶松林等5种人工林地表死可燃物含水率和气象要素关系的研究，结果表明：(1)试验期间，兴安落叶松林地表死可燃物含水率变化范围最大，白桦林地表死可燃物含水率动态变化范围最小。(2)不同林分地表死可燃物对于气象要素动态变化的敏感程度不同，白桦林、黑皮油松林、水曲柳林的地表死可燃物含水率与温度、相对湿度、前12 h降水量极显著相关(P<0.01)；兴安落叶松林地表死可燃物含水率还与风速显著相关(P<0.01)；蒙古栎林地表死可燃物含水率与温度、相对湿度、前12 h降水量极显著相关(P<0.01)，与紫外光显著相关(P<0.05)。(3)采用气象要素回归法建立的5种林分地表死可燃物含水率预测模型，平均绝对误差和均方根误差的变化范围分别是12.67%～21.36%和18.07%～49.23%，黑皮油松林和兴安落叶松林的平均绝对误差和均方根误差相对较小，总体来看模型预测效果较好；白桦林、蒙古栎林、水曲柳林模型的平均绝对误差和标准误差较大，预测效果较差。(4)运用随机森林对5种林分地表死可燃物含水率进行预测，5种林分平均绝对误差和均方根误差的变化范围分别是8.35%～9.50%和15.71%～19.48%。随机森林方法相比于气象要素回归法，误差范围更小，不同林分之间的差异性也更小。

有关专家运用气象要素回归法预测蒙古栎-红松混交林和白桦林内地表死可燃物含水率，对非降水、降水、全部数据分别进行预测，结果显示非降水的数据优于全部数据，降水数据的结果最差[34-37]。降水导致地表死可燃物含水率短期内剧增，解释了本试验中降水期内少数预测值和实测偏差较大的原因。气象要素回归法中平均绝对误差(12.67%～21.36%)的范围与满子源[16]等建立的模型差距较大，随机森林法平均绝对误差的范围为8.35%～9.50%，预测更加精确。

图2 不同地表死可燃物含水率预测值与实际值1∶1图

本试验以5种人工林地表死可燃物为研究对象，采用气象要素回归和随机森林两种方法建立含水率预测模型，随机森林法对极端天气下森林地表死可燃物含水率预测预报的普适性较高，在提高森林火灾预测预报准确率，预防森林火灾的发生方面有广泛的应用前景。