气象法预测盘古林场可燃物含水率的外推精度

张 恒 ，金 森 ，张运林 ，于宏洲

（1.东北林业大学，黑龙江 哈尔滨 150040；2.内蒙古农业大学，内蒙古 呼和浩特 010019）

气象法预测盘古林场可燃物含水率的外推精度

张 恒1，2，金 森1，张运林1，于宏洲1

（1.东北林业大学，黑龙江 哈尔滨 150040；2.内蒙古农业大学，内蒙古 呼和浩特 010019）

在春防期和秋防期对东北地区大兴安岭盘古林场的3种典型林分：樟子松林、兴安落叶松林、白桦林下的地表细小可燃物含水率进行长时间测定。得到其预测模型，使用模型对大兴安岭现有的4种可燃物含水率预测模型进行外推分析。结果表明：这些模型外推时得到的平均绝对误差（MAE）是自建模型的1.6～7.2倍。以1.5倍左右作为可替代的标准，则这4个模型与自建模型应具有一定的可替代性，即可用外来模型预测本地可燃物的含水率。春防期的模型预测精度高于秋防期。从外推精度的可用性来看，4个模型外推误差在绝对值上最小为3.6%，最大为17.5%。因此，现在的这4种可燃物含水率预测模型的外推能力都不理想。模型外推误差与建模地区和外推地区的微环境差异有关，与距离不是完全成正比。

大兴安岭；可燃物含水率；预测模型；精度验证

森林内地表细小可燃物主要是指一些落叶和枯枝等。地表细小可燃物的含水率对地表可燃物着火难易程度和林火行为的影响作用很大[1-4]。气象要素回归法建立的是统计模型，建模相对简单，是目前使用最为广泛的方法[5]。如今，我国研究学者通过大量的野外试验和统计分析，得到以气象条件为自变量的可燃物含水率预测模型。杜秀文等[6]分析了林内不同种类可燃物含水率与温度、湿度、降雨等的关系，揭示了这些气象因子对可燃物含水率变化的显著性和影响效果。高永刚等[7]通过在伊春地区进行实验，将气象条件和该地区的火险等级联系起来。这些模型都是针对某一地区的特定林型，一般来说，对于建模采样林分效果较好，但外推到其他林分或区域效果如何还不清楚。模型外推，特别是统计模型的外推影响到模型的应用价值，这些气象要素回归模型外推的误差有多大，目前还没有系统研究，搞清此问题对提高模型的适用性具有重要的意义。

大兴安岭地区经常发生森林火灾并且森林受灾面积在全国范围内属于最大[8-9]。提高该区含水率预测的准确性对促进森林防火工作意义重大[7]。近年来，对大兴安岭地区地表死可燃物含水率的气象要素回归模型研究较多，何中秋[10]以前日标准棒湿度、14时前24 h降雨量等为预报因子建立了樟子松Pinus sylvestnisva和兴安落叶松Larix gmelinii含水率的预测模型。居恩德[11]将气象因子与可燃物含水率联系起来，建立含水率随气象因子变化的方程。薛煜[12]以相对湿度和雨后天数等作为预报因子，建立了预测黑龙江省塔河县落叶松林地可燃物含水率的模型。为此，笔者以大兴安岭地区的兴安落叶松、樟子松、白桦林3种地表细小死可燃物为研究对象，对现在研究得出的预测模型和自建模型进行比较，分析这些模型的外推效果，提高了地表可燃物含水率的预测精度。

1 研究地区与研究方法

1.1 研究区概况

研究区位于大兴安岭地区塔河县林业局盘古林场（52°41′57.1″N，123°51′56.5″E），冬季漫长干燥，最低温能达-52.3 ℃，夏季短暂，最高气温达到39 ℃。年降水量为350～500 mm，年平均温度-5 ℃。该地区主要植被包括兴安落叶松林、白桦林、樟子松林以及山杨Populus davidiana林等（见图1）。

图1 建模地点示意图（樟岭坐标：52.35N,123.27E；盘古坐标：52.41N,123.51E；塔河县坐标：52.32N,124.7E；韩家园子坐标：52.09N,125.55E；松岭坐标：51.16N,123.41E）Fig.1 Schematic modeling locations (geographic coordinates of Zhangling: 52.35N, 123.27E; Pangu: 52.41N,123.51E; Tahe: 52.32N, 124.7E; Hanjiayuanzi:52.09N, 125.55E; Songling: 51.16N, 123.41E)

1.2 可燃物含水率观测

在盘古林场的的3种林型阳坡处设置1块30 m×30 m的样地。林分详细情况如表1。在春防期和秋防期的下午2点，每天在每个样地内按照郁闭度大小选取10个采样点，其中无遮荫5个点，林荫下5个点。采用破坏性取样法对地表细小死可燃物进行收集，主要包括枯枝、落叶、杂草等。每次采集100 g凋落物，放入大信封，在烘箱烘干直至质量不在变化，计算其含水率。森林地表可燃物含水率高于35%时可燃物很难燃烧，对森林火灾发生的影响小，没有进行研究的意义[13]。因此，含水率高于35%的数据，将不计入计算中。含水率计算公式。

式（1）中：M为可燃物含水率(%)；Wh为可燃物鲜重(g)；Wd为可燃物干重(g)。

每个林分内可燃物最终含水率是由10个采样点的含水率的算术平均值得到的。经整理，本实验采用的春季数据20～23组，秋季数据12～14组（剔除不同林型内含水率高于35%的数据后结果）。

表1 样地信息Table 1 Information of sampling plots

气象数据是以小时为间隔的每小时气温T、相对湿度H、降雨量R、风速W等。计算下列要素：前n天（n=1～5）和n天前当日气象因子、前24*m（m取值为1、2、3）h降雨量之和等，其中前n天气象因子是以采样当日0点开始计算的，前24*m小时降雨量之和是从采样当日14:00开始的。将前几天气象因子设为a、几天前当日气象因子设为b，前24*m（m取值为1、2、3）小时降雨量之和设为c，均以下标表示，其后数字代表m或n值，如前1天降雨量之和记为Ra1，前4天平均相对湿度记为Ha4，5天前当日平均温度记为Tb5，前48 h降雨量之和记为Rc2。

1.3 模型精度分析

共采用5个模型，第一个模型是根据1.2观测的含水率和气象数据建立的新模型，采用多元线性逐步回归的方法建立。新模型和其他4个模型外推误差分析形成对照。

式(2)中：M为可燃物含水率（%）；bi为待估计参数。

其他4个模型从文献[10-12,14]中得到，其林分类型与研究地区相同，详见表2。

表2 与研究地区相关气象要素回归模型汇总†Table 2 Summary of four meteorological-variable-regression models from the literatures

分别使用1.2中春防与秋防期的气象数据，根据上文的5个模型计算平均绝对误差（MAE）和平均相对误差（MRE）。其中MAE和MRE的计算公式如下：

式（3）与式（4）中：Mi为含水率实测值（%）；为可燃物含水率的预测值（%）。

将自建模型和另外4个模型进行对照分析，得到另外4种模型的外推误差，并分析误差的大小。

使用Excel进行数据整理和绘图，利用VC++编程，进行外推误差数据的计算。

2 结果与分析

2.1 实验得到预测模型

使用逐步回归的方法确定前1天降雨量之和、前3天降雨量之和、前2天平均相对湿度、前4天平均相对湿度等对3樟子松、兴安落叶松。白桦林地表细小可燃物含水率预测模型影响很大。模型可解释含水率变差的29.4%～74.4%，和现有模型相比调整后决定系数偏低，这是因为前人模型建模因子较多，自建模型因子较少造成的。模型参数等见表3。

表3 地表死可燃物含水率预测模型的参数和检验†Table 3 Prediction model parameters and test of surface dead fuel moisture

2.2 4种可燃物含水率模型外推误差比较分析

2.2.1 春季数据外推误差

由表3和图2知，对于MAE，落叶松林的何中秋模型最小，和自建模型接近，居恩德和覃先林模型误差相近，是自建模型的1.6～1.9倍，薛煜建立的模型误差值最大，是实验中自建模型的5.1倍；樟子松林的何中秋模型最小，是自建模型的2.3倍，居恩德模型误差最大，是自建模型的7.2倍；白桦林的居恩德模型最小，是自建模型的2.6倍，覃先林模型误差最大，是自建模型的3.2倍。对于MRE，落叶松林何中秋模型最小，其次是覃先林和居恩德模型，是自建模型的1.5～2倍，薛煜模型最大，是自建模型的6倍；樟子松林何中秋模型最小，居恩德模型最大，是自建模型的5.5倍；白桦林居恩德最小，是自建模型的3倍覃先林最大，是自建模型的4倍。这些表明，对于研究地区而言，何中秋模型的对于研究地区春季适用，覃先林和居恩德模型具有一定的预测能力，而薛煜模型误差最大。

如图3所示，落叶松林模型中，薛煜模型整体变化趋势最为剧烈，误差较大，如采样时序5和12，且预测值大于实测值。含水率较低情况下，覃先林模型波动最大，如采样时序6、12和16，误差相对较高，且预测值普遍大于实测值。与实测含水率曲线最吻合的是何中秋模型，含水率变化趋势整体比较平缓，这是因为可燃物的含水率较低时，预测的精度会显著提高。预测值主要在实测值下方，说明何中秋模型预测值普遍低于实际测得的。覃先林含水率预测模型得到的曲线在实测值曲线周围上下波动。樟子松林的预测中，何中秋模型预测曲线与实测值非常吻合，模型外推效果较好，误差较低，预测值普遍低于实测值；居恩德模型在含水率升高时变化趋势较大，如采样时序5、7和13，且预测值普遍高于实测值；在白桦林模型中，居恩德和覃先林模型拟合程度很高，在含水率较高时，与实测含水率值误差偏大，如采样时序5、13和15，在较低含水率时，更加接近于实测值，预测误差小。事实上，高估或者低估可燃物含水率都是危险的，低估可燃物含水率会使人为的火险增高，可能造成不必要的预防动作；高估可燃物含水率会人为地降低火险等级，造成疏忽麻痹[15]。

图2 春季不同模型可燃物含水率预测误差比较Fig.2 Comparison of fuel moisture prediction errors of different models for spring data

2.2.2 秋季外推误差

由表3和图4知，对于MAE，落叶松林的覃先林模型最小，是自建模型的1.8倍，薛煜、居恩德和何中秋模型误差比较接近，但都很大，分别是自建模型的4.4、5.0和5.1倍；樟子松林的何中秋模型最小，是自建模型的2.3倍，居恩德模型误差最大，是自建模型的3.6倍；白桦林的覃先林模型最小，是自建模型的2.8倍，居恩德模型误差最大，是自建模型的3.4倍。对于MRE，落叶松林覃先林模型最小，是自建模型的1.5倍，其次是薛煜模型，是自建模型的3倍，何中秋和居恩德模型误差最大，是自建模型的3.5倍；樟子松林何中秋模型最小，是自建模型的3倍，居恩德模型最大，是自建模型的5倍；白桦林覃先林模型最小，是自建模型的1.5倍，居恩德最大，是自建模型的3倍。这表明，对于研究地区而言，覃先林模型的对于研究地区秋季适用，而居恩德模型误差最大。

如图5所示，落叶松林模型中，何中秋、居恩德和薛煜模型预测值与实测值较远，不论在什么时期，居恩德预测值始终高于实测值，而薛煜模型预测值在实验中期高于实测值，何中秋模型预测值始终低于实测值，比较而言，薛煜模型变化最为剧烈，误差较大。覃先林模型除在采样时序点4预测值较大外，含水率的预测结果最接近实测值，变化波动性略大于实测值，预测效果最好。樟子松林模型中，模型预测值与实测值变化趋势相同，整体误差不大，预测误差较小。在白桦林模型中，两个模型预测与实测的含水率趋势基本一致，但误差偏大；覃先林模型预测值普遍低于实测值，误差小；而居恩德模型则实测值较小。

图3 春季可燃物含水率实测值与4个模型预测值比较Fig.3 Comparison of observed fuel moisture and predicted by four different models for spring data

图4 秋季不同模型可燃物含水率预测误差比较Fig. 4 Comparison of fuel moisture prediction errors of different models for autumn data

3 结论与讨论

对于自建模型，前1天降雨量之和、前3天降雨量之和、前2天平均相对湿度和前4天平均相对湿度对樟子松林、白桦林和兴安落叶松林的可燃物含水率预测模型影响很大，模型可解释含水率变差的范围在29.4%～74.4%之间。其中，春防期的预测精度要好于秋防期的预测精度。

对于模型的外推，外推模型的MAE是自建模型的1.6～7.2倍。春防期数据外推后，不论是MAE还是MRE，对于落叶松林何中秋模型的误差最小，与自建模型的差距不大，其次是居恩德和覃先林模型的误差，薛煜模型得到的误差值最大；对于樟子松林，何中秋模型的误差值最小，居恩德模型误差值最大；对于白桦林，居恩德模型误差值最小，覃先林模型误差值最大。秋防期数据外推后，不论是MAE还是MRE，对于落叶松林，覃先林模型误差最小，薛煜、居恩德和何中秋模型误差都很大；对于樟子松林，何中秋模型误差最小，居恩德模型误差最大；对于白桦林，覃先林模型误差最小，居恩德模型误差最大。模型外推误差在绝对值上最小为3.6%，最大为17.5%，结果并不是很理想，不符合我们所需要的可燃物含水率预测模型的外推能力。误差大的原因主要是由于虽然从大尺度来说，本研究所选模型试验地都在大兴安岭地区，立地条件相似，从小尺度来说，所选样地的坡向、坡位、郁闭度、海拔的差异都可能是预测误差较大、精度小的原因[16]。落叶松林的模型外推效果要好于樟子松林和白桦林，可能是因为不同研究区的落叶松林立地条件在小尺度上都比较相同，而另两种林型小尺度上差别可能较大。

图5 秋季不同模型可燃物含水率实测值与预测值比较Fig.5 Comparison of observed fuel moisture and predicted by four models for autumn data

一般来说，模型外推误差较大是因为外推的模型与对照模型的空间距离大，但试验中距离近的反而外推误差小，说明气象要素回归法外推误差与距离不完全成正比，更可能和局域林分特点有关。一个气象模型可能在一定尺度内有效，超过该尺度误差可能就很大甚至不可用，但这个合适的尺度是多少或在多大范围内建立一个更为通用的气象模型还需要进行深入研究。在以后的研究中要更加细化小尺度的林分立地条件，建立合适和可以广泛应用的气象模型，提高模型外推的精度。

[1]Rothermel RC, Wilson RA, Morris GA,et al.Modeling Moisture Content of Fine Dead Wildland Fuels: Input to the BEHAVE Fire Prediction System[J]. USDA Forest Service Intermountain Research Station Research Paper, 1986, 359(11):1-61.

[2]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.

[3]于宏洲, 金 森, 邸雪颖. 以小时为步长的大兴安岭兴安落叶松林地表可燃物含水率预测模型[J]. 应用生态学报, 2013,24(6): 1565-1571.

[4]金 森, 周 勇. 昆明典型地表死可燃物含水率预测模型的研究[J]. 中南林业科技大学学报, 2014, 34(12): 7-15.

[5]刘 曦, 金 森. 基于平衡含水率的森林可燃物含水率预测方法的研究进展[J]. 林业科学, 2007, 43(12): 126-133.

[6]杜秀文, 李茹秀, 王英杰.几种森林类型可燃物含水率与气象因子关系的分析[J]. 东北林业大学学报, 1988, 16(3): 87-90.

[7]高永刚, 张广英, 顾 红, 等. 森林可燃物含水率气象预测模型在森林火险预报中的应用[J]. 中国农学通报, 2008, 24(9):181-185.

[8]金 森, 胡海清.黑龙江省林火规律研究Ⅰ.林火时空动态与分布[J]. 林业科学, 2002, 38(1): 88-94.

[9]郭福涛, 胡海清, 张金辉.塔河地区林火时空分布格局与影响因素[J]. 自然灾害学报, 2009, 18(1): 204-208.

[10]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:东北林业大学硕士论文, 1992.

[11]居恩德, 陈贵荣, 王瑞君.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.

[12]薛 煜.落叶松人工林内可燃物载量、含水率与森林燃烧性关系的研究[J]. 森林防火, 1996(4): 21-23.

[13]Luke R H, Mcarthur A G. Bushfires in Australia[J]. Australian Planner, 1992, 30(1):8-12.

[14]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

[15]金 森, 颜雪娇. 帽儿山地区10种灌木生长期内含水率动态变化规律及预测模型研究[J]. 应用生态学报, 2012, 23(12):96-103.

[16]张运林, 张 恒, 金 森. 季节和降雨对细小可燃物含水率预测模型精度的影响研究[J]. 中南林业科技大学学报, 2015,35(8): 5-12.

Meteorological elements regression method is used to predict Pangu forest farm extrapolation accuracy analysis of fuel moisture content

ZHANG Heng1,2, JIN Sen1, ZHANG Yun-lin1, YU hong-zhou1
(1. Northeast Forestry University, Harbin 150040, Heilongjiang, China;2. Inner Mongolia Agricultural University, Huhhot 010019, Inner Mongolia, China)

Fuel moisture dynamics of surface dead fine fuels under larch stand, Scotts pine stand and birch stand in Pangu forest farm,Greater Khingan Mountains, Heilongjiang province was observed in spring and autumn. A local weather-variable-regression model for fi ne fuel moisture prediction was established using the measured moisture data and meteorological data. Four models of the same type from literatures established from dataset collected from places other than the study area were used for predicting fuel moisture of the local forest fuels. Evaluated from the ratio of mean absolute error (MAE) of the four extrapolated models and the local model and taking 1.5 as a benchmark of the ratio, the four models with a ratio range of 1.6 to 7.2, were exchangeable with local models, accuracy of model prediction for fi re protection period is higher in Spring than Autumn. Considering the availability of extrapolation accuracy, the minimal absolute value of extrapolated errors was 3.6% and the maximum was 17.5%. While assessed by absolute errors, the four models have a bit larger errors than required. The extrapolated errors were due to differences of local conditions between different data collection area,not proportional to the distance between these regions.

Greater Khingan Mountains; fuel moisture; prediction model; accuracy veri fi cation

S762.2

A

1673-923X(2016)12-0061-07

10.14067/j.cnki.1673-923x.2016.12.011

http: //qks.csuft.edu.cn

2015-10-29

中央高校基本科研业务费专项资金项目资助(2572015BA03)；林业公益性行业科研专项（201204508）

张 恒，博士研究生

金 森，教授，博士；E-mail：jinsen2005@126.com

张 恒，金 森，张运林，等.气象法预测盘古林场可燃物含水率的外推精度[J].中南林业科技大学学报，2016, 36(12):61-67.

[本文编校：文凤鸣]