昆明市林火驅(qū)動(dòng)因子及火險(xiǎn)區(qū)劃研究

　　摘要：【目的】對(duì)昆明市 2000—2015 年的火點(diǎn)數(shù)據(jù)進(jìn)行分析，確定主要林火驅(qū)動(dòng)因子，建立昆明市林火預(yù)報(bào)模型并進(jìn)行火險(xiǎn)區(qū)劃，為昆明市林火預(yù)防提供參考。【方法】基于林火數(shù)據(jù)，選取氣象、地形、植被、人為等 17 個(gè)林火驅(qū)動(dòng)因子構(gòu)建 Logistic 回歸林火概率模型，并劃分 5 個(gè)中間模型選取全樣本的顯著變量因子，用受試者工作特征曲線 (ROC) 進(jìn)行模型檢驗(yàn)與評(píng)價(jià)，基于全樣本的模型結(jié)果分析昆明市主要林火驅(qū)動(dòng)因子，并計(jì)算得到林火發(fā)生概率的最佳閾值，根據(jù) Logistic 模型結(jié)果劃分五級(jí)火險(xiǎn)區(qū)。【結(jié)果】海拔、距居民點(diǎn)距離、距鐵路距離、歸一化植被指數(shù) (NDVI) 值、月均地表溫度、月均氣壓、月均相對(duì)濕度、月均風(fēng)速、人均國內(nèi)生產(chǎn)總值 (GDP) 等 9 個(gè)因子與昆明市林火發(fā)生概率存在顯著關(guān)系;Logistic 模型的預(yù)測(cè)準(zhǔn)確率高達(dá) 81.7%;ROC 曲線下面積 (AUC) 的值為 0.905;劃分的最佳閾值為 0.342;火險(xiǎn)區(qū)劃的五級(jí)火險(xiǎn)區(qū)面積比率分別為 48.82%、35.17%、11.26%、2.55%、2.20%。【結(jié)論】昆明市林火主要驅(qū)動(dòng)因子是氣象因子;昆明市高火險(xiǎn)區(qū)集中分布在五華區(qū)、盤龍區(qū)、官渡區(qū)、呈貢區(qū)、西山區(qū)、安寧市等西南部地區(qū)。圖 4 表 3 參 22

　　關(guān)鍵詞：林火驅(qū)動(dòng)因子;Logistic 回歸模型;火險(xiǎn)區(qū)劃;衛(wèi)星林火數(shù)據(jù);昆明市

　　朱政; 趙璠; 王秋華; 高仲亮; 鄧小凡; 黃鵬桂 浙江農(nóng)林大學(xué)學(xué)報(bào) 2021-12-20

　　森林火災(zāi)是一種失去人為控制肆意燃燒毀壞林地的森林燃燒現(xiàn)象，嚴(yán)重威脅著生物多樣性、森林生態(tài)系統(tǒng)和人類生命財(cái)產(chǎn)安全[1−2]。森林火險(xiǎn)區(qū)劃是有效防止和減小森林火災(zāi)危害的手段，結(jié)合火環(huán)境將森林區(qū)域劃分為不同的火險(xiǎn)等級(jí)便于分級(jí)管理[3]。國內(nèi)外許多學(xué)者研究表明，林火受多種驅(qū)動(dòng)因子共同影響，因子可以分為氣象、地形、植被和人為因素[4−5]。森林火險(xiǎn)區(qū)劃與林火驅(qū)動(dòng)因子之間存在復(fù)雜聯(lián)系，根據(jù)前人研究，其劃分方法主要包括模糊聚類法、主成分分析法、模糊綜合評(píng)判法等[6−8]。 Logistic 模型是林火研究常用的一種回歸模型，因其模型的解釋性好和預(yù)測(cè)準(zhǔn)確率較高被廣泛應(yīng)用在林火研究之中。本研究應(yīng)用 Logistic 回歸模型結(jié)合氣象、地形、植被、人為等因素建立林火預(yù)測(cè)模型，對(duì)昆明市林火驅(qū)動(dòng)因子進(jìn)行分析并劃分等級(jí)，以期為昆明市林火預(yù)防和管理工作提供參考。

　　1 研究區(qū)和數(shù)據(jù) 1.1 研究區(qū)概況

　　昆明市行政管轄范圍包括 7 個(gè)區(qū) 6 個(gè)縣，代管安寧市。地處云貴高原中南部，24°23′~26°22′N， 102°10′~103°40′E，行政面積為 2 1473 km2。地勢(shì)北高南低，地形以高原為主，多數(shù)地區(qū)海拔為 1 500~ 2 800 m，垂直地域特征明顯，物種多樣性豐富。昆明屬于亞熱帶高原季風(fēng)氣候，四季如春，日照長、霜期短，市區(qū)年平均氣溫為 15.0 ℃，全年干濕季明顯，干季在 11 月至次年 4 月，屬于森林火災(zāi)高頻期。現(xiàn)有森林面積 110.69 萬 hm2，森林覆蓋率達(dá) 52.62%，森林蓄積量達(dá) 6 057 萬 m3。主要樹種有云南松 Pinus yunnanensis、華山松 P. armandii、櫟類 Quercus spp.、杉木 Cunninghamia lanceolata、楊樹 Populus spp.等。衛(wèi)星火點(diǎn)數(shù)據(jù) (圖 1)表明：昆明市 2000—2015 年間共發(fā)生森林火災(zāi) 321次，落在昆明防火期 12 月到次年 5 月的火點(diǎn)有 280 個(gè)，占總火點(diǎn)的 80% 以上。

　　1.2 數(shù)據(jù)來源和處理

　　1.2.1 因變量 林火發(fā)生受多種驅(qū)動(dòng)因子共同影響[9−10]。火點(diǎn)數(shù)據(jù)來自地理空間數(shù)據(jù)云平臺(tái) (http:// www.gscloud.cn/) 提供的 MOD14A2 衛(wèi)星火點(diǎn)數(shù)據(jù)。該數(shù)據(jù)為 8 d 合成數(shù)據(jù)，該產(chǎn)品被國內(nèi)外學(xué)者用于林火的廣泛研究[11−12]。用 ArcGIS 10.7 對(duì)下載的 MOD14A2影像數(shù)據(jù)投影和裁剪獲得昆明市范圍的影像數(shù)據(jù)，利用重分類功能將 firemask 灰度屬性值按照 0~6 和 7~9 劃分為未過火和過火像元，將過火像元比對(duì)昆明市地物類型圖，將所有落在類型為林地的火點(diǎn)提取作為本研究使用的林火數(shù)據(jù)。

　　1.2.2 自變量 選取氣象、地形、植被、人為活動(dòng)等共 17 個(gè)因子。地形初始變量有海拔、坡度、坡向，數(shù)據(jù)來源于地理空間云 (http://www.gscloud.cn/) 的 GDEMV2 30 m 數(shù)字高程模型 (DEM) 數(shù)據(jù)。使用 ArcGIS 10.7 按掩膜提取昆明市 DEM，采用“值提取到點(diǎn)”分別提取各火點(diǎn)對(duì)應(yīng)的值。氣象初始變量有月均地表溫度、月均氣壓、月均相對(duì)濕度、月均風(fēng)速、月均氣溫、月均日照時(shí)長，數(shù)據(jù)來源于中國氣象數(shù)據(jù)共享網(wǎng) (http://cdc.cma.gov.cn/)，氣象數(shù)據(jù)采用月均值的方式計(jì)算，對(duì)各火點(diǎn)直接賦值。植被數(shù)據(jù)有植被類型和季度歸一化植被指數(shù) (NDVI)。植被類型來源于全國地理信息資源目錄系統(tǒng)下 30 m 全球地表覆蓋數(shù)據(jù) Globeland 30，運(yùn)用 ArcGIS 10.7 值提取至點(diǎn)，得到分類變量值。NDVI 來源于中國科學(xué)院資源與環(huán)境科學(xué)與數(shù)據(jù)中心下中國季度 1 km 植被指數(shù)空間分布數(shù)據(jù)集，數(shù)值分為春夏秋冬 4 個(gè)季節(jié)，對(duì)火點(diǎn)年份和月份按照對(duì)應(yīng)的季度 NDVI 進(jìn)行分類和提取。人為活動(dòng)因素有距河流距離、距居民區(qū)距離、距公路距離、距鐵路距離、人均國內(nèi)生產(chǎn)總值 (GDP)、人口密度，數(shù)據(jù)來源于全國地理信息資源目錄系統(tǒng)下 1∶25 萬全國基礎(chǔ)地理數(shù)據(jù)庫和中國科學(xué)研究院資源與環(huán)境數(shù)據(jù)中心下分辨率 1 km 人口和 GDP 格網(wǎng)數(shù)據(jù)。導(dǎo)入基礎(chǔ)設(shè)施矢量圖后，利用 ArcGIS 10.7 的近鄰分析工具得到火點(diǎn)距離各要素的最近距離，人口密度和人均 GDP 只有 2000、2005、2010 年的柵格數(shù)據(jù)，通過比對(duì)《云南省統(tǒng)計(jì)年鑒》測(cè)算各年人口密度和人均 GDP 增長率，用“值提取至點(diǎn)”功能得到各火點(diǎn)對(duì)應(yīng)數(shù)據(jù)。各變量因子之間的量綱不同且存在數(shù)據(jù)級(jí)之間的巨大差別，為消除量綱，避免存在數(shù)據(jù)級(jí)引發(fā)的結(jié)果貢獻(xiàn)問題，對(duì)數(shù)據(jù)采取歸一化處理。

　　2 研究方法 2.1 二項(xiàng) Logistic 林火回歸模型

　　二項(xiàng) Logistic 回歸模型可以有效進(jìn)行二分類數(shù)據(jù)的判別，被國內(nèi)外學(xué)者廣泛運(yùn)用于林火區(qū)劃[8,13]。以林火發(fā)生概率作為二項(xiàng) Logistic 回歸模型的因變量，以 y=1 或 0 代表林火是否發(fā)生。設(shè) P 為林火發(fā)生概率，則林火未發(fā)生概率為 1−P，由此得公式： P = eβ0 +β1 x1 +β2 x2 +···+βjx j 1+eβ0 +β1 x1 +β2 x2 +···+βjxj 。將上面公式做 logit 變換，得到公式為： ln( P 1− P ) = β0 +β1 x1 +β2 x2 +···+βjxj。 β0 β1 β2、···、βj x1、x2、···、x j e ln( P 1− P ) 其中： 、 、 為各自變量因子的回歸系數(shù)， 為各自變量因子， 為常量， j 為自變量個(gè)數(shù)，P 為林火發(fā)生概率， 為 P 的比數(shù)的對(duì)數(shù)。建立二項(xiàng) Logistic 林火預(yù)測(cè)回歸模型時(shí)，需要一些隨機(jī)非火點(diǎn)與火點(diǎn)共同構(gòu)成樣本數(shù)據(jù)。基于前人的研究經(jīng)驗(yàn)[14]，將火點(diǎn)與非火點(diǎn)比例調(diào)整為 1∶2，對(duì)非火點(diǎn)日期進(jìn)行隨機(jī)賦值，保證時(shí)間和空間上的雙隨機(jī)。將樣本數(shù)據(jù)隨機(jī)分成 60% 作為模型樣本，40% 進(jìn)行獨(dú)立檢驗(yàn)，重復(fù) 5 次隨機(jī)劃分，避免樣本分布對(duì)最終模型結(jié)果的影響。

　　2.2 多重共線性檢驗(yàn)

　　多重共線指變量因子之間存在相關(guān)關(guān)系使模型精度下降，利用多重共線性診斷可以有效剔除相關(guān)變量。使用方差膨脹因子 (VIF) 進(jìn)行多重共線性檢驗(yàn)，通常認(rèn)為 0

　　2.3 自變量篩選

　　為減小隨機(jī)選擇自變量對(duì)建模結(jié)果的影響，提高模型的精確度，采用 SPSS 中系統(tǒng)默認(rèn)的“強(qiáng)迫回歸方法”進(jìn)行自變量的篩選，逐步剔除變量使剩余變量 VIF 值均小于 10。在上述 5 次劃分的隨機(jī)模型中選取至少出現(xiàn) 3 次的顯著變量參與全樣本數(shù)據(jù)的擬合。

　　2.4 模型檢驗(yàn)

　　受試者工作特征曲線 (receiver operator characteristic curve，ROC) 常用于評(píng)價(jià)分類模型精度和計(jì)算最佳閾值。該曲線以特異性 (正類誤判為負(fù)類) 為橫坐標(biāo)，以敏感性 (正類判斷為正類) 為縱坐標(biāo)，ROC 曲線下面積 (area under curve AUC) 的值用來評(píng)價(jià)模型的精度，AUC 的值越接近于 1 則表示該模型的精度越高，通常認(rèn)為 AUC>0.8 時(shí)該模型擁有較好預(yù)測(cè)能力[15]。約登指數(shù) (Youden index，敏感性+1-特異性) 是 ROC 曲線上最靠近左上角的一點(diǎn)，代表兩分類模型預(yù)測(cè)準(zhǔn)確度最佳閾值[16]，用該閾值計(jì)算可以得到模型的預(yù)測(cè)準(zhǔn)確率。

　　2.5 火險(xiǎn)概率及火險(xiǎn)等級(jí)劃分

　　依據(jù)全樣本運(yùn)算得到的 Logistic 回歸方程式計(jì)算結(jié)果，使用 ArcGIS 的克里金插值法進(jìn)行圖層運(yùn)算，獲得昆明市的林火發(fā)生概率分布圖。《全國森林火險(xiǎn)區(qū)劃等級(jí)》 [17] 將全國森林火險(xiǎn)等級(jí)劃分為 3 級(jí)，但該標(biāo)準(zhǔn)只適用于縣級(jí)或林場(chǎng)的等級(jí)區(qū)劃，對(duì)于大區(qū)域的宏觀預(yù)測(cè)精度和指導(dǎo)意義遠(yuǎn)遠(yuǎn)不夠。本研究按照前人的經(jīng)驗(yàn)和國際慣例[18]，依據(jù)概率等間距將昆明市劃分為五級(jí)森林火險(xiǎn)：0~0.2 為一級(jí)火險(xiǎn)區(qū)， 0.2~0.4 為二級(jí)火險(xiǎn)區(qū)，0.4~0.6 為三級(jí)火險(xiǎn)區(qū)，0.6~0.8 為四級(jí)火險(xiǎn)區(qū)，0.8~1.0 為五級(jí)火險(xiǎn)區(qū)。

　　3 結(jié)果與分析 3.1 自變量確定

　　共線性診斷適用于連續(xù)變量不適用于分類變量，因此，先對(duì) 15 個(gè)連續(xù)變量進(jìn)行多重共線性診斷，再綜合 5 個(gè)中間模型加上非連續(xù)性變量“植被類型”和“坡向”進(jìn)行模型顯著性檢驗(yàn)確定最終林火驅(qū)動(dòng)因子。多重共線性診斷的結(jié)果如表 1 所示：在剔除月均氣溫之后，不存在多重共線性。將篩選的連續(xù)變量和分類變量采用“Wald 向前”原則對(duì) 5 個(gè)樣本進(jìn)行擬合，選擇結(jié)果中出現(xiàn) 3 次及以上的顯著變量作為全樣本模型的自變量因子，全樣本的擬合結(jié)果如表 2 所示。

　　3.2 模型檢驗(yàn)結(jié)果與評(píng)價(jià)

　　如 圖 2 所示： 用 ROC 曲線分別計(jì)算模型 的 AUC 和約登指數(shù)并以此計(jì)算測(cè)試樣本預(yù)測(cè)準(zhǔn)確率。如表 3 所示：5 個(gè)中間模型的樣本的 AUC 值均大于 0.890，對(duì)樣本的預(yù)測(cè)準(zhǔn)確率均高于 80%，全樣本 AUC 值為 0.905，預(yù)測(cè)準(zhǔn)確率為 81.7%，說明 Logistic 回歸模型對(duì)昆明市林火發(fā)生預(yù)測(cè)有較好的預(yù)測(cè)效果，適用于昆明市林火發(fā)生預(yù)測(cè)。根據(jù)全樣本擬合結(jié)果建立昆明市 Logistic 回歸概率模型為： ln( P 1− P ) = −2.138x1 +1.768x2 −1.373x3 −3.159x4+ 2.110x5 −1.654x6 −2.373x7 +1.169x8 +6.638x9 +2.061。 x1 x2 x3 x4 x5 x6 x7 x8 x9 其中：P 是林火發(fā)生概率， 為海拔， 為居民點(diǎn)，為離鐵路距離， 為 NDVI， 為月均地表溫度，為月均氣壓， 為月均相對(duì)濕度， 為平均風(fēng)速， 為人均 GDP。

　　3.3 昆明市火險(xiǎn)概率及火險(xiǎn)等級(jí)區(qū)劃

　　由圖 3 可見：5 類森林火險(xiǎn)等級(jí)分別占昆明市區(qū)面積的 48.82%、35.17%、11.26%、2.55%、2.2%，高火險(xiǎn)地區(qū)集中分布在五華區(qū)、盤龍區(qū)、官渡區(qū)、呈貢區(qū)、西山區(qū)、安寧市等，四級(jí)和五級(jí)火險(xiǎn)區(qū)集中在一起。與實(shí)際火點(diǎn)進(jìn)行比對(duì)，這片區(qū)域發(fā)生歷史火災(zāi)集中且次數(shù)最多。總體來看，昆明市的重點(diǎn)火險(xiǎn)區(qū)主要分布在昆明市西南部、嵩明縣的中部地區(qū)、東川區(qū)的邊界和石林彝族自治縣的中部地區(qū)。

　　3.4 林火驅(qū)動(dòng)因子與火點(diǎn)頻次關(guān)系

　　從表 3 可以看出：對(duì)昆明市林火發(fā)生概率具有顯著影響的林火驅(qū)動(dòng)因子分別為海拔、距居民點(diǎn)距離、距鐵路距離、NDVI 值、月均地表溫度、月均氣壓、月均相對(duì)濕度、月均風(fēng)速、人均 GDP。由圖 4 可得：火點(diǎn)集中在距居民區(qū) 1 500~2 500 m，這個(gè)區(qū)間屬于人口密集區(qū)，人為活動(dòng)頻繁導(dǎo)致林火發(fā)生概率增大。火點(diǎn)集中分布在月均地表溫度 15~25 ℃ 區(qū)間，該溫度對(duì)應(yīng)昆明市春夏季，此時(shí)正是昆明市的防火期，降水稀少，日照時(shí)間長，可燃物含水率低，容易引發(fā)火災(zāi)發(fā)生。昆明市火點(diǎn)頻次在月均風(fēng)速 2.0~4.0 m·s −1 時(shí)呈下降趨勢(shì)，到達(dá) 4.5 m·s −1 先上升后下降，該區(qū)間對(duì)應(yīng)昆明市春夏季過渡到秋季，降水增多，植物含水率和溫度較低，不易發(fā)生火災(zāi)。 11 月進(jìn)入冬季，為昆明市防火期時(shí)段，從月均相對(duì)濕度來看，昆明市火點(diǎn)主要集中在 40%~60%，在相對(duì)濕度高于 60% 之后的區(qū)間，月均相對(duì)濕度與火點(diǎn)頻次呈負(fù)相關(guān)關(guān)系。

　　火頻次與距鐵路距離關(guān)系呈明顯的負(fù)相關(guān)，火點(diǎn)主要分布在 0~20 km 的區(qū)域內(nèi)，隨距離增加，火點(diǎn)越來越少，距居民區(qū)的火點(diǎn)集中在 0~2 000 m 的區(qū)域內(nèi)，2 000 m 以后呈明顯的負(fù)相關(guān)。人均 GDP 與火點(diǎn)頻次呈明顯的負(fù)相關(guān)，隨人均 GDP 的增長火點(diǎn)減少，人均 GDP 較少的區(qū)域多處于農(nóng)村、鄉(xiāng)鎮(zhèn)區(qū)域，森林面積大，火點(diǎn)占有可能性較高。NDVI 代表植被覆蓋率，其值與植被覆蓋率呈正比關(guān)系，火點(diǎn)落入 0.2~0.5 最多，這表明昆明市火災(zāi)易發(fā)生在森林覆蓋率低的地帶，該區(qū)域可燃物較少且容易干燥引發(fā)火災(zāi)。

　　4 結(jié)論與展望

　　林火驅(qū)動(dòng)因子中，月均地表溫度、月均氣壓、月均相對(duì)濕度、月均風(fēng)速都屬于氣象因素，氣象因素是影響昆明市林火發(fā)生的主要因素。氣象因素影響火三角中可燃物與溫度這 2 個(gè)因素，相對(duì)濕度影響可燃物含水率，抑制林火發(fā)生，與林火發(fā)生呈負(fù)相關(guān)[19]。地溫和風(fēng)速通過減小可燃物含水率影響林火發(fā)生，風(fēng)速還可以加快空氣流動(dòng)，影響火災(zāi)蔓延的方向和速率，與林火發(fā)生呈正相關(guān)。氣壓隨海拔升降發(fā)生變化，火點(diǎn)落入 806~816 hPa 為多，其中，火點(diǎn)主要分布在 810 hPa。昆明市范圍內(nèi)的林火不僅受到氣象因素的影響，還受到地形、可燃物、人為活動(dòng)等因素的共同影響，氣象因素決定大范圍內(nèi)林火發(fā)生的可能性，而地形、可燃物、人為活動(dòng)等因素從更精細(xì)的空間角度預(yù)示著潛在的林火分布狀況。

　　進(jìn)行二項(xiàng) Logistic 多重線性診斷時(shí)，5 個(gè)中間模型得到的林火驅(qū)動(dòng)因子都不相同，海拔作為顯著變量卻成為中間模型剔除因素，林火驅(qū)動(dòng)因子之間存在復(fù)雜關(guān)聯(lián)，僅僅考慮自變量之間的相關(guān)性可能會(huì)剔除模型中存在重要影響的因子[20]。本研究選取了當(dāng)前林火驅(qū)動(dòng)因子所有時(shí)間段的數(shù)據(jù)，Logistic 回歸風(fēng)險(xiǎn)模型進(jìn)行擬合，沒有考慮可能存在氣候差異明顯的時(shí)間段，比如昆明市存在明顯的干濕季，對(duì)于林火發(fā)生概率也會(huì)產(chǎn)生顯著影響。在接下來的的研究中應(yīng)考慮做多個(gè)不同時(shí)期的森林火險(xiǎn)區(qū)劃。除本次研究中使用的 Logistic 回歸模型以外，預(yù)測(cè)林火的模型還有隨機(jī)森林算法、地理加權(quán)回歸模型等，國內(nèi)已有相關(guān)學(xué)者用于林火預(yù)測(cè)的研究[21−22]。不同林火模型對(duì)于地區(qū)的適用性和解釋性都不相同，可針對(duì)昆明市的林火分布特征找出最優(yōu)解釋模型。本研究所選的自變量沒有包含日值氣象數(shù)據(jù)，對(duì)于極端值情形研究不足，可將研究極端值情況對(duì)于林火發(fā)生概率的影響。