氣候變化背景下江西省林火空間預測

顧先麗,吳志偉,張宇婧,閆賽佳,付婧婧,杜林翰

1 江西師范大學鄱陽湖濕地與流域研究教育部重點實驗室, 南昌 330022 2 江西師范大學地理與環境學院, 南昌 330022

林火是森林生態系統中重要的干擾因子之一[1],嚴重影響森林景觀結構和功能[2- 7]。研究表明,在全球氣候變暖背景下隨著植被生長季的延長和人類活動的加劇,林火發生的頻率和面積將顯著增加。如Flannigan等[8]基于大氣環流模型(General Circulation Models, GCMs)對加拿大林火進行預測,結果表明到2100年加拿大大部分地區呈火險增加趨勢,火燒面積將增加74%—118%。火燒頻率和面積的增加,將更加顯著地影響森林景觀結構和功能。因此,預測氣候變化背景下林火發生的趨勢深受國內外學者的關注[9- 11]。

我國學者對林火預測也開展了研究。例如,郭海峰等[12]基于2005—2015年氣象數據預測了湖南省森林火險等級。梁慧玲等[13]基于隨機森林算法對福建省林火進行了預測。常禹等[14]以呼中林區為例,應用證據權重法估測了林火發生的可能性。從國內的研究文獻來看,林火預測更多是直接考慮其與氣候因子之間的統計關系,而對氣候、植被、地形和人類活動等因子的共同作用研究有待加強。而且,越來越多的研究表明氣候雖然是引起林火發生的主導因素,但人類活動等因子也起著重要的作用[15- 16]。相比人口稀少的北方針葉林區,這在人口稠密的南方常綠闊葉林區更為明顯[17]。因此,綜合考慮氣候、植被、地形、人類活動等因子的作用有助于提升林火預測的精度。

而且,我國林火預測研究多集中在大興安嶺等北方針葉林區[18],南方闊葉林區的研究相對較少。在北方寒溫帶針葉林區(如大興安嶺地區),森林植被空間連續性高(如集中成片分布)、人口密度低,林火多為面積較大的雷擊火；在南方亞熱帶常綠闊葉林區,由于森林分布較散、林區人口密度高、道路網絡發達,多為面積較小的人為火[19]。雖然亞熱帶常綠闊葉林區火燒面積通常較小[20],但是林火發生頻率高,且大多分布在人口密集的區域,對社會經濟(農田、房屋燒毀)以及空氣質量等的影響較大。因此,開展亞熱帶常綠闊葉林區林火預測研究,對我國南方林區林火的預防與管理具有重要的意義。

江西省是我國亞熱帶常綠闊葉林典型區。1950—2010年江西省共發生林火41846次,面積約98萬hm2,分別位列全國第8、9位[21]。江西是首批被列入國家生態文明試驗區的省份之一,要打造美麗中國“江西樣板”,到2020年實現全省森林覆蓋率穩定在63%。增強林火管理,減少火災導致的森林損失非常重要。為此,本研究以江西省為例,(1)利用增強回歸樹模型建立林火與氣候、植被、地形、人類活動等因子間的關系；(2)分析各因子的相對貢獻率及其邊際效應；(3)并利用未來氣候情景數據預測林火發生的時空趨勢。為制定切實可行的未來林火管理策略和資源分配方案提供科學指導。

1 研究區域與研究方法

1.1 研究區概況

江西省位于長江中下游南岸(24°07′—29°09′N,114°02′—117°97′E)。境內東、西、南三面環山,北部較為平坦,中部以丘陵為主。屬中亞熱帶溫暖濕潤氣候,年均溫為16.4—19.8℃,年均降水量為1340—1930 mm。據2017年中國統計年鑒數據顯示,到2016年底,江西省森林面積共1001.81萬hm2,森林覆蓋率為60.01%,居全國第二。主要植被類型有針葉林、常綠闊葉林、針闊混交林、常綠落葉闊葉混交林、竹林、矮林和灌叢等。設區市森林覆蓋率由大到小依次是贛州市(76.24%)、吉安市(67.61%)、萍鄉市(66.02%)、景德鎮市(65.07%)、撫州市(64.54%)、上饒市(61.67%)、鷹潭市(57.38%)、宜春市(56.97%)、新余市(56.49%)、九江市(54.92%)、南昌市(21.96%)。

1.2 數據來源與處理

1.2.1林火數據

時空明晰的森林火災統計數據通常不易獲取、數據的完整性有限。而利用遙感觀測獲得的火災影像(如MODIS火影像),具有時空覆蓋范圍廣且可全球免費共享的優勢。中等分辨率成像光譜儀(MODIS)火影像數據被認為是用于表征大空間尺度火情的可靠數據源[22- 23],其具有飽和溫度較高、影像波段多、時間分辨率高等優勢[24]。因此,本文的江西省2001—2015年林火數據采用MODIS動態火影像數據—MCD14ML。該影像是MODIS的L3級,空間分辨率為1 km的全球每月火災影像,記錄了火燒時間、經緯度坐標、可信度等信息。可信度分為3個等級：低0—30%,中30%—80%,高80%—100%。

為最大限度地減少火災探測中的誤報等不確定性,本研究只選取了可信度>80%的火。采用ArcGIS對預先處理的影像的像元進行二值化處理(0代表未發生火災,1代表發生火災),與江西省行政區圖和植被覆蓋圖疊加,提取不同區市和不同植被類型上的火點。

1.2.2因子數據

地形：海拔、坡度和坡向是與火災發生有關的3個主要地形因子[25]。鑒于本研究分析的是1 km空間分辨率下的火災,所以僅選用高程作為地形因子。從美國國家海洋和大氣管理局(NOAA,https://www.ngdc.noaa.gov/)下載得到數字高程模型(DEM)數據。

植被類型：從中國寒區旱區科學數據中心(http://westdc.westgis.ac.cn/)下載得到2001年中國植被覆蓋圖(空間分辨率為1 km,共17個分類系統)。本文研究的對象是森林火點,因此提取了5個森林類型：常綠針葉林、常綠闊葉林、落葉針葉林、落葉闊葉林、混交林。

人類活動：距離道路距離、距居民點距離和人口密度是影響林火發生的顯著因子[26]。從美國哥倫比亞大學地球研究所國際地球科學信息網絡中心(http://sedac.ciesin.columbia.edu)下載了1980年至2010年期間的全球道路數據集(gROADSv1)。從全球農村城市測繪項目(GRUMPv1)中獲得2000年代的居民點和人口密度數據。采用ArcGIS計算每個像元到最近道路和居民點的歐幾里德距離,得到道路距離和居民點距離的圖層。

氣象數據：溫度和降水是評估林火發生的主要因子。從我國旱區寒區科學數據中心(http://westdc.westgis.ac.cn)獲得了2001—2015年江西省氣溫和降水數據。采用ArcGIS計算15年的年均氣溫和降水量,并將其采樣為空間分辨率為1 km的網格,作為當前氣候背景下的氣象數據。從WorldClim網站(http://worldclim.org/)獲得了未來年均氣溫和降水的GCMs氣候數據。本研究選擇GFDL-CM3(美國地球物理流體動力學實驗室)和GISS-E2-R(NASA戈達德空間研究所)2種氣候變化模式代表未來氣候狀況。每種模式選擇了3個濃度的溫室氣體排放量情景(RCP2.6、RCP4.5和RCP8.5)。以2050年(2041—2060的平均值)和2070年(2061—2080的平均值)為預測年。

1.3 研究方法

1.3.1增強回歸樹模型構建

本研究利用增強回歸樹(Boosted Regression Tree,BRT)模型建立林火與氣候、植被、地形、和人類活動等因子之間的關系; 預測未來(2050年和2070年)林火變化的趨勢。增強回歸樹模型是一種用于擬合統計模型的集成方法。該方法結合了回歸樹算法和Boosting方法的優點[27],能適應復雜的非線性關系,并自動處理因子變量之間的交互效應,可以提高模型的穩定性和精度。BRT模型采用的是機器分類回歸算法,與其他常用的機器學習方法(如Random Forest,隨機森林)算法類似。目前BRT方法主要被應用到林火發生[28]、火后森林更新等[29]方面。

將2001—2015年共5702個1 km空間像元是否發生林火作為因變量(0代表未發生火災,1代表發生火災),以因子數據為自變量。參考Elith等[30]人開發的R語言腳本,本研究使用R語言中的“gbm”軟件包構建BRT模型。采用70%的樣本數據構建模型,30%的數據進行模型驗證。

1.3.2模型校驗

使用受試者工作特征ROC(Receiver Operating Characteristic)評估BRT模型的擬合效果。通過繪制概率閾值的靈敏度與特異性獲得ROC曲線[31],計算得出曲線下面積(AUC)的值。AUC取值范圍為0—1,0.5表示低精度,0.7—0.9表示合理精度,高于0.9表示特別高精度[32]。

圖1 BRT模型的ROC曲線Fig.1 ROC curve of BRT model

同時采用混淆矩陣評估模型預測的準確性。構建觀察值與預測值的2×2個分類矩陣表,利用約登指數(敏感性+特異性-1)確定林火發生概率的最佳界值,從而將概率值轉換為0—1二分數據[33]。概率值大于等于最佳界值,則將概率編碼為“1”并將其視為林火發生,否則,概率編碼為“0”視為沒有林火發生。本研究應用R軟件中的“ROCR”包計算AUC和最佳界值。

2 結果與分析

2.1 模型驗證結果

最終BRT模型經過1600次迭代運算達到最優(表1)。訓練數據(70%)和驗證數據(30%)的AUC值都為0.736(圖1),最佳界值為0.0618。訓練數據預測的總體正確率為70.1%(表2)。混淆矩陣分析得出火點、非火點預測的正確率都為67.8%(表2)。這兩種驗證結果均表明模型有合理的擬合效果,能夠很好地預測研究區林火的發生。

表1 BRT模型的關鍵擬合參數

表2 基于混淆矩陣的訓練和驗證數據集的模型分類準確性評估結果

2.2 因子與林火的關系

林火發生的最大貢獻因子為年均氣溫(貢獻率為21.19%),其余因子貢獻率依次是海拔(20.14%)、年均降水量(16.23%)、居民點距離(15.56%)、人口密度(13.44%)、道路距離(10.54%)、林型(2.90%)(圖2)。

圖2 因子變量的相對重要性(%)和邊際效應對火災發生概率的影響Fig.2 Relative importance (%) and marginal effects of explanatory variables on fire occurrence probability1：常綠針葉林；2：常綠闊葉林；3：落葉針葉林；4：落葉闊葉林；5：混交林

年均溫小于15℃時林火較少發生,但在15℃—21℃時林火增加趨勢明顯。林火隨著年均降水量的增加總體上呈下降的趨勢,尤其當降水量超過2000 mm時更為明顯。海拔低于500 m時林火發生較多,超過500 m時則呈急劇下降的趨勢。距離居民點0—30 km范圍內,隨著距離的增加林火呈現下降的趨勢。人口密度與林火在總體上具有較高的相關性。在人口密度為0—2000人/km2時,兩者的相關性呈上升趨勢,但當超過2000人/km2以上時影響較弱。距離道路0—14 km范圍內,隨著道路距離的增加林火呈下降趨勢。混交林內林火發生概率最高。

圖3 解釋變量的綜合效應Fig.3 Incorporative effects of explanatory variables

通過綜合效應(圖3)分析發現,居民點距離與年均降水量和年平均氣溫存在明顯的交互關系。比如在居民點低于10 km、年均降水量1400—1600 mm、年均溫度在18—20℃之間的空間像元具有較高的林火發生概率。

2.3 當前氣候條件下林火空間分布

2001—2015年江西省共發生森林火點5702個(1-km像元),呈南多北少分布格局。火點較多的是贛州市(38.9%)、吉安市(23.1%)、撫州市(13.2%)；較少的是新余市(1.1%)、鷹潭市(1.0%)、南昌市(0.1%)。林火發生密度高的區域主要分布在贛州市西南部、吉安市西北部和撫州市南部。

BRT模型預測的當前氣候下林火發生的概率范圍為0.0007—0.9070。低概率(< 0.0618)的像元為65.7%,中概率(0.0618—0.5)的像元為34.1%,高概率(≥0.5)的像元為0.2%。BRT模型預測林火發生的空間分布(圖4b)與MODIS遙感觀察到的基本一致(圖4a)。

2.4 未來氣候變化下林火空間分布預測

未來氣候情景下林火發生的概率值普遍高于當前氣候情景。在GFDL-CM3中(圖5),排放濃度越高,林火發生概率越大；2050年林火發生概率略高于2070年。在GISS-E2-R下,2050年林火的發生概率隨著濃度的增加,呈先減少后增加的趨勢,到2070年則是隨著濃度增加而增加。高林火發生區域由江西省南部擴展延伸到東北部,這在GFDL-CM3下較為顯著。從兩種模式的增幅變化情況來看,RCP8.5排放情景中林火發生的增幅最明顯,其增幅較大的區域由贛南向贛北移動。在GFDL-CM3中,2050年和2070年林火增幅較大的區域主要集中在贛州市,而在2070年PCP8.5情景下,贛州市的增幅減小,東北部的上饒市、鷹潭市的增幅增大；在GISS-E2-R中(圖6),RCP2.6情景下,增幅較大的主要位于九江市、撫州市和贛州市,RCP4.5、RCP8.5情景下,增幅明顯的區域由撫州市擴展到鷹潭市,2050年和2070年變化不明顯。

3 討論

增強回歸樹模型預測的總體正確率為67.8%,這與其他學者采用邏輯斯蒂回歸模型預測的正確率相似。

圖4 MODIS觀測到的火災(2001—2015年)和BRT模型預測當前氣候下的火災空間分布Fig.4 Spatial distribution of MODIS observed active fires (2001—2015) and BRT model predicted fires under current climate

圖5 2050年和2070年GFDL-CM3情景下預測的林火發生概率Fig.5 Predicted fire occurrence probability under GFDL-CM3 scenarios in years 2050 and 2070

圖6 2050年和2070年GISS-E2-R情景下預測的林火發生概率Fig.6 Predicted fire occurrence probability under GISS-E2-R scenarios in years 2050 and 2070

圖7 2050年和2070年GFDL-CM3的未來和當前氣候情景之間火災發生概率的相對變化Fig.7 Relative changes in fire occurrence probability between future and current climate scenarios for the GFDL-CM3 in years 2050 and 2070

圖8 2050年和2070年GISS-E2-R的未來和當前氣候情景之間火災發生的相對變化Fig.8 Relative changes in fire occurrence between future and current climate scenarios for the GISS-E2-R in years 2050 and 2070

例如,Bisquert M等[34]利用MODIS數據預測加利西亞森林火災危險性,精確度為65%—70%。Natalie Arndt等[35]利用模型評估奧地利的森林火險,驗證數據集的正確率為63.0%。楊夏捷等[36]結合氣候、植被、地形及人口和社會經濟數據,對福建南部地區主要森林城市進行森林火險等級劃分,通過驗證得到模型的預測準確率為74.0%。增強回歸樹模型被廣泛應用于世界其他地區林火的研究中,如新西蘭[37]、美國加利福尼亞州[38]、西班牙等地[39],研究結果均表明模型能較好的識別林火發生的關鍵因子及預測林火的空間分布。

本研究表明,年均氣溫和海拔與林火的發生表現出較強的相關性,而年均降水量、居民點距離、人口密度、道路距離與林火發生的相關性較弱,植被類型作用不明顯。在年均溫15—19℃時,林火呈上升趨勢。這是由于溫度的增加,會直接影響林內的相對濕度,加速可燃物內部水分的蒸發[40],從而提高了著火的可能性。海拔對火災的發生有顯著影響[41],在低海拔地區,人類活動較集中,易形成火源而引發火災[42]；在高海拔地區則相反。年均降水量對林火的影響總體上呈下降趨勢(負相關)[43]。降水量越大,植物含水量增多,地表可燃物濕度大[44],不易引發林火。距居民點和道路距離越遠,受人為干預因素影響越小,可達性弱,森林火災發現晚,不能及時進行撲救,越易造成較大的危害[45-46]。人口密度與林火在總體上呈正相關。在林區人口密度越大,林火發生的次數越多[47-48]。總體來看,在江西省這樣的省域尺度上,氣候是控制林火發生的主導因素；地形和人類活動因子的貢獻率僅次于氣候；植被類型的貢獻率最低。本研究采用的氣候因子為溫度和降水。風速、空氣相對濕度等因子亦是影響林火發生時空格局的直接因子,將風速等因子納入林火預測是今后的重要研究方向。

氣候因素是預測林火發生的重要因子[49]。預測得出江西省各地區未來林火發生的變化狀況各不相同。在江西南部地區,將繼續保持較高的林火發生概率,北部地區隨著氣候的變化,林火發生增加趨勢明顯。在RCP8.5情景下,林火發生的概率值最高,且GFDL-CM3模型預測林火發生的概率值高于GISS-E2-R模型。這是由于RCP8.5是高濃度排放情景,增溫趨勢高于RCP2.6和RCP4.5情景。溫度升高,可燃物蒸發量增大,會導致火險升高。這與其他相關研究一致[50]。兩種模式下的溫度均升高,GISS-E2-R的降水量減少,GFDL-CM3的降水量增加。由于降水量的變化有季節差異,冬弱春夏強[51],而江西省林火的發生多集中在冬季,所以降水的變化對林火的發生影響較小,主要依賴于溫度的升高。

林火發生概率的空間預測對林火管理有重要的指導意義。本文研究結果表明在未來氣候情景下,江西省南部森林火災的發生概率較高。因此,林業管理部門應將防火重點放在該區域。首先,加強高火險區域監測[52]及森林可燃物管理[53],從源頭上解決林火安全問題；其次,合理調控撲救資源配置,及時發現火情,快速滅火,降低林火的危害；最后,要加大對當地民眾的防火宣傳教育,樹立森林資源可持續發展的理念。

4 結論

本研究根據江西省歷史林火和環境因子數據,利用增強回歸樹模型,揭示了各因子對林火空間分布的影響,并結合未來氣候情景,預測林火未來分布變化。結果表明,氣象因子中的年均溫對林火的貢獻率最大,且在未來氣候變化的影響下,高排放RCP8.5情景中林火發生增幅最為明顯,其增幅較大的區域由贛南向贛北移動。