-
森林火灾突发性强、破坏性大,严重影响森林生态系统的平衡[1]。地表细小可燃物的含水率作为林火预报的重要因子决定着林火发生的可能性及一系列的火行为[2-3],因此,掌握林火发生和发展的变化首先需精确掌握细小可燃物含水率的变化[4],地表细小可燃物含水率的研究对于火险预报意义重大[5-6]。目前,细小可燃物含水率预测的气象要素回归法简单实用,通过分析各种气象因子(降水量、风速、气温和湿度等),建立相应的含水率预测模型,小尺度范围内的预测精度高[7-9]。20世纪20年代,国外学者[10-12]就建立过有关气象要素回归法的含水率预测模型,中国学者[13-17]也建立了若干森林细小可燃物含水率气象要素预测模型。细小可燃物含水率预测模型获取气象数据主要有以下几种方法:①历史资料。主要来自各地市气候中心编制的气象资料,数据类别比较单一。②实时和整编汇总历史气象数据。主要来自各气象台站的观测数据及中国气象科学数据共享服务网(http://cdc.cma.gov.cn/),气象数据类别完整,包括逐年、逐月和逐日数据[18]。③手持小型气象站或在样地内设置便携式移动气象站,进行短期监测。其中方法一和方法二得到的气象数据大部分都从林外架设的气象台站获取的,而林内小气候与外界差异很大,在一定程度上对含水率预测精度造成影响;虽然方法三得到的是林内气象数据,但进行长期监测不现实,实际中很难开展。获取气象数据的位置与细小可燃物含水率监测点距离远近对模型精度影响和误差具体有多大,对未来开展气象要素回归法进行含水率预测研究意义重大[17]。为解决以上问题,本研究以大兴安岭盘古和塔河的细小可燃物含水率为研究对象,分析不同距离气象要素对细小可燃物含水率预测模型精度的影响。
HTML
-
盘古林场位于大兴安岭塔河林业局(52°41′57.1″N,123°51′56.5″E),塔河气象站距离盘古气象站为96 km,实验样地与盘古气象站距离不到10 km。寒温带大陆性季风气候。年均气温为-5.0 ℃,年降水量为350~500 mm,降水集中于7-8月,相对湿度为70%~75%,常出现高温低湿及大风天气。植被类型是以兴安落叶松Larix gmelinii为优势的寒温带针叶林[19-20],主要林分类型为樟子松Pinus sylvestris var. mongolica-兴安落叶松-白桦Betula platyphylla混交林,樟子松林和白桦林,还有少量的红皮云杉Picea koraiensis林。春秋两季为森林防火多发期[17]。
-
野外观测日期为2010年5月29日至6月27日(春季森林防火期)和9月23日至10月13日(秋季森林防火期),共50 d。在盘古林场阳坡选白桦林、樟子松林和兴安落叶松林等3种林型,样地基本情况见表 1。
林型 树种组成 坡位 坡向 坡度/(°) 平均胸径/cm 平均树高/m 郁闭度 海拔/m 樟子松林 樟子松 上坡 阳坡 30 18.5 27.5 0.5 534 兴安落叶松林 落叶松9:白桦1 中坡 阳坡 38 10.2 14.5 0.5 491 白桦林 白桦9:落叶松1 中坡 阳坡 25 17.9 9.0 0.7 506 Table 1. Information of sampling plots
-
在每个样地内,在林中空地和树冠下细小可燃物分布较均匀处设置样筐,分别挖取20.0 cm × 20.0 cm小样方1个·点-1。由于可燃物层密实度是影响火行为的一个重要因素,测量并计算可燃物厚度、质量和体积,并最终得到可燃物密实度(表 2),然后保持其自然状态,分别放入样筐中,再放回原位,保持可燃物的原始状态。使用5号塑料方筛(265.0 mm × 205.0 mm × 85.0 mm),在其底部及四壁用尼龙网(18目,1.0 mm)加衬,上方加盖粗眼尼龙网(8目,2.5 mm),并在盛装样品后使用尼龙扎绳固定,以防止新凋落的树木叶片进入到容器内,也避免容器内的样品因风或小型动物的活动而变化。样筐上挂上号牌,号牌上记录样地与样点编号,以免重复观测时发生混淆。使用塑料容器而没有使用金属容器的原因是,金属容器长期处在潮湿环境中会发生锈变而影响质量。每日14:00(误差<10 min),按同样的样地顺序称量样筐2个·样地-1的质量并记录,记做湿质量。称量时小心取出容器,不破坏容器中可燃物和周围可燃物的结构。为了便于在野外称量,选用便携式电子天平[美国双杰(G & G)生产的JJ600Y型],称量时使用预先制作的折叠板在地表水平展开,安置并校准天平后在板盒内进行称量,以排除风的干扰。
林型 可燃物厚度/cm 可燃物质量/g 体积密度/(g·cm-3) 密实度 樟子松林 3.2 35.0 1.56 0.04 兴安落叶松林 3.0 40.0 1.90 0.05 白桦林 3.8 20.0 0.75 0.03 Table 2. Quantification of bed structure of combustible materials under three forest types
-
气象数据由塔河林业局气象站和盘古林场气象观测站获得,包括2010年5月24日至6月27日(春季森林防火期)和9月18日-10月13日(秋季森林防火期),共60 d,于采样前5日起采集气象数据。采集气象要素包括日每小时平均气温(T),相对湿度(H)和风速(W),以及日降水量(R)和前n d降水量之和(Ran)。
-
采用Pearson法对气象因子和细小可燃物含水率进行相关性分析,并作Duncan差异显著性检验,采用配对t检验比较不同对照的精度差异。利用SPSS 18.0软件进行统计分析和建模,利用SigmaPlot 12.5软件绘图。
-
细小可燃物含水率计算公式:
式(1)中:M为细小可燃物含水率(%);mH为细小可燃物湿质量(g);mD为细小可燃物干质量(g)。采用2个不同郁闭度含水率的算术平均值作为该样地当日14:00时采样方法的含水率,春季数据共30 d(组),秋季数据20 d(组)。
-
整理塔河林业局气象站和盘古林场气象站提供的气象数据:前n(n=1~5)d气象因子(累积量)、n d前当日气象因子(当日量)等,其中前n d气象因子和n d前当日气象因子以采样当日0:00为基准。将前几天气象因子设为a,几天前当日气象因子设为b,均以下标表示,其后数字代表n值,如4 d前当日平均气温记为Tb4,前3 d降水量之和记为Ra3,前2 d平均相对湿度记为Ha2,连旱天数记为d。
-
根据Pearson相关性分析确定对细小可燃物含水率有显著影响的因子,剔除实验中的异常数据后,以每个样地的细小可燃物含水率或全部的含水率(以下称混合数据)为因变量,以气象要素为自变量通过逐步回归方法建立多元线性方程。具体形式为:
式(2)中:M为细小可燃物含水率(%);Xi为所选用的气象因子;bi为待估计参数,采用混合数据建模的目的是确定该方法能否提高模型精度。采用n-Fold交叉验证法[21]计算模型精度[22]对于某样地的n个含水率数据,用n-1个含水率和气象要素进行逐步回归,建立多元线性模型,然后用剩余的一个数据验证,计算误差,重复n次。计算平均误差,对不同对照的误差进行显著性检验(配对t检验),显著性水平为α=0.05[23],误差按式(3)和式(4)计算。
式(3)和式(4)中:Mi为细小含水率实测值(%),$ {\hat M_i} $为细小可燃物含水率预测值(%),n为样本数。绘制利用不同数据建模进行比较分析的混合模型实测值与预测值的1:1线,用以研究预测效果。
1.1. 研究区概况
1.2. 细小可燃物含水率和气象因子监测
1.2.1. 细小可燃物含水率监测
1.2.2. 气象数据采集
1.3. 数据处理与分析
1.3.1. 细小可燃物含水率计算
1.3.2. 气象数据处理
1.3.3. 不同距离气象数据对模型精度的误差
-
图 1给出了3个林型采样细小可燃物含水率和实验地不同距离的盘古和塔河气象站提供的有显著关系的气象因子之间的Pearson相关系数。结果表明:不同距离的气象因子与不同林型细小可燃物含水率的影响因子相关性存在差异。利用盘古气象站数据构建的气象因子中日降水量(R)和Ran,以及平均相对湿度(Han)(n=1~2)显著正相关。另外,春季和秋季分别与日最高气温(Tmax)和连旱天数(d)呈显著负相关,n(n=1~5)d前当日气象因子对细小可燃物含水率也有影响,但不如前3类因子更普遍,利用塔河气象站数据构建的气象因子中与细小可燃物含水率相关性较强的都是与湿度相关的因子(Ha1和Ha2),气温和风速与含水率相关性较差。因此,在进行含水率预测时,只需采用湿度和降水量2个变量即可。
-
通过多元线性逐步回归筛选出不同气象数据构建细小可燃物含水率预测模型所采用的预测因子以及模型参数(表 3,表 4),盘古模型日降水量(R)和Ran,前1 d降水量和Ra1以及前2 d平均相对湿度Ha2是影响细小可燃物含水率变化最重要的因子,塔河模型采样前1 d的降水量和湿度为主要影响因子。
林型 季节 常数 R/mm Ra1/mm Ha2/% 调整后R2 F P 落叶松林 春季 -30.694 0.874 4.248 0.692 33.623 0.000 秋季 4.329 0.877 0.491 36.703 0.000 樟子松林 春季 9.402 1.206 0.680 103.876 0.000 秋季 8.819 0.496 0.575 16.018 0.001 白桦林 春季 -288.878 0.989 5.227 0.625 25.192 0.000 秋季 7.374 0.974 0.558 15.634 0.001 混合林 春季 -186.267 0.997 3.416 0.626 75.639 0.000 秋季 6.841 0.783 0.659 56.336 0.000 Table 3. Prediction model of moisture content of fine fuel in Pangu
林型 季节 常数 Ra1/mm Ha2/% 调整后R2 F P 落叶松林 春季 30.761 0.763 0.273 11.877 0.002 秋季 -111.063 1.862 0.581 18.610 0.000 樟子松林 春季 -163.059 3.051 0.109 4.564 0.042 秋季 -69.645 0.301 1.220 0.742 28.343 0.000 白桦林 春季 26.981 1.104 0.389 19.458 0.000 秋季 -127.662 2.172 0.654 11.406 0.003 混合林 春季 -117.487 0.593 2.318 0.278 18.168 0.000 秋季 -107.072 1.826 0.439 47.168 0.000 Table 4. Prediction model of moisture content of fine fuel in Tahe
-
由图 2可知:采用盘古气象数据建模的8个含水率的平均相对误差(EMR)为42.0%,平均绝对误差(EMA)为9.4%,而采用塔河气象数据建模的EMR和EMA分别为64.6%和12.1%。利用盘古气象数据建模的2种误差都要低于塔河数据。另外,全部数据混合建模的误差还要高于某些单独建模的误差,并没有改善模型的精度。主要原因是不同采样地的细小可燃物含水率对不同气象因素的响应不同。
对不同气象数据建模的2种误差进行t检验结果表明:盘古模型的EMA(n=8,t=-4.155,P<0.01),EMR(n=8,t=-4.258,P<0.01)极显著低于塔河模型;对于春季2种气象模型t检验的结果表明:盘古模型与塔河模型的EMA(n=4,t=-2.707,P=0.073)差异不显著,而EMR差异显著(n=4,t=-3.387,P<0.05)。秋季盘古模型的EMA显著低于塔河模型(n=4,t=-3.274,P<0.05),EMR极显著低于塔河模型(n=4,t=-8.151,P<0.01)。总体上,2种误差变化趋势基本一致。3个林型在春季和秋季,盘古模型的2种误差都要显著低于塔河模型。这表明利用盘古气象数据进行预测的效果更好。总体来说,利用不同距离的气象数据建模对模型精度的影响很大,距离试验地较近的盘古气象数据模型的预测效果最好,而塔河模型的误差较大,预测效果不好。
由图 3可知:盘古春季细小可燃物含水率显然比塔河春季更加靠近1:1线,塔河数据在含水率高于90%段离散程度加大,且存在较低实测值而预测偏高的情况,相对来说,秋季盘古和塔河数据点偏离程度相差不大,盘古模型相对于塔河模型实测细小可燃物含水率高于50%的样点较多,预测偏高。这表明:盘古气象数据所建模型的预测精度更高。