地形环境因素对塔河林业局人为森林火灾发生的影响

苏漳文，宋禹辉，郭福涛，杨婷婷，王文辉，刘爱琴（福建农林大学，福州，350002）



地形环境因素对塔河林业局人为森林火灾发生的影响

苏漳文，宋禹辉，郭福涛＊，杨婷婷，王文辉，刘爱琴＊
（福建农林大学，福州，350002）

摘要：应用1974年—2009年间人为火的空间地理坐标，结合研究地的基础地理信息及矢量化林相图，应用Arc－GIS10．0中的空间分析工具和SPSS19．0的逻辑斯蒂回归模型深入分析地形环境因素对人为火发生的影响。研究结果表明“到铁路距离”对人为火的影响显著，其次，在1∶1和1∶3选取随机点条件下人为火发生分别与“优势树种”和“林型”显著相关。本文研究显示在运用“随机点”方法进行相关性分析时，随机点选取数量对模型拟合结果有一定影响。

关键词：北方针叶林；塔河地区；人为火；地形环境；逻辑斯蒂回归

0　引言

森林火灾（包括雷击火和人为火）是北方针叶林中十分重要的生态干扰因子，影响森林更新和演替［1］。此外，林火还会直接导致森林资源和人民生命财产损失，也会大大增加森林经营管理成本［2］。我国每年发生大约10，000次火灾，年均过火面积为820，000公顷［3］。在森林火灾中，人为火（由于人类活动或人为基础设施而引起的火灾）占很大比重［4，5］。位于北美阿拉斯加的北方针叶林带，人为火比重也很大，年均发生次数约占到总森林火灾60%以上，过火面积由于人为扑救措施和技术手段的进步，近年来呈递减趋势从38%（1950年—1959年）到5%（2000年—2005年），但火灾次数却一直居高不下［6］。我国南方地区人为火比重也非常大，个别省份也可达到90%以上［7］。但由于南方全年湿度和降水量较大，人为火发生后如及时进行扑救，不容易造成大面积森林损失。而塔河位于我国大兴安岭地区，其植被和气候特征与加拿大及美国北方针叶林带十分相似，林分树种组成多为针叶林，可燃性较强。秋季区域气候较为干旱，一旦发生森林火灾，扑救难度很大，容易造成大面积森林损失。统计表明塔河地区人为火的比重大约占到60%以上［8］。

目前关于该地区人为火的研究，主要分为空间分布格局研究［9－11］和气象因素影响研究［12－14］两个方向。然而，国外很多研究表明，地形、林分特征等因素对人为火的发生同样具有显著的影响［15－19］。但由于研究地空间地理数据和林分调查数据的缺乏，国内在探讨该地区立地条件、地理因素对人为火影响的问题中还存在一些不确定性。本文在收集整理包含立地条件和地理因素（包括坡度、坡向等地形因素以及植被、腐质层厚度、地被物盖度等环境因素）在内的塔河地区林相图基础上，应用ArcGIS10．0中的空间分析工具和SPSS19．0的逻辑斯蒂回归模型对影响人为火发生的主要立地条件和地理因素进行分析，研究结论为进一步解释该区域人为火发生的主导因素提供依据。

1　研究地区与研究方法

1．1 研究区概况

塔河地区位于我国黑龙江大兴安岭林区，属于典型的北方针叶林带，具有植物多样性低、乔木组成树种非常简单等特点。植被以兴安落叶松林和白桦林为主。属寒温带季风气候，年均气温－2℃～4℃，年降水量350 mm～500 mm，相对湿度70%～75%。年积雪期达5个月，林内积雪深可达30cm ～50cm。历史上塔河地区是火灾多发区，人为火源和雷击火源共同存在，从次数来说，人为火约占火灾总数的2／3。从面积来说，雷击火的过火面积高于人为火。该地区人为火在空间尺度上多呈现聚集分布，且多集中在铁路和居民区附近，时间尺度上多集中在5月至9月，其中5月和6月是人为火高发期［8，20］。

图1　研究区域示意图Fig．1 Sketch map of the study area

1．2 数据获取

林火发生数据来源于大兴安岭地区塔河县森林防火办公室。数据包括1974年—2009年塔河地区林火发生情况（起火地理坐标、起火原因、发生时间、过火面积等）。本文提取出历年人为火发生的经纬度坐标。研究中所需基础地理地形图和矢量化林相图等数据来源于东北林业大学森林经理教研室（http：／／forestry．nefu．edu．cn／dlxx／msg．php？c＝13）。1∶100万的基础地理图和矢量化林相图数据库分别建于2000年和2003年。其中林相图数据库精确到小班，并对林下植被类型和土壤条件进行了很好的记录，为本研究提供了有力的数据支持。本文参考国外相关研究［4，15，17，19］，并结合自身数据内容，通过ArcGIS软件运用空间分析技术从获取的林火及林分数据库中提取火点和随机点到“河流”，“街区”，“铁路”和“机耕路”等人为基础设施距离为第一类非气象因子。选取“林型”，“坡度”，“坡向”，“地被物盖度”和“优势树种”等林分和地形特征为第二类非气象因子。

1．3 数据处理

1．3．1 数据集属性表转化与合并

本文应用ArcGIS10．0对人为火数据与基础地理和林相图数据进行空间分析，计算了火点到河流面、街区、铁路、机耕路及等级公路的距离。并将林相图中的字符型变量进行属性转换以便进行统计分析，包括坡向、林型、经营措施和林下优势树种（表1和表2），在给字符型因子附数值型属性值时，以整数形式并以1为计数间隔。这些被赋予的属性数值虽是人为定值，但它们的差异真实反应了相对应的字符型属性变量的差异。因此在实际逻辑斯蒂模型运算中，变量的显著性水平能有效地说明该因子是否对人为火有显著影响。此外，坡度级、地被物盖度、龄级和郁闭度也是本文考虑的因子，但由于其本身以数值型记录因此不需要进行属性转换。为了建模分析（逻辑斯蒂回归模型）影响人为火发生的关键因子，需要随机创建一定数量（≥人为火数量）的非着火点（即没有林火发生的点）与林火点一同进行模型拟合。

本文分别按照火点与非火点1∶1和1∶3的比例创建非火点。非火点（即随机点）的创建数量或比例，国际上并没有统一的标准。有学者按照研究时间范围内平均火点数量选取非火点［21］，也有学者以非火点之间的最小距离为标准在整个研究区域内选取随机点［22］。这些方法各有利弊，但非火点的“随机性”是选择的基本原则。此外，由于实际情况往往是研究区域的火点空间分布少于或大大少于非火点，所以在随机选取非火点时，其数量通常不能低于火点数量，这也是反应了林火发生的客观规律。本文选取两种不同比例的随机点，主要为了比较分析及探讨随机点数量的变化对研究结论的潜在影响。本文按照火点属性表创建过程创建非火点属性表，并将两者合并。本文共选取15个因子进行建模分

表1　林相图属性转化属性表ITable 1 The convert of attribute value of stock map I

表2　林相图属性转化属性表IITable 2 The convert of attribute value of stock map II

析，采用点数据处理方式，通过数据预处理（剔除属性残缺点）分别得到82和165个因变量数据点（表3＜样本数＞）。

1．3．2 二项逻辑斯蒂回归模型（Logistic regression model）

在Logistic回归模型中，对两类判别问题进行取值。第一类为有林火发生，记为y＝1，第二类为无林火发生，y＝0。根据指标可以建立LogitP关于自变量（相关林相属性和火点到河流，铁路，公路等设施距离）的Logistic回归方程：

Logit P＝b0＋b1x1＋b2x2＋…＋bmxm（1）

得到概率估计公式：

根据估计概率进行判别归类，通常情况下，如果估计概率小于0．5，则认为没有林火发生，如果估计概率大于0．5，则认为有林火发生；如果不进行四舍五入对数值进行取舍，一般不会出现恒等于0．5的情况。需要指出的是，关于这个林火的判别概率，国际上并没有明确地规定，这主要根据研究者的实际工作和需求来划定。更多情况是计算出区域的林火概率分布图来指导实际林火管理工作。本文应用SPSS19．0软件进行逻辑斯蒂回归拟合。这种分析已广泛应用于林火发生的预测预报上［18，21，23－25］。

2　结果与分析

2．1 按不同比例创建随机点

本文拟应用二元逻辑斯蒂回归模型分析人为火发生与人为基础设施和林分相关信息的关系。由于逻辑斯蒂模型的应用条件，因变量的取值应为1或0，即着火和不着火。我们的林火统计数据中只包含有林火发生的数据，因此需要创建一些无林火发生数据来进行模型拟合。创建过程按照随机原则，且非火点的数量要呈递增的趋势，以便更好地理解和探讨各非气象因子与人为火发生的关系，因此本文随机点按照着火点1倍和3倍的数量创建了随机点。

2．2 属性表整合及统计描述

本文计算了火点和不同比例随机点到河流面、街区、铁路、机耕路、等外公路及等级公路的距离（单位：m）（图2，图3），并在ArcGIS中将火点和随机点图层与林相图属性图层进行叠加运算，合并各图层属性。应用SPSS19．0对整合后的属性数据进行统计描述（表3）。

表3　模型变量的基本统计Table 3 The descriptive statistic of variables of model

图2　火点与1∶1随机点到人为基础设施及河流面的空间直线距离。图中a，b，c，d，e分别代表“火点＋随机点”到铁路、河流面、居住、机耕路、和等级公路的距离（单位：m），每个颜色条纹代表5000m缓冲带Fig．2 The straight distance from fire points and 1∶1random no－fire points to infrastructures and rivers．a，b，c，d，e represent the distance to railway，river，residential area，Jigeng road and Dengji Road，respectively（unit：m）．Each color stripe represents 5000mbuffer

图3　火点与1∶3随机点到人为基础设施及河流面的空间直线距离。图中a，b，c，d，e分别代表“火点＋随机点”到铁路、河流面、居住、机耕路、和等级公路的距离（单位：m），每个颜色条纹代表5000m缓冲带Fig．3 The straight distance from fire points and 1∶3random no－fire points to infrastructures and rivers．a，b，c，d，e represent the distance to railway，river，residential area，Jigeng road and Dengji Road，respectively（unit：m）．Each color stripe represents 5000mbuffer

2．3 模型拟合结果

2．3．1 火点与随机点1∶1拟合结果

本文对1∶1创建随机点的数据进行二元逻辑斯蒂回归拟合。模型的全变量拟合结果显示，模型整体拟合结果R2（Cox ＆Snell）为0．517，模型参数拟合结果显示“到铁路距离”与人为火发生之间有显著相关性（p＝0．009），而其它自变量因子在全模型中（含有所有自变量的逻辑斯蒂模型）与人为火发生之间并未表现出显著相关（表4）。此外，本文应用向后逐步回归法，将不显著变量逐一从全模型中剔除，最后得到最优模型（剔除不显著自变量的逻辑斯蒂模型）。模型整体拟合度指标R2（Cox ＆Snell）为0．465，最优模型中“到铁路距离”，“坡向”和“优势树种”这三个变量与人为火发生有显著相关性（表5）。

表4　逻辑斯蒂全模型的参数拟合（1∶1）Table 4 Parameter estimation of Logistic regression full model（1∶1）

表5　逻辑斯蒂最优模型的参数拟合（1∶1）Table 5 Parameter estimation of Logistic regression best model（1∶1）

2．3．2 火点与随机点1∶3拟合结果

在验证随机点与火点1∶1的情况后，为了深入了解随机点数量对决策因子的影响，本文运用相同的模型拟合方法对1∶3（火点：随机点）的情况进行了建模分析。模型的全变量拟合结果显示，模型整体拟合结果R2（Cox ＆Snell）为0．408，模型参数拟合结果显示“到铁路距离”与人为火发生之间有显著相关性（p＝0．003），而其它自变量因子在全模型中（含有所有自变量的逻辑斯蒂模型）与人为火发生之间并未表现出显著相关（表6）。此外，同样运用向后逐步回归法，将不显著变量逐一从全模型中剔除，最后得到最优模型，模型整体拟合度指标R2（Cox ＆Snell）为0．347，最优模型中“到铁路距离”和“林型”这两个变量与人为火发生有显著相关性（表7）。

表6　逻辑斯蒂全模型的参数拟合（1∶3）Table 6 Parameter estimation of Logistic regression full model（1∶3）

表7　逻辑斯蒂全模型的参数拟合（1∶3）Table 7 Parameter estimation of Logistic regression full model（1∶3）

本文虽然随机点的选取比例不同，模型拟合结果也有所差异，但两个模型的拟合结果具有很强的规律性，模型显示了铁路对人为火的显著影响，其次，林型和优势树种代表了森林可燃物类型，研究结果表明人为火的发生受可燃物类型的影响显著。此外，在1∶1选取随机点条件下，坡向也与人为火发生表现了显著相关性，然而在随机点比例增加的情况下，坡向的显著性水平有所下降，因此，在运用“随机点”方法进行相关性分析时，要充分注意和分析随机点数量对模型拟合结果的影响。图4为根据林火和随机点创建的研究区域人为火发生概率分布图，图中直观地显示了火险高发区。

图4　研究区域人为火发生概率克里格插值结果Fig．4 The Kriging interpolation of possibilityof human－caused fire in the study area

3　结论与讨论

本文应用塔河地区历年人为火信息数据，结合研究地的基础地理信息及矢量化林相图，应用Arc－GIS10．0和SPSS19．0等工具，通过图层叠加计算，属性转换，逻辑斯蒂回归模型运算等一系列手段，分析了对我国北方针叶林带人为火发生有显著影响的非气象因子。研究结果显示“到铁路距离”“优势树种”和“林型”对人为火的发生有显著影响，这同Cardille等［4］在北美针叶林带所进行的研究结论相似，他们的研究指出“铁路密度”以及“林型”对研究区域人为火有显著影响。此外，Maingi和Henry［16］在美国肯塔西州的研究也表明“到公路距离”和“公路密度”与人为火发生显著相关，这也说明了人为基础设施的空间分布对人为火的重要影响。塔河林业局的铁路建设，在过去70，80年代主要为木材和省内旅客运输服务，由于设备和人们防火认识不够完善，时常发生机车的闸瓦火，和由于旅客随窗扔烟头及在铁路沿线活动引发的森林火灾，这在当地的林火发生情况统计资料中可以发现。本研究也证实了塔河林业局人为火发生的特殊性。

本研究主要选取河流及一些人为基础设施为研究对象，与国外同类研究相比［4，16－18］，本文没有考虑当地人口密度，GDP等经济发展因素，主要由于我国公开的GDP或人口密度等统计数据，最小尺度单位为县而本文的研究区域位于塔河县内，因此无法体现出空间异质性，进而无法同其它因子一样进行分析。另外，塔河林区的经济发展较其它以工业为主的地区落后，发展速度较慢，加之我国人口政策的限制，多年来塔河地区的人口数量和居住区范围并没有较为明显的改变。因此，本文用居住区的位置，而不是大小作为变量，来探讨其对人为火发生的影响。另一方面，本研究时间尺度为1974—2009年，而选取的铁路、公路、河流、居民点、机耕路等是基于2000年的基础地理图，由于客观数据条件的限制，本研究假设各地理、人为基础设施在研究时间尺度内保持不变［25］。实际情况是该地区河流、居民点及铁路位置的变化相对较小，而林区的公路和机耕路随着时间的推移和当地经济发展呈现上升趋势，这可能对研究结论产生一定的影响，因此，在未来的研究中，应尽可能使用不同时间点的基础地理图，来减少研究过程中的不稳定性。

目前关于林火与影响因子的空间分析研究，主要有网格取点和随机取点两种方式。网格取点是指对研究区域进行网格化，规定网格大小。每一个网格代表一个火点或对应的非火点（随机点），如果网格面积大，如5Km×5Km，那么坡向，林型等这类因子将不具备唯一性，没有办法考虑进模型拟合中，若栅格面积小（1Km×1Km或更小）则会出现“非火点”与“火点”比例严重失衡现象，会导致模型拟合的偏差，从而无法判断影响因子。因此在火点和非火点比例失衡的情况下，随机取点是一个比较好的选择。因此本文采用了1∶1和1∶3两种随机选点方式。在模型运算过程中，我们发现随着随机点比例的提高影响因子“坡向”的显著性水平有所下降，从1∶1时的显著相关，到1∶3时的不显著。这种情况说明，不应该简单地根据某一种随机点选取比例而直接下结论。而是应该对比不同比例随机点下同一自变量因子在相同模型下的显著性水平变化趋势。这样可以较为客观地反映出对人为火有显著影响的决策因子。此外，本文根据火点和随机点的空间分布规律，对塔河地区进行了人为火空间分布插值，为直观了解研究地人为火火险分布情况提供依据。本文研究结论对深入揭示研究地人为火发生规律具有一定意义。

参考文献

［1］Podur J，et al．Spatial patterns of lightning－caused forest fires in Ontario．1976－1998［J］．Econ Model，2003，164 （1）：1－20．

［2］Chas－Amill ML，et al．Spatial distribution of humancaused forest fires in Galicia（NWSpain）［A］．Transactions on ecology and the environment［C］，2010，137．WIT Press，Southampton．ISSN 1743～3541（online）2010：247－258．

［3］Zhong MH，et al．Statistical analysis on current status of China forest fire safety［J］．Fire Safety Journal，2003，38（3）：257－269．

［4］Cardille JA，et al．Environmental and social factors influencing wildfires in the Upper Midwest．United States ［J］．Ecological Applications，2001，11（1）：111－127．［5］Prestemon JP，Butry DT．Time to burn：modeling wildland arson as an autoregressive crime function［J］．A－merican J．of Agricultural Economics，2005，87（3）：756－770．

［6］Susan K．Todd，Jewkes HA．Wildland fire in Alaska：a history of organized fire suppression and management in the last frontier［J］．Agricultural and Forestry Experiment Station Bulletin No．114University of Alaska Fairbanks March，2006．

［7］赵辉．福建三明2000～2009年森林火灾时空分布及影响因素研究［D］．北京：北京林业大学，2012．赵辉．福建三明2000～2009年森林火灾时空分布及影响因素研究［J］．北京林业大学学报，2012（1）．

［8］郭福涛．基于空间分析和模型理论的大兴安岭地区林火分布与预测模型研究［D］．哈尔滨：东北林大学，2010．［9］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．

［10］张正祥，等．呼伦贝尔草原人为火空间分布格局［J］．生态学报，2013，33（7）：2023－2031．

［11］王明玉，等．林火在空间上的波动性及其对全球变化的响应［J］．火灾科学，2003，12（3）：165－176．

［12］赵凤君，等．气候变化对林火动态的影响研究进展［J］．气候变化研究进展，2009，5（1）：50－55．

［13］郭福涛，等．不同模型对拟合大兴安岭林火发生与气象因素关系的适用性［J］．应用生态学报，2010，21 （1）：159－164．

［14］魏书精，等．气候变化对我国林火发生规律的影响［J］．森林防火，2011，1：30－34．

［15］Syphard AD，et al．Human influence on California fire regimes［J］．Ecological Application，2007，17（5）：1388－1402．

［16］Maingi JK，Henry MC．Factors influencing wildfire occurrence and distribution in eastern Kentucky，USA ［J］．International Journal of Wildland Fire，2007，16 （1）：23－33．

［17］Romero－Calcerrada R，et al．GIS analysis of spatial patterns of human－caused wildfire ignition risk in the SW of Madrid（central Spain）［J］．Landscape Ecology，2008，23（3）：341－354．

［18］Martínez J，et al．Human－caused wildfire risk rating for prevention planning in Spain［J］．Journal of Environmental Management，2009，90（2）：1241－1252．

［19］Padilla M，Vega－Garcia C．On the comparative importance of fire danger rating indices and their interaction with spatial and temporal fire occurrences in Spain［J］．International Journal ofWildland fire，2011，20：46－58．

［20］于成龙，等．大兴安岭塔河林业局林火动态气象条件分析［J］．东北林业大学学报，2007，35（8）：23－27．

［21］Martell DL，et al．Modelling seasonal variation in daily people－caused forest fire occurrence［J］．Canadian Journal of Forest Research，1989，19（12）：1555－1563．

［22］Vasconcelos MJP de，et al．Spatial Prediction of Fire Ignition Probabilities：Comparing Logistic Regression and Neural Networks［J］．Photogrammetric Engineering ＆Remote Sensing，2001，67（1）：73－81．

［23］Garcia CV，et al．ALogit model for predicting the daily Occurrence of Human caused forest fires［J］．International journal of wildland fire，1995，5（2）：101－111．

Keyword：Boreal forest；Tahe area；Human－caused fire；Geographical factors；Logistic regression

［24］Andrews PL，et al．Evaluation of fire danger rating indexes using logistic regression and percentile analysis ［J］．International Journal of Wildland Fire，2003，12 （2）：213－226．

［25］Chang Y，et al．Predicting fire occurrence patterns with logistic regression in Heilongjiang Province，China［J］．Landscape Ecology，2013，28（10）：1989－2004．

Influence of geographical and environmental factors on human－caused fires in Tahe area

SU Zhangwen，SONG Yuhui，GUO Futao，YANG Tingting，WANG Wenhui，LIU Aiqin
（Fujian Agriculture and Forestry University，Fuzhou 350002，China）

Abstract：In this paper，we used the spatial analysis tools in ArcGIS10．0and Logistic regression model imbedded in SPSS 19．0 to identify the impact of human－activity and geographical factors on forest fires，based on the coordinates of human－caused fires during 1974－2009and the basic geographical map．The results showed that“the distance to railway”has a significant impact on the human－caused fires．Moreover，“the dominant tree”and“the forest type”are significantly correlated with human－caused fires under 1∶1and 1∶3conditions，respectively．It was also found that the rate of random sample selection affects the parameter estimation of the model．

通讯作者：郭福涛，E－mail：guofutao＠126．com；刘爱琴，E－mail：lxylaq＠126．com

作者简介：苏漳文（1987－），男，福建漳州。福建农林大学硕士研究生，林业硕士专业，研究方向为森林培育技术。

基金项目：福建农林大学重点大学建设基金（6112C035）；国家自然科学基金（31400552）。

收稿日期：2014－12－18；修改日期：2015－01－13

DOI：10．3969／j．issn．1004－5309．2015．01．03

文章编号：1004－5309（2015）(－)0016－10

文献标识码：A

中图分类号：S762．2；X954