李永和，靳全鋒

（1.浙江省縉云縣林業(yè)局，浙江 麗水 323000；2.麗水職業(yè)技術(shù)學(xué)院，浙江 麗水 323000）

林火對森林結(jié)構(gòu)和功能有重要的影響，同時，也會造成大量森林資源損失并威脅人類的生命財產(chǎn)安全，排放大量氣體污染物和顆粒物，主要包括CO2、CO、NOx、SO2、NH3、VOCS、PM、OC、EC、烴類和鹵代烴等污染物，對大氣環(huán)境及人類健康有重要影響[1-3]。全球每年森林過火面積為3.5×106hm2[4-5]，有（1.324×109）～（1.615×109）t 森林可燃物被焚燒[6]；可以釋放約1.35×1010t CO2、6.80×108t CO、5.3×107t CH4、2.1×107t NOx、3.8×107t PM2.5和8.20×105t EC[7-8]。污染物可破壞O3層，影響地球太陽輻射，促進光化學(xué)反應(yīng)和陰霾形成，降低空氣能見度[9]，直接或間接影響全球氣候變化[10]。林火排放的污染物對人類和動植物有顯著影響，烴類和鹵代烴等物質(zhì)排放能引起頭痛、昏迷，傷害大腦和神經(jīng)系統(tǒng)；部分顆粒物可以直接進入人類呼吸系統(tǒng)，增加肺病發(fā)病率[11]。排放物中的NO2、SO2、HF、顆粒物和有機物等物質(zhì)會導(dǎo)致植被葉片受害和部分組織壞死，降低氣孔導(dǎo)度，抑制光合放氧和電子運輸、使卡爾文循環(huán)中的酶失去活性，甚至擾亂植被的生理活動，進而抑制植物的整體生長[12]。因此，預(yù)測林火發(fā)生是科學(xué)界亟待解決的問題。

目前，關(guān)于森林火災(zāi)模型的研究已展開，從研究前期僅考慮氣象因子發(fā)展到了包括植被、地形、人為活動和社會經(jīng)濟因子等多因子的綜合分析，取得了一定的進展，但目前的研究主要存在以下幾個問題：（1）研究主要集中在林火行為模型的研究[13-14]；（2）研究區(qū)域主要集中在中國北方針葉林區(qū)[15-16]；（3）研究的時間尺度較短[17]；（4）缺乏定量探索林火的影響因子[18]。GUO 等研究表明，南方林火發(fā)生受地形、植被類型、氣象、人類活動及時間變化等因子的影響[19]，因此，準確判定林火發(fā)生因子是建立林火模型的基礎(chǔ)，對林火消防管理工作至關(guān)重要，這極大地增加了探討中國南方林火影響因子的意義。邏輯斯蒂（Logistic）方法是普遍適用的方法，隨機森林是一種非參數(shù)的分類模型[20]，其可以用來解決分類問題。隨機森林（Random Forest）算法不需要考慮變量之間的相互關(guān)系，且不受線性回歸模型的假設(shè)條件限制，具有預(yù)測精度高及不易過渡擬合等優(yōu)點。近年來，隨機森林方法在生物學(xué)、地理學(xué)、生態(tài)學(xué)和環(huán)境污染等領(lǐng)域得到廣泛應(yīng)用。本研究以浙江省2001—2018 年的林火為研究對象，分析林火發(fā)生的氣象、植被、地形、人類活動等因子，運用邏輯斯蒂和隨機森林模型，探索浙江林火發(fā)生影響因子，并根據(jù)模型參數(shù)，建立林火時空分布，以期為林火預(yù)測及林火管理工作提供參考依據(jù)。

1 研究地區(qū)概況

浙江省位于我國東部，地理坐標為27°06′～ 31°11′N，118°01′～ 123°10′E，面積為1.02×105km2。全國第九次森林資源清查結(jié)果顯示，浙江省的森林覆蓋率為61.17%，僅次于福建省和江西省，居全國第三。全省地貌類型復(fù)雜多樣，總體呈西南向東北傾斜趨勢，南部多丘陵地帶；地處亞熱帶季風(fēng)氣候區(qū)，夏季雨熱同期、冬季寒冷干燥，年均氣溫為9.5～ 20.0℃，年平均降水量在1 000～ 2 000 mm，1 月和7 月分別為全年氣溫最低和最高的月份，5—6 月為集中降雨期。該區(qū)域以亞熱帶闊葉林、針葉林和針闊混交林為主要植被類型，其中以杉木Cunninghamia lanceolata、馬尾松Pinus massoniana、青岡Quercus glauca等為主要樹種。

2 研究方法

2.1 數(shù)據(jù)來源

2.1.1 火點數(shù)據(jù) 浙江省2001—2018 年MODIS-MCD64A1 火產(chǎn)品數(shù)據(jù)來源于https://e4ftl01.cr.usgs.gov/，空間分辨率為500 m，記錄區(qū)域每次森林火的地理坐標、起火時間等信息。該監(jiān)測火災(zāi)數(shù)據(jù)具有良好的可靠性[21-22]。

2.1.2 數(shù)字高程模型（DEM）數(shù)據(jù) DEM 數(shù)據(jù)來源于地理空間數(shù)據(jù)云（http://www.gsclo-ud.cn/sources/? cdataid=265&pdataid=10），空間分辨率為30 m。運用ArcGIS10.2 軟件對DEM 數(shù)據(jù)進行3D 分析獲得坡度和坡向數(shù)據(jù)；坡向指數(shù)（Aspect index，AI）能直觀反應(yīng)潛在太陽輻射強弱[23]，AI由公式（1）計算得到：

式中，θ為坡向，其取值范圍為0～ 360°，AI范圍為－1～ 1，PI為π。

2.1.3 氣象數(shù)據(jù) 文中氣象數(shù)據(jù)來源于中國氣象科學(xué)數(shù)據(jù)中心網(wǎng)站（http://cdc.cma.gov.cn/），每日氣象數(shù)據(jù)包含蒸發(fā)量、降水量、濕度、溫度、風(fēng)速、光照和地表溫度等22 個氣象因子，本研究對氣象數(shù)據(jù)進行預(yù)處理，除去由于儀器設(shè)備損壞缺失的數(shù)據(jù)，剩余氣象因子包括蒸發(fā)量（mm）、日平均地表氣溫（℃）、日最高地表氣溫（℃）、日最低地表氣溫（℃）、日平均風(fēng)速（m·s-1）、日最大風(fēng)速（m·s-1）、日最大風(fēng)速的風(fēng)向（°）、日極大風(fēng)速（m·s-1）、日極大風(fēng)速的風(fēng)向（°）、日降水量（mm）、日平均氣壓（hPa）、日最高氣壓（hPa）、日最低氣壓（hPa）、日照時數(shù)（h）、日平均氣溫（℃）、日最高氣溫（℃）、日最低氣溫（℃）、日平均相對濕度（%）和日最小相對濕度（%）共19 個氣象因子。

2.1.4 植被數(shù)據(jù) 植被數(shù)據(jù)來源于地理空間數(shù)據(jù)云（http://www.gscloud.cn）MODIS 月合成產(chǎn)品歸一化植被指數(shù)（NDVI），植被覆蓋度（FVC）根據(jù)前人的研究成果，以NDVI為基礎(chǔ)采用像元二分模型求取[24]，計算公式如下：

式中，NDVIsoil、NDVIveg分別為純土壤像元值、純植被像元值。

2.1.5 人類活動數(shù)據(jù) 人類活動數(shù)據(jù)主要包括鐵路密度、公路密度、河網(wǎng)密度、人口密度、居民點密度和人均GDP，其中鐵路、公路、居民點和河網(wǎng)密度數(shù)據(jù)來源于自國家地球系統(tǒng)科學(xué)數(shù)據(jù)共享平臺（http://www.geodata.cn/Portal/index.jsp）；人口密度和人均GDP 數(shù)據(jù)來源于浙江省統(tǒng)計局（http://tjj.zj.gov.cn/col/col1525563/ index.html）。

2.2 研究方法

2.2.1 邏輯斯蒂模型（LR）采用二元LR 對林火發(fā)生進行預(yù)測分析。本研究分別對林火發(fā)生與否進行取值：著火y=1，未著火y=0，并設(shè)林火發(fā)生（y=1）的概率為P，沒有林火發(fā)生（y=0）的概率為（1－P），則可建立林火發(fā)生概率與各自變量之間的Logistic 模型，其關(guān)系式為：

式中，m為自變量個數(shù)；β1、β2、β3……βm為各個自變量回歸系數(shù)；x1、x2、x3……xm為影響林火發(fā)生的各個自變量。

2.2.2 隨機森林模型（RF）RF 是一種非參數(shù)算法，可用于分類和回歸，在數(shù)據(jù)集上表現(xiàn)良好，對數(shù)據(jù)具有極強的適應(yīng)和抗噪聲能力，對于大樣本運算速度較快，實現(xiàn)比較簡單。RF 主要通過自助法（bootstrap）重采樣技術(shù)，從原始訓(xùn)練樣本集N中有放回地重復(fù)隨機抽取k個樣本生成新的訓(xùn)練樣本集合，然后根據(jù)自助樣本集生成k個分類樹組成隨機森林，新數(shù)據(jù)的分類結(jié)果按分類樹投票多少形成的分數(shù)而定[20]。

2.3 數(shù)據(jù)處理

2.3.1 多重共線性診斷 多重共線性是指方程中各自變量間存在完全或近似完全的線性關(guān)系，會導(dǎo)致顯著性檢驗失去意義及模型預(yù)測功能失效。本研究運用方差膨脹因子（VIF）對因子進行多重共線性檢驗，以VIF=10 為標準，當(dāng)VIF>10 時，表明自變量間存在多重共線性，將其剔除并以逐步回歸法得到最優(yōu)結(jié)果。

2.3.2 模型變量的選擇及運算 本研究基于前人研究成果將總樣本數(shù)據(jù)隨機的分成60%的訓(xùn)練樣本和40%的測試樣本[25]，重復(fù)5 次，之后將樣本放回進行隨機抽樣，分別得到5 組樣本，對5 組樣本組進行二元邏輯斯蒂和隨機森林運算，建立5 個中間模型。得到各自的顯著變量大于3 次為基準，確定最終變量，從而進行最終樣本的運算。通過對觀測值和預(yù)測值進行相關(guān)系數(shù)的計算來分析其是否有顯著相關(guān)性，驗證中間模型得出模型的預(yù)測能力。在選擇好變量后，應(yīng)用完整的數(shù)據(jù)集構(gòu)建最終模型并進行分析。

2.3.3 林火火險區(qū)劃圖 本研究運用ArcGIS 空間分析工具中克里格插值方法對該地區(qū)林火空間概率分布進行分析，后基于生成的浙江地區(qū)林火預(yù)測圖，結(jié)合臨界值（Cut-off value），最終生成浙江森林火險區(qū)劃圖。

3 結(jié)果與分析

3.1 浙江林火時空變化分析

3.1.1 浙江林火的空間分布 以2001—2018 年MODIS-MOD64A1 森林火點數(shù)據(jù)為基礎(chǔ)，運用核密度原理，進行林火空間分析，繪制18 年的火點密度圖（圖1）。在2001—2018 年，浙江共發(fā)生森林火災(zāi)1 866 次，年均104 次，林火空間分布不均衡，多集中在浙江南部區(qū)域；浙江南部以山地丘陵地形為主，森林覆蓋率較高。

圖1 2001—2018 年浙江省林火密度空間分布Figure 1 The spatial distribution of fire density of forest fire In Zhejiang during 2001—2018

3.1.2 浙江林火的時間分布格局 圖2A 顯示，2001—2018 年，浙江省森林火災(zāi)的發(fā)生次數(shù)在年際間的波動較大，在2004、2008 和2011 年達到極大值，火災(zāi)次數(shù)分別為235、414 和267 次。曾愛聰和靳全鋒等[26-27,30]研究指出，該年份主要是防火季降雨明顯較少導(dǎo)致火災(zāi)增加。圖2B 顯示，浙江省林火次數(shù)月變化存在差異，林火主要集中在10 月到次年4 月。林火在10、11、12 月和次年1、2、3 和4 月的火災(zāi)發(fā)生比率分別為13.83%、4.13%、4.66%、6.59%、20.69%、30.65%和14.74%，其占全年總火點的95.28%以上。

圖2 2001—2018 年浙江林火火點年（A）和月（B）時間變化Figure 2 The temporal change of forest fires in Zhejiang during 2001—2018

3.2 浙江省林火驅(qū)動因子分析

3.2.1 LR 分析結(jié)果 本研究運用方差膨脹因子對模型自變量進行多重共線性診斷，逐步剔除具有顯著共線性的自變量；進一步運用樣本顯著性個數(shù)剔除日平均相對濕度、日最大風(fēng)速、日最高地表氣溫、日最低地表氣溫、日最小相對濕度、日降水量、人口密度、日平均風(fēng)速、日照時長等因子，詳見表1。由表2 可知，LR 最終由11個因子構(gòu)成，其中高程和年降水量2 因子與林火呈負相關(guān)關(guān)系，其余9 個因子對林火均有積極作用。

表1 LR 因子篩選Table 1 Screening of factors for LR

表2 最終LR 因子構(gòu)成Table 2 The final factors for LR

3.2.2 RF 分析結(jié)果 基于隨機森林方法對模型變量進行篩選，本研究以平均準確率降低度值50%作為閾值，剔除平均準確率降低度小于50%的變量，其余變量進入模型進行擬合。各變量因子對林火的影響程度如圖3 所示。由圖3 可知，各樣本組中變量的重要性順序基本一致，經(jīng)篩選，確定其中9 個變量進行構(gòu)建隨機森林的分類模型，最終模型中變量的重要性順序見表3。

圖3 RF 對林火影響的自變量重要性排序Figure 3 Order of independent variables importance for forest fire by random forest

表3 最終RF 變量的重要性排序Table 3 The importance of variables by random forest

3.3 模型結(jié)果的檢驗

由表4 顯示，采用LR 計算所得ROC 曲線下面積（AUC）值和預(yù)測準確率平均值分別是0.742 和68.4%，采用RF 計算所得的AUC 值和預(yù)測準確率平均值分別是0.863 和91.3%。以上結(jié)果表明，RF 模型在浙江省具有較好的林火發(fā)生預(yù)測能力。

表4 LR 與RF 評價指標對比Table 4 Comparison of evaluation indexes between logistic regression and random forest models

3.4 重要變量依賴性

由圖4 顯示，9 個重要影響因子各自對浙江省的林火發(fā)生概率產(chǎn)生影響。隨著高程、坡度和年降水量的增加，林火發(fā)生呈下降趨勢，當(dāng)高程超過1 000 m 時，高程對林火的影響基本穩(wěn)定，當(dāng)年降水量為2 000 mm 時，林火的發(fā)生概率最低；隨著月植被覆蓋度、前一年植被覆蓋度和人均國內(nèi)生產(chǎn)總值的增加，林火發(fā)生呈上升趨勢，當(dāng)植被覆蓋度超過0.8 時，林火發(fā)生頻率顯著增加；隨著年均氣溫、河流密度和道路密度的增加，林火發(fā)生總體呈先降低后增加的變化趨勢，其極小值分別是18℃、5 m·km-2和1 m·km-2。

圖4 變量局部依賴圖Figure 4 Partial dependence plots

3.5 浙江省林火概率分布

研究表明，RF 對浙江林火發(fā)生預(yù)測模型的擬合效果優(yōu)于LR，因此，本研究運用RF 對浙江全樣本計算出林火和隨機點預(yù)測概率，并運用普通克里金插值方法對江浙林火空間概率分布進行插值分析，如圖5A。由圖可知，高火險地區(qū)主要集中在溫州中部和東部及與麗水市交匯區(qū)域、麗水市中部和北部區(qū)域、衢州中部、臺州和寧波東部區(qū)域及金華、杭州和湖州的小面積區(qū)域。基于默認閾值0.5 和臨界值對浙江省進行火險等級劃分，如圖5B，則林火發(fā)生概率P<0.423 為低火險；0.423≤P<0.5 為中火險；P≥0.5 為高火險。

圖5 林火發(fā)生概率分布圖（A）和火險等級分布圖（B）Figure 5 Occurrence probability and risk level of forest fire in Zhejiang

4 結(jié)論與討論

本研究基于2001—2018 年浙江省MODIS-MOD64A1 遙感影像數(shù)據(jù)，運用邏輯斯蒂、隨機森林模型和ArcGIS、SPSS 軟件對浙江省的林火時空變化及影響因子進行探索。研究結(jié)果顯示，浙江省的林火時空分布不均勻，空間上林火多集中在浙江南部區(qū)域，時間上林火多集中在10、11、12 月和次年的1、2、3 和4 月，其占全年林火總數(shù)的95.28%以上。該研究結(jié)果得到靳全鋒等[28]研究成果的支持。

本研究運用傳統(tǒng)邏輯斯蒂模型與隨機森林方法進一步探究浙江省林火與影響因子之間關(guān)系。研究結(jié)果表明，隨機森林模型比邏輯斯蒂模型具有更高的解釋度和更好的擬合效果，能夠充分體現(xiàn)出各因子對林火的影響。降水會影響森林中水分含量的高低，降水增加森林樹木和林分的含水量，有效降低林火發(fā)生[29]；當(dāng)日最大地表氣溫增加，一方面，促進植被蒸騰作用，降低植被含水率，促進林火發(fā)生的可能；另一方面，增加日最大地表氣溫，加速地表草本植被和凋落物水分的流失，促使草本植物及凋落物干燥，有利于林火的發(fā)生。

有研究[15-18]表明，高程、坡度、坡向指數(shù)和植被等因子是林火的主要影響因子，浙江省的林火主要受人類活動影響較大，眾所周知，高程升高，人類活動減少，降低人為火的發(fā)生概率；坡度越大，水分停留時間越短，區(qū)域植被越干燥，林火的發(fā)生概率越高，坡向指數(shù)是衡量太陽輻射的重要指標，坡度指數(shù)越大代表太陽輻射區(qū)域能量越多，越有利于該區(qū)域植被水分蒸發(fā)和干燥，加之植被覆蓋度增加，有效增加林火風(fēng)險。

相關(guān)研究表明[15-19]，經(jīng)濟和社會因素是林火發(fā)生的重要影響因子，公路密度、居民點密度、人均GDP 和河流密度與林火發(fā)生呈正相關(guān)，主要由于城市化進程加快，公路將森林碎片化，大量公路與森林交匯以及居民點密度加大，促進人類活動增強，增加林火的發(fā)生概率。人均GDP 可以反映整體社會經(jīng)濟活動，浙江省的工商業(yè)發(fā)展處于上升階段，加快了森林開發(fā)與碎片化，同時，與森林有關(guān)的常規(guī)人類活動加速了森林的破碎，因此，導(dǎo)致森林火災(zāi)數(shù)量的增加。事實證明，快速經(jīng)濟活動對林火發(fā)生產(chǎn)生促進作用，這意味著未來人類活動對林火影響將繼續(xù)增長，我們?nèi)孕枰獙ξ磥砹只鸸芾矸较蚣咏o予更多關(guān)注。此外，林火發(fā)生受多因子影響，本研究沒有考慮空間異質(zhì)性問題，這將是本研究繼續(xù)探索的方向。