铜仁市林火驱动因子及火险区划

摘 要：【目的】分析铜仁市林火驱动因子，并进行火险区划研究，为研究区林火管理提供理论参考。【方法】以铜仁市2001—2020年的火点数据为基础，对铜仁市的气象、地形、植被和人类活动等22个因子进行林火发生的研究，分析火点时间分布，基于Logistic回归模型和随机森林算法得到林火发生的主要驱动因子，并建立概率模型，绘制铜仁市林火发生概率和火险区划图。【结果】近20年来，铜仁市火点数据呈下降趋势，每隔3～5 a会出现一个峰值，70%以上的林火点都集中在1—4月；人口密度、逐月平均湿度、逐月降水量和距铁路距离4个因子被2个模型选中为主要驱动因子，均呈负相关；2个模型各样本的AUC值都大于0.750，预测准确率大于70%；铜仁市春季林火发生概率最高，冬季最低，其中高风险区主要集中在石阡县、印江土家族苗族自治县和松桃苗族自治县3个地区，西北部的沿河土家族自治县、德江县、思南县和南部玉屏侗族自治县为低风险区。【结论】气象因子是铜仁市的主要林火驱动因子；随机森林算法的预测概率高于Logistic回归模型，更适用于铜仁市森林火灾的预测；研究得到的林火发生概率和火险区划图，为铜仁市林火管理部门提供科学支撑，高风险区应加强巡查管理，增加瞭望塔和监控设备，低风险区应增加防火教育和宣传，应加强消防用火管理，降低火灾发生的概率。

关键字：林火驱动因子；火险区划；Logistic回归模型；随机森林算法；铜仁市

中图分类号：S762 文献标志码：A 文章编号：1673-923X（2024）12-0059-15

基金项目：国家重点研发计划项目（2022YFC3003104）；国家自然科学基金项目（32201563）；贵州省高等学校智慧林火创新团队（黔教技〔2023〕75号）；贵州省科技支撑计划项目（黔科合支撑〔2022〕249号）。

Forest fire driving factors and fire risk distribution in Tongren City

TIAN Lingling1， YANG Guang1， ZHANG Yunlin2

（1.a. School of Forestry； b. Key Laboratory of Sustainable Forest Ecosystem Management-Ministry of Education， Northeast Forestry University， Harbin 150040， Heilongjiang， China； 2.a. School of Biological Sciences； b. Key Laboratory of Forest Fire Ecology and Management of Guizhou Province， Guizhou Education University， Guiyang 550018， Guizhou， China）

Abstract：【Objective】To analyze the driving factors of forest fire in Tongren city and study the fire risk distribution， so as to provide reference for forest fire management in the study area.【Method】Taking the fire point data of Tongren City from 2001 to 2020 as the research object， this study investigated 22 factors including weather， terrain， vegetation， and human activities related to forest fire occurrence in Tongren City， the time distribution of fire point was analyzed， and the main driving factors of forest fire occurrence were obtained based on Logistic regression model and random forest model. A probability model was established， and the probability and fire risk zoning map of forest fire occurrence in Tongren City was drawn.【Result】In the past 20 years， the number of fire points data in Tongren City showed a downward trend and a peak occurred every 3-5 years. Besides， more than 70% of forest fires were concentrated from January to April. Population density， monthly average humidity， monthly average precipitation and distance from railway were selected as the main driving factors by the two models， all showed negative correlation. The AUC value and prediction accuracy of each sample in both models were greater than 0.750 and 70%. The occurrence probability of forest fire in Tongren City was highest in spring and lowest in winter. The high risk areas were mainly concentrated in Shiqian county， Yinjiang Tujia and Miao Autonomous County and Songtao Miao Autonomous County. The low risk areas were Yanhe Tujia Autonomous County， Dejiang County and Sinan County in northwest of Tongren City and Yuping Dong Autonomous County in south.【Conclusion】Climate factors are the main driving factors of forest fire occurrence in Tongren City. The prediction probability of random forest is higher than that of Logistic regression model， which is more suitable for predicting forest fire occurrence in Tongren City. The probability of forest fire occurrence and fire risk zoning map obtained from the study provide scientific support for the forest fire management department in Tongren city. In high-risk areas， patrol management should be strengthened， observation towers and monitoring equipment should be increased. Fire prevention education and publicity should be added in low-risk areas， and fire management should be strengthened during holidays to reduce the probability of fire occurrence.

Keywords： forest fire driving factors； fire risk distribution； Logistic regression model； random forest algorithm； Tongren City

森林火灾是一种自然灾害，有突发性强、破坏大、救助困难等特点，不仅严重破坏森林生态系统，还会引起空气污染，威胁人民生命财产安全等[1-2]。因此，做好林火预防，对于减少林火次数，降低林火危害极其重要。研究表明，一个地区的森林火灾时空分布在一定时间上具有规律性[3-4]，掌握其时空分布和林火发生驱动因子对于做好林火预防具有重要意义。

林火发生驱动因子包括气候因子、植被因子、地形因子和人类活动等[5-6]。在国内对于时空分布和林火发生驱动因子的研究中，以经典机器学习的1种或2种方法为基础[7-8]，通过气象、地形、植被、人类活动等驱动因子与林火发生条件之间的关系，预测林火发生的概率。苏漳文等[9]和张运林等[10]，基于Logistic回归模型对福建省、贵州省林火发生驱动因子分析研究；马文苑等[11]应用Logistic回归和随机森林算法2种机器学习方法，分别分析了山西省的林火驱动因子，建立林火发生概率模型，并选择最佳模型对该地区进行森林火险等级区划；国外也有许多学者对不同地区的林火驱动因子进行研究[12-13]，Singh等[13]利用随机森林机器学习方法来研究大西洋森林的气候和人为因素对火灾发生概率的影响，并绘制火灾风险的空间分布图。大多研究者都是以省或省以上行政区域为研究对象，以市为行政级别的研究极少，不同尺度的森林火灾的驱动因素不一样，不同地域和气候存在较大的差异，因此，基于区域特征有针对性地指导林火管理工作十分有意义[14-15]。

此外，铜仁市森林和农村相互交错，农村木质房屋居多，且部分居民仍采用树枝、落叶和晾干的农作物生火做饭[16]，极易引发火灾并蔓延，对当地人民生命财产安全和社会稳定造成严重威胁，林火管理应加大宣传和教育，降低火源出现概率，从而减少火灾发生次数。因此，本研究选择铜仁市2001—2020年的林火点数据，基于Logistic回归和随机森林算法，分析铜仁市林火驱动因子对林火发生的影响，选择最适模型并进行火险等级区划，研究结果为相关管理部门提供理论参考，对降低林火损失有重要意义。

1 研究区概况

铜仁市地处国家乌江风景道与武陵山风景道交汇处（图1），以低中山丘陵为主，位于107°45′～109°30′N，27°07′～29°05′E。全市大部分地区温和湿润，山间、河谷气候垂直变化明显，属中亚热带季风湿润气候区。冬无严寒，夏无酷暑、光照适宜、降水丰沛。森林植被类型众多，主要以针叶林为主，阔叶林次之，包括马尾松Pinus massoniana、冷杉Abies fabri、青冈Quercus glauca、杨树Populus L.等。

2 数据与方法

所有数据处理和研究方法使用的软件有：Excel 2019、ArcGIS 10.7、R-Studio 4.3.0和SPSS 26.0软件等。

2.1 因变量

因变量选择铜仁市2001—2020年的林火点和非林火点。火点是基于全球野火信息系统处理的MCD64A1的火灾产品（https：//gwis.jrc.ec.europa.eu/ apps/country.profile/downloads）。在中国科学院资源环境科学与数据中心下载全国2020年1 km栅格数据的林地数据，用ArcGIS 10.7对其进行投影和裁剪，得到铜仁市范围内的所有林地。通过林地提取林火点数据，并保证每个点距离在1 km以上，得到符合要求的林火点736个（图2）。国内外的研究中，对于林火随机点取值均没有明确的统一标准，基于前人的研究经验[14]，本试验采用ArcGIS 10.7随机建立非林火点，将林火点和非林火点设置比例为1∶1。随机非林火点须满足：1）所有非林火点随机建立在铜仁市林地区域范围内，且两点之间距离为500 m；2）建立的非林火点在时间和空间上必须完全随机。为保证时间上的随机性，用Excel 2019软件对其随机赋值。

2.2 自变量

自变量选择气象、地形、植被和人类活动等数据，共计4类22个因子，如表1所示。

气象数据有逐月平均气温、逐月平均相对湿度、逐月平均风速和逐月降水量。数据来源于国家地球系统科学数据中心（https：//www.geodata.cn/）。利用ArcGIS 10.7软件进行因变量的气象数据提取分析，再用Excel 2019软件进行逐月数据一一对应。

地形数据有坡度、坡向和海拔。数据来源于地理空间数据云平台（http：//www.gscloud.cn/）。用ArcGIS 10.7软件“按掩膜提取”到铜仁市地形数据，再“多值提取至点”得到样本点的海拔、坡度和坡向。

植被数据有归一化植被指数（NDVI），数据来源于国家地球系统科学数据中心（https：//www. geodata.cn/）。ArcGIS 10.7软件提取分析，得到每年每月样本点的NDVI数据，再用Excel 2019软件进行逐月数据一一对应。

人类活动中人口密度和国内生产总值（GDP），数据来源于中国科学院资源环境科学与数据中心（https：//www.resdc.cn/）。基于2000、2005、2010、2015、2019年的中国人口和GDP公里网格数据，先用ArcGIS 10.7软件提取分析，得到这5年的人口密度和GDP，再根据《铜仁市统计年鉴》的数值计算出每年人口和GDP的增长率，从而得到因变量每年的数值。道路数据来源开放街道地图（Open street map，OSM），导出全国范围数据，“按掩膜提取”到铜仁市道路数据，再“近邻分析”得到样本点与道路数据之间的距离。

2.3 研究方法

2.3.1 铜仁市火点时间分布

将铜仁市2001—2020年的林火点数据情况按年份和月份进行分析，以年份、月份为横坐标，绘制铜仁市火点数量情况分布图。

2.3.2 数据归一化处理

本研究中所有自变量量纲不同，尺度空间上相差也较大，因此为消除奇异样本数据对试验分析带来的影响，将对所有自变量进行归一化处理。

当VIF低于10，不存在多重共线性；VIF超过10，则存在严重的多重共线性。试验结果中，若容忍度小于0.10或方差膨胀系数大于10，则自变量之间有共线性问题，是不可被接受的，这是Hair 的共线性诊断标准。

2.3.4 建立模型

1）划分样本。前人对样本的划分比例和重复次数各不相同，多数学者重复5次试验[10-11]。本试验为了能够减少试验结果因样本分布误差带来的影响，将自变量按6∶4比例随机划分训练样本和测试样本，并重复10次，得到10个样本，进行10次模型拟合，每个模型中出现7次以上（包括7次）的自变量作为铜仁市主要驱动因子。

3）随机森林算法。随机森林（Random forest， RF）是一种新兴起的、高度灵活的机器学习算法，适用于分类和回归问题，可用于数据挖掘、市场营销，在林火发生预测也被广泛应用[19]。他用bootstrap方法有放回的随机抽取N个样本集，再对每个样本集构造一棵决策树，随机从M个属性中抽取m个特征，满足m

其中ntree和mtry是两个重要参数，ntree为随机森林所包含的决策树数目，可采用逐步分析找到比较理想的值，mtry为指定节点中用于二叉树变量个数，可通过图形大致判断模型内误差稳定时的值。进行二分类数据分析时，可用R studio语言中varSelRF程序包对自变量进行特征变量选择，此外，使用平均准确率下降度（Mean decrease accuracy）进行重要性评价。该算法不能直接得到回归系数，可通过变量偏依赖图（Partial dependence plot， PDP）对林火发生因子进行描述。PDP图可查看单个变量对因变量的边际影响，若曲线非常陡峭，说明这个变量的贡献度是较大的。均使用未归一化处理的数据分析。

2.3.5 模型检验

用测试样本选择受试者工作特征曲线（Receiver operating characteristic curve， ROC）对模型进行检验。ROC曲线以敏感性（Sensitivity）为纵坐标，1-特异度（1-specificity）为横坐标绘制，其中每个点反映对同一信号刺激的感受性，曲线下面积（Area under the curve， AUC）可用来判断模型预测的精确度。AUC值范围为0～1，得到的值越大，说明模型精度越好。混淆矩阵可用于精度评价，真阳性类（实际发生被正确判断为发生）和真阴性类（实际发生被错误判断为发生）可计算出模型的实际预测值，即准确率，准确率越高，预测效果越好[21]。

2.3.6 林火发生概率与火险区划

铜仁市林火发生的主要驱动因子和最适模型确定后，基于最适模型计算全样本林火发生概率，再用ArcGIS 10.7软件中的克里金法绘制出铜仁市的林火发生概率和火险等级区划图。根据《全国森林火险区划等级》标准文件要求[22]，可对铜仁市森林火险区进行等级划分，且铜仁市四季分明，本研究分别对不同季节进行绘制。

3 结果与分析

3.1 铜仁市火点数量分布

由图3可以看出，铜仁市林火点数量随年份变化而逐渐下降，每隔3—5年会出现一个峰值，2016年过后，林火点数量持续下降。70%以上的林火点都集中在1—4月，6月最少，7—12月呈波动状态。

3.2 林火驱动因子选择

表2中22个变量的VIF小于10，容忍度大于0.100，不存在共线性关系，可全用于建模。

3.3 Logistic回归分析

表3为10个测试样本Logistic回归模型的结果。其中海拔、人口密度、逐月平均湿度、逐月降水量、距城市四级道路距离、距铁路距离和距国道距离7个变量在模型中出现7次以上（包括7次），选为铜仁市Logistic回归模型的主要驱动因子，将其用于全样本模型回归分析。

表4为全样本进行Logistic回归模型的结果，海拔和距城市四级道路距离与林火发生概率呈正相关，人口密度、逐月平均湿度、逐月降水量、距铁路距离和距国道距离越大，林火发生概率越小。从瓦尔德卡方值可以看出，逐月降水量对林火发生概率的影响最大，距国道距离最小。

3.4 随机森林分析

表5为10个测试样本随机森林算法的结果。其中人口密度、国内生产总值、逐月平均气温、逐月平均湿度、逐月降水量、距城市一级道路距离、距铁路距离和距高铁距离8个变量在模型中出现7次以上，选为铜仁市随机森林算法的主要驱动因子。

由图4可以看出，逐月降水量的重要性明显大于其他自变量，逐月平均湿度和距高铁距离的重要性次之，而10个样本模型中都出现的3个自变量国内生产总值、距铁路距离和距高铁距离的重要性排序有所不同。总的来说，气象数据的逐月降水量是铜仁市林火发生概率影响最大的因子，而逐月平均气温、逐月平均湿度和人类活动中的人口密度、国内生产总值、距铁路距离和影响次之，地形数据和植被数据中的自变量未被选入随机森林算法。

PDP图以各变量为横坐标，函数依赖值为纵坐标（图5），纵坐标表示林火发生概率。总体可以看出，8个变量对模型预测的影响都较大，其中人口密度、逐月降水量和距铁路距离与林火发生概率总体呈负相关；逐月平均气温与林火发生概率先呈正相关到达一定阈值后呈负相关，当大于25 ℃后，林火发生概率急剧上升；逐月平均湿度先呈正相关到达一定阈值后呈负相关，最后趋于平衡；而国内生产总值、距城市一级道路距离和距高铁距离3个自变量对林火发生概率较为复杂，都有最高的阈值，整体呈波动状态。

在Logistic回归模型和随机森林算法中，人口密度、逐月平均湿度、逐月降水量和距铁路距离4个变量均被选择为铜仁市的主要驱动因子，从拟合结果分析中得到，人口密度、逐月降水量、逐月平均湿度和距铁路距离整体上均与林火发生概率呈负相关。

3.5 模型拟合

用测试样本对模型进行拟合预测分析，得到两个模型的相关评价指标（表6）和ROC曲线（图6）。可以看出，2个模型各样本的AUC值和预测准确率都大于0.750和70%，说明拟合的2个模型对铜仁市林火发生概率预测都具有较好准确性。比较2个模型的ROC曲线和相关评价指标，随机森林算法每个样本拟合结果均高于Logistic回归模型，在计算铜仁市林火发生概率时，随机森林算法更适合、精度更高。

3.6 林火等级区划

随机森林算法结果优于Logistic回归模型，因此基于全样本使用随机森林算法算出铜仁市林火发生概率，并进行火险等级区划，划分标准如表7所示。

由图7和图8可看出，铜仁市春季的林火发生概率极高，主要集中在松桃苗族自治县、石阡县和印江土家族苗族自治县，其他县都存在极高火险区；夏季的铜仁市松桃苗族自治县是高火险区，由此自北而下林火发生概率呈下降趋势，其他县夏季林火发生概率较低；秋季和冬季极少存在高火险区，且比较分散，秋季的高火险区主要集中在石阡县和松桃苗族自治县，冬季仅石阡县存在极高火险区，且林火发生概率最大值为0.835。整体来看，铜仁市松桃苗族自治县和石阡县林火发生概率较大，印江土家族苗族自治县次之，西北部沿河土家族自治县、德江县、思南县和南部玉屏侗族自治县林火发生概率最小。

4 结论与讨论

铜仁市2001—2020年林火点数量趋势呈逐年下降，70%以上的林火点都集中在1—4月，部分原因可能与节假日如春节、元宵节和清明节等会进行放鞭炮、祭祀、烧香烧纸等活动有关系，可进一步研究。

本研究22个变量中，逐月降水量和逐月平均湿度是对模型预测影响最大的变量。逐月平均风速没有被2个模型选中，在朱政等[23]的研究中，月均风速在模型中呈正相关，风速通过改变可燃物的含水率和助燃条件来影响林火的发生，而铜仁市火点都集中在冬春季，这时风速并没有显著变化，对林火发生无显著影响。距铁路距离为2个模型的显著性影响因子，呈负相关，与吴亦龙[24]对漳州市的研究不同，不同研究区的森林植被情况有所不同，距离火点也存在一定的差异。人口密度与铜仁市林火发生概率呈负相关，而黄宝华等[25]对山东省森林火险因子分析结果表明，随着人口密度的增加，林火发生概率也增加，高风险区在黄河三角洲等人流量大的区域，而铜仁市以低中山为主，经过森林的人越多，火灾发生概率越小。海拔作为Logistic回归模型的主要因子，呈正相关，其他因子未选入模型，与马文苑等[11]研究山西省林火驱动因子的结果相反，因为研究地域和尺度的不同，导致出现一定的差别。NDVI指数未被选为影响因子，而王卫国等[26]研究结果中显示NDVI对山西省火灾发生具有全省范围的影响，呈正相关，该因子可进一步细化研究。

Logistic回归模型和随机森林算法被广泛应用在林火发生概率研究中，曾爱聪等[27]基于Logistic回归模型建立浙江省各季节林火驱动因子模型；梁慧玲等[28]通过比较Logistic与地理加权Logistic回归模型，得到福建地区林火发生的最适模型。本试验基于Logistic回归模型和随机森林算法对铜仁市林火发生概率进行分析，得到随机森林算法拟合效果更好，主要驱动因子对模型影响更大。在以后的研究中可综合考虑不同的建模方法，提高模型预测结果的准确性，为相关防火部门带来更大的实际意义。

本研究没有考虑植被燃烧性、可燃物含水率、可燃物载量等火险因子，安佳怡等[29]在对重庆合川区的森林火险等级区划研究中，利用层次分析法对可燃物因子赋予不同的权重指标和等级打分，得到乔木层可燃物载量>250 t/hm2、可燃物燃点>250 ℃、可燃物含水率<10%时，火险程度高。本研究考虑的因子不全面，使得研究结果具有一定的局限性，在今后研究中，可多考虑其他重要的火险因子，进一步提升模型精度。此外，本研究选择的林火发生气象因子为逐月变量，今后可通过缩短气象因子的尺度，进行更精确数值的林火概率分析。

铜仁市不同季节的林火发生概率不同，其中春季发生火灾的概率最大，冬季最小，高风险区主要集中在石阡县、印江土家族苗族自治县和松桃苗族自治县三个地区。铜仁市地区经常会出现上坟烧纸、焚烧秸秆、野外吸烟、小孩弄火等现象，极易引发火灾。不同研究区用火方面可能会有很大的差异，日后可进一步对用火情况和引燃原因进行研究。

参考文献：

[1] PIAO S L， HUANG M T， LIU Z， et al. Lower land-use emissions responsible for increased net land carbon sink during the slow warming period[J]. Nature Geoscience，2018，11：739-743.

[2] PODUR J， MARTELL D L， CSILLAG F. Spatial patterns of lightning-caused forest fires in Ontario， 1976-1998[J]. Ecological Modelling，2003，164（1）：1-20.

[3] DROBYSHEV I， NIKLASSON M， LINDERHOLM H W. Forest fire activity in Sweden： climatic controls and geographical patterns in 20th century[J]. Agricultural and Forest Meteorology， 2012，154：174-186.

[4] 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. Temporal and spatial characteristics and risk analysis of forest fires in China from 1950 to 2010[J]. Scientia Silvae Sinicae，2015，51（1）：88-96.

[5] CHAS-AMIL M L， PRESTEMON J P， MCCLEAN C J， et al. Human-ignited wildfire patterns and responses to policy shifts[J]. Applied Geography，2015，56：164-176.

[6] 高超，林红蕾，胡海清，等.我国林火发生预测模型研究进展[J].应用生态学报，2020，31（9）：3227-3240. GAO C， LIN H L， HU H Q， et al. A review of models of forest fire occurrence prediction in China[J]. Chinese Journal of Applied Ecology，2020，31（9）：3227-3240.

[7] GUO F T， ZHANG L J， JIN S， et al. Modeling anthropogenic fire occurrence in the boreal forest of China using logistic regression and random forests[J]. Forests，2016，7（11）：250.

[8] 刘柯珍，舒立福，梁灜，等.寒温带森林夏季火发生蔓延研究与进展[J].温带林业研究，2018，1（4）：1-8，29. LIU K Z， SHU L F， LIANG Y， et al. Research and progress on the occurrence and spread of summer fires in cold temperate forests[J]. Journal of Temperate Forestry Research，2018，1（4）： 1-8，29.

[9] 苏漳文，刘爱琴，郭福涛，等.福建林火发生的驱动因子及空间格局分析[J].自然灾害学报，2016，25（2）：110-119. SU Z W， LIU A Q， GUO F T， et al. Driving factors and spatial distribution pattern of forest fire in Fujian Province[J]. Journal of Natural Disasters，2016，25（2）：110-119.

[10] 张运林，田玲玲，丁波，等.贵州省林火发生驱动因子及预测模型[J].生态学杂志，2024，43（1）：282-289.. ZHANG Y L， TIAN L L， DING B， et al. Driving factors and prediction model of forest fire in Guizhou province[J]. Chinese Journal of Ecology，2024，43（1）：282-289.

[11] 马文苑，冯仲科，成竺欣，等.山西省林火驱动因子及分布格局研究[J].中南林业科技大学学报，2020，40（9）：57-69. MA W Y， FENG Z K， CHENG Z X， et al. Study on driving factors and distribution pattern of forest fires in Shanxi province[J]. Journal of Central South University of Forestry Technology， 2020，40（9）：57-69.

[12] PADILLA M， VEGA-GARCíA C. On the comparative importance of fire danger rating indices and their integration with spatial and temporal variables for predicting daily human-caused fire occurrences in Spain[J]. International Journal of Wildland Fire，2011，20（1）：46-58.

[13] SINGH M， HUANG Z H. Analysis of forest fire dynamics， distribution and main drivers in the Atlantic forest[J]. Sustainability， 2022，14（2）：992.

[14] GUO F T， WANG G Y， SU Z W， et al. What drives forest fire in Fujian， China？ Evidence from logistic regression and Random Forests[J]. International Journal of Wildland Fire，2016，25（5）：505.

[15] MA W Y， FENG Z K， CHENG Z X， et al. Identifying forest fire driving factors and related impacts in China using random forest algorithm[J]. Forests，2020，11（5）：507.

[16] 向乔玉.铜仁市：“特色载体”促和美乡村建设[J].城乡建设， 2023（20）：54-57. XIANG Q Y. Tongren city： “characteristic carrier” promotes rural construction in the United States[J]. Urban and Rural Development，2023，（20）：54-57.

[17] 李严洁.多元回归中的多重共线性及其存在的后果[J].中国卫生统计，1992，9（1）：24-27.LI Y J. Multicollinearity and its consequence in Multiple Regression[J]. Chinese Journal of Health Statistics，1992，9（1）： 24-27.

[18] RODRIGUES M， DE LA RIVA J， FOTHERINGHAM S. Modeling the spatial variation of the explanatory factors of human-caused wildfires in Spain using geographically weighted logistic regression[J]. Applied Geography，2014，48：52-63.

[19] 方匡南，吴见彬，朱建平，等.随机森林方法研究综述[J].统计与信息论坛，2011，26（3）：32-38. FANG K N， WU J B， ZHU J P， et al. A Review of technologies on Random Forests[J]. Statistics Information Forum，2011，26（3）：32-38.

[20] OLIVEIRA S， OEHLER F， SAN-MIGUEL-AYANZ J， et al. Modeling spatial patterns of fire occurrence in Mediterranean Europe using Multiple Regression and Random Forest[J]. Forest Ecology and Management，2012，275：117-129.

[21] HE Z M， LI L Z， HUANG Z M， et al. Quantum-enhanced feature selection with forward selection and backward elimination[J]. Quantum Information Processing，2018，17（7）：154.

[22] 王栋.为我国森林防火管理工作的规范化和标准化而努力：《全国森林火险区划等级》标准通过审定[J].森林防火， 1992（1）：39. WANG D. Strive for the standardization and standardization of forest fire prevention management in China： the standard of national forest fire risk zoning grade has been approved[J]. Forest Fire Prevention，1992（1）：39.

[23] 朱政，赵璠，王秋华，等.昆明市林火驱动因子及火险区划研究[J].浙江农林大学学报，2022，39（2）：380-387. ZHU Z， ZHAO F， WANG Q H， et al. Driving factors of forest fire and fire risk zoning in Kunming City[J]. Journal of Zhejiang A F University，2022，39（2）：380-387.

[24] 吴亦龙.漳州市森林火灾时空分布及火险区划[D].福州：福建农林大学，2017. WU Y L. Temporal and spatial distribution and fire risk zoning of forest fire in Zhangzhou City[D]. Fuzhou： Fujian Agriculture and Forestry University，2017.

[25] 黄宝华，张华，孙治军，等.基于GIS与RS的山东森林火险因子及火险区划[J].生态学杂志，2015，34（5）：1464-1472. HUANG B H， ZHANG H， SUN Z J， et al. Forest fire danger factors and their division in Shandong based on GlS and RS[J]. Chinese Journal of Ecology，2015，34（5）：1464-1472.

[26] 王卫国，潘竟虎，李俊峰.基于空间Logistic的山西省火灾风险评价与火险区划[J].草业科学，2016，33（4）：635-644. WANG W G， PAN J H， LI J F. Assessment and zoning of fire risk in Shanxi Province based on spatial Logistic model[J]. Pratacultural Science，2016，33（4）：635-644.

[27] 曾爱聪，蔡奇均，苏漳文，等.基于MODIS卫星火点的浙江省林火季节变化及驱动因子[J].应用生态学报，2020，31（2）： 399-406. ZENG A C， CAI Q J， SU Z W， et al. Seasonal variation and driving factors of forest fire in Zhejiang Province， China， based on MODIS satellite hot spots[J]. Chinese Journal of Applied Ecology，2020，31（2）：399-406.

[28] 梁慧玲，王文辉，郭福涛，等.比较逻辑斯蒂与地理加权逻辑斯蒂回归模型在福建林火发生的适用性[J].生态学报， 2017，37（12）：4128-4141. LIANG H L， WANG W H， GUO F T， et al. Comparing the application of logistic and geographically weighted logistic regression models for Fujian forest fire forecasting[J]. Acta Ecologica Sinica，2017，37（12）：4128-4141.

[29] 安佳怡，冯仲科，马天天，等.基于GIS格网的重庆合川区森林火险等级区划[J].中南林业科技大学学报，2022，42（9）： 91-101. AN J Y， FENG Z K， MA T T， et al. Zoning of forest fire risk levels in the Hechuan District of Chongqing based on GIS grid[J]. Journal of Central South University of Forestry Technology， 2022，42（9）：91-101.

[本文编校：戴欧琳]