湿度码预测江西典型地表细小死可燃物含水率适用性分析

伍 威，张运林，满子源

（1.湖南环境生物职业技术学院 园林学院，湖南 衡阳 421005；2.贵州师范学院 生物科学学院，贵州 贵阳 550018；3.国家林业和草原局西北调查规划设计院，旱区生态水文与灾害防治国家林业局重点实验室，陕西 西安 710048）

地表细小死可燃物作为林火发生的载体，其含水率值决定林火发生的可能性和发生火灾后一系列的火行为指标，是森林火险预报中重要的参数[1-3]。烘干法能够获取最准确的含水率值，但至少需要24 h，不能在实际中应用。因此，准确预报地表细小死可燃物含水率一直是林火研究的重要内容[4-5]。

地表细小死可燃物含水率主要受气象要素的影响，因此建立气象要素与含水率之间的关系，通过可实时观测的气象要素预测含水率值是应用最早的含水率预测方法，但这种方法由于响应的空间异质性，外推性较差[6-7]。随着技术发展，又逐渐出现了遥感估测法、过程模型法和半物理法。其中遥感估测法由于估测尺度过大，其精度根本无法满足实际火险预报需求[8]；过程模型法虽然揭示了水分变化机理，但模型参数较多，也无法在实际中应用[9]；半物理法是以水分扩散方程为主体，但其中参数是通过统计方法获取，兼具过程模型法和时滞法的优点，也是目前应用最广的含水率预测方法[10]。

加拿大火险天气指标系统在世界各国广泛应用，其中湿度码是基于半物理法计算得到，反映了地表可燃物的干燥程度，具有很好的外推性[11-13]。然而，湿度码模型中的一些参数是根据加拿大典型林分内可燃物获取的，若直接使用，其适用性还需进一步验证。国内外也进行了很多关于湿度码预测地表细小死可燃物含水率适用性的研究。例如，Lynham 等[14]比较了加拿大与黑龙江气候区、林型和地形等差异，分析湿度码在黑龙江林区的适用性；Viegas 等[15]分析了湿度码在葡萄牙预测可燃物含水率的适应性，并对模型进行了校正；Zhang 等[13]以黑龙江蒙古栎次生林、混交林地表细小死可燃物为研究对象，分析了加拿大湿度码预测其含水率的适用性，并对模型中一些参数：平衡含水率和时滞进行校正，显著提高了预测效果；金森等[16]也分析了利用湿度码预测云南几种典型地表细小可燃物含水率的适用性。因此，若需要使用湿度码预测地表细小死可燃物含水率，必须要进行适用性分析。

江西省森林资源丰富，但森林火灾频发，据统计，2000—2017年，江西省共发生森林火灾4 606起，火场总面积约9 万hm2，其中受害森林面积达4 万hm2，对当地生态、经济和人民财产造成严重损害。然而，关于江西林火基础研究还较少，特别是含水率预测研究，严重阻碍了火险预报系统建立。因此，本研究以江西典型林分：马尾松林、杉木林、柳杉林和毛竹林下地表细小死可燃物为研究对象，利用湿度码预测其含水率，并与其他预测方法进行比较，分析湿度码预测江西典型地表细小死可燃物含水率的适用性。本研究一方面为江西典型地表细小死可燃物含水率预测研究提供基础数据和借鉴，另一方面还有助于更好理解加拿大火险天气指标系统中湿度码在我国的适用性。

1 研究区域概况与方法

1.1 研究区域概况

研究区位于江西省南昌市湾里区茶园山林场（28°72′77″N，115°68′80″E），海拔约为200～700 m，属亚热带湿润气候，四季分明。研究区纬度较低，年均气温为14.0～17.5℃，年均降水量约为1 675 mm，降水量主要集中在每年4—6月，年均日照数约为1 637 h。研究区地貌主要以山地、丘陵为主，占全省面积的78%，土壤类型多为山地红壤，主要为酸性。研究区主要乔木类型包括：马尾松Pinus massonianaLamb.、毛竹Phyllostachys heterocycla(Carr.)、杉木Cunninghamia lanceolata(Lamb.) Hook.、柳杉Cryptomeria fortunei Hooibrenk ex Otto etDietr.、青冈栎Cyclobalanopsis glauca(Thunb.) Oerst.等，灌木主要包括油茶Camellia oleiferaAbel.、鹅掌楸Liriodendron chinense(Hemsl.) Sarg.和檵木Loropetalum chinense(R.Br.) Oliver 等。

1.2 研究方法

1.2.1 样地设置

地表细小死可燃物监测实验在2018年10月23日—2019年1月20日期间进行（江西森林防火期）。在茶园山林场的马尾松林、杉木林、柳杉林和毛竹林中分别设置20 m×20 m 样地，每个样地设置3 个样点，每日14:00 进行地表细小死可燃物含水率监测。样地基本信息如表1所示。

表1 样地基本信息†Table 1 Basic information of plots

1.2.2 野外数据监测

2018年10月23日—2019年1月20日，进行含水率监测，共监测90 d。破坏性采样烘干后得到的地表细小死可燃物含水率值最接近真实值，因此本研究选择非破坏性采样。由于本研究主要目的是为探究湿度码在研究区的适用性，以应用于森林火险预报，而火险预报作为保守预测，一般选择含水率最低时的情况[17]。每日中午14:00时空气温度相对最高，湿度最低，地表细小死可燃物水分含量最小，因此此时进行采样。每日监测时，每个样地内随机选择3 个样点，每个样点采集约为50 g 样品，将样品放入信封中，并立即用天平称量，记录鲜重后带回实验室，在105℃下烘干至质量不在变化为止，并记录干质量。降雨天气时，用吸水纸擦去样品表面自由水后进行称量，此外，还需要在信封外在加个封口袋，防止样品之间相互洇湿，影响结果。每个样地每日3个样点的含水率值的算数平均值作为该日样地的地表细小死可燃物含水率。含水率计算公式如（1）所示。本研究中地表细小死可燃物主要是指林下凋落物。

式中：M表示地表细小死可燃物含水率值，%；WH和WD分别表示地表细小死可燃物干质量和湿质量，g。

茶园山林场内选择合适位置，架设HOBO 气象站，以30 min 为间隔，同步监测江西茶园山林场气象要素，监测内容主要包括空气温度（T）、相对湿度（H）、风速（W）和降水量（R）等。

1.2.3 数据处理

1）湿度码计算。根据加拿大火险等级系统中湿度码计算公式计算3 个湿度码：地表细小可燃物湿度码（Fine fuel moisture content,FFMC）、半腐殖质湿度码（Duff moisture content,DMC）和干旱码（Drought content,DC）。根据文献及监测前几日气象数据可知，FFMC、DMC 和DC 的初始值分别为85、22 和55[18]。

2）建立气象要素回归模型。选择Spearsman分析地表细小死可燃物含水率动态变化与气象要素之间的相关性。由于可燃物含水率对气象要素的响应具有滞后性，因此本研究选择当日和前5日的气象要素进行分析，用下标表示，例如前3天空气温度，表示为T-3。采用逐步回归方法，分别建立不同地表细小死可燃物含水率预测模型。具体模型形式如式（2）所示。

式中：M表示地表细小死可燃物含水率值（%）；Xi表示气象要素；bi表示模型系数。

3）直接使用湿度码适用性研究及建立湿度码预测模型。根据FFMC 中计算得到的地表细小可燃物含水率值，与实测值进行t 检验，分析是否有显著差异，是否能够直接使用。选择Spearsman 分析含水率与3 个湿度码之间的相关性，并采用逐步回归方法建立基于湿度码的含水率预测模型，模型形式如式（3）所示。

式中：M表示地表细小死可燃物含水率值（%）；zi表示湿度码；bi表示模型系数。

4）模型预测能力分析。选择n-fold 交叉验证计算气象要素回归模型和湿度码回归模型的平均绝对误差（Mean absolute error,MAE）和平均相对误差（Mean relative error,MRE），并选择t 检验分析两种方法误差是否有显著差异。分别以实测值为横坐标，预测值为纵坐标，绘制1∶1 图，分析两种模型预测能力。得到4 种地表细小死可燃物的2 种含水率预测模型，分别将预测模型代入剩余3 个地表细小死可燃物中，得到该模型外推后误差最小值、最大值、均值和变异系数等，通过比较这些特征值，分析2 种含水率预测模型的稳定性和外推能力。

采用Excel 2019、SPSS 22.0 和SigmaPlot 12.5软件进行统计分析和绘图。

2 结果与分析

2.1 基本统计分析

表2给出江西省南昌市茶园山林场4 种地表细小死可燃物含水率在监测期内基本动态变化情况。可以看出，监测期内所有地表细小死可燃物的含水率均值都超过35%，均值由低到高依次为：马尾松、柳杉、杉木和毛竹。毛竹地表细小死可燃物的含水率最大，但都低于250%。

表2 地表细小死可燃物含水率基本统计Table 2 Basic statistics of moisture content of surface fine dead fuel

2.2 相关性分析

表3给出茶园山林场地表细小死可燃物含水率动态变化与气象要素相关性分析结果。可以看出，空气温度与含水率动态变化呈正相关关系，马尾松地表细小死可燃物受空气温度的影响最显著，且随之距离采样时间越远，显著性先增加后减小，其余可燃物与空气温度的相关性不显著；所有地表细小死可燃物随当日和前一日相对湿度极显著增加，且随着距离采样时间增加，显著性下降；仅杉木和柳杉地表细小死可燃物含水率与风速呈一定负相关关系，其余都不显著；当日和前一日降雨极显著增加含水率，且随着距离采样时间的增加，降雨的影响逐渐减弱。

表3 地表细小死可燃物含水率与气象要素的相关性分析结果†Table 3 The results of correlation analysis between dynamic change of surface fine dead moisture content and meteorological element

茶园山林场所有地表细小死可燃物含水率均与湿度码呈极显著负相关关系，且与细小可燃物湿度码、腐殖质湿度码和干旱码的显著性逐渐减小（表4）。

表4 地表细小死可燃物含水率与湿度码的相关性分析结果Table 4 The results of correlation analysis between dynamic change of surface fine dead moisture content and moisture code

2.3 直接使用湿度码预测含水率的适用性分析

表5给出直接使用可燃物湿度码FFMC 获取得到的含水率值与实测含水率值的t 检验结果、MAE 和MRE 值。可以看出，马尾松、杉木和柳杉地表细小死可燃物含水率与直接使用湿度码得到的含水率值有极显著差异，毛竹没有显著差异。MAE 最小值为43.717%，最大值为柳杉，高达80.377%，4 种地表细小死可燃物含水率MRE 变化范围在49.576%～151.698%之间。

表5 t 检验结果及误差Table 5 The result of t-test and error

2.4 地表细小死可燃物含水率预测模型

2.4.1 气象要素回归模型

江西南昌典型地表细小死可燃物含水率的气象要素预测模型中只有当天相对湿度和前三日相对湿度作为预测因子。校正后R2的变化范围为0.365～0.527，马尾松地表细小死可燃物含水率的气象要素预测模型预测效果最好，MAE 仅为20.395%，MRE 为37.417%，毛竹预测误差最大，MAE 高达40.765%（表6）。

表6 气象要素预测模型结果Table 6 The result of meteorological factors regression model

2.4.2 湿度码素回归模型

表7给出江西南昌典型地表细小死可燃物含水率的湿度码回归预测模型，可以看出，只有细小可燃物湿度码（FFMC）进入方程。校正后R2的变化范围为0.503～0.638，马尾松地表细小死可燃物含水率的气象要素预测模型预测效果最好，MAE 仅为19.366%，MRE 为33.895%，毛竹预测误差最大，MAE 高达34.372%。

表7 湿度码回归模型结果Table 7 The result of moisture code regression model

2.4.3 模型预测精度比较

图1给出4 种地表细小死可燃物含水率基于气象要素回归模型和湿度码回归模型的实测值和预测值1∶1图，可以看出，湿度码拟合线更接近1∶1线，两种预测方法的马尾松和毛竹的实测值和预测值更接近1∶1 线，所有地表细小可燃物都是在含水率较低时，预测值偏高估计，含水率较高时，预测值偏低估计。

图1 基于2 种回归模型的实测值和预测值1∶1 图Fig.1 Comparison between measured and predicted value based on the regression model

2.5 模型外推能力分析

将每种地表细小死可燃物含水率的气象要素回归模型和湿度码回归模型代入其余3 个可燃物后，得到每个含水率预测模型的误差统计结果（图2）。可以看出，对于气象要素回归预测模型，马尾松地表细小死可燃物含水率的外推MAE 均值最小，为41.632%，毛竹最大，高达73.132%。杉木林下地表细小死可燃物外推至马尾松林时误差最小，毛竹林外推至柳杉林下时的外推误差最高。对于湿度码回归预测模型，外推MAE 均值最小的为马尾松林，仅为38.226，均值最高为毛竹林（67.839%），与气象要素回归预测模型相同，同样也是杉木林外推至马尾松林时误差最小，毛竹林外推至杉木林时误差最大。湿度码回归模型的外推结果要优于气象要素回归模型。

图2 气象要素回归模型和湿度码回归模型的外推误差均值、最小值、最大值和变异系数Fig.2 Mean error,minimum error,maximum error and coefficient variation among all fuel types extrapolated by the meteorological factor regression model and moisture code regression model

3 结论与讨论

3.1 地表细小死可燃物含水率基本统计

研究期内江西南昌茶园山林场4 种地表细小死可燃物含水率超过35%的占整过研究期的2/3以上，而地表细小死可燃物含水率低于35%时，才有可能被引燃发生林火[19]。因此，在此研究内，发生林火的概率较低。毛竹林地表细小死可燃物含水率显著高于其余3 种类型（P＜0.001），这可能是由于毛竹地表细小死可燃物床层特征决定的，由于毛竹可燃物质地柔软，可燃物床层紧密，一旦发生降雨及湿润天气，其床层失水速度低于其他可燃物类型，较难恢复至降雨前[3,20]，因此其含水率要显著高于其他3 种可燃物。

3.2 相关性分析

地表细小死可燃物含水率与气象要素的Spearman 偏相关分析表明，茶园山林场地表细小死可燃物含水率动态变化主要受相对湿度的影响较大，且都对湿度的响应表现出一定的滞后性，这与其他学者的研究结果相似[21-22]。杉木和柳杉可燃物对前几日风速呈极显著负相关，这可能是由于两种可燃物床层密实度较低导致，更容易受风的影响。

所有地表细小死可燃物均与湿度码呈极显著负相关关系，且与FFMC、DMC 和DC 的相关性逐渐减弱，与金森等人的研究结果相同[16]。加拿大火险等级系统中3 个湿度码分别表示林内细小可燃物、半腐殖质和有机质的干燥程度，因此，FFMC 与地表细小死可燃物含水率相关性最强，DMC 次之，与DC 的相关性最弱。

3.3 湿度码适用性分析

直接使用细小可燃物湿度码（FFMC）得到的含水率值与所有可燃物含水率实测值均存在极显著差异，且MAE 和MRE 值都较大，根本无法在实际中应用。许多研究表明，直接使用FFMC 湿度码进行地表细小可燃物含水率预测并不适用，这主要是由于地表细小死可燃物类型、床层结构及立地条件等与最初进行湿度码模型研究时差距较大造成的[23-24]。例如，细小可燃物湿度码（FFMC）模型是基于地表上1.2 cm 的细小可燃物为研究对象获取的，然而在本研究中所有的可燃物床层厚度都远远超过1.2 cm，因此，并不能直接使用细小可燃物湿度码预测地表细小可燃物含水率。

3.4 预测模型分析

使用气象要素回归法建立4 种地表细小死可燃物含水率预测模型都只是相对湿度进入模型，进一步说明相对湿度对地表细小死可燃物含水率影响较大，与Zhang 等[13]的研究结果相似。预测模型R2的变化范围为0.365～0.527，说明模型最多也仅仅能解释约52.7%的含水率变化。此外，4 个气象要素回归预测模型的MAE和MRE 变化范围分别为20.395%～40.765%和37.417%～59.175%，结果显著高于陆昕等[25]的研究结果，这可能与含水率数据区间和研究步长有关系。一些研究发现，区分降雨和未降雨数据以及缩短可燃物含水率监测步长能够显著增加可燃物含水率预测模型精度[26-27]，因此本研究预测误差高于其他研究，按照MRE=15%区分，气象要素回归模型也均无法在实际中应用[28]。

湿度码回归模型中都是FFMC 进入模型，这与刘万龙的研究结果相似[29]，湿度码预测模型的MAE 和MRE 范围分别为19.366%～34.372%和33.895%～47.258%，预测误差高于其他学者研究结果[25]，这可能是由于研究期内降雨天数过多，当日累积降雨量超过0.5 mm 的占研究期的48%，降雨过多，含水率数据偏高，会降低湿度码的适用性，因此预测误差偏高。根据t 检验结果，湿度码回归预测模型预测误差显著低于气象要素回归法，但在不适于在实际中应用。

3.5 预测模型外推分析

湿度码回归模型外推误差均值、最小值、最大值等特征均小于气象要素回归模型，说明湿度码预测模型的外推效果要优于气象要素回归模型，这与其他学者研究结果相同[4,29]。这主要是由于湿度码模型是基于半物理方法，具有更好的外推性。

3.6 结 论

直接使用细小可燃物湿度码（FFMC）进行江西南昌地表细小死可燃物含水率预测并不适用。湿度码回归法预测地表细小死可燃物含水率误差和外推能力要显著优于气象要素回归法，但在本研究中其误差依旧无法在实际中应用。本研究仅是简单分析了湿度码对于江西南昌地表细小死可燃物含水率的预测适用性，并基于回归法进行修正，是最简单的修正方式，因此含水率预测误差偏高。在今后的研究中，还需针对研究区特定地表细小可燃物床层特征，对FFMC 模型中平衡含水率和失水系数等关键参数重新拟合及矫正，得到精度高和外推能力强的湿度码预测模型，对于该区域可燃物含水率研究具有重要意义。