基于MODIS数据的全国林灌草火点时空特征分析

摘 要：【目的】为在空间、时间尺度上对我国全域林灌草火灾发生特征有清晰的认知，进而对森林草原火灾预防决策提供参考。【方法】选用2003—2022年MODIS卫星火点数据产品和土地覆盖数据产品，以全国陆地区域作为研究范围，利用优化的热点分析方法来分析林灌草火点的空间分布特征；统计分析年际、月度以及我国传统节日林灌草火点的时间分布特征，并采用Mann-Kendall趋势分析法从年际、月度分析林灌草火点的时间变化趋势。【结果】1）林灌草火点的稠密区域主要分布在我国的广东省、云南省、广西壮族自治区和黑龙江省，稀疏区域主要分布在我国的河南省、河北省和山东省。2）属于草的卫星火点数量最多，主要发生在春季和冬季；属于灌丛的火点数量最少，主要发生在夏季。3）卫星火点数量在我国七大传统节日中占比排名前三的是：春节、清明节、劳动节。4）2003—2022年的年际和月度林灌草火点数量呈现波折起伏的走势，在年际变化上，2015年为全国火点数量发生突变年；在月度上，5月是火点数量发生突变的月份。【结论】1）我国南部火点稠密，中东部火点稀疏，且2003—2022年疏密区域未发生明显迁移，因而在实施防火部署时可进行差异化管理。2）春、冬两季草地分布的区域以及阔叶林分布区域在春、夏两季需加强防火管理。

关键词：森林防火；MODIS；Mann-Kendall趋势分析；优化的热点分析法；时空分布规律

中图分类号：S762.1 文献标志码：A 文章编号：1673-923X（2024）09-0050-10

基金项目：国家重点研发计划项目（2022YFC3003100）。

Spatio-temporal distribution pattern of forest， shrub and grass fire spots in China based on MODIS data

JIANG Feng， QIN Xianlin， HUANG Shuisheng， HU Xinyu， YANG Xinyuan， MENG Fangxin

（Key Laboratory of Forestry Remote Sensing and Information Technology， National Forestry and Grassland Administration， Institute of Forest Resource Information Techniques， Chinese Academy of Forestry， Beijing 100091， China）

Abstract：【Objective】This paper is aim to have a clear understanding of the dynamic changes of forest fire occurrence in China from space and time scale， which provides reference for forest fire prevention decision.【Method】Taking the national land area as the study area， MODIS fire point data products as satellite hot spots （SHS） and land cover data products in 2003-2022 were selected to explore the spatial distribution characteristics of forest and shrub fire spots in 2003-2022 by using optimized hot spot analysis method. Statistical methods were adopted to analyze interannual， monthly and traditional festivals’ characteristic. Mann-Kendall trend analysis method was used to study the trend of distribution of fire spots in forest， shrub and grass.【Result】（1） Dense regions of SHS were mainly aggregated in Guangdong province， Yunnan province， Guangxi Zhuang Autonomous Region and Heilongjiang province. Sparse regions of SHS were mainly concentrated in Henan， Hebei and Shandong province. （2） The number of SHS in grass was the highest frequency， which were mainly distributed in spring and winter， while the number of SHS in shrub was the lowest， which were significantly distributed in summer. （3） The rank of the top three of the seven traditional festivals in the number of SHS were as follows： Spring Festival， Tombsweeping Day and Labor Day. （4） According to the inter-annual and monthly statistics of the number of forest shrub fire spots from 2003 to 2022， the number of SHS showed a fluctuating trend. In terms of inter-annual changes， 2015 was the year of abrupt change in the number of SHS. For monthly， May was the month of abrupt change in the number of SHS.【Conclusion】（1） SHS are clustered in the south and are sparse in the central and eastern regions， and no obvious migration occurs in the gathering regions from 2003 to 2022. Therefore， differentiated management can be carried out when implementing fire prevention deployment. （2） The distribution areas of grassland in spring and winter and broad-leaved forests in spring and summer need to strengthen fire prevention management.

Keywords： forest fire prevention； MODIS； Mann-Kendall trend analysis； optimized hot spot analysis； spatio-temporal distribution pattern

森林火灾是一种突发性强、破坏性大的自然灾害，不仅破坏森林资源，同时还会对人类生命财产安全造成严重威胁和损伤[1]。统计年鉴表明，2021年我国发生森林火灾共616次，受害森林面积达4 457 hm2，其他损失总计3 324.1万元[2]。火灾的肆虐也增加了温室气体的排放[3]，同时是CO和其他空气污染物的主要来源[4-6]。自1987年大兴安岭“5·6”大火之后，我国高度重视森林防火，制定了大量森林火灾防控政策与措施，每年都投入了大量的人力、物力实施火灾预防监控和应急工作。了解和掌握林火的时间和空间分布状态与规律是顺利开展上述工作的重要基础，将为增强政策措施针对性、提升资源投入效用、提高预防监控能力提供科学依据。

目前对于林火的时空分布特征的研究可概括为两大类，一类是利用每年的统计资料对森林火灾发生数量、发生时间等进行统计并结合函数分析，进而表征林火时空分布规律。如高博等[7]利用1997—2017年森林火灾资料并结合气象数据，研究了大兴安岭地区的森林火灾月度变化，并使用逐步回归方法建立了火灾发生预测模型；黄嘉文等[8]采用泊松分布函数拟合火灾数量的分布情况、主成分分析方法表征火灾数量年际波动情况以及聚类分析划分林火级别，分析了1998—2017年我国南北方地区森林火灾的时空特征；乔泽宇等[9]使用Mann-Kendall趋势检验法表征了2001—2007年我国森林火灾数量的变化趋势；苏立娟等[10]分析统计了我国森林火灾年际变化次数、火场面积年际变化、森林成灾面积、成林蓄积损失等火灾相关指标，利用主成分分析，对省域森林火灾状况划分等级；杨广斌等[11]利用过火面积、过火有林地面积、火灾强度等火灾相关指标，表征了北京市1986—2006年森林火灾年际变化规律；Lee等[12]采用时间序列分析方法对月度林火发生次数和过火面积进行分析，并对林火发生次数、过火面积和过火面积增长率进行F检验，以了解月度林火特征；Yi等[13]通过统计火灾数量、过火面积等指标，表明1950—2010年中国火灾的影响情况。另一类是利用GIS空间分析功能，分析火点在空间位置上的分布特征和规律。阙华斐等[14]利用时空立方体模型，将林火在空间维度上的变化和时间尺度联系起来，对湖南省2007—2017年林火时空分布规律进行研究，形成了时间序列图；田野等[15]采用ArcGIS软件的空间分析功能及SPSS软件的统计分析功能，对丽江地区1984—2008年森林火灾的时空分布规律进行了研究，探讨了不同海拔高度、坡度坡向、可燃物类型条件下火点的空间分布特征；Tian等[16]采用空间聚类分析（Ripley’s K）对我国北方各省森林火灾的空间分布格局进行分析；Liu等[17]采用SPSS软件进行统计分析、克里金插值法生成空间分布图，分析了我国东北地区吉林省森林火灾发生频率和过火森林面积的时空分布；Reddy等[18]运用热点分析法对南亚地区森林火灾的时空格局和热点识别进行了研究；Qin等[19]利用我国陆地区域的2000—2011年MODIS卫星火点和同时段的森林火灾统计资料，对我国植被火的发生时空规律进行了分析，并认为MODIS卫星火点可较好地反映我国森林火灾发生的时空分布。

综上，国内外对火灾的时空分布特征进行了大量研究，但国内对于时空分布特征的研究主要集中于局部区域或较短时间序列，因而目前对我国全域范围长时间序列的火点时空分布特征的研究较为稀缺。本研究以全国陆地区域作为研究范围，以GIS空间分析功能为依托，利用2003—2022年的MODIS火点产品，采用优化的热点分析[20-21]、Mann-Kendall趋势分析法[22]，分析这20年我国林灌草的卫星火点的时空分布特征，拟揭示全国林灌草火的发生规律，并为区域间差异性防火提供理论依据。

1 研究数据与方法

1.1 数据来源及处理

因2000—2002年6月前，仅Terra卫星运行。为减少卫星观测时次不一致的影响，选用了2003—2022年Terra/AQUA MODIS卫星火点矢量数据（MOD14/MYD14 V6.1，shp格式），该数据来源于NASA共享的产品；从卫星火点矢量数据中挑选出置信度>75%且位于中国区域内的点数据。土地覆盖产品选用NASA共享的MOD12Q V6.1产品；对2003—2022年间每年的MOD12Q数据中的IGBP数据层进行格式转换、拼接、投影变换、掩膜和类别合并等处理，生成覆盖全国的土地覆盖类型图，类别包含森林（针叶林、阔叶林、混交林）、灌木、草原和其他。

使用每年土地覆盖矢量图中的森林、灌木和草原地类（以下简称林灌草）筛选相应年份的卫星火点数据，选出属于林灌草区域且置信度>75%的卫星火点数据，用于全国火点时空分布特征分析。

利用Python语言编程获取2003—2022年节假日信息，并结合政府法定节假日休假通知进行验证，制作出2003—2022年工作日、周末和传统节假日的表格。将筛选完成的火点导出表格数据，在Excel中利用公式赋予火点工作/周末/传统节假日属性，用以分析全国林灌草火点在节假日中的分布特征。

1.2 研究方法

我国从1953年开始制定第一个“五年计划”以来，国民经济发展规划及中短期考核年份间隔通常为5 a；据全国森林防火规划（2016—2025年）[23]，其中，近期规划为2016—2020年，远期规划为2021—2025年，采用的时间间隔为5 a，因而本文中选用5 a作为我国火点发生分析规律的时间间隔；基于处理后的MODIS火点数据，采用优化的热点分析方法，以每5年作为时间间隔对全国林灌草火点的空间规律进行分析；采用统计分析、Mann-Kendall趋势分析方法对全国林灌草火点的时间规律进行分析。

1.2.1 优化的热点分析方法

其原理是假设存在事件点或权重要素，使用Getis-Ord Gi*统计数据创建具有统计显著性的热点和冷点的分布区域。该方法自动聚合事件数据，识别适当的分析范围，并纠正多重测试和空间依赖性[19]。本研究按县级区域对卫星火点数量进行统计，作为热点分析的输入数据，对分析结果以置信度≥95%的区间来统计全国冷热点区域的数量情况。热点区域指空间上分布的火点数量密集，冷点区域指空间上分布的火点数量稀疏，利用该方法制成冷热点分析图，用以分析火点的空间分布特征。

1.2.2 Mann-Kendall趋势分析

Mann-Kendall趋势分析方法是一种非参数统计检验方法，不需要样本服从某种分布，也不受少数异常值的干扰，定量化程度较高，检测范围较广，计算方便，广泛运用于时间序列上水文、温度和气候等趋势变化分析[21]。本研究以属于林灌草的卫星火点发生的年份或者月份为自变量，属于林灌草的卫星火点数量为因变量，利用该方法来分析火点的时间分布特征。具体方法如下。

2 结果与分析

2.1 全国林灌草火点空间分布特征

2.1.1 火点聚散情况的空间分布特征

经统计，香港、澳门和台湾等3个地区内的卫星火点数量极少，统计学意义较弱。样本的数量多少对于显著性检验的结果有一定的影响，为了避免对统计结果的干扰，本研究在进行冷热点分析时未将这3个地区纳入分析。

经处理后属于林灌草的卫星火点数量全国总计230 403个，对卫星火点进行热点分析，以明晰卫星火点在空间上的聚集情况，文中以县为单位统计的火点数据作为输入数据进行分析。从冷热点区域南北方分布占比来看，2003—2007年热点区域在南方占比为93.14%，2008—2012年占比为94.26%，2013—2017年占比为88.15%，2018—2022年占比为88.38%；冷点区域在北方的占比情况依次为76.36%、66.75%、60.10%、61.41%。从冷热点区域分布省市来看，热点区域主要分布在我国的广东省、广西壮族自治区、云南省和东北大兴安岭地区，冷点区域主要分布在我国的河南省、河北省和山东省（图1～4）。

从冷、热点区域数量变化情况来看，2003—2022年热点区域数量共计2 013个，冷点区域数量共计3 770个（表1）。2003—2017年，热点区域、冷点区域数量呈现增加的走势，但2018—2022年的热点区域、冷点区域数量减少。2013—2017年冷点区域的增加幅度最大，较上一个五年增加了567个冷点区域；2018—2022年热点区域的减少幅度最大，较上一个五年减少了262个热点区域。2008—2012年热点区域数量增加最多的是江西省，广东省热点区域数量减少最多，冷点区域数量增加最多的是四川省，山西省冷点区域数量减少最多；2013—2017年热点区域数量增加最多的是广东省，冷点区域数量增加最多的是山西省，热点区域数量减少最多的是福建省；2018—2022年热点区域数量增加最多的是四川省，辽宁省冷点区域数量减少最多。

从冷热点区域中位数中心的迁移情况来看，热点中位数中心的迁移趋势为“广东省清远市—广西壮族自治区贺州市—广西壮族自治区桂林市—广西壮族自治区河池市”，呈现出逐渐向西北方向迁移的特征；冷点中位数中心的迁移趋势为“河南省濮阳市—山东省菏泽市—河南省新乡市—河南省开封市”，表现出逐渐向西南方向迁移的特征（图5）。

2.1.2 火点在林灌草中的空间分布特征

植被类型不同，火蔓延燃烧的速度不同。将森林（针叶林、阔叶林、混交林）、灌丛、草原与火点进行叠加，统计分析火点在林灌草中的分布状况，结果如图6所示。从卫星火点在林灌草中的分布比例来看，大小排序为草原>森林>灌丛，草原内卫星火点比例高达80%。森林中火点占比情况排序为阔叶林>混交林>针叶林。

2.2 全国林灌草火点时间分布特征

2.2.1 年际特征

从卫星火点年际统计结果（图7）来看，2003—2022年卫星火点呈现波折起伏后又处于平稳的态势。2003—2007年卫星火点呈现先降低后增加的态势，2004—2005年卫星火点数量大幅减少，减少了6 426个；2008—2012年卫星火点呈现降低的态势，2008年卫星火点数量达到峰值，由于2008年北方经历严重干旱、南方遭受雪灾，加之可燃物堆积等原因，为火灾发生创造了有利条件；2013—2017年卫星火点呈现先增加后减少的态势，国家气候中心监测数据显示，2014年是1880年至2022年有记录以来的最暖年，我国平均温度较常年偏高0.5℃，火点在2014年达到峰值后减少；我国为应对气候变暖做着不懈努力，因而2018—2022年卫星火点呈现平稳的态势。从Mann-Kendall检测曲线图看，曲线交点是2015年前后，即全国卫星火点数量发生突变的年份（图8）。

2.2.2 月度特征

据2003—2022年全国林灌草区域内卫星火点月度统计结果（图9）可知，卫星火点数量分布特征呈现出驼峰的态势，第一峰的峰值出现在3月（45 516个），第二峰的峰值出现在10月（19 241个）；居前三位的月份依次为3月、2月和4月，共计占全年卫星火点总数量的49.46%；卫星火点数量最少的三个月份依次为7月、8月和9月。据全国卫星火点在林灌草中月度数量统计结果（图10）可知，草原中火点主要分布在春季（46.11%）和冬季（24.16%）；森林中火点主要分布在春季（47.64%）和夏季（26.60%）；灌丛火点主要分布在夏季。从Mann-Kendall检测曲线结果（图11）得知，曲线的交点在5月左右，即卫星火点数量发生突变点。

2.2.3 节假日特征

据2003—2022年节假日卫星火点数量占比统计结果（图12）可知，火点数量总计占比最多的依次是春节（34.63%）、清明节（27.59%）和劳动节（17.12%），最少的是中秋节（1.12%）。春节、清明节和劳动节假期总时长占七大传统节日总时长的50.56%，三大节日卫星火点数占总量的79.34%。

据2003—2022年三大节假日卫星火点数量统计结果（图13～14）可知，从春节发生情况来看，森林中的火点、草原中的火点在2011年、2014年分布较多；从清明节发生情况来看，森林中的火点、草原中的火点在2012年分布较多；从劳动节发生情况来看，森林中的火点、草原中的火点在2003年、2007年分布较多。

3 结论与讨论

3.1 讨 论

选取全国区域2003—2022年MODIS卫星火点和土地覆盖数据，采用优化的热点分析方法、Mann-Kendall趋势分析方法和统计分析方法，分析了全国林灌草火点的时空分布特征，并探索了冷、热点区域的空间分布规律以及年际、月度、节假日的时间发生规律。

本研究利用优化的热点分析方法，分析出中国区域卫星火点聚集的地方即热点区域和卫星火点稀疏的地方即冷点区域。火点空间分布整体呈现出“南部热点区域聚集，中东部冷点区域聚集”的规律。我国南部、西南部的人口密集、可燃物丰富、山区地势陡峭、救援难度大等因素，表现为热点区域，热点区域的中位数中心向西北—西南迁移，整体向西北迁移，逐渐靠近云南省、贵州省，这与两省的地势险要、救火难度大有一定的关联；东北大兴安岭地区植被条件良好，森林覆盖率高达86.2%，受天气、人为因素等影响，极易造成火灾，也表现为热点区域。而中东部森林覆盖率低，地势平坦，冷点区域分布较为集中。冷点区域的中位数中心整体向西南迁移。冷点区域的主要分布区域为山东省，其第九次全国森林资源清查数据显示森林覆盖率为17.51%。

森林中的火点数量在三大节日中的分布情况为春节>劳动节>清明节；草原中的火点数量在三大节日中的分布情况为春节>清明节>劳动节。森林和草原中的火点数量比例最高的时间均在春节期间，一是春节期间人流量大；二是春节期间火源数量增加，如燃放烟花爆竹、祭祀等。由于农业机械水平有限及作物秸秆的处理方案、技术不成熟等，劳动节火点在2003—2007年处于一个较高的水平。2008年我国出台了秸秆禁止焚烧令以来，可以看出无论是森林中的火点数量，还是草原中的火点数量和劳动节的火点数量明显减少，最明显的是森林中火点数量的减少。在2015年政府加大焚烧令的推广力度，因而林草火点自2015年均处于一个较低的水平。

本研究在空间上识别出卫星火点分布的数量情况以表征火灾发生风险，即卫星火点所分布的“热点”区县和“冷点”区县；在时间上研究了年际发生特征、月度发生特征、节假日发生特征以及时空规律，对全国森林防火政策总体布局和区域政策实施有重要意义；未来的研究中还需要探索火发生的驱动力因素，包括地形因素、人为因素、气象因素等。

3.2 结 论

1）火点数量的空间分布整体呈现出“南部热点区域聚集，中东部冷点区域聚集”的规律，且近20年火点聚集区域未发生明显迁移。广东省、广西壮族自治区、云南省和东北大兴安岭地区以及热点区域数量增加最多的江西省、四川省需要特别加强防火措施以及火灾救援部署，降低火灾风险。

2）火点数量的时间分布规律为：春、冬两季草地分布的区域需加强防火管理，如内蒙古高原的东部、青藏高原的东部和南部；阔叶林分布区域在春、夏两季需加强防火管理，如西南高山峡谷地区；人为活动较活跃的节假日需加强防火管理，如春节。

参考文献：

[1] RODRIGUES M， DE LA RIVA J. An insight into machinelearning algorithms to model human-caused wildfire occurrence[J]. Environmental Modelling & Software，2014，57： 192-201.

[2] 国家统计局.中国统计年鉴[M].北京：中国统计出版社， 2022. National Bureau of Statistics. China Statistical Yearbook[M]. Beijing： China Statistics Press，2022.

[3] VAN DER WERF G R， RANDERSON J T， COLLATZ G J， et al. Continental-scale partitioning of fire emissions during the 1997 to 2001 El Nino/La Nina period[J]. Science，2004，303（5654）：73-76.

[4] WEI M H， LIU M H， CRUTZEN P J. Estimates of annual and regional releases of CO2 and other trace gases to the atmosphere from fires in the tropics， based on the FAO statistics for the period 1975–1980[J]. Fire in the Tropical Biota Ecological Studies， 1990：440-462.

[5] CRUTZEN P J， DELANY A C， GREENBERG J， et al. Tropospheric chemical composition measurements in Brazil during the dry season[J]. Journal of Atmospheric Chemistry， 1985，2：233-256.

[6] CARVALHOJ A J， AMARAL S S， COSTA M A M， et al. CO2 and CO emission rates from three forest fire controlled experiments in Western Amazonia[J]. Atmospheric Environment， 2016，135：73-83.

[7] 高博，单仔赫，曹丽丽，等.大兴安岭地区森林火灾月动态变化及发生预测研究[J].中南林业科技大学学报，2021，41（9）： 53-62. GAO B， SHAN Z H， CAO L L， et al. Study on monthly dynamic change and occurrence prediction of forest fires in Daxing’an mountains[J]. Journal of Central South University of Forestry & Technology，2021，41（9）：53-62.

[8] 黄嘉文，李士静，张杰豪，等.1998—2017年中国南北方地区森林火灾的时空特征[J].福建农林大学学报（自然科学版）， 2021，50（1）：85-94. HUANG J W， LI S J， ZHANG J H， et al. Spatial and temporal characteristics of forest fires in northern and southern China from 1998 to 2017[J]. Journal of Fujian Agriculture and Forestry University （Natural Science Edition），2021，50（1）：85-94.

[9] 乔泽宇，房磊，张悦楠，等.2001—2017年我国森林火灾时空分布特征[J].应用生态学报，2020，31（1）：55-64. QIAO Z Y， FANG L， ZHANG Y N， et al. Spatial and temporal distribution characteristics of forest fires in China from 2001 to 2017[J]. Chinese Journal of Applied Ecology，2020，31（1）：55-64.

[10] 苏立娟，何友均，陈绍志.1950—2010年中国森林火灾时空特征及风险分析[J].林业科学，2015，51（1）：88-96. SU L J， HE Y J， CHEN S Z. Spatio-temporal characteristics and risk analysis of forest fires in China from 1950 to 2010[J]. Scientia Silvae Sinicae，2015，51（1）：88-96.

[11] 杨广斌，唐小明，宁晋杰，等.北京市1986—2006年森林火灾的时空分布规律[J].林业科学，2009，45（7）：90-95. YANG G B， TANG X M， NING J J， et al. Spatial and temporal distribution of forest fires in Beijing from 1986 to 2006[J]. Scientia Silvae Sinicae，2009，45（7）：90-95.

[12] LEE B， PARK P S， CHUNG J. Temporal and spatial characteristics of forest fires in South Korea between 1970 and 2003[J]. International Journal of Wildland Fire，2006，15（3）：389-396.

[13] YI K P， BAO Y L， ZHANG J Q. Spatial distribution and temporal variability of open fire in China[J]. International Journal of Wildland Fire，2016， 26（2）：122-135.

[14] 阙华斐，谭三清，周璀，等.基于卫星监测的湖南省林火时空分布规律研究[J].中南林业科技大学学报，2018，38（6）：61-65. QUE H F， TAN S Q， ZHOU C， et al. Spatio-temporal distribution of forest fires in Hunan Province based on satellite monitoring[J]. Journal of Central South University of Forestry & Technology， 2018，38（6）：61-65.

[15] 田野，牛树奎，陈锋，等.丽江地区森林火灾的时空分布规律[J].西北林学院学报，2018，33（5）：142-148. TIAN Y， NIU S K， CHEN F， et al. Spatial and temporal distribution of forest fires in Lijiang[J]. Journal of Northwest Forestry College，2018，33（5）：142-148.

[16] TIAN Y P， WU Z C， BIAN S J， et al. Study on spatial-distribution characteristics based on fire-spot data in Northern China[J]. Sustainability，2022，14（11）： 6872.

[17] LIU Q， SHAN Y L， SHU L F， et al. Spatial and temporal distribution of forest fire frequency and forest area burnt in Jilin province， Northeast China[J]. Journal of Forestry Research， 2018，29（5）：1233-1239.

[18] REDDY C S， BIRD N G， SREELAKSHMI S， et al. Identification and characterization of spatio-temporal hotspots of forest fires in South Asia[J]. Environmental Monitoring and Assessment，2020，191（Suppl 3）：791.

[19] QIN X L， YAN H， ZHAN Z H， et al. Characterising vegetative biomass burning in China using MODIS data[J]. International Journal of Wildland Fire，2014，23（1）：69-77.

[20] GETIS A， ORD J K. The analysis of spatial association by use of distance statistics[J]. Geographical Analysis，1992，24（3）：189-206.

[21] HARRIS N L， GOLDMAN E， GABRIS C， et al. Using spatial statistics to identify emerging hot spots of forest loss[J]. Environmental Research Letters，2017，12（2）：024012.

[22] 朱贺，张珍，杨凇，等.中国南北方林火时空分布及火险期动态变化特征—以黑龙江省和江西省为例[J].生态学杂志， 2023，42（1）：198-207. ZHU H， ZHANG Z， YANG S， et al. Temporal and spatial distribution of forest fires and their dynamic changes in fire risk periods in northern and southern China： A case study of Heilongjiang and Jiangxi provinces[J]. Chinese Journal of Ecology， 2023，42（1）：198-207.

[23] 国家林业局.林规发〔2016〕178号 全国森林防火规划（2016—2025年）[S].北京：2016. State Forestry Administration.No.178 （2016） National Forest Fire Prevention Plan （2016-2025）[S]. Beijing：2016.

[本文编校：谢荣秀]