江西南昌典型林分地表死可燃物含水率预测
—— 方法优选与FWI适用性分析

金 森，刘万龙

(东北林业大学 林学院，黑龙江 哈尔滨 150040)

江西南昌典型林分地表死可燃物含水率预测
—— 方法优选与FWI适用性分析

金 森，刘万龙

(东北林业大学 林学院，黑龙江 哈尔滨 150040)

亚热带针阔混交林是我国南方重要的植被类型，森林火灾发生次数多。对该植被类型的典型可燃物含水率将有助于提高火险预报的准确性。以位于该区域内的南昌市茶园山林场5种典型林分地表死可燃物为研究对象，通过对其含水率的连续观测，分析了死可燃物含水率与气象因子的关系。采用气象要素、FWI因子和两者的结果，区分不同含水率范围，分别建立的各可燃物3种预测模型。结果表明：研究地区防火期内可燃物含水率从11.8%到276.6%，只有1/4的时间低于35%，具备发生森林火灾的条件，其余的时间燃烧性都很低，平均火险不高。但最小含水率已低到10%左右，具备发生大火的潜在可能性。3种预测方法中，FWI模型误差最大，气象要素回归模型和混合模型误差相似，考虑到简单方便，该地区的含水率预测可以采用气象要素回归法。含水率小于35%时，模型MAE 2.25%～4.67%,平均3.73%；MRE 11.14%～23.73%，平均18.63%。含水率＞35%时，模型MAE 6.34%～18.33%,平均8.63%；MRE 10.49%～18.16%，平均14.43%。在全范围含水率时，模型MAE 7.46%～16.43%,平均10.51%；MRE 18.78%～23.64%，平均20.99%。FWI指标与研究地区可燃物含水率关系密切，也可以用于含水率预测和火险预报，如果考虑全国统一的预报模型，对于该地区，FWI系统是适用的，但为提高预测的准确性，应进行进一步的修正。

林分地表死可燃物；可燃物含水率；FWI；预测模型；江西南昌

死可燃物含水率大小决定森林点燃的难易程度，是判断林火能否发生、进行林火预报的重要因子[1-5]。不同植被类型和同一植被类型分布的不同区域的可燃物含水率动态特征不同，预报方法也不同。亚热带针阔混交林是我国南方重要的植被类型，森林火灾发生次数多。对该植被类型的典型可燃物含水率将有助于提高火险预报的准确性。江西省森林覆盖率高达63.1%，是亚热带针阔混交林的重要分布区。目前对该地区死可燃物含水率的预测研究还未见诸报道。为此，对江西省森林可燃物含水率的预测研究十分必要，是建立该区域森林火险预报系统的关键[6-11]。

目前进入森林火险预报系统业务运行的可燃物含水率预测的方法主要有气象要素回归法及时滞平衡含水率法2种。气象要素回归法方法简单，在我国已开展很多研究[12-14]，取得了一定效果。但该方法是一种统计方法，外推误差较大，且不同地区建立的模型所采用的因子不同，难以形成统一的预报模式。时滞和平衡含水率法是半物理方法[15]，较气象要素回归法复杂，但通用性强，加拿大火险天气指标系统(FWI)[16]的可燃物含水率计算方法是该类方法的代表。我国国家火险等级系统建设中曾引进该方法作为国家尺度的火险预报备用方法。但该方法在全国各地的适用性还没有得到验证，特别是FWI指标与可燃物含水率的关系还没有在全国范围内不同可燃物类型进行系统研究。

为此，以江西省南昌市的典型可燃物为研究对象，对其可燃物含水率动态进行观测，采用气象要素回归法、FWI方法（时滞和平衡含水率法）以及气象要素和FWI指标混合等3种方法，分别建立这些可燃物的含水率预测模型。主要目标是分析影响该区域可燃物含水率的因子，寻求最合适的预测方法模型，明确预测精度，从而为更准确的预测森林火险提供科学依据。同时也评价FWI指标在该区域的适用性，为建立统一的预报模式提供参考。

1 研究方法

1.1 研究区概况

研究地点为江西南昌茶园山林场，地理坐标 28°72′77″ N，115°68′80″ E。 共 有 山 林 面 积42 700 hm2，地形地貌主要为高丘低山，海拔为200 ～ 680 m。亚热带湿润气候，四季分明，气候温暖，日照充足，无霜期长,无积雪覆盖，年降水量1 700 mm，年均匀气温14.5 ～ 17.6℃。土壤为花岗岩母质发育的山地红壤，土层深厚土壤肥沃，pH值在5.5至6.0。林木资源主要有毛竹Phyllostachys edulis、 马 尾 松Pinus massoniana、杉木Cunninghamia lanceolata、柳杉Cryptomeria fortunei、 鹅 掌 楸Liriodendron chinense、 油 茶Camellia oleifera、小山竹Yushania suijiangensis、红花檵木Loropetalum chinense等100余种。林场内森林火灾发生较少。

1.2 野外试验

在阳坡选择5个典型林分，分别为马尾松林、马尾松-鹅掌楸混交林、杉木林、毛竹林、柳杉林。在2012年11月5日至12月28日，2013年3月5日至4月30日(防火期为当年10月至次年4月末)，进行可燃物含水率的观测，共111 d。在每个林内选取3个采样点，每日14:00左右进行地表凋落物采样[15]，每个点采集50 g左右，装入信封称鲜重后，将样品装入密封袋带回试验室，放入105 ℃烘干箱内，持续烘干至恒质量，称量干质量。

在林场样地内架设HOBO气象站，同步采集空气温度、空气湿度、土壤温度、土壤湿度、降雨量、风速，采样间隔0.5 h。

1.3 数据处理与分析

1.3.1 可燃物含水率计算

按下式进行计算各点含水率，取平均值作为该林分的含水率：

式中：M为可燃物含水率(%)；Wh为可燃物鲜质量(g)；Wd为可燃物干质量(g)。

1.3.2 FWI指标计算

根据FWI系统的计算方法[17]，计算研究期间的FWI系统的6个指标，初始条件和3个湿度码的初始值按文献计算[18]。

1.3.3 可燃物含水率影响因子相关分析

影响可燃物含水率的因子有两类：一是土壤条件，包括土壤含水率（%）、土壤温度；二是气象要素和指标，细化为3小类：①当天的气象因子，包括日最高气温（℃）、日平均温度（℃）、13时温度（℃）、日平均湿度（%）、日平均风速(m·s-1)；②累加降雨量，包括前n(n=1～12、24)小时累积降雨量(mm)；③FWI指标，包括细小可燃物湿度码(FFMC)、枯落物下层湿度码(DMC)、干旱码(DC)、累计指数(BUI)、初始蔓延指数(ISI)、火险天气指数(FWI)，

24小时平均温度记为T1；最高气温记为T2；24小时平均湿度记为H；13时温度记为T3；24小时平均风速记为W；24小时土壤平均温度记为T4；24小时土壤平均含水率记为RS； 前n小时累加降雨量记为Rn(n=1～12、24)；FFMC；DMC；DC；ISI；BUI；FWI.

计算可燃物含水率与上述因子之间的Pearson相关系数，以此来评价死可燃物含水率与不同因子间的关系，确定对含水率有影响的因子，显著性水平设定为α=0.05.

1.3.4 可燃物含水率预测模型

纤维的饱和含水率一般为35%，35%的水分交换主要是扩散过程。超过35%的可燃物床层出现自由水，受降雨和凝露等影响,主要是自由蒸发，与≤35%的扩散过程机理不同。因此，对其分别建模。对于每个林分，共有3个建模数据集，≤35%数据、＞35%数据、全部数据。对于每个数据集，用3/4数据作为建模数据，分别以气象因子(含土壤因子)、FWI6个指标和混合因子(气象因子+FWI指标)为预测变量，采用逐步回归的方法[19]建立该林分的地表死可燃物含水率3种多元线性预测模型，分别称为气象要素回归模型、FWI模型和混合模型。用剩余的1/4数据作为验证数据，按下式计算该模型的平均绝对误差(MAE)和平均相对误差(MRE)：

式中：Ri和Rj分别为实测和预测的含水率（%）。

对3类模型的误差进行T检验，以比较模型误差差异的显著性。

采 用SPSS17.0(SPSS Inc., USA)和Sigma Plot10.0(Systat corporation, USA)进行统计分析和绘图。

2 结果与分析

2.1 基本情况

表1给出了实验期间可燃物含水率动态、气象要素和FWI指标的统计特征。可燃物含水率从11.8%到276.6%，平均65.7%，覆盖了研究地区防火期可燃物含水率的主要范围。从25%分位数上看，研究期间，只有25%的日子里可燃物含水率低于35%，也就是具有可燃物燃烧的条件，其余的时间燃烧性都很低，这与研究期间降雨比较频繁有关，也反映了研究地区平均火险不高。但最小含水率已低到10%左右，此时燃烧，火势十分剧烈，说明研究地区具备发生大火的潜在可能性。

表1 可燃物含水率和气象要素、FWI指标的统计特征Table 1 Statistics characteristics of fuel moisture, meterological variables and FWI indexes

2.2 地表死可燃物含水率与影响因子的相关分析

表2～4给出了相关的气象因子、土壤因子、FWI指标与地表死可燃物含水率之间的Pearson相关系数。与所有可燃物含水率都不相关的因子未列入表中。地表死可燃物含水率＜35%时，FWI与5个林分可燃物含水率都显著相关，湿度、FMC、DMC、DC等湿度码与4个林分可燃物含水率显著，不相关的林分是毛竹林。FWI、ISI、BUI与林分含水率相关显然是因为它们是湿度码的函数，而湿度码与含水率相关。与2个林分可燃物含水率显著相关的有T1、T2、T3、T4、W，仅与1个林分可燃物含水率有显著相关的有RS、R11、R12；地表死可燃物含水率＞35%时，FFMC均与5个林分可燃物含水率显著相关，不同时段的降雨量与可燃物含水率关系最密切。温度与一些林分可燃物含水率显著相关。对于地表死可燃物全部含水率，温湿度指标和FWI指标与可燃物含水率多数都显著相关。

表2 地表死可燃含水率≤35%与环境因子、FWI因子的Pearson相关系数†Table 2 Pearson correlation coefficients between fuel moisture and environmental factors for moisture ≤35%

表3 地表死可燃含水率＞35%与环境因子、FWI因子的Pearson相关系数Table 3 Pearson correlation coefficients between fuel moisture and environmental factors for moisture ＞35%

表4 地表死可燃全部含水率与环境因子、FWI因子的Pearson相关系数Table 4 Pearson correlation coefficients between fuel moisture and environmental factors for full ranged moisture

2.3 死可燃物含水率预测模型

表5给出了5个林分地表死可燃物含水率预测模型的参数和检验。在含水率≤35%、含水率＞35%和全部含水率3种情况下，所有预测模型均显著，模型可用。其中8个混合模型与气象模型一致。

表5 地表死可燃物含水率预测模型的参数和检验Table 5 Parameters and test of dead surface fuel moisture prediction models

进入模型的主要因子有：日平均湿度、日最高温度、前6 h累加降雨量、FFMC等，与可燃物含水率密切相关的一些因子没有出现在模型中是因为这些因子与进入模型的因子具有一定的相关性，其对含水率的作用通过进入模型的因子所体现。

含水率≤35%时，气象预测模型可解释30.4%～65.5%的可燃物含水率变差，MAE 2.25%～4.67%，平均3.73%；MRE 11.14%～23.73%，平均值18.63%。FWI预测模型可解释12.2%～46.6%的可燃物含水率变差，MAE 2.83%～5.49%， 平 均4.36%；MRE 12.91%～27.56%，平均值21.38%。混合预测模型可解释30.4%～93.8%的含水率变差，MAE1.61%～4.67%，平均3.55%；MRE 6.65%～23.73%，平均17.35%。

含水率＞35%时，气象预测模型可解释67.8%～91.4%的可燃物含水率变差，MAE 6.34%～18.33%，平均8.63%；MRE 10.49%～18.16%，平均值14.43%。FWI预测模型可解释19.2%～44.7%的可燃物含水率变差，其MAE为10.19%～29.25%， 平 均17.43%；MRE 15.92%～26.66%，平均21.62%。混合预测模型可解释70.9%～91.4%的含水率变差，MAE6.34%～18.33%，平均10.49%；MRE 10.49%～18.16%，平均13.45%。

全部含水率时，气象预测模型可解释75.2%～89.5%的可燃物含水率变差，MAE 7.46%～16.43%，平均10.51%；MRE 18.78%～23.64%，平均值20.99%。FWI预测模型可解释45.4%～65.1%的可燃物含水率变差，其MAE为11.25%～28.77%， 平 均17.64%；MRE 28.19%～36.96%，平均33.27%。混合预测模型可解释79.4%～89.5%的含水率变差，MAE7.45%～16.43%，平均10.36%；MRE 18.75%～22.77%，平均20.66%。

表6给出了3类模型误差的t检验结果。从中可见，无论是≤35%、＞35%还是全范围的含水率，FWI模型的两类误差都显著高于气象要素回归法和混合模型，而气象要素回归模型与混合模型的两类误差差异不显著，这也说明，在气象变量中加入FWI指标没有改进模型的精度。

因为气象要素回归模型和混合模型误差差异不显著，但都优于FWI模型，且气象要素模型结构简单，所以，在实际应用中具有一定优势。所以，图1给出了不同含水率范围给出了气象要素混合模型实测值与预测值的对比，从中可见，所有含水率预测数据偏高和偏低比较均衡，基本围绕直线Y=X均匀分布，表明模型的无偏性较好。

表6 不同含水率范围3类预测模型成对样本的T检验Table 6 T-test for errors of three types of models

3 结论与讨论

研究地区防火期内可燃物含水率从11.8%到276.6%，只有1/4的时间低于35%，具备发生森林火灾的条件，其余的时间燃烧性都很低，表明研究地区平均火险不高。但最小含水率已低到10%左右，具备发生大火的潜在可能性。3种预测方法中，FWI模型误差最大，气象要素回归模型和混合模型误差相似，考虑到简单方便，该地区的含水率预测可以采用气象要素回归法。含水率小于35%时，模型MAE 2.25%～4.67%,平均3.73%；MRE 11.14%～23.73%，平均18.63%。含水率＞35%时，模型MAE 6.34%～18.33%,平均8.63%；MRE 10.49%～18.16%，平均14.43%。在全范围含水率时，模型MAE 7.46%～16.43%,平均10.51%；MRE 18.78%～23.64%，平均20.99%。

FWI方法虽然误差高于气象要素回归法，但该方法的指标与研究地区可燃物含水率关系也很密切，也可以用于含水率预测和火险预报，如果考虑全国统一的预报模型，对于该地区，FWI系统是适用的，但为提高预测的准确性，应进行系统的修正，对各指标的计算参数进行修正，而不是向本研究中的简单线性回归。

本研究模型中采用了不同小时的降雨量和作为预测因子，这是现有研究中没有使用的变量。可燃物含水率与之前几个小时内降雨量和关系密切，随着距上一次降雨间隔时间的增长，该降雨对后面可燃物含水率的影响变小，失水过程影响因子逐渐发挥作用。因此，可燃物含水率与上一次降雨的密切程度与持续时间有关，有个最大相关的累积时间，从相关系数（见表3、4）和模型（见表5）上看，与6、12、24 h的降雨累积最密切。

图1 气象要素回归模型实测值与预测值的对比Fig. 1 Contrast between measured and predicted moisture by vapor exchange models

本研究模型与文献中同类模型的误差具有一定的相似性。对于FWI模型，Simard等[20]用FWI预测凋落物含水率的误差为16.5%，Chrosciewicz[21]对FWI修正的模型误差为16%～18%。本研究中FWI模型的平均MAE对于3种可燃物含水率范围分别是4.36%，17.43%和17.64%，与这些模型相似，但比在黑龙江开展的同类研究在低含水率部分低，在全部含水率部分高，比云南的在低含水率是相似，全范围高。对于气象要素回归模型，国内外很多气象要素回归模型没有直接给出误差，难以进行全面的比较。Ruiz等[22]建立的含水率≤30%的气象要素回归模型，其MAE为1.32%，本研究对于≤35%的气象要素回归模型的平均MAE为3.73%，高于该模型，但与在云南的同类研究3.5%相似。

不同林型立地条件等差异较大，今后研究中应考虑坡度、坡位、盖度、海拔等样地信息；另外，含水率≤35%观测样本较少，模型可信度低，今后应增加同一林型下多个样地的观测，以提高模型预测的可信度。

[1] Reifnyder WE. Seasonal variation in the moisture content of the green leaves of mountain laurel[J]. Forest Science, 1961, 7(1):16-23.

[2] 马丽华, 李兆山. 大兴安岭6种活森林可燃物含水率的测试与研究[J]. 吉林林学院学报, 1998, 14(1):21-23.

[3] 王晓红,张吉利,金 森. 林火蔓延模拟的研究进展[J]. 中南林业科技大学学报,2013,33(10):69-78.

[4] 蔡卫红,王晓红,于宏洲,等. 基于Rothermel模型的可燃物参数对林火行为影响的计算机仿真[J]. 中南林业科技大学学报,2013,33(11):34-41.

[5] 徐丽华. 地被可燃物与林型火险等级划分[J].辽宁林业科技,2001,(6):3-6.

[6] Rothermel R C, Wilson R A, Morris G A,et al. Modeling moisture content of fine dead wildland fuels: input to the behave fire prediction system. United States[C]//Department of Agriculture, Forest Service, Research Paper INT-359.Intermountain Research Station, Ogden, Utah, 1986.

[7] 何忠秋, 张成钢, 牛永杰. 森林可燃物含水率研究综述[J].世界林业研究,1996,(5):26-29.

[8] 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.

[9] Chuvieco E P, Aguado I P, Dimitrakopoulos A P. Conversion of fuel moisture content values to ignition potential for integrated fi re danger assessment[J]. Canadian Journal of Forest Research,2004, 34(11): 2284-2293.

[10] Nelson R M. Prediction of diurnal change in 10-hour fuel moisture content[J].Canadian Journal of Forest Research, 2000,30: 1071-1087.

[11] 单延龙, 刘乃安, 胡海清, 等. 凉水自然保护区主要可燃物类型凋落物层的含水率[J].东北林业大学学报,2005,33(5):41-43.

[12] 张大明, 杨雨春, 张维胜, 等. 可燃物含水率与气象因子相关关系预测模型的研究[J].吉林林业科技, 2010, 39(3):27-39.

[13] 卢欣艳, 牛树奎, 任云卯. 北京西山林场可燃物含水率与气象要素关系[J].林业资源管理,2010, (3):79-86.

[14] 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.

[15] 刘 曦, 金 森. 平衡含水率法预测死可燃物含水率的研究进展[J].林业科学, 2007, 43(12):126-133.

[16] Van Wagner CE. Development and structure of the Canadian forest fi re weather index system[J]. Canadian Forestry Service,Technical Report, 1987, (1): 35-37.

[17] 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.

[18] 孙玉成, 马洪伟, 王秀国, 等. 加拿大火险天气指标(FWI)计算的初始化方法和解释[J]. 森林防火, 2003, (4): 12-13.

[19] Komarek EV. Fire ecology-grasslands and man[J]. Tall Timbers Fire Ecology, 1965,(4):169-220.

[20] Albert J. Simard, James E. Eenigenburg, Richard W. Blank.Predicting fuel moisture in jack pine slash: a test of two systems [J].Canadian Journal of Forest Research, 1984, 14:68-76.

[21] Z Chrosciewicz. Prediction of forest-floor moisture content on jack pine cutovers[J]. Canadian Journal of Forest Research, 1989,19:239-243.

[22] Ruiz Gonza´lez AD, Vega Hidalgo JA, A´ lvarez Gonza´lez JG. Construction of empirical models for predicting Pinus sp.dead fi ne fuel moisture in NW Spain. I. Response to changes in temperature and relative humidity[J]. International Journal of Wildland Fire, 2009, 18:71-83.

Prediction on moisture contents of typical forest-land surface dead fuels in Nanchang city, Jinagxi province: method optimization and FWI applicability

JIN Sen, LIU Wan-long
(College of Forestry, Northeast Forestry University, Harbin 150040, Heilongjiang, China)

Subtropical mixed broadleaf-conifer forest is an important vegetation type in south China, where forest fires occurred frequently. Study on the moisture content of typical forest-land surface dead fuels in the region is of benef i t to increase the accuracy of fi re danger forecast. By taking the dead forest land surface fuels in 5 typical stands in Chayuanshan Forest Farm, Nanchang city,Jiaxi province as the studied objects, through continuous observation on moisture of fi ve dead fuels, the relations between the dead fuels and weather variables were investigated. Based on the weather factors, FWI factor and the results of both, the moisture content ranges of different dead fuels were distinguished, and three predictive models for fi ve dead fuels were respectively established. The results show that the fuel moisture in the region in the study period ranged from 11.8% to 276.6%, one fourth of time they were less than 35% which is ready to burn and in the rest time the burn probability of the fuels had lower combustibility, which suggests low fi re hazard in the region. Even so, since the minimum moisture was below 10%, it still had the potential to burn largely. For the three types of models established, the FWI model had the largest error, higher than the vapor exchange models and the mixed model, where there was no signif i cant difference between the rest two models. Considering simple computation requirements, the vapor exchange models are the best choice for predicting fuel moisture in the region, for all different moisture ranges. The MAE were 2.25%～4.67% with a average of 3.73%, the MRE were from 11.14% to 23.73% with average of 18.63%. The FWI indexes were closely correlated with fuel moisture in the region, which indicates that they were suitable for the region and for creating a nationally unique prediction model. But systematically modif i cation should be conducted rather than the simple one done here for higher accuracy.

forest land surface dead fuel; fuel moisture content; FWI; prediction model; Nanchang city of Jiangxi province

2014-01-12

国家林业公益性行业科研专项（201204508）

金 森（1970-），男，天津人，教授，博士，主要从事森林防火研究；E-mail：jinsen2005@126.com

S762.3+2

A

1673-923X(2014)11-0001-08

[本文编校：吴 毅]