不同时滞可燃物含水率预测模型精度的研究

摘要

关于森林可燃物含水率的研究一直是国际上的前沿和热点，影响森林可燃物含水率的因素有很多。本文为了研究不同时滞对可燃物含水率预测模型精度的影响，对2010年春季大兴安岭地区盘古林场樟子松(Pinussylvestrisvar.Mongolica）、兴安落叶松（Larixgmelinii）、白桦林(Betulaplatyphylla)、杨桦（Betulaplatyphylla）林分下可燃物含水率进行连续的观测，分析不同时滞对可燃物含水率预测模型精度的影响，为提高气象要素法的预测精度和更准确的预测森林火险提供科学依据。在四块样地里，每块样地按照1h、10h、100h不同时滞分为三组。运用SPSS软件对不同时滞对可燃物含水率的影响进行研究。结果表明：（1）在进行地表死可燃物含水率的预测时，应依据不同显著性气象因子作为建模预测时的变量；其中当日降水量和R、前1天降水量和Ra1以及前2天平均相对湿度Ha2是影响其含水率变化最重要的因子。（2）同一林型不同时滞，樟子松林、兴安落叶松林、白桦林中1时滞、10时滞、100时滞差异显著；杨桦林中1时滞与10时滞差异不显著、与100时滞差异显著。同一时滞不同林型，1时滞的樟子松与杨桦差异不显著、兴安落叶松与白桦差异不显著；10时滞的樟子松与兴安落叶松、白桦相互差异不显著、与杨桦差异显著；100时滞的各个林型均相互差异不显著。因此运用时滞对可燃物含水率进行预测的模型精度较高。

关键词：大兴安岭可燃物含水率预测模型精度验证时滞

Abstract

Researchonthemoisturecontentofforestcombustibleshasalwaysbeenaninternationalfrontierandhotspot,andtherearemanyfactorsaffectingthemoisturecontentofforestcombustibles.Inordertostudytheinfluenceofdifferenttimedelaysontheaccuracyofthepredictionmodelofcombustiblemoisturecontent,Pinussylvestrisvar.Mongolica,LarixgmeliniiandBetulaplatyphyllaintheDaxing'anlingareainspring2010.Betulaplatyphyllastandsforcontinuousobservationofthemoisturecontentofcombustibles,andanalyzestheinfluenceofdifferenttimedelaysontheaccuracyofthepredictionmodelofcombustiblemoisturecontent,inordertoimprovethepredictionaccuracyofmeteorologicalelementsmethodandmoreaccuratelypredictforestfireinsuranceScientificbasis.Inthefourplots,eachplotwasdividedintothreegroupsaccordingtodifferenttimelagsof1h,10hand100h.SPSSsoftwarewasusedtostudytheeffectofdifferenttimelagsonthemoisturecontentofcombustibles.Theresultsshowthat:(1)Whenpredictingthemoisturecontentofsurfacedeadcombustibles,itshouldbebasedondifferentsignificantmeteorologicalfactorsasthevariablesinthemodelingprediction;thedailyprecipitationandR,thepreviousdayprecipitationandRa1andthefirst2ThedailyaveragerelativehumidityHa2isthemostimportantfactoraffectingthechangeofwatercontent.(2)Differenttimelagsofthesameforesttype,thedifferenceof1lag,10lagand100laginPinussylvestrisvar.mongolicaforest,Xing'anlarchforestandbirchforestwassignificant;thedifferencebetween1timelagand10laginYanghuaforestwasnotsignificant,and100Thetimelagissignificant.TherewasnosignificantdifferencebetweenPinussylvestrisvar.mongolicaandBetulaplatyphyllainthesametimedelay,andtherewasnosignificantdifferencebetweenPinussylvestrisvar.mongolicaandBetulaplatyphylla.ThedifferencebetweenPinussylvestrisvar.mongolicaandXing'anlarchandBetulaplatyphyllaat10lagswasnotsignificant.Thedifferenceinbirchwassignificant;theindividualforesttypeswith100lagswerenotsignificantlydifferentfromeachother.Therefore,themodelforpredictingthemoisturecontentofcombustibleswithtimelagishighlyaccurate.

keywords:Daxinganlingregionfuelmoisturesamplingmethodsmodelaccuracytimelag

目录

15229_WPSOffice_Level1

1材料与方法 1

12922_WPSOffice_Level2

1.1研究区概况 1

20954_WPSOffice_Level2

1.2凋落物含水率和气象因子监测 2

24529_WPSOffice_Level3

1.2.1不同时滞枝条采样 2

28975_WPSOffice_Level3

1.2.2气象数据采集 3

7144_WPSOffice_Level2

1.3数据分析 3

8243_WPSOffice_Level3

1.3.1可燃物含水率计算 3

25376_WPSOffice_Level3

1.3.2气象数据处理 3

21340_WPSOffice_Level3

1.3.3不同时滞可燃物含水率预测模型精度的影响 3

7762_WPSOffice_Level1

2结果与分析 4

22113_WPSOffice_Level2

2.1细小可燃物含水率与气象因子的相关关系 4

24464_WPSOffice_Level2

2.2细小可燃物含水率预测模型构建 5

31583_WPSOffice_Level2

2.3不同时滞可燃物含水率预测模型实测预测误差分析 7

24463_WPSOffice_Level1

3结论与讨论 11

13079_WPSOffice_Level1

参考文献 13

1

林火发生的物质基础和首要条件是森林可燃物，可燃物作为森林可燃物的重要组成部分其含水量的大小直接影响地表可燃物燃烧的难易程度，含水率动态和预测也成为火险天气预报和火行为预报的关键、森林火险等级预报系统的核心[1-3]。随环境条件,如温度和湿度的变化,可燃物的平衡含水率和含水率都发生变化,但含水率变化与平衡含水率变化之间有一时间滞后。反应时间(responsetime)和时滞(timelag)就是描述上述现象的,也是衡量可燃物含水率变化速率的量。反应时间指可燃物在此变化中,失去初始含水率与平衡含水率之差的(1-1/e)(约63.2%)的水分所需的时间。在一些文献中,时滞的定义等同于反应时间,这种意义上的时滞一般要在实验室测定;而在另一些文献,如VineyandCatchpole(1991)中,时滞专指可燃物含水率和平衡含水率变化曲线之间的时间滞后,这可以通过在野外测定。时滞的这两种概念在可燃物含水率预测中都有应用,但前者更普遍。本研究所用的时滞就是反应时间,以下不再区分[4]。

气象要素回归法是可燃物含水率预测模型建立的主要方法，在20世纪20年代国外Matthews、Gonzalez等[5-7]学者就进行了有关气象要素回归法的含水率预测模型的建立。我国学者也建立了若干森林可燃物含水率气象要素预测模型[8-14]，整体通过对气象因子进行分析建立模型，为今后的可燃物含水率预测模型的研究提供了更多帮助。该实验地区在此前进行了很多的可燃物含水率预测模型方面的研究[15-17]。因此，本文以大兴安岭4种主要林型内的地表可燃物为研究对象，分析不同时滞对可燃物含水率预测模型精度的影响，为提高气象要素法的预测精度和更准确的预测森林火险提供科学依据。

1材料与方法

1.1研究区概况

研究区位于大兴安岭塔河林业局盘古林场（52°41′57.1〞N，123°51′56.5〞E），地貌为大兴安岭石质中低山山地。属寒温带大陆性季风气候，且山地气候特征明显。冬季寒冷而漫长，年均气温-5℃。年降水量350～500mm，降水集中于7～8月份。林内雪深30～50cm，积雪期达5个月，相对湿度70%～75%。天气变化较剧烈，常出现高温低湿及大风天气。地带性土壤类型为棕色针叶林土。植被类型是以兴安落叶松为优势的寒温带针叶林[18-19]，主要林分类型为兴安落叶松(Larixgmelinii)-樟子松(Pinussylvestrisvar.mongolica)-白桦(Betulaplatyphylla)混交林，樟子松林、白桦林和山杨(Populusdavidiana)林，还有少量的红皮云杉(Piceakoraiensis)林。春季和秋季为森林防火多发期[20]。

2

图1样地位置

1.2凋落物含水率和气象因子监测

可燃物含水率监测时间为2010年春季防火期。其中，2010年5月29日～6月27日(春季森林防火期)。在阳坡选樟子松林、兴安落叶松林、白桦林和杨桦4种林分设置样地，记录样地基本情况，详见表1。

表1样地信息

林分

Stand

坡位Location

坡向Exposure

坡度Slope(°)

平均胸径MeanDBH(cm)

平均树高Meanheight(m)

郁闭度

海拔Elevation(m)

Canopydensity

樟子松

ScotsPine

坡上

Upslope

阳坡

Sunnyslope

30

18.5

27.5

0.5

534

杨桦

Betulaplatyphylla

坡中

Middleslope

阳坡

Sunnyslope

30

6.5

11.5

0.5

446

白桦

Birch

坡中

Middleslope

阳坡

Sunnyslope

25

5.7

9

0.7

506

兴安落叶松

Larch

坡下

Downslope

阳坡

Sunnyslope

0

6.1

13

0.8

429

s

1.2.1不同时滞枝条采样

一般情况下，死可燃物的时滞分类标准为:1h时滞死可燃物为直径(D)＜0．64cm的小枝、树叶及枯死杂草；10h时滞死可燃物为0.64cm≤D≤2．54cm的

3

细枝；100h时滞死可燃物为2．54cm＜D≤7．64cm的粗枝[21]。

在每个样地内，选取3个类似的样点，分别位于每个样地的林窗下（该林型郁闭度最低处）和林荫下（该林型郁闭度最高处）。测量点选择在地表死可燃物分布较均匀处设置，将不同时滞的粗枝条放在样地中，并在放置样品后使用尼龙布覆盖并扎绳固定，以防止新凋落的树木叶片进入到样地内，也避免样地内的样品因风或小型动物的活动而变化[22]。号牌上记录样地与样点编号，以免重复观测时发生混淆。观察并记录1h、10h、100h各不同时滞可燃物含水率的变化。

1.2.2气象数据采集

气象数据由盘古林场气象观测站获得，包括春季防火期5～7月逐日气象数据。采集的气象要素有：温度（T）、相对湿度（H）、降水量（R）和前n天当日降水量（Ra）。

1.3数据分析

本次实验采用Excel2018、SPSS22.0和STATISTICA10.0软件对数据进行统计分析。采用Pearson相关性分析法对在不同时滞下主要气象因子和地表死可燃物含水率进行相关性分析。利用SPSS22.0和Excel2018软件构建不同时滞对地表死可燃物含水率预测的影响，利用Origin2018软件作图。

1.3.1可燃物含水率计算

按下式计算可燃物含水率：

(1)

（1）式中：M为可燃物含水率（%）；WH为可燃物湿重（g）；WD为可燃物干重（g）。

其中，采样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时采样的含水率值，春季数据共30天（组）。

1.3.2气象数据处理

整理盘古林场气象站提供的气象数据：前n（n=1～5）天气象因子、n天前当日气象因子等，其中前n天气象因子和n天前当日气象因子以采样当日0点为基准。将前几天气象因子设为a，以下标表示，其后数字代表n值，如前2天平均相对湿度记为Ha2，前5天降水量之和记为Ra5，连旱天数记为D，日最高气温记为Tmax[23]。

1.3.3不同时滞可燃物含水率预测模型精度的影响

根据Pearson相关性分析确定对地表死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，以每个样地的可燃物含水率或全部的含水率数据（以下简称“混合数据”）为因变量[24]，以气象要素（当天、前一天、前二天的温度、湿度、风速

4

和降水量）为自变量通过逐步回归方法建立多元线性方程[24]，具体形式为：

M=(2)

（2）式中：M为可燃物含水率（%）；Xi（i=1、2、…、n）为变量，Xi分别为当天、前一天、前二天的温度（℃）、湿度（%）、风速（m·s-1）、降水量（mm）等；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[25]法计算模型精度[26]对于某个样地的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[20]，对不同对照的误差进行显著性检验（配对t检验），显著性水平设定为α=0.05，误差按下列公式计算：

平均绝对误差：(3)

平均相对误差：(4)

（3）与（4）式中：Mi为含水率实测值（%）；为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。

2结果与分析

2.1细小可燃物含水率与气象因子的相关关系

图1分别给出了同一林型不同时滞和同一时滞不同林型的显著性差异的对比，结果表明，不同时滞不同种类可燃物所影响的因子除当时气象要素外，前期气象要素的选择各有不同。利用盘古气象站数据构建的气象因子可得，在落叶松林中，1h时滞的细小可燃物含水率与前一天降水量和Ra1、前五天平均相对湿度Ha5呈显著正相关；10h时滞的细小可燃物含水率与前一天降水量和Ra1呈显著正相关；100h时滞的细小可燃物含水率与当日最高温度Tmax呈显著负相关，与前n天平均相对湿度Han（n=1、2）、前n天降水量和Ran（,n=2、5）呈显著正相关。在白桦林中，1h时滞的细小可燃物含水率与前n天降水量和Ran（n=1、2、5）、前n天平均相对湿度Han（n=1、2、4）呈显著正相关；10h时滞的细小可燃物含水率与当日最高温度Tmax呈显著负相关，与前n天降水量和Ran（n=1、2、5）、前n天平均相对湿度Han（n=1、2）呈显著正相关；100h时滞的细小可燃物含水率与前n天降水和Ran（n=1、2、5）、前n天平均相对湿度Han（n=1、2、4）呈显著正相关。

5

图2含水率与气象因子相关性分析

注：**在0.01水平(双侧)上显著相关；*在0.05水平(双侧)上显著相关(下同)[27]

2.2细小可燃物含水率预测模型构建

通过多元线性逐步回归筛选出不同时滞对地表死可燃物含水率预测模型的预测因子以及模型参数（见表2至表3），对于不同时滞的可燃物含水率预测模型，日最高气温Tmax、前1一天当日降水量R1、前1天降水量和以及2天平均相对湿度Ha2是影响其含水率变化最重要的因子。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。

6

表2不同时滞含水率预测模型

林型

Foresttype

时滞timelag

常数Constant

R4

Tmax

Ha5

R1

Ra1

Ha2

Ra2

Ra5

调整后R2

AdjustedR2

F

P

樟子松Pinussylvestrisvar.Mongolica

1h

0.478

0.04

0.294

12.687

0.000

10h

0.492

-0.012

0.289

12.364

0.000

100h

-0.241

0.006

0.293

12.588

0.027

兴安落叶松Larixgmelinii

1h

0.247

0.002

0.377

17.935

0.000

10h

0.079

0.003

0.300

12.993

0.000

100h

0.122

0.001

0.334

15.029

0.000

白桦Betulaplatyphylla

1h

-0.447

0.012

0.370

17.430

0.019

10h

0.172

0.002

0.318

14.047

0.000

100h

0.080

0.001

0.339

15.337

0.000

杨桦Betulaplatyphylla

1h

2.221

-0.57

0.247

10.164

0.000

10h

0.199

0.004

0.499

28.834

0.017

100h

-1.178

0.021

0.303

13.162

0.004

表3不同时滞可燃物含水率平均误差

林型

Foresttype

季节Season

时滞timelag

平均绝对误差

MAE(%)

平均相对误差

MRE(%)

樟子松Pinussylvestrisvar.Mongolica

春季Spring

1h

6.684530883

0.136604649

10h

4.157584829

0.298278773

100h

2.992657667

0.290717795

兴安落叶松Larixgmelinii

春季Spring

1h

3.007519706

0.121637601

10h

4.965224914

0.419780648

100h

2.812034548

0.339722788

7

白桦Betulaplatyphylla

春季Spring

1h

4.618543933

0.154053485

10h

5.628918634

0.266688448

100h

3.126801651

0.344501062

杨桦Betulaplatyphylla

春季Spring

1h

15.25420832

0.296573179

10h

11.87221429

0.363730533

100h

3.511504721

0.416882786

2.3不同时滞可燃物含水率预测模型实测预测误差分析

图3不同时滞含水率误差比较

误差线为标准误；误差线上的不同字母表示不同土地利用间显著性差异分组（α＝0.05）

由图3可知，同一林型不同时滞，樟子松林中1时滞、10时滞、100时滞相互差异显著；兴安落叶松林中1时滞、10时滞、100时滞相互差异显著；白桦林中1时滞、10时滞、100时滞差异显著；杨桦林中1时滞与10时滞差异不显著、与100时滞差异显著；而同一时滞不同林型，1时滞的樟子松与杨桦差异不显著、兴安落叶松与白

8

桦差异不显著；10时滞的樟子松与兴安落叶松、白桦差异不显著、与杨桦差异显著；100时滞的各个林型均相互差异不显著。由此可知，同一林型的不同时滞差异不显著，而在不同林型同一时滞差异不显著，所以时滞对于可燃物含水率的影响较大，用时滞对可燃物含水率进行预测比较准确。

结果表明，在对同一树种不同时滞可燃物含水率进行t检验时，樟子松林中，1时滞的可燃物含水率MAE差异显著（n=3，t=-1.463，P=0.037)，MRE差异显著（n=3，t=0.947，P=0.045）；10时滞的可燃物含水率MAE差异显著（n=3，t=-2.588，P=0.040），MRE差异显著（n=3，t=0.874，P=0.026）；100时滞的可燃物含水率MAE差异显著（n=3，t=0.917，P=0.049），MRE差异显著（n=3，t=-1.538，P=0.041）。兴安落叶松林中，1时滞的可燃物含水率MAE差异显著（n=3，t=-2.477，P=0.048），MRE差异显著（n=3，t=0.798，P=0.039）；10时滞的可燃物含水率MAE差异显著（n=3，t=-2.622，P=0.041），MRE差异显著（n=3，t=-1.599，P=0.044）；100时滞的可燃物含水率MAE差异不显著（n=3，t=1.477，P=0.124），MRE差异不显著（n=3，t=1.454，P=0.155）。白桦林中，1时滞的可燃物含水率MAE差异显著（n=3，t=-1.444，P=0.015），MRE差异显著（n=3，t=0.933，P=0.032）；10时滞的可燃物含水率MAE差异显著（n=3，t=-1.523，P=0.049），MRE差异显著（n=3，t=0.741，P=0.043）；100时滞的可燃物含水率MAE差异不显著（n=3，t=1.387，P=0.224），MRE差异不显著（n=3，t=1.369，P=0.149）。杨桦林中，1时滞的可燃物含水率MAE差异显著（n=3，t=-1.359，P=0.038)，MRE差异显著（n=3，t=0.847，P=0.040）；10时滞的可燃物含水率MAE差异显著（n=3，t=-1.588，P=0.035），MRE差异显著（n=3，t=0.775，P=0.036）；100时滞的可燃物含水率MAE差异显著（n=3，t=0.827，P=0.036），MRE差异显著（n=3，t=-1.418，P=0.039）。

从不同模型的R2和样点分布情况以及各个模型的相关验证模拟线偏离1:1线的程度，综合评价各模型对含水率的预测能力。由图4可知，1时滞可燃物含水率预测模型精度低于10时滞和100时滞可燃物含水率预测模型精度。但根据

9

10

11

图4不同时滞可燃物含水率实测值与预测值对比

3结论与讨论

森林可燃物含水率是火险天气预报和火行为预报的重要因素，主要火环境因子是地表死可燃物含水率的预测研究的重要部分。而通过时滞研究可燃物含水率预测模型可提高地表可燃物含水率预测精度。

在樟子松林、兴安落叶松林、杨桦中，1时滞可燃物含水率的MAE和MRE差异低于10时滞和100时滞可燃物含水率的MAE和MRE差异，白桦林中，1时滞可燃物含水率MAE和MRE差异低于10时滞可燃含水率。

综合各个树种不同时滞可燃物含水率预测模型的MAE差异和MRE差异，1时滞的可燃物含水率预测模型精度高于10时滞和100时滞。在运用时滞预测可燃物含水率时，时滞越短精度越高。这与国外学者CanJForRes[28]提出的观点相一致。

对于大兴安岭地区大部分都有被引燃的可能性，在今后的研究中，还需要更多日期的含水率数据，以提高研究的准确性；采取的数据时间间隔越小，数据总量越大，误差越小，从而为提高可燃物精度提供更为精准的依据。

本文只研究了一年中春季可燃物含水率变化的动态。与历史气象记录比较，本研

12

究的气象条件属于中等条件，因此，所反映的可燃物含水率动态只是平均水平[7]，对于森林火灾而言，特别是重、特大森林火灾，往往在气象条件明显偏离历史平均水平的条件时发生，如温度偏高，且降雨量显著偏少等，这对含水率数据的获取无疑有较大的影响。今后的研究工作中应充分的考虑细小可燃物含水率的异质性问题[29]，不断地加强采集样品工作的标准和精确度，不段的提高实测的精度，为今后的结论的得出提供更加准确的理论依据。

13

参考文献

[1]邸雪颖,王宏良.林火预测预报[M].哈尔滨:东北林业大学出版社,1993:27.

[2]王瑞军,于建军,郑春艳.森林可燃物含水率预测及燃烧性等级划分[J].森林防火,1997,(2):16-17.

[3]金森,李绪尧,李有祥.几种细小可燃物失水过程中含水率的变化规律[J].东北林业大学学报,2000,28(1):35-38.

[4]刘曦,金森.湿度对可燃物时滞和平衡含水率的影响[J].东北林业大学学报,2007(05):44-46.[4]何忠秋.塔河林业局几种可燃物类型生物量及含水量动态模型的研究[D].哈尔滨:东北林业大学,1992:36.

[5]AnaDariaRuizGonzálezAC,JoseAntonioVegaHidalgoB,JuanGabrielAlvarezGonzalezA.ConstructionofempiricalmodelsforpredictingPinusspp.deadfinefuelmoistureinNWSpain.I:Responsetochangesintemperatureandrelativehumidity[J].InternationalJournalofWildlandFire,2007,18:71-83.

[6]WeidmanRH.Relationofweatherforecaststothepredictionofdangerousforestfirecondition(J).MonthlyWeatherReview,1923,11:563-564.

[7]RUIZGONZALEZAD,VEGAHIDALGOJA,ALVAREZGONZALEZJG.ConstructionofempiricalmodelsforpredictingPinussp.deadfinefuelmoistureinNWSpain(I):responsetochangesintemperatureandrelativehumidity(J).IntJWildlandFire,2009,18(1):71-83.

[8]覃先林,张子辉,易浩若等.一种预测森林可燃物含水率的方法[J].火灾科学,2001,10(3):37-40.

[9]王栋.森林可燃物含水率与森林火灾危险性的研究[J].林业科学研究,1992,5(5):548－553.

[10]居恩德.可燃物含水率与气象要素相关性的研究[J].森林防火,1993(1):17-21.

[11]邸雪颖,王宏良,姚树人.林火预测预报[M].哈尔滨:东北林业大学出版社,1993,159.

[12]金森,李绪尧,李有祥.几种细小可燃物失水过程中含水率的变化规律[J].东北林业大学学报,2000,28(1):35－38.

[13]王得祥,徐钊,张景群等.细小