基于頻率比的黑龍江省火險空間制圖研究

1、基于頻率比的黑龍江省火險空間制圖研究目 錄 TOC o 1-3 h z u HYPERLINK l _Toc354828854 摘要(1) HYPERLINK l _Toc354828855 0 引言(1) HYPERLINK l _Toc354828856 1 研究區(qū)概況(2) HYPERLINK l _Toc354828857 2 數(shù)據(jù)(2) HYPERLINK l _Toc354828858 2.1 數(shù)據(jù)收集(2) HYPERLINK l _Toc354828859 2.2 數(shù)據(jù)處理(3) HYPERLINK l _Toc354828860 3 研究方法(3) HYPERLINK l _

2、Toc354828861 3.1 火險預測因子分析(3) HYPERLINK l _Toc354828862 3.2 頻率比模型開發(fā)(4) HYPERLINK l _Toc354828863 4 結(jié)果與模型驗證(5) HYPERLINK l _Toc354828864 4.1 火險指數(shù)圖(5) HYPERLINK l _Toc354828865 4.2 模型性能評估(6) HYPERLINK l _Toc354828866 5 結(jié)論與討論(7) HYPERLINK l _Toc354828867 參 考 文 獻(8) HYPERLINK l _Toc354828868 Abstract(8)第

3、 PAGE 9 頁 (共 9 頁)基于頻率比的黑龍江省火險空間制圖研究0 引言林火預測是森林防火管理的重要工作，是實現(xiàn)“預防為主，積極消滅”的森林防火的關(guān)鍵環(huán)節(jié)。火線等級即森林燃燒等級，是在森林可燃物的基礎(chǔ)上結(jié)合其他環(huán)境條件，將森林劃分為不同的火險等級?；鹁€等級的約束條件主要來自火源、氣象條件、森林特性、地貌地形和社會因素這幾個方面。目前，國內(nèi)外關(guān)于火險分析、預測和建模的研究很多。引發(fā)火災的原因有很多，如氣象、地形、植被、人為原因等，是一個復雜的相互作用的過程。美國和加拿大均較早開展了森林火險預報研究工作。美國林火預報工作始于20世紀初，美國林務局從1968年開始建立基于物理原理的火險預報系統(tǒng)

4、，通過長期發(fā)展最終成為美國國家級森林火險預報系統(tǒng)。該系統(tǒng)以1km的火險潛在指數(shù)（fire potential index，F(xiàn)PI）圖來定量化預報火險等級。系統(tǒng)不僅利用TM衛(wèi)星數(shù)據(jù)生成的美國全國森林可燃物分類結(jié)果圖，還利用NOAA/AVHRR數(shù)據(jù)按旬生成可燃物的長勢和活可燃物的含水量應用于預報模型中，引用GIS技術(shù)進行火險等級制圖?？深A測地方級、區(qū)域級和國家級的森林火險等級。目前，仍在不斷引進遙感、GIS、網(wǎng)絡等新技術(shù)、新方法來完善。加拿大采用的是基于以火燒實驗研究方法為主的加拿大森林火險等級系統(tǒng)。該系統(tǒng)中林火天氣指標（forest fire weather index,FWI）系統(tǒng)是目前世界上

5、發(fā)展最完善，應用最廣泛的火險預報系統(tǒng)之一。該系統(tǒng)一方面考慮氣象因子，另一方面考慮森林可燃物狀態(tài)，將氣象因子和可燃物含水率有機地聯(lián)系，通過天氣條件的變化計算可燃物含水率的變化，然后根據(jù)不同大小或位置的可燃物含水率確定潛在火險等級1。 我國火預報研究起步較晚，50年代才開始系統(tǒng)研究，主要借鑒美國、加拿大、前蘇聯(lián)等國家的林火預報方法和經(jīng)驗，并結(jié)合我國某一地區(qū)實際情況具體展開研究。經(jīng)過多年發(fā)展，形成了自己的研究成果，主要根據(jù)氣象因子與森林火險的關(guān)系建立預報模型，如三指標法、人工神經(jīng)元法等。一定程度上揭示了林火發(fā)生與預報的關(guān)系，但仍有很大不足。近年來，隨著遙感、GIS和網(wǎng)絡等信息技術(shù)的快速發(fā)展和普及應用

6、，為及時獲取與森林火險因子相關(guān)的大范圍數(shù)據(jù)、實現(xiàn)大范圍森林火險預報。我國學者加大了遙感、GIS、網(wǎng)絡技術(shù)等新技術(shù)在林火預報領(lǐng)域的應用，并取得了一批顯著研究成果。1 研究區(qū)概況黑龍江省是全國重點林業(yè)省份，位于東經(jīng)1211113505，北緯43255333，全省面積為45萬多平方公里，地勢大致是西北部、北部和東南部高，東北部、西南部低，西部屬松嫩平原，東北部為三江平原，多處平原海拔50200米，北部、東南部為山地。全省林業(yè)經(jīng)營總面積3175萬公頃，有林地面積2007萬公頃，活立木總蓄積15萬億立方米，森林覆蓋率達43.6，森林面積、森林總蓄積和木材產(chǎn)量均居全國前列，是國家最重要的國有林區(qū)和最大的木

7、材生產(chǎn)基地。天然林資源是黑龍江省森林資源的主體，主要分布在大小興安嶺和長白山脈及完達山。全省年平均年降水量400-650毫米，中部山區(qū)多，東部次之，西、北部少。大部分地區(qū)平均-55，由南向北依次降低，大致以嫩江、伊春一線為0等值線，無霜東期全省平均介于100150天之間，南部和東部在140150天之間。氣候為溫帶大陸季風氣候，屬寒溫帶-溫帶濕潤-半濕潤季風氣候。冬季長而寒冷，夏季短而涼爽，南北溫差大，北部甚至長冬無夏?；馂念l發(fā)，尤其是大興安嶺等天然林地區(qū)火災風險高，波及范圍廣，火勢蔓延快，往往造成巨大損失2 數(shù)據(jù)2.1 數(shù)據(jù)收集Terra/Aqua MODIS數(shù)據(jù)具有高時間分辨率（每顆衛(wèi)星每天

8、可兩次覆蓋同一地區(qū)），其1km數(shù)據(jù)集包含了監(jiān)測植被及其燃燒等信息的多光譜（可見光、近紅外、短波紅外和熱紅外波段）等優(yōu)勢3。從美國NASA的陸地數(shù)據(jù)分發(fā)中心獲取20002009年的MODIS火燒跡地數(shù)據(jù)集，生成二元因變量（1：起火，0：無火）。從中科院數(shù)據(jù)庫獲取90m的SRTM數(shù)據(jù)，經(jīng)重采樣生成預測因子高程（GC）數(shù)據(jù)，用ArcGIS軟件基于高程數(shù)據(jù)生成坡度（PD）。居民地、道路和水體數(shù)據(jù)來源于1:100萬中國數(shù)字地圖(國際版)，在 ArcGIS軟件中生成到居民地最近距離（DJMD）、到最近道路距離（DDL）、到最近水體距離（DST）的預測因子專題圖。所有預測因子和因變量均以1000m分辨率柵格

9、化，并基于WGS84坐標系投影到UTM第51帶2。2.2 數(shù)據(jù)處理 對20002009年較大的火災數(shù)據(jù)分別提取火點，并分別從未起火區(qū)域隨機提取與起火點數(shù)相等的非火點。對每次火災的火點和隨機取樣的非火點分別基于空間位置提取5個預測因子的類型值。把20002004年火災的火點和隨機取樣的非火點分作為訓練樣本，合并火災的所有訓練樣本生成訓練子集用于模型開發(fā)，訓練子集有效火點數(shù)為9338。另外，合并20052009年火災的火點和隨機取樣的非火點作為獨立檢驗子集用于模型的獨立檢驗，獨立檢驗子集的火點有效數(shù)為2772。3 研究方法3.1 火險預測因子分析影響森林火險的因素有很多，有自然因素和人類活動影響，

10、自然因素包括氣候因子、森林植被覆蓋因子、地形因子等，人為活動包括人們的各種生產(chǎn)生活行為。森林火災是在上述綜合因素作用下發(fā)生的，但考慮到研究區(qū)域自然因子對其影響程度不同，且部分因子重疊，故只考慮地形、人類活動等因素對火災的影響。研究區(qū)內(nèi)多山，隨著海拔的增高，降水增加，溫度度降低，蒸發(fā)量減少，濕度變大，火災發(fā)生幾率減小。坡度對森林火災發(fā)生和蔓延的影響基本呈中間高，兩邊低的狀況。隨著坡度增加，地表徑流加快，地面上可燃物容易干燥，火險程度較高。坡度過低或者過大都對火勢的蔓延有利，不利于滅火。坡度不低不高情況下，對森林火災的蔓延有一定的影響，同時便于滅火工作展開，減少林木的死亡率3。森林火災大多數(shù)是由人

11、為引起的，越靠近居民地，居民數(shù)量越多的地方火災發(fā)生幾率越高?？紤]到距水體和道路的距離越遠，森林火災的預防、撲滅越難解決，火災發(fā)生的概率增大。3.2 頻率比模型開發(fā)待確定森林火險預測因子后，利用收集的研究區(qū)遙感影像，然后運用經(jīng)數(shù)字處理的TM影像采集空間數(shù)據(jù)，用GIS軟件處理數(shù)據(jù)得到高程、坡度、到居民地距離、到水體距離和到道路距離的各個火險預測因子專題圖。用Arcmap軟件對每一類火險預測因子進行重分類，統(tǒng)計出每一類火險預測因子的不同分類的面積，并計算出每一類火險預測因子不同分類占總面積的百分比。將20002004年火點數(shù)據(jù)轉(zhuǎn)化為柵格數(shù)據(jù)，統(tǒng)計每一類火險預測因子不同分類的火點數(shù)，并計算出每一類火險

12、預測因子不同分類占總火點數(shù)的百分比。然后生成每一類火險預測因子的頻率比圖，最后將各個火險預測因子的頻率比圖疊加生成最終的火險指數(shù)圖。利用火點數(shù)據(jù)進行頻率比模型開發(fā)并揭示研究區(qū)火險敏感度，觀察火險指數(shù)圖，進行直觀判斷。頻率比（Frequency Ratio,FR）模型中頻率比屬于一種單變量概率分析方法，基于對訓練子集中火點分布和每個預測因子類別之間的關(guān)系進行分析。利用訓練子集計算每個預測因子類別的起火百分比和該預測因子類別的面積百分比之間的比率（即頻率比Fri）,然后把所有預測因子的頻率比圖按等權(quán)重空間疊加生成火險指數(shù)（FDI）圖以揭示研究區(qū)火險敏感度2，即： FDI=Fr1+Fr2+Frn (

13、1)預測因子類別的頻率比值表示該因子類別對起火的敏感程度。頻率比值等于1表示平均值，大于1表示與起火相關(guān)性高，小于1表示與起火相關(guān)性低。基于對2000-2004年火點數(shù)據(jù)的訓練子集的分析，每個預測因子類別的頻率比值如表1。表1 頻率比結(jié)果因子因子類別類像原素類百分比該類中火像元數(shù)該類中火像百分比頻率比高程（GC）31,199m20002937.31%177018.95%0.51(199,354m14412726.88%294231.51%1.17(354,538m11282521.04%424545.46%2.16(538,777m5610910.47%3663.92%0.37(777,163

14、2m230364.30%150.16%0.04坡度（PD）7.5198843.71%150.16%0.04到最近居民地距離（DJMD）30km173903.24%800.86%0.26到最近道路距離（DDL）30km222574.15%6937.42%1.79到最近水體距離（DST）20km131202.45%1551.66%0.684 結(jié)果與模型驗證4.1 火險指數(shù)圖將生成的各個預測因子的頻率比圖進行疊加生成火險指數(shù)圖，火險指數(shù)由低到高對應顏色采用冷色過渡到暖色。用紅色圓點表示火點，然后將火點指數(shù)圖與20002004年火點數(shù)據(jù)和20052009年火點數(shù)據(jù)進行疊加得到圖1。圖1 火點與火險指數(shù)

15、疊加圖（a.2000-2004年，b.2005-2009年）如圖1所示歷史火點發(fā)生地點與火險指數(shù)基本相符，火險指數(shù)高的地方，歷史火點明顯密集，火險指數(shù)低的地方火點數(shù)量較少。圖中東北部火險指數(shù)高，紅色和黃色區(qū)域較多，相對應火點數(shù)密集。中部、南部火險指數(shù)低，藍色區(qū)域較多，火點數(shù)少。西部、東部部分地區(qū)火險指數(shù)高，大部分地區(qū)火險指數(shù)中等，火點數(shù)基本與火險指數(shù)分布相符。4.2 模型性能評估將火險指數(shù)圖按Natural Break方式分成9類，以2.71、3.13、3.52、3.92、4.35、4.79、5.27、5.97為分點，劃分火險等級。將20002004年火點數(shù)據(jù)和20052009年火點數(shù)據(jù)用po

16、int to raster進行點到柵格的數(shù)據(jù)轉(zhuǎn)換，用zonal statistics as table進行統(tǒng)計，得出面積和火點數(shù)，并計算出面積百分比和火點百分比，最終得出表2和表3。表2 20002004年各火險等級火點百分比統(tǒng)計火險等級火險指數(shù)面積面積百分比火點數(shù)火點百分比11.83 - 2.71112192.09%240.26%22.71 - 3.13266154.96%770.82%33.13 - 3.525532510.32%2142.29%43.52 - 3.9210332819.27%100110.72%53.92 - 4.3512861823.99%169518.15%64.35

17、 - 4.798205615.31%173218.55%74.79 - 5.275760810.75%121813.04%85.27 - 5.97489179.12%212822.79%95.97 - 6.63224394.19%124913.38%表3 20052009年各火險等級火點百分比統(tǒng)計火險等級火險指數(shù)面積面積百分比火點數(shù)火點百分比11.83 - 2.71112192.09%240.88%22.71 - 3.13266154.96%411.51%33.13 - 3.525532510.32%1766.47%43.52 - 3.9210332819.27%54319.95%53.92

18、- 4.3512861823.99%78428.80%64.35 - 4.798205615.31%34512.67%74.79 - 5.275760810.75%37413.74%85.27 - 5.97489179.12%33312.23%95.97 - 6.63224394.19%1023.75%由表2可知訓練子集不同火險等級所占面積百分比和火點百分比，由表3可知獨立檢驗子集不同火險等級所占面積百分比和火點百分比。從表2，表3可知，火險指數(shù)低的地方面積百分比均比較小，如1等級和2等級，火險指數(shù)所占研究區(qū)面積百分比分別為2.09%和4.96%，火點數(shù)2000-2004年為24和77，火點百

19、分比為0.26%和0.82%，火點數(shù)20052009年為24和41，火點百分比為0.88%和1.51%。然而，不同時期歷史火點數(shù)在火險指數(shù)圖的較高火險等級中均占有較大比重。如7等級和8等級，火險指數(shù)所占研究區(qū)面積百分比為10.75%和9.12%，火點數(shù)20002004年為1218和2128，火點百分比為13.04%和22.79%，火點數(shù)20052009年為374和333，火點百分比為13.74%和12.23%。正常情況下，火險等級越高，發(fā)生森林火災的可能性越高，通過分析可知火險指數(shù)高，相對應的火點數(shù)多，起火概率也隨之增高。因此，驗證了模型的合理性。5 結(jié)論與討論本文研究結(jié)果表明，在較大的區(qū)域空

20、間尺度上，利用選取的幾個靜態(tài)因子進行火險建模，基于頻率比的模型能較好地識別歷史火點。綜合考慮從正確識別歷史火點百分比，識別火點的能力和較高火險等級面積，頻率比模型表現(xiàn)良好。頻率比模型具有合理的區(qū)分能力，模型檢驗的結(jié)果表明，地形、可達性這些靜態(tài)因子對地區(qū)火險空間格局起著結(jié)構(gòu)化作用。20002009年，黑龍江省海拔為354538m，坡度大于2.5、小于等于5.0，距居民地大于10km、小于等于30km,道路距離大于15km、小于等于30km，距水體距離大于5km、小于等于15km的那些區(qū)域?qū)馂氖录挠绊懜舾?。模型對歷史火點的正確率還有待提高，穩(wěn)定性需要加強。對于不能很好地識別的那些火點位置，在

21、模型中添加影響火災發(fā)生的動態(tài)因子并考慮火災事件的時間變異，有望提高模型的識別能力和整體性能，這需要進一步深入研究。森林火險的發(fā)生有其隨機性和不確定性，因而，不該對森林火災放松警惕，而要加大管理力度，加強宣傳教育，提高全民防火意識，做到防患于未然，消滅于萌芽。森林火險只是對森林火災發(fā)生的潛在可能性進行評估，而森林火災的發(fā)生具有很大的隨機性和人為性，所以不可能對每次森林火災的發(fā)生做出準確預測。參 考 文 獻1 覃先林，張子輝，李增元，等. HYPERLINK /product.aspx?product_id=22900900 o ArcGIS 10 地理信息系統(tǒng)教程從初學到精通 t _blank

22、林火預警及實現(xiàn)方法J.北京林業(yè)大學學報，2010，32（4）:17-21.2 張海軍，戚鵬程基于頻率比和邏輯回歸模型的東北地區(qū)火險制圖研究J地理與地理信息科學，2012,28（5）：35-42.3 王超，邸雪穎，楊光吉林省森林火險天氣等級劃分J東北林業(yè)大學學報，2010，38（6）:60-63. 4 黃作維，劉峰. 基于GIS和RS的森林火險預測研究J.西北林學院學報，2007，22（2）：115-118.5 楊存建，馮涼，楊洪忠，等四川省林草火險等級評價地理研究，2010,29（6）：980-988.Mapping Fire Occurrence Susceptibility in Heil

23、ongjiang Province:Comparison of Frequency RatioAbstract: Choicing Chinas Heilongjiang Province as the research object, selecting the elevation,slope, the shortest distance from the recent residents, the shortest distance from the recent road and the shortest distance from the recent water as the static predictors, generating the matic map data. Then calculateing each predictors frequency ratio, using frequency rat