森林可燃物载量估测方法研究进展

孙 龙，鲁佳宇，魏书精，武 超，胡海清

(东北林业大学林学院，哈尔滨150040)

森林燃烧理论认为任何森林燃烧现象的发生必须具备三个基本条件，即森林可燃物、火源、气象条件，它们构成森林燃烧三要素［1］。森林可燃物作为森林燃烧的物质基础，森林可持续管理的基本依据，是影响林火发生发展自然因素中人类能控制的因子之一。林火是对森林生态系统破坏最严重的自热干扰因子之一［2］，随着林火预防及扑救能力逐步加强，加之现代化的扑救装备及发达的交通网络，使得林火发生得到有效控制［4］，但人为控制的负面影响导致森林可燃物载量增加，森林结构单一，易形成大片连续且均匀的水平、垂直可燃物分布结构，导致森林综合抗火能力下降，加大发生重大或特大森林火灾发生的概率。在森林燃烧三要素中，唯一人类可严格控制调节的就是森林可燃物(虽然人为火源可控，但由于自然火源的大量存在，使得火源人类不能完全控制)，因此，对森林可燃物载量进行定量研究，是现代林火管理中的基础工作，在林火发生预报、林火行为预报、森林防火指挥、计划烧除、营林用火、生物防火等方面均具有重大的理论意义与实践价值。

1 基本概念

森林内一切可以燃烧的物质均为可燃物，林地内的乔木 (干、枝、叶、皮)、灌木、草本、苔藓、地表凋落物、土壤中的腐殖质和泥炭等均可视为森林可燃物。单位面积上可燃物的绝干重量即为可燃物载量。森林可燃物种类复杂，可按照不同的研究目的对其进行划分。按照可燃物含水率变化的性质，可将森林可燃物划分为活可燃物和死可燃物两大类，死可燃物又可遵循其含水率的恢复程度细化分为1 h、10 h、100 h、1000 h时滞的可燃物［5］;根据可燃物在林内的位置，可将森林可燃物划分为空中可燃物、地表可燃物和地下可燃物;根据可燃物燃烧的难易程度，可将森林可燃物划分为危险可燃物、缓慢燃烧可燃物和难燃可燃物;根据地被物的种类，又可将可燃物划分为，地表枯枝落叶层、地衣、苔藓、草本植物、灌木、乔木和林地杂乱物;按可燃物挥发性，可将其划分为高挥发性可燃物、中挥发性可燃物和低挥发性可燃物;按可燃物燃烧时消耗，可将可燃物划分为有效可燃物、剩余可燃物和总可燃物。

2 可燃物载量实测方法

2.1 线绳法

应用线绳法测定可燃物载量可概括为以下几步［5］:确定可燃物类型，根据可燃物分布特点设置大小适宜的样地;在样地内布设若干条平行样线;查算样地内枝条与各平行样线交叉的点数;结合参数推算可燃物载量。此种方法目前较少应用于我国，其优点在于简单易行，避免测量可燃物鲜重，可直接推算可燃物载量，但其存在明显的局限性，即只能应用于地表死可燃物载量调查。

2.2 机械布设样地调查法

应用机械布设样地的方法对可燃物载量进行调查时，通常在有代表性的地域机械布置若干块样地，并记录样地内树种组成、树高、胸径、林龄与郁闭度等林分因子及坡度、坡位和坡向等立地条件。具体实施可分为以下两步完成［1］:

(1)外业调查。在每块样地的对角线上选取3～5块50cm×50cm的小样方，将小样方内可燃物进行分类、称鲜重，取样以备实验室计算可燃物含水率。

(2)内业计算。将外业所取样品放入烘箱以105°烘至恒重，求算每个小样方中不同类型可燃物的含水率，计算可燃物载量，并推算样地内不同类型可燃物载量。此方法为可燃物载量调查的普遍方法，其优势在于适用范围广，并能较准确的推算研究区域可燃物载量，但应用该方法需大量人力、物力的投入，不适用于大范围作业及火灾后快速调查［6］。

3 可燃物载量动态估测模型

可燃物载量动态估测模型方法是指将林地内的林分因子与实地的可燃物载量建立数学关系，从而可通过森林调查资料得到该地区的可燃物载量。模型类型主要包括:线性回归可燃物载量估测模型和应用BP人工神经网络建立可燃物载量估测模型。目前，我国关于可燃物载量动态估测模型的研究大都在样点尺度上研究可燃物载量与林分因子之间的关系［7］，其中大兴安岭地区研究的主要林型以兴安落叶松林、樟子松林和白桦林为主。

3.1 现有载量模型

兴安落叶松是大兴安岭地区的优势树种。目前，对兴安落叶松林可燃物载量动态估测模型研究最为详细，见表1。邸雪颖等［8］、胡海清［9］、单延龙等［10］、高嘉宝［11］和刘晓东等［12］分别建立了不同时滞可燃物载量与各林分因子的一元线性回归动态模型;胡海清［9］、单延龙等［13］以及陈宏伟［14］等建立了不同时滞可燃物载量及总载量与林分因子的多元回归动态估测模型;王强［15］和何长虹等［16］利用BP人工神经网络建立出可燃物总载量与林分因子的动态模型。以上研究中的林分因子主要有林龄、郁闭度、平均树高和平均胸径。通过大量的一元回归动态估测模型，可以得出，1 h可燃物载量与林龄、平均胸径等林分因子呈显著正相关，与平均树高呈显著负相关;10 h可燃物载量与林龄呈显著正相关，与树高呈显著的负相关;100 h可燃物载量与平均胸径呈正相关，兴安落叶松林下灌木载量与平均树高呈显著正相关;兴安落叶松林地表可燃物总载量与平均树高，林龄，凋落物厚度，草本盖度等林分因子呈正相关，与平均胸径、等林分因子呈显著负相关。但目前研究多为一元线性回归动态模型，仅揭示出不同时滞可燃物载量与单一林分因子之间的关系，但无法阐明多个林分因子综合对可燃物载量积累的总体影响。由于不同林分因子之间存在相关性，所以应用多元线性回归建立可燃物载量动态模型时，必须剔除存在相关性的林分因子，所以在胡海清［9］和单延龙［14］等提出的多元线性回归模型中未能纳入所有的林分因子。

表1 现有落叶松林可燃物动态模型Tab.1 Current dynamic model of estimating larch forest fuel load

3.2 立体条件对可燃物载量估测的影响

可燃物载量积累除受林分因子的影响之外，还受到立地条件 (坡度、坡位、坡向和海拔等)的影响，见表2。周志权［17］应用显著性检验;陈宏伟等［14］与郭利峰等［18］应用相关性检验;薛煜等［19］以实测数据;吴志伟等［20］应用DCCA排序的方法，分别从不同角度表明立地条件对可燃物载量积累存在影响。其中1 h时滞可燃物载量与坡向、海拔呈极显著负相关性［14，20］;10 h可燃物载量与坡度呈极显著的正相关性［20］;可燃物总载量与坡向呈极显著的负相关性，与坡度呈极显著的正相关性。其原因为:坡向差别导致林内光照条件出现差别，阳坡林内关照条件充足，林下喜阳灌草生长茂盛，且因为光照充足，地表温度较高，阳坡可燃物含水率较阴坡可燃物的含水率低，可燃物分解率较慢，因此由阳坡至阴坡1h可燃物载量呈由高到低排列;随坡度加大，会使土壤愈加贫瘠、干燥，不利于土壤微生物活动，导致半分解层分解速率小于缓坡半分解层;随海拔升高，气温降低，林木生长量降低，加之海拔高，风速大，地表1h时滞可燃物积累量减小，所以出现1h、10h可燃物载量与海拔呈极显著负相关性。

表2 可燃物载量与立地因子相关性Tab.2 Correlation between forest fuel load and stand factors

3.3 可燃物载量动态估测模型现存问题

综上所述，应用多元回归、神经网络等方法可非常便捷地在小尺度上得到可燃载量。因构建模型的因子较单一，只是考虑某一树种，所以精度较高，估算值较接近真实值。因此为获得可燃物载量提供了便利，但由于应用多元回归及神经网络等方法对数据量要求比较大，因此工作量相对较大，成本较高，只能在小尺度上应用。目前已从不同角度构建兴安落叶松可燃物载量估测模型，但多数模型仅将单一的或是有限的林分因子作为变量，而忽略了立地条件等其他因子对可燃物载量的影响。周志权等人的研究中表明，兴安落叶松林地表可燃物载量的积累受到立地条件影响，但研究仅限于此，并未将立地条件与可燃物载量之间的定量数学关系阐明。另因不同林分因子、立地条件之间存在自相关性，无法将所有对可燃物载量积累有影响的因子全面体现出来。

4 可燃物载量遥感估测方法

可燃物载量遥感估测模型方法是指将可燃物载量与遥感图像的波段信息建立关系，从而得到研究区域可燃物载量。近年来，随着“3S”技术的不断发展和广泛的应用，许多学者把该技术运用于可燃物载量估测中。国庆喜等［21］和王强［22］等将 TM影像波段信息与森林实测数据相结合，采用像素直接分配法［23］，以处理遥感图像后所得NDVI、RVI等值及处理数字化高程模型 (DEM)所得到的坡度、坡向等信息为自变量，建立多元回归模型及BP神经网络模型。并以此模型分别对小兴安岭15种林型的可燃物载量，帽儿山林场可燃物载量进行了估算。胡海清和魏云敏［24］在塔河的ETM+影像中进行了可燃物的分类，将该地区ETM+图像分为阔叶林、针叶林、沼泽、河流和其它类型，并提取出图像的波段值及NDVI、RVI等指数，结合实测的林分因子，经过回归分析，建立起塔河地区针叶林和阔叶林的可燃物载量模型，并对塔河地区的可燃物载量进行了大尺度的估测。王立海和邢艳秋［25］对吉林省汪清天然林区的TM遥感影像进行分类，将该地区分为针叶林区、针阔混交林区和阔叶林区，以遥感图像上的地物信息与地理信息系统提供的地物各种地面信息作为自变量，应用人工神经网络建立森林生物量模型，并对该地区的森林生物量进行了大尺度估算。唐荣逸［26］等，在对云南松可燃物载量进行了大尺度的估测，通过遥感数据提取波段信息，从当地GIS数据中得到坡度、坡向和坡位等立地条件的信息，再结合野外 GPS卫星定位调查数据进行回归建模，建立了可燃物载量直接与遥感的波段值和立地条件的模型和间接的将林龄与郁闭度作为中间变量与遥感信息和立地条件建立模型，再将可燃物载量与中间变量建立关系的两种模型，并对其精度进行了比较，得到用遥感因子和地形回归可燃物载量模型较为理想的结论。以上采用间接分配法，首先从遥感图像上判读一些与可燃物模型相关联的中间特征，然后根据这些特征与可燃物模型的关系，为各像元分配可燃物模型。该方法主要将可燃物载量与植被特征之间建立关系，该方法目前应用最为广泛，研究最为深入 (Miller等［27］、Root 等［28］、Yool 等［29］、Burgan［30］Wilson等［31］、Mart 等［32］、 Hardwick 等［33］、Jain 等［34］、Roberts等［35］和 Scott等［36］)。

4.1 可燃物载量遥感估测方法存在的问题

目前，遥感图像的精度是制约遥感技术在可燃物载量估算上最大的问题。从开始的Wu［37］、Hussin［38］、Kasischke［39］、Sadar［40］等人应用合成孔径雷达 (SAR)数据对森林生物量进行估算，到Brandis［41］、胡海清和魏云敏［24］等应用 TM、ETM+图像进行可燃物载量估算，图像的精度在不断提高，但是采用这些图像，只能对可燃物类型进行分类，或者进行边界划分，具有一定局限性，所以引入新的遥感图像势在必行。因为使用原有的光学遥感所得图像只有乔木层信息。但应用雷达图像后，因雷达波具有穿透林冠的能力，应用其可对林分树高进行估测，从而将林分因子、遥感图像直接联系在一起，同时应用雷达图像摆脱了天气，时间对遥感图像的限制，提高可燃物载量估测的准确率和效率。例如Nicholas等［42－43］在美国新泽西使用一个单波束激光雷达，来检测树冠高，结合森林清查来分析和量化森林结构和估测森林可燃物梯度，其研究表明单波束雷达可用于森林生物量、可燃物载量梯度的估测和林下可燃物载量的估算。

5 研究展望

5.1 可燃物载量动态模型

结合样地调查资料，用数学或BP人工神经网络方法，将林分因子、立地条件和土壤类型等影响可燃物载量积累的因子作为变量，建立模型，并对模型进行检验，来剔除相关性或者贡献量小的自变量，同时要考虑到为了准确求出模型的参数值，应尽可能地多取样本，从而提高模型的精度，从而在对特定研究区域可燃物载量小尺度估算中，得到精确较高的结果。

5.2 遥感估测方法

采用更高分辨率的遥感图像，在进行监督分类后，结合林相图将无法再进行细分的各针、阔树种进行细分，再将从遥感图像提取的信息与数字化高程模型 (DEM)上得到的各立地条件和森林调查记录中得到的土壤类型等因素，应用回归或BP人工神经网络构建模型，从而得到更精确的可燃物载量模型，估测更接近实际的可燃物载量。

5.3 火后可燃物载量消耗量估测研究

针对不同的火灾类型以及不同的森林类型，火后可燃物载量消耗量多少一直是科学家关心的关键问题，目前报道很少。原因主要来自于:

(1)森林生态系统存在较大的时空异质性，即便是同一次森林火灾在同一森林类型内不同的立地条件下也存在巨大的差异，因为林下可燃物载量的分布格局差异，以及火行为受气象等条件的影响，使得同样一次森林火灾可燃物载量消耗存在巨大的空间异质性，这就需要我们在进行实际调查时候，增加取样数量，构建相应的模型以估算火烧后可燃物载量的消耗量。

(2)火烧强度不同，可燃物载量消耗量不同。在不同生态系统中不同火烧强度对可燃物载量消耗量影响很大，因此确定火烧强度并估算可燃物载量消耗量对以可燃物载量为基础的相关研究至关重要。

(3)低中强度火干扰后森林生态系统的快速恢复使得火后森林可燃物载量消耗量估测成为难题。一般低中强度火干扰后林下地被物层以及草本层基本消耗掉，但几个月后草本层会迅速发展，载量迅速增加，因此只要是一年以上的火后调查林下草本及枯落物层就很难确定，消耗量估测就会存在很大误差。

因此，基于以上几点，在开展火后生态系统可燃物载量消耗量估测时一般应该研究森林可燃物载量分布格局和异质性、火行为特征、火烧强度等因素，并在火后1个月内开展详细调查，才可以搞清可燃物载量消耗量情况，并通过多次实践调查和采样才能研制出可信性比较高的可燃物载量消耗量估测模型。

森林可燃物载量估测是森林可燃物可持续管理的基础。在我国将森林可燃物作为单一因子的研究还处在起步阶段，建立的可燃物载量模型大多以线性回归模型为主，建立的遥感估测模型较少，所以对局部区域的可燃物载量进行估算较多且准确性较高，但缺乏大尺度上对可燃物载量进行估算。因此，应用这些数据仅能对局部地区森林火险的预测、预报提供一定的参考，但存在很大的局限性，无法为国家的火险预测、预报提供有效的参考。所以，在今后的研究中，要注意对可燃物载量估算模型的建立应将传统模型方法与遥感估测法相结合，加强可燃物载量跨尺度研究，得到精度较高的森林可燃物载量调查数据，为我国的森林防火工作提供有力的支持。

［1］胡海清.林火生态与管理［M］.北京:中国林业出版社，2005.

［2］孙 龙，张 瑶，国庆喜，等.1987年大兴安岭林火碳释放及火后 NPP 恢复［J］.东北林业大学学报，2009，45(12):100 －104.

［3］王瑞君.林火与森林虫害关系的研究概况［J］.防护林科技，2005(66):17－19.

［4］肖化顺，曾思齐，谢绍锋，等.森林可燃物管理研究进展［J］.世界林业研究，2009，22(1):48 －52.

［5］何忠秋，张成刚，牛永杰.森林可燃物载量模型研究［J］.世界林业研究，1996(2):26－30.

［6］杨 光，黄 乔，卢 丹，等 森林可燃物负载量测定方法研究［J］.森林防火，2011(2):19 －23.

［7］贺红士，常 禹，胡远满，等.森林可燃物及其管理的研究进展与展望［J］.植物生态学报，2010，34(6):741 －752.

［8］邸学颖，王宏良，姚树人，等.大兴安岭森林地表可燃物生物量与林分因子关系的研究［J］.森林防火，1994(2):16－18.

［9］胡海清.利用林分特征因子预测森林地被可燃物载量的研究［J］.林业科学.2005，41(5):96 －99.

［10］单延龙，舒立福，李长江.森林可燃物参数与林分特征关系［J］.自然灾害学报，2004，13(6):70 －75.

［11］高宝嘉，张桂娟，周国娜，等.承德县人工针叶林地表枯死可燃物参数估测及潜在地表火行为评价［J］.林业科学，2009，45(10):163－167.

［12］刘晓东，王 军，张东升，等.大兴安岭地区兴安落叶松林可燃物模型的研究［J］.森林防火，1995(3):8－9.

［13］单延龙，舒立福，李长江.森林可燃物参数与林分特征关系［J］.自然灾害学报，2004，13(6):70 －75.

［14］陈宏伟，常 禹，胡远满，等.大兴安岭呼中林区森林死可燃物载量及其影响因子［J］.生态学杂志，2008，27(1):50 －55.

［15］王 强，胡海清.利用林分因子估测森林地表可燃物负荷量［J］.东北林业大学学报，2005，33(6):17 －18.

［16］何长虹，黄全义，申世非.基于BP神经网络的森林可燃物负荷量估测［J］.清华大学学报，2011，51(2):230 －233.

［17］周志权.辽东3种主要林型地被可燃物载量的研究［J］.东北林业大学学报2000，28(1):32－34.

［18］郭利锋，牛树奎，阚振国.北京八达岭人工油松林地表枯死可燃物负荷量研究［J］.江西林业科技，2007，32(2):134 －137.

［19］薛 煜，王会岩，张世萍.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(51):21－23.

［20］吴志伟，贺红士，刘晓梅，等.丰林保护区地表森林死可燃物载量与环境因子的关系［J］.东北林业大学学报，2011，39(3):52 －55.

［21］国庆喜，张 锋.基于遥感信息估测森林的生物量［J］.东北林业大学学报，2003，31(2):13—16.

［22］王 强，金 森.利用RS和林分因子估测帽儿山林场森林可燃物负荷量［J］.东北林业大学学报，2008，36(9):35 －37.

［23］金 森.利用TM遥感影像和林分因子估测森林可燃物载量［J］.林业科学，2006，42(12):64 －67.

［24］胡海清，魏云敏.利用TM遥感影像和林分因子估测森林可燃物载量［J］.东北林业大学学报，2007，35(6):

［25］王立海，邢艳秋.基于人工神经网络的天然林生物量遥感估测［J］.应用生态学报，2008，19(2):261 －267.

［26］唐荣逸.云南松林可燃物载量的遥感估测研究［D］.昆明，西南林学院，2007.

［27］ Miller W，Johnston D.Comparison of fire fuel maps produced using MSS and AVHRR data［R］.Pecora X Symposium，1985，pp.305－315.

［28］ Root RR，Stitt S C F，Nyquist MO，et al.Vegetation and fire fuel models mapping of North Cascades National Park［R］.ACSM-ASPRS-Annual Convention Technical Paper 3，1985，pp.78 － 85.

［29］ Yool S R，Eckhardt D W，Estes J E，et al.Describing the brushfire hazard in Southern California［J］.Annals of the Association of A-merican Geographers，1985，75(3):417 －430.

［30］ Burgan R E.Concepts and interpreted examples in advanced fuel modeling［R］.USDA Forest Service General Technical Report INT-238.40，1987.

［31］ Wilson B A，Ow C，Heathcott M，et al.Landsat MSS classification of fire fuel types in Wood Buffalo National Park［J］.Global Ecology and Biogeography Letters，1994，4(2):33 －39.

［32］ Mark C A，Bushey C L，Smetanka W.Fuel model identification and mapping for f ire behavior prediction in the Absaroka_Beartooth Wilderness，Montana and Wyoming［A］.Proceedings:symposium on fire in wilderness and park management［C］.USDA Forest Service General Technical Report INTGTR-320，pp.227 －229.

［33］ Hardwick P E，Lachowski H，Forbes J，et al.Fuel loading and risk assessment for Lassen National Forest［A］.Proceedings of the seventh Forest Service remote Sensing applications conference［C］.Nassau Bay，Texas，6-10April 1998，pp.328 －339.

［34］ Jain A，Ravan S A，Singh R K，et al.Forest fire risk modeling using remote sensing and geographic information systems［J］.Current Science，1996，70(10):928 －933.

［35］ Roberts D A，Gardner M，Regelbrugge J，et al.Mapping the distribution of wildfire fuels using AVIRIS in the Santa Monica Mountains［A］.Proc.7th AVIRIS Earth Science Workshop［C］，Pasadena，CA，1998，pp.345 －352.

［36］ Scott K，Oswald B，Farrish K，et al.Fuel loading prediction models developed from aerial photographs of the Sangre de Cristo and Jemes mountains of New Mexico［J］.USA.International Journal of WildlandFire，11(1):85 －90.

［37］ Wu S.Assessment of tropical forest Stand characteristics with multipolarization SAR data acquired over a mountainous region in Costa Rica［J］.IEEE Trans.Geosci.Rem.Sens.，1990，28:752 －755.

［38］ Hussin Y A，Reich R，Hoffer R.Estimating splash pine biomass using radar back scatter［J］.IEEE Trans.on Geosci.and Rem.Sens.，1991，29(3):427 －431.

［39］ Kasischke E S，Melack J，Dobson M.The use of imaging radars for ecological applications-A review［J］.Remote Sensing of Environment，1997，59(2):141 － 156.

［40］ Sader S A，Hayes D J，Hepinstall J A，et al.Forest change monitoring of a remote biosphere reserve［J］.International Journal of Remote Sensing，2001，22(10):1937 －1950.

［41］ Brandis K，Jacobson C.Estimation of vegetative fuel loads using Landsat TM imagery in New South Wales［J］.International Journal of Wildland Fire，2003，12:185 －194.

［42］ Skowronski N，Clark K L.Three-dimensional canopy fuel loading predicted using upward and downward sensing LIDAR systems［J］.Remote Sensing of Environment，2011，115:703 －714.

［43］ Skowronski N，Clark K L.Remotely sensed measurements of Forest structure fuel loads in the Pinelands of New Jersey［J］.Remote Sensing of Environment，2007，108:123 － 129.

［44］江西军，柴一新.红花尔基樟子松林细小可燃物载量与林分因子关系研究［J］.森林防火2007(3):23－27.

［45］邢劭谦，宋哲存.Zig Bee无线传感与卫星定位技术在森林火灾预警中的应用［J］.森林工程，2011，27(6):36 －38.