高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

北京地区8种树种枯死可燃物含水率预测模型及变化规律

詹航 牛树奎 王博

詹航, 牛树奎, 王博. 北京地区8种树种枯死可燃物含水率预测模型及变化规律[J]. 北京林业大学学报, 2020, 42(6): 80-90. doi: 10.12171/j.1000-1522.20190370
引用本文: 詹航, 牛树奎, 王博. 北京地区8种树种枯死可燃物含水率预测模型及变化规律[J]. 北京林业大学学报, 2020, 42(6): 80-90. doi: 10.12171/j.1000-1522.20190370
Zhan Hang, Niu Shukui, Wang Bo. Prediction models and changing rules of dead fuel moisture content of 8 forest species in Beijing area[J]. Journal of Beijing Forestry University, 2020, 42(6): 80-90. doi: 10.12171/j.1000-1522.20190370
Citation: Zhan Hang, Niu Shukui, Wang Bo. Prediction models and changing rules of dead fuel moisture content of 8 forest species in Beijing area[J]. Journal of Beijing Forestry University, 2020, 42(6): 80-90. doi: 10.12171/j.1000-1522.20190370

北京地区8种树种枯死可燃物含水率预测模型及变化规律

doi: 10.12171/j.1000-1522.20190370
基金项目: 林业科技推广项目(2015-04)
详细信息
    作者简介:

    詹航。主要研究方向:生态规划与管理。Email:735772678@qq.com 地址:100083北京市海淀区清华东路35号北京林业大学生态与自然保护学院

    通讯作者:

    牛树奎,教授,博士生导师。主要研究方向:生态规划与管理。Email:niushukui@163.com 地址:同上

  • 中图分类号: S762.2

Prediction models and changing rules of dead fuel moisture content of 8 forest species in Beijing area

  • 摘要: 目的森林可燃物含水率对林火的发生蔓延,尤其是对森林火灾火行为影响重大,可燃物含水率预测模型在预报火灾和预测林火行为方面作用显著。方法对北京地区8种常见森林树种防火期内可燃物含水率连续测定,分析不同树种不同种类可燃物含水率与当期和前期气象因子间的关系。选择影响程度较大的当期和前期气象因子为自变量建立可燃物含水率的预测模型,并在此基础上定量分析可燃物含水率的日变化和整个防火期内的变化规律。结果不同树种可燃物含水率存在显著差异,8个树种平均可燃物含水率由大到小依次为:栓皮栎 > 槲栎 > 榆树 > 刺槐 > 五角枫 > 侧柏 > 油松 > 落叶松。不同种类可燃物含水率存在显著差异,可燃物含水率总体上表现为阔叶树大于针叶树,枯叶和枯枝1 hr大于枯枝10 hr和100 hr。枯叶和枯枝1 hr主要受当期气象因子影响,而枯枝10 hr和100 hr主要受前期气象因子影响。所建立的32个线性预测模型各检验指标显示模型拟合效果好。可燃物含水率日变化表现为夜间高白天低,夜间稳定白天变幅大,06:00—08:00达到最大值,而后急剧下降,12:00—14:00左右达到全天最低值。防火期内,可燃物含水率呈现出先上升后下降趋势,11月可燃物含水率较低,但在缓慢增加,12月至次年1月含水率较高,而3月初至4月底可燃物含水率保持很低状态。结论不同种类不同类型可燃物含水率预测模型精度较高,可为防火工作提供理论支撑,可以实践运用。北京地区3月份和日内中午时间干燥多风,温度较高,可燃物含水率达到很低的状态,森林火险等级较高,应加强管理。
  • 图  1  可燃物含水率与气象因子关系

    Figure  1.  Relations between fuel moisture content and meteorological factors

    图  2  不同树种可燃物含水率

    Figure  2.  Fuel moisture content of different tree species

    图  3  不同种类可燃物含水率

    Figure  3.  Moisture content of different fuel types

    图  4  不同树种不同种类可燃物含水率日变化预测

    Figure  4.  Diurnal variation prediction of fuel moisture content of different tree species and different fuel types

    图  5  不同种类不同树种可燃物含水率防火期变化预测

    Figure  5.  Variation prediction of fuel moisture content of different tree species and different fuel types during fire prevention period

    表  1  不同树种可燃物含水率显著性分析

    Table  1.   Significance analysis on the fuel moisture content of different tree species

    项目
    Item
    平方和
    Sum of
    squares
    自由度
    Degree of freedom
    均方
    Mean squares
    F显著性
    Significance
    组间 Intergroup 2 121.117 7 303.017 52.288 0
    组内 Intragroup 6 252.933 1 079 5.795
    总计
    Total
    8 374.050 1 086
    下载: 导出CSV

    表  2  不同种类可燃物含水率显著性分析

    Table  2.   Significance analysis on the fuel moisture content of different fuel types

    项目
    Item
    平方和
    Sum of
    squares
    自由度
    Degree of freedom
    均方
    Mean squares
    F显著性
    Significance
    组间
    Intergroup
    11 085.522 3 3 695.174 554.101 0
    组内
    Intragroup
    3 594.471 539 6.669
    总计
    Total
    14 679.993 542
    下载: 导出CSV

    表  3  可燃物含水率与气象因子Pearson相关系数

    Table  3.   Pearson correlation coefficients of fuel moisture content and meteorological factors

    种类
    Type
    当期和前期气象因子
    Current and previous
    meteorological factor
    相关系数 Correlation coefficient
    榆树
    Ulmus pumila
    槲栎
    Quercus aliena
    刺槐
    Robinia pseudoacacia
    油松
    Pinus tabuliformis
    五角枫
    Acer truncatum
    华北落叶松
    Larix principis-rupprechtii
    栓皮栎
    Quercus variabilis
    侧柏
    Platycladus orientalis
    枯叶Dead leaf 温度 Temperature − 0.747** − 0.726** − 0.790** − 0.617** − 0.415** − 0.709** − 0.491** − 0.816**
    湿度 Humidity 0.637** 0.445** 0.676** 0.390** 0.374** 0.363** 0.386** 0.440**
    风速 Wind speed − 0.570** − 0.385** − 0.568** − 0.352** − 0.347** − 0.375** − 0.273** − 0.353**
    前2 h平均温度
    Average temperature of former 2 hours
    − 0.652** − 0.679** − 0.699** − 0.565** − 0.333** − 0.672** − 0.432** − 0.780**
    前2 h平均相对湿度
    Average relative humidity of former 2 hours
    0.498** 0.364** 0.565** 0.285** 0.249** 0.266** 0.266** 0.337**
    前2 h平均风速
    Average wind speed of former 2 hours
    − 0.158 − 0.033 − 0.156 − 0.027 − 0.037 − 0.028 0.045 0.017
    1 hr 温度 Temperature − 0.563** − 0.565** − 0.433** − 0.554** − 0.488** − 0.581** − 0.665** − 0.682**
    湿度 Humidity 0.433** 0.403** 0.329** 0.526** 0.374** 0.528** 0.515** 0.567**
    风速 Wind speed − 0.426** − 0.371** − 0.126 − 0.451** − 0.265** − 0.335** − 0.362** − 0.521**
    前2 h平均温度
    Average temperature of former 2 hours
    − 0.530** − 0.491** − 0.349** − 0.460** − 0.420** − 0.497** − 0.596** − 0.575**
    前2 h平均相对湿度
    Average relative humidity of former 2 hours
    0.355** 0.313** 0.246** 0.404** 0.253** 0.414** 0.414** 0.479**
    前2 h平均风速
    Average wind speed of former 2 hours
    − 0.102 − 0.044 − 0.032 − 0.107 0.017 − 0.113 − 0.048 − 0.145
    10 hr 温度 Temperature − 0.477** − 0.454** − 0.457** − 0.397** − 0.475** − 0.359** − 0.405** − 0.392**
    湿度 Humidity 0.451** 0.392** 0.293** 0.389** 0.409** 0.135 0.328** 0.339**
    风速 Wind speed − 0.227** − 0.201* − 0.145 − 0.120 − 0.127 0.029 − 0.105 − 0.149
    前20 h平均温度
    Average temperature of former 20 hours
    − 0.361** − 0.316** − 0.324** − 0.302** − 0.387** − 0.301** − 0.305** − 0.384**
    前20 h平均相对湿度
    Average relative humidity of former 20 hours
    0.507** 0.451** 0.369** 0.434** 0.421** 0.274** 0.366** 0.421**
    前20 h平均风速
    Average wind speed of former 20 hours
    − 0.179* − 0.147 − 0.165 − 0.125 − 0.085 − 0.067 − 0.117 − 0.147
    100 hr 温度 Temperature − 0.155 − 0.329** − 0.195* − 0.361** − 0.156 − 0.138 − 0.402** − 0.366**
    湿度 Humidity 0.167 0.310** 0.238** 0.163 0.229** 0.213* 0.350** 0.369**
    风速 Wind speed − 0.076 − 0.116 − 0.168 − 0.118 − 0.111 − 0.080 − 0.152 − 0.139
    前100 h平均温度
    Average temperature of former 100 hours
    − 0.387** − 0.381** − 0.288** − 0.489** − 0.269** − 0.234** − 0.510** − 0.339**
    前100 h平均相对湿度
    Average relative humidity of former 100 hours
    0.378** 0.469** 0.572** 0.594** 0.658** 0.583** 0.496** 0.376**
    前100 h平均风速
    Average wind speed of former 100 hours
    − 0.111 − 0.078 − 0.148 − 0.139 − 0.163 − 0.163 − 0.153 − 0.177*
    注:“*”和“**”分别表示0.05和0.01水平下相关性显著。Notes:* and ** mean significant correlations at P < 0.05 level and P< 0.01 level, respectively.
    下载: 导出CSV

    表  4  可燃物含水率预测模型变量选择

    Table  4.   Prediction model variables of fuel moisture content

    可燃物种类
    Fuel type
    变量选择 Variable selection
    当期气象因子 Current meteorological factor前期气象因子 Previous meteorological factor
    枯叶
    Dead leaf
    温度
    Temperature
    相对湿度
    Relative humidity
    风速
    Wind speed
    前2 h平均温度
    Average temperature of former 2 hours
    前2 h平均相对湿度
    Average relative humidity of former 2 hours
    前2 h平均风速
    Average wind speed of former 2 hours

    1 hr
    温度
    Temperature
    相对湿度
    Relative humidity
    风速
    Wind speed
    前2 h平均温度
    Average temperature of former 2 hours
    前2 h平均相对湿度
    Average relative humidity of former 2 hours
    前2 h平均风速
    Average wind speed of former 2 hours

    10 hr
    温度
    Temperature
    相对湿度
    Relative humidity
    风速
    Wind speed
    前20 h平均温度
    Average temperature of former 20 hours
    前20 h平均相对湿度
    Average relative humidity of former 20 hours
    前20 h平均风速
    Average wind speed of former 20 hours

    100 hr
    温度
    Temperature
    相对湿度
    Relative humidity
    风速
    Wind speed
    前100 h平均温度
    Average temperature of former 100 hours
    前100 h平均相对湿度
    Average relative humidity of former 100 hours
    前100 h平均风速
    Average wind speed of former 100 hours
    下载: 导出CSV

    表  5  可燃物含水率模型参数及检验指标值

    Table  5.   Prediction model parameters of fuel moisture content and verification indices

    树种 Tree species类型 Typeb0b1b2b3b4b5b6R2MAEMRE
    榆树 Ulmus pumila 枯叶 Dead leaf − 1.273 − 0.029 0.021 − 0.251 0.012 − 0.015 0.202 0.776 2.83 13.44
    1 hr − 1.558 0.007 0.007 − 0.158 − 0.012 − 0.003 0.123 0.418 2.26 11.31
    10 hr − 1.888 − 0.008 − 0.001 0.049 0.003 0.005 − 0.014 0.454 1.05 6.47
    100 hr − 2.362 0.010 0.005 0.043 − 0.016 0.004 0.017 0.343 1.53 12.69
    槲栎 Quercus aliena 枯叶 Dead leaf − 1.237 − 0.008 0.001 − 0.04 0.002 0.000 0.043 0.559 1.62 6.11
    1 hr − 1.551 − 0.018 0.001 − 0.076 0.012 − 0.002 0.075 0.422 1.62 9.02
    10 hr − 1.833 − 0.013 − 0.004 0.042 0.008 0.005 − 0.012 0.428 1.11 7.01
    100 hr − 2.158 − 0.002 0.003 0.026 − 0.001 0.004 0.057 0.421 0.82 5.60
    刺槐 Robinia pseudoacacia 枯叶 Dead leaf − 1.141 − 0.013 0.009 − 0.088 0.005 − 0.004 0.076 0.778 1.92 6.45
    1 hr − 1.793 − 0.024 0.006 0.127 0.018 − 0.005 − 0.088 0.405 0.95 6.11
    10 hr − 1.86 − 0.029 − 0.011 0.083 0.02 0.008 − 0.078 0.456 1.42 11.91
    100 hr − 2.629 − 0.003 0.002 − 0.006 − 0.002 0.011 0.116 0.411 1.56 13.98
    油松 Pinus tabuliformis 枯叶 Dead leaf − 1.439 − 0.007 0.005 − 0.041 0.003 − 0.004 0.041 0.44 1.42 6.65
    1 hr − 1.648 − 0.017 0.012 − 0.122 0.013 − 0.009 0.113 0.498 1.94 10.71
    10 hr − 2.235 − 0.012 0.001 0.116 0.004 0.007 − 0.027 0.376 1.56 12.47
    100 hr − 2.375 − 0.004 − 0.002 0.012 − 0.004 0.008 0.040 0.578 0.76 6.76
    五角枫 Acer truncatum 枯叶 Dead leaf − 1.353 − 0.018 0.012 − 0.146 0.016 − 0.012 0.138 0.370 2.69 11.84
    1 hr − 1.69 − 0.012 0.01 − 0.019 0.008 − 0.008 0.043 0.359 1.47 8.33
    10 hr − 2.162 − 0.009 0.002 0.100 0.001 0.005 − 0.009 0.423 1.36 9.74
    100 hr − 2.391 − 0.001 0.001 0.008 − 0.001 0.006 0.054 0.514 0.67 5.64
    落叶松 Larix principis-rupprechtii 枯叶 − 1.395 − 0.014 0.004 − 0.096 0.002 − 0.004 0.082 0.547 2.14 12.2
    1 hr − 1.967 − 0.016 0.015 0.090 0.009 − 0.009 − 0.059 0.504 1.15 8.46
    10 hr − 1.963 − 0.012 − 0.006 0.070 0.006 0.005 − 0.036 0.358 0.92 7.05
    100 hr − 2.510 − 0.002 0.003 0.033 − 0.002 0.01 0.078 0.404 1.64 12.88
    栓皮栎 Quercus variabilis 枯叶 Dead leaf − 1.447 − 0.005 0.011 − 0.052 0.002 − 0.008 0.075 0.371 1.94 8.39
    1 hr − 1.573 − 0.011 0.008 0.009 0.004 − 0.004 0.016 0.535 1.42 7.24
    10 hr − 1.644 − 0.007 − 0.001 0.046 0.003 0.003 − 0.019 0.331 1.08 5.36
    100 hr − 2.221 − 0.001 0.004 0.047 − 0.006 0.005 0.036 0.509 1.09 7.64
    侧柏 Platycladus orientalis 枯叶 Dead leaf − 1.300 − 0.013 0.008 − 0.019 − 0.002 − 0.005 0.044 0.707 2.05 8.90
    1 hr − 1.597 − 0.040 − 0.004 − 0.145 0.030 0.003 0.114 0.652 1.58 10.39
    10 hr − 2.078 0.001 0.002 0.070 − 0.008 0.005 − 0.016 0.358 1.33 8.80
    100 hr − 2.349 − 0.005 0.004 0.046 0.001 0.004 0.007 0.357 0.91 7.88
    下载: 导出CSV
  • [1] 赵凤君, 王明玉, 舒立福. 森林火灾中的树冠火研究[J]. 世界林业研究, 2010, 23(1):39−43.

    Zhao F J, Wang M Y, Shu L F. Areview of crown fire research[J]. World Forestry Research, 2010, 23(1): 39−43.
    [2] 胡海清, 牛树奎, 金森, 等. 林火生态与管理[M]. 北京: 中国林业出版社, 2005: 31−37.

    Hu H Q, Niu S K, Jin S, et al. Fire ecology and management[M]. Beijing: China Forestry Publishing House, 2005: 31−37.
    [3] 周涧青. 大兴安岭南部主要森林类型可燃物负荷量及其潜在地表火行为研究[D]. 北京: 北京林业大学, 2014.

    Zhou J Q. Research on forest fuel loadings and potential surface fire behavior of major forest types in southern Daxing’an Mountains[D]. Beijing: Beijing Forestry University, 2014.
    [4] Mitsopoulos I D, Dimitrakopoulos A P. Canopy fuel characteristics and potential crown fire behavior in Aleppo pine(Pinus halepensis Mill) forests[J]. Annals of Forest Science, 2007, 64(3): 287−299. doi:  10.1051/forest:2007006
    [5] Kreye J K, Kobziar L N, Zipperer W C. Effects of fuel load and moisture content on fire behaviour and heating in masticated litter-dominated fuels[J]. International Journal of Wildland Fire, 2013, 22(4): 440−445. doi:  10.1071/WF12147
    [6] 牛树奎, 王叁, 贺庆棠, 等. 北京山区主要针叶林可燃物空间连续性研究: 可燃物垂直连续性与树冠火发生[J]. 北京林业大学学报, 2012, 34(3):1−7.

    Niu S K, Wang S, He Q T, et al. Spatial continuity of fuels in major coniferous forests in Beijing mountainous area: fuel vertical continuity and crown fire occurrence[J]. Journal of Beijing Forestry University, 2012, 34(3): 1−7.
    [7] 王舜娆, 金森. 基于热重分析的南昌地区8种可燃物的热解动力学及燃烧性排序[J]. 中南林业科技大学学报, 2015, 35(11):94−98.

    Wang S R, Jin S. Study on pyrolysis kinetics and combustibility ordering of 8 kinds of fuels in Nanchang area based on thermogravimetric analysis[J]. Journal of Central South University of Forestry & Technology, 2015, 35(11): 94−98.
    [8] 王明玉, 舒立福, 姚树人. 北京地区森林可燃物人工调控技术[J]. 森林防火, 2012, 9(3):46−48. doi:  10.3969/j.issn.1002-2511.2012.03.019

    Wang M Y, Shu L F, Yao S R. Artificial control technology of forest fuel in Beijing area[J]. Forest Fire Prevention, 2012, 9(3): 46−48. doi:  10.3969/j.issn.1002-2511.2012.03.019
    [9] Matthews S. A process-based model of fine fuel moisture[J]. International Journal of Wild land Fire, 2006, 15: 155−168. doi:  10.1071/WF05063
    [10] 屈宇, 于汝元, 张延达, 等. 营林防火的理论与实践[J]. 林业资源管理, 2002(4):13−16. doi:  10.3969/j.issn.1002-6622.2002.04.004

    Qu Y, Yu R Y, Zang Y D, et al. Theory and practice on forest fire prevention by means of tending[J]. Forest Resources Management, 2002(4): 13−16. doi:  10.3969/j.issn.1002-6622.2002.04.004
    [11] 魏云敏, 鞠琳. 森林可燃物载量研究综述[J]. 森林防火, 2006(4):18−21. doi:  10.3969/j.issn.1002-2511.2006.04.008

    Wei Y M, Ju L. Summary of the study on forest fuel load[J]. Forest Fire Prevention, 2006(4): 18−21. doi:  10.3969/j.issn.1002-2511.2006.04.008
    [12] Viegas D X, Pinol J, Viegas M T. Estimating live fine fuels moisture content using meteorologically-based indices[J]. International Journal of Wildland Fire, 2001, 10(2): 223−240. doi:  10.1071/WF01022
    [13] Nelson Jr., R M. A method for describing equilibrium moisture content of forest fuels[J]. Canadian Journal of Forest Research, 1984, 14(4): 597−600. doi:  10.1139/x84-108
    [14] Wotton B M, Beverly J L. Stand-specific litter moisture content calibrations for the Canadian Fine Fuel moisture code[J]. International Journal of Wildland Fire, 2007, 16(4): 463−472.
    [15] Simard A J. The moisture content of forest fuels (1): a review of the basic concepts [M]. Toronto: Canadian Development Forest Fire Research Institute, 1968.
    [16] Catchpole E A, Catchpole W R, Viney N R, et al. Estimating fuel response time and predicting fuel moisture content from field data[J]. International Journal of Wildland Fire, 2001, 10(2): 215−222. doi:  10.1071/WF01011
    [17] Slijepcevic A, Anderson W R, Matthews S. Testing existing models for predicting hourly variation in fine fuel moisture in eucalypt forests[J]. Forest Ecology and Management, 2013, 306: 202−215. doi:  10.1016/j.foreco.2013.06.033
    [18] 高开通, 刘鹏举, 唐小明. 森林资源小班火险天气等级预报方法研究[J]. 北京林业大学学报, 2013, 35(4):61−66.

    Gao K T, Liu P J, Tang X M. Forecasting forest fire risk grade of forest subcompartment[J]. Journal of Beijing Forestry University, 2013, 35(4): 61−66.
    [19] 张恒, 金森, 邸雪颖. 基于FWI湿度码的塔河林业局地表凋落物含水率预测[J]. 应用生态学报, 2014, 25(7):2049−2055.

    Zhang H, Jin S, Di X Y. Prediction of litter moisture content in Tahe Forestry Bureau of Northeast China based on FWI moisture codes[J]. Chinese Journal of Applied Ecology, 2014, 25(7): 2049−2055.
    [20] 宋雨, 胡海清, 孙龙, 等. 大兴安岭不同坡位地表可燃物含水率的动态变化与建模[J]. 森林工程, 2017, 33(5):1−7.

    Song Y, Hu H Q, Sun L, et al. Dynamic change and modeling of moisture content of surface fuel in different slope positions of Daxing’anling[J]. Forest Engineering, 2017, 33(5): 1−7.
    [21] 李海洋, 胡海清, 孙龙. 我国森林死可燃物含水率与气象和土壤因子关系模型研究[J]. 森林工程, 2016, 32(3):1−6. doi:  10.3969/j.issn.1001-005X.2016.03.001

    Li H Y, Hu H Q, Sun L. Research on relational models of moisture content of dead forest fuel with meteorological factors and soil factors in China[J]. Forest Engineering, 2016, 32(3): 1−6. doi:  10.3969/j.issn.1001-005X.2016.03.001
    [22] 张运林, 孙萍, 胡海清, 等. 风速对蒙古栎阔叶床层两个重要失水时间的影响[J]. 中南林业科技大学学报, 2018, 38(4):65−71.

    Zang Y L, Sun P, Hu H Q, et al. Effects of wind speed on two key drying times of fuelbeds composed of Mongolian oak leaves[J]. Journal of Central South University of Forestry & Technology, 2018, 38(4): 65−71.
    [23] 胡海清, 罗碧珍, 罗斯生, 等. 大兴安岭典型林型地表可燃物含水率预测模型[J]. 中南林业科技大学学报, 2018, 38(11):1−9.

    Hu H Q, Luo B Z, Luo S S, et al. The prediction of moisture content of surface ground fuel of typical forest stand in Daxing’anling Mountains[J]. Journal of Central South University of Forestry & Technology, 2018, 38(11): 1−9.
    [24] 尹坤. 基于Logistic曲线的森林可燃物含水率模型[D]. 哈尔滨: 东北林业大学, 2015.

    Yin K. The model of forest fuel moisture with Logistic curve[D]. Harbin: Northeast Forestry University, 2015.
    [25] 邵潇, 牛树奎, 张晨, 等. 北京地区森林枯死可燃物含水率预测模型及变化规律[J]. 广东农业科学, 2015, 42(17):37−46. doi:  10.3969/j.issn.1004-874X.2015.17.007

    Shao X, Niu S K, Zhang C, et al. Prediction model and change regularity of moisture of forest surface dead fuel in Beijing[J]. Guangdong Agricultural Sciences, 2015, 42(17): 37−46. doi:  10.3969/j.issn.1004-874X.2015.17.007
    [26] 林文琪. 北京的珍贵自然遗产: 植物多样性[J]. 生态学报, 2006, 26(4):969−979. doi:  10.3321/j.issn:1000-0933.2006.04.001

    Lin W Q. Precious natural heritage of Beijing: plant diversity[J]. Acta Ecologica Sinica, 2006, 26(4): 969−979. doi:  10.3321/j.issn:1000-0933.2006.04.001
    [27] 李连强, 牛树奎, 陈锋, 等. 北京妙峰山林场地表潜在火行为及燃烧性分析[J]. 北京林业大学学报, 2019, 41(3):58−67.

    Li L Q, Niu S K, Chen F, et al. Analysis on surface potential fire behavior and combustion of Miaofeng Mountain Forest Farm in Beijing[J]. Journal of Beijing Forestry University, 2019, 41(3): 58−67.
    [28] 陶长森, 牛树奎, 陈羚, 等. 妙峰山林场主要针叶林冠层特征及潜在火行为[J]. 北京林业大学学报, 2018, 40(5):82−89.

    Tao C S, Niu S K, Chen L, et al. Canopy characteristics and potential crown fire behavior of main coniferous forest in Miaofeng Mountain Forest Farm in Beijing[J]. Journal of Beijing Forestry University, 2018, 40(5): 82−89.
    [29] 涂志华, 北京山区森林土壤碳−氮−水耦合循环机制研究[D]. 北京: 北京林业大学, 2015.

    Tu Z H. Mechanism study on the coupling cycle of soil carbon-nitrogen-waterof forest ecosystems in Beijing mountainous area[D]. Beijing: Beijing Forestry University, 2015.
    [30] Jolly W M, Hadlow A M. A comparison of two methods for estimating conifer live foliar moisture content[J]. International Journal of Wildland Fire, 2011, 21(2): 180−185.
  • [1] 张韫, 于悦, 崔晓阳, 王海淇.  试验林火干扰下大兴安岭北部落叶松林土壤含水率的时空变化 . 北京林业大学学报, 2020, 42(): 1-8. doi: 10.12171/j.1000-1522.20190182
    [2] 周祎鸣, 张莹, 田晓华, 唐桂辉, 张东旭, 王俊杰, 王馨蕊, 关文彬.  基于积温的文冠果开花物候期预测模型的构建 . 北京林业大学学报, 2019, 41(6): 62-74. doi: 10.13332/j.1000-1522.20180128
    [3] 满子源, 胡海清, 张运林, 刘方策, 李远.  帽儿山地区典型地表可燃物含水率动态变化及预测模型 . 北京林业大学学报, 2019, 41(3): 49-57. doi: 10.13332/j.1000-1522.20180326
    [4] 陈佩岩, 马岚, 梅雪梅, 张栋, 薛孟君, 孙一惠.  降雨过程中不同密度枯落物对各土层含水率动态影响 . 北京林业大学学报, 2018, 40(11): 93-101. doi: 10.13332/j.1000-1522.20180078
    [5] 陈冀岱, 牛树奎.  多时相高分辨率遥感影像的森林可燃物分类和变化分析 . 北京林业大学学报, 2018, 40(12): 38-48. doi: 10.13332/j.1000-1522.20180269
    [6] 张远艳, 邸雪颖, 赵凤君, 于宏洲, 杨光.  红松人工林地表针叶可燃物燃烧PM2.5排放影响因子 . 北京林业大学学报, 2018, 40(6): 30-40. doi: 10.13332/j.1000-1522.20170446
    [7] 张文一, 景天忠, 严善春.  基于机器学习的落叶松毛虫发生面积预测模型 . 北京林业大学学报, 2017, 39(1): 85-93. doi: 10.13332/j.1000-1522.20160205
    [8] 张韫, 李响, 张帆, 廖苑如.  CO2升高对红松幼苗水分生理特征与土壤含水率变化的影响 . 北京林业大学学报, 2015, 37(1): 37-47. doi: 10.13332/j.cnki.jbfu.2015.01.004
    [9] 王淑娟, 谢宝元.  休眠期树枝抗弯弹性模量的模型分析 . 北京林业大学学报, 2014, 36(6): 130-134. doi: 10.13332/j.cnki.jbfu.2014.06.024
    [10] 刘昊, 高建民.  含水率和密度对木材应力波传播速度的影响 . 北京林业大学学报, 2014, 36(6): 154-158. doi: 10.13332/j.cnki.jbfu.2014.06.002
    [11] 牛树奎, 王叁, 贺庆棠, 孙武, 陈锋.  北京山区主要针叶林可燃物空间连续性研究——可燃物垂直连续性与树冠火发生 . 北京林业大学学报, 2012, 34(3): 1-7.
    [12] 李超, 张明辉, 于建芳.  利用核磁共振自由感应衰减曲线测定木材含水率 . 北京林业大学学报, 2012, 34(4): 142-145.
    [13] 吕兆林, 任美玲, 欧阳呓林, 林西, 张柏林.  竹叶黄酮化合物季节变化规律 . 北京林业大学学报, 2011, 33(4): 81-84.
    [14] 李贤军, 蔡智勇, 傅峰, 周永东.  间歇微波干燥过程中木材内含水率动态分布规律 . 北京林业大学学报, 2010, 32(4): 227-231.
    [15] 张振明, 余新晓, 徐娟, 甘敬, 王小平, 李金海.  不同植被类型土壤碱解氮空间变异性及预测 . 北京林业大学学报, 2009, 31(5): 12-18.
    [16] 余养伦, 于文吉, 张方文.  厚胶合板弹性模量预测模型 . 北京林业大学学报, 2009, 31(1): 130-133.
    [17] 李文彬, 张俊梅, 撒潮, 王德明, 高凯.  人工林UHF频段电波传播场强预测模型 . 北京林业大学学报, 2007, 29(4): 15-18.
    [18] 田勇臣, 刘少刚, 赵刚, 胡健, 李文彬.  森林火灾蔓延多模型预测系统研究 . 北京林业大学学报, 2007, 29(4): 46-53.
    [19] 齐实, 何亚平, 余雁, 徐向舟, 王顺忠, 马尔妮, 周成理, 惠刚盈, 刘秀萍, 姚洪军, 任琴, 耿玉清, 王旭, 武广涛, 李瑞, 徐基良, 宋颖琦, 雷加富, 王清奎, 白新祥, 王尚德, 史军义, 白翠霞, 费本华, 徐海, 杨谦, 俞国胜, 费世民, 周国逸, 崔国发, 张克斌, 康向阳, 杨莉, 石玉杰, 汪思龙, 赵广杰, 王飞, 刘大庆, 云琦, 胡可, 陈丽华, 李代丽, 胡永建, 蒋俊明, 孙阁, 戴思兰, 李忠, 张恒明, 孙阁, 宋维峰, 赵铁蕊, 张波, 陈晓鸣, 秦跟基, 冯宗炜, 徐秉玖, 张红武, 胡艳波, 王百田, 陈秀明, 代力民, 王树森, 高荣孚, 瞿礼嘉, 易传辉, 张慧, 杨晓晖, 朱金兆, 董占地, 王戈, 王亮生, 张德强, 陈华君, 王庆礼, 余英, 朱明东, 金幼菊, 陈峻崎, 乔锋, 闫俊华, 肖玉保, 石雷, 武波, 杨海龙, 陈晓阳, 李镇宇, 杨俊杰, 唐森强, 赵辉, SteveMcNulty, 杨莉.  林木最近距离分布预测模型的研究 . 北京林业大学学报, 2006, 28(5): 18-21.
    [20] 张一平, 李梅, 李景文, 
    王保平, 熊瑾, 马文辉, 李景文, 饶良懿, 殷亚方, 符韵林, 杨晓晖, 王明枝, 刘震, 黄国胜, 侯亚南, 杜华强, 龙玲, 李全发, 张秋英, 宋小双, 詹亚光, 杨海龙, 李慧, 朱金兆, 徐峰, 刘文耀, 窦军霞, 李发东, 赵敏, 朱金兆, 李吉跃, 耿晓东, 范文义, 李俊清, 尹立辉, 张克斌, 吕建雄, 王雪军, 李俊清, 梁机, 陆熙娴, 李妮亚, 王洁瑛, 秦瑶, 韩海荣, 陈晓阳, 倪春, 齐实, 唐黎明, 毕华兴, 于贵瑞, 李黎, 孙玉军, 康峰峰, 慈龙骏, 陈素文, 秦素玲, 赵宪文, 李凤兰, 乔杰, 陈晓阳, 刘桂丰, 欧国强, 刘雪梅, 李云, 沈有信, 李伟, 王雪, 王玉成, 宋献方, 任海青, 张桂芹, 黎昌琼, 魏建祥, 文瑞钧, 蒋建平, 朱国平, 赵双菊, 刘伦辉, 韦广绥, 马钦彦, 李伟, , 丁霞, 宋清海, 杨谦, 周海江, 张万军, 孙涛, 李慧, 孙晓敏, 刘莹, 孙志强, 李宗然, 
    , .  人造板含水率对游离甲醛释放量的影响 . 北京林业大学学报, 2005, 27(5): 98-102.
  • 加载中
图(5) / 表ll (5)
计量
  • 文章访问数:  1593
  • HTML全文浏览量:  118
  • PDF下载量:  23
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-10-24
  • 修回日期:  2020-01-10
  • 网络出版日期:  2020-05-18
  • 刊出日期:  2020-06-01

北京地区8种树种枯死可燃物含水率预测模型及变化规律

doi: 10.12171/j.1000-1522.20190370
    基金项目:  林业科技推广项目(2015-04)
    作者简介:

    詹航。主要研究方向:生态规划与管理。Email:735772678@qq.com 地址:100083北京市海淀区清华东路35号北京林业大学生态与自然保护学院

    通讯作者: 牛树奎,教授,博士生导师。主要研究方向:生态规划与管理。Email:niushukui@163.com 地址:同上
  • 中图分类号: S762.2

摘要: 目的森林可燃物含水率对林火的发生蔓延,尤其是对森林火灾火行为影响重大,可燃物含水率预测模型在预报火灾和预测林火行为方面作用显著。方法对北京地区8种常见森林树种防火期内可燃物含水率连续测定,分析不同树种不同种类可燃物含水率与当期和前期气象因子间的关系。选择影响程度较大的当期和前期气象因子为自变量建立可燃物含水率的预测模型,并在此基础上定量分析可燃物含水率的日变化和整个防火期内的变化规律。结果不同树种可燃物含水率存在显著差异,8个树种平均可燃物含水率由大到小依次为:栓皮栎 > 槲栎 > 榆树 > 刺槐 > 五角枫 > 侧柏 > 油松 > 落叶松。不同种类可燃物含水率存在显著差异,可燃物含水率总体上表现为阔叶树大于针叶树,枯叶和枯枝1 hr大于枯枝10 hr和100 hr。枯叶和枯枝1 hr主要受当期气象因子影响,而枯枝10 hr和100 hr主要受前期气象因子影响。所建立的32个线性预测模型各检验指标显示模型拟合效果好。可燃物含水率日变化表现为夜间高白天低,夜间稳定白天变幅大,06:00—08:00达到最大值,而后急剧下降,12:00—14:00左右达到全天最低值。防火期内,可燃物含水率呈现出先上升后下降趋势,11月可燃物含水率较低,但在缓慢增加,12月至次年1月含水率较高,而3月初至4月底可燃物含水率保持很低状态。结论不同种类不同类型可燃物含水率预测模型精度较高,可为防火工作提供理论支撑,可以实践运用。北京地区3月份和日内中午时间干燥多风,温度较高,可燃物含水率达到很低的状态,森林火险等级较高,应加强管理。

English Abstract

詹航, 牛树奎, 王博. 北京地区8种树种枯死可燃物含水率预测模型及变化规律[J]. 北京林业大学学报, 2020, 42(6): 80-90. doi: 10.12171/j.1000-1522.20190370
引用本文: 詹航, 牛树奎, 王博. 北京地区8种树种枯死可燃物含水率预测模型及变化规律[J]. 北京林业大学学报, 2020, 42(6): 80-90. doi: 10.12171/j.1000-1522.20190370
Zhan Hang, Niu Shukui, Wang Bo. Prediction models and changing rules of dead fuel moisture content of 8 forest species in Beijing area[J]. Journal of Beijing Forestry University, 2020, 42(6): 80-90. doi: 10.12171/j.1000-1522.20190370
Citation: Zhan Hang, Niu Shukui, Wang Bo. Prediction models and changing rules of dead fuel moisture content of 8 forest species in Beijing area[J]. Journal of Beijing Forestry University, 2020, 42(6): 80-90. doi: 10.12171/j.1000-1522.20190370
  • 森林可燃物含水率对林火的发生和蔓延,尤其是对整个森林火灾火行为影响重大[1-4]。可燃物含水率预测模型在预报森林火灾和预测林火行为方面作用显著[5-8],而通过建立数学模型来研究可燃物含水率变化规律是一种有效的方法[9-11]

    近年来,国外大部分国家均研究出了适合各国森林和气象条件的可燃物含水率模型。在以往经验模型基础上,国外研究人员从多个方面考虑可燃物含水率影响因素,丰富了可燃物预测模型类型。如Viegas等[12]将可燃物含水率的变化规律延伸拓展到了活可燃物;而Nelson[13]用热力学分析方法分析可燃物含水率;Wotton[14]分析了加拿大1939年至1961年的可燃物含水率变化规律。此外,如Simard等[15]和Catchpole等[16]也从其他角度,建立了新的可燃物含水率预测模型。在模型使用方面,Slijepcevic等[17]比较了澳大利亚现有可燃物含水率预测模型的适用情况,找出了更加适合的预测模型。国内学者对可燃物含水率的研究晚于国外发达国,开始于20世纪80年代,但研究进展较快,研究内容的范围较广,取得了许多成果[18-21]。张运林等[22]在控制实验基础上分析了风速对可燃物含水率的直接影响。胡海清等[23]进一步将可燃物分阴坡和阳坡分别建立了更加细致的可燃物含水率预测模型。此外,各个研究人员在模型选择上考虑不同,尹坤[24]选择对数模型,邵潇等[25]选择指数模型,还有些学者选择了线性模型。

    国内外众多学者围绕可燃物自身理化特征和测量可燃物含水率时的气象因素两个方面做了大量研究。许多研究将研究重点放在当期气象因子上,事实上前期气象因子也有显著影响,这方面却研究较少[25]。本研究以8种北京地区常见森林主要树种为研究对象,将影响因素拓展到前期气象因子,综合分析不同时间段的气象因子对不同树种不同种类枯死可燃物含水率的影响,并分别建立不同树种不同种类可燃物含水率的预测模型,为该地区森林管理提供科学依据。

    • 实验地设在北京妙峰山林场,林场位于北京西北郊太行山北部,燕山东端,地理位置40°03′31″ ~ 40°03′58″N、116°03′41″ ~ 116°06′51″E。海拔为100 ~ 1 153 m。属于温带湿润季风气候区,雨热同季,冬季干燥寒冷,夏季高温多雨,年均气温11.8 ℃,年平均降水量400 ~ 750 mm,降水集中于6—8月[26]。该地区发生地表火的危险性大[27],林区极易形成高强度地表火,并且该地区树冠火潜在火行为估算指标具有火焰强度大、高度高、蔓延速度快的特点,具有现实的危险性[28]。油松(Pinus tabuliformis)、侧柏(Platycladus orientalis)、栓皮栎(Quercus variabilis)、槲栎(Q. aliena)、五角枫(Acer truncatum)、华北落叶松(Larix principis-rupprechtii)、刺槐(Robinia pseudoacacia)、榆树(Ulmus pumila)等是该地区典型树种,由其组成的森林类型基本上是人工纯林[29],在该地区占比较大。本研究选择以上8树种为研究对象。时滞是指在特定温湿度条件下可燃物失去水分达到平衡含水率的1−e−1的时间。由于不同大小(粗细)的可燃物含水量变化的速率不同,其时滞也不一样。所以,可燃物按照时滞将不同大小(粗细)的可燃物分为5类,即枯叶、枯枝1 hr、枯枝10 hr、枯枝100 hr和枯枝1 000 hr,枯枝直径范围分别在0 ~ 0.6 cm、0.6 ~ 2.5 cm、2.5 ~ 7.6 cm、7.6 ~ 20 cm之间[2]。考虑到该地区林下大粗枝少有罕见,因此本次实验不考虑枯枝1 000 hr[25]

    • 实验材料的采集地点为北京妙峰山实验林场的8个主要森林类型。在每个森林类型内,随机选取3个样点采集优势树种的枯叶、枯枝1 hr、枯枝10 hr、枯枝100 hr四类可燃物。8个森林类型共计采集32类样品。实验材料的处理方法:枯叶质量200 ~ 250 g,要求枯叶页面完整,无明显腐烂破损特征;枯枝质量200 ~ 250 g,统一规格长25 cm。可燃物含水率受枯枝粗细影响较大,所以3种时滞枯枝的基径(粗度)按照各时滞直径范围对应的面积取中值进行采样,枯枝1 hr、枯枝10 hr、枯枝100 hr样品的基径分别控制在0.4、1.8和5.7 cm左右。所有样品置于尼龙袋(35 cm × 25 cm)中(40目),注明树种和类别并编号。

      实验地选择在北京林业大学气象站。将实验材料的32个样袋放置在空旷且无人干扰的地面上,各样袋的地面条件一致。先将样袋在实验地搁置5 d时间,使可燃物含水量在实验地的天气条件下趋于稳定。北京地区的森林火灾主要发生在春秋两季节,根据当地防火办法规定,该地区每年11月1日至次年5月31日为森林防火期。本次观测开始于2018年11月1日,至2019年5月30日结束,共计7个月时间。每天的14:00时,对所有样袋进行称质量并记录,同时用CJY4型便携式气象仪记录地面1.5 m高的温度、相对湿度和风速。每隔5 d进行全天的逐小时观测,从06:00 — 18:00,每间隔1 h称质量1次。

      防火期结束后测定样品干质量。气象站所有实验结束后,将样品从网袋中取出,放入信封内,在烘箱内105 ℃持续烘干48 h至样品恒质量,分别称取样品和信封干质量。本实验均用1/100电子天平称质量。根据如下公式计算出可燃物含水率:

      $$ F = \frac{{(M - M_0) - (M' - M'_0)}}{{M' - M'_0}} \times 100\%$$

      式中:F为可燃物样品在每一个观测时点的含水率,%;M为可燃物样品在每一次观测时测定的质量,g;$ M'$为可燃物烘干后的干质量(含信封干质量),g;M0为装可燃物的网袋质量,g;$ M'_0$为烘干后的信封质量,g。

    • 气象数据来源于CJY4型便携式气象仪,该仪器可以将实验地的温度、相对湿度、风速每30 min自动采集并储存。采用单因素方差分析方法分析不同可燃物含水率之间的差异。可燃物含水率变化不仅受当时气象因子的影响,也受前期平均气象因子的影响[25],在此基础上,按照不同树种不同种类为对象分别分析与当期和前期气象因子之间的关系。

      采用LSD多重比较分析方法,通过Pearson相关系数评价各气象因子的影响程度,最终选择3个当时气象因子和3个前期气象因子作为自变量。可燃物含水率与气象因子间呈现出指数关系(图1),因此,本研究采用指数模型建立预测模型。

      图  1  可燃物含水率与气象因子关系

      Figure 1.  Relations between fuel moisture content and meteorological factors

      决定系数(R2)描述了模型解释变量变化的能力大小,值越大,显示模型拟合效果越好。平均绝对误差(MAE)为实测值和预测值之间的绝对误差,计算简便,但不便于不同模型之间的比较,而平均相对误差(MRE)为相对数指标,方便比较不同模型的优劣。通常认为,可燃物含水率预测模型的平均相对误差 < 15%时,模型可以实践运用[30]

      $$ \begin{array}{l} {\rm{MAE}} = \left( {\displaystyle\sum\limits_{i = 1}^n {\left| {{H_i} - {h_i}} \right|} } \right)/n\times 100\%\\ {\rm MRE} = \left( {\displaystyle\sum\limits_{i = 1}^n {\left| {\frac{{{H_i} - {h_i}}}{{{H_i}}}} \right|} } \right)/n \times 100 \% \end{array} $$

      式中:MAE为平均绝对误差,%;MRE为平均相对误差,%;n为测算次数;i为次数的具体取值,取值范围为1 ~ nHi为第i次含水率的实测值,%;hi为第i次含水率的预测值,%。

      利用所建立的32个回归模型,结合CJY4型便携式气象仪自动收集的各个时间段的气象因子,分别计算出不同种类可燃物含水率在一天中和防火期内的情景预测值,并分析在此时间尺度上各自含水率的变化规律。

      实验中涉及到的分析均使用SPSS 2018分析软件完成,选用Origin 2019b作图软件作图。

    • 可燃物含水率受环境中气象因子影响。为方便说明两者关系,此处以榆树平均可燃物含水率为例进行分析。从图1可以看出,指数模型下,可燃物含水率和环境温度、相对湿度和风速相关系数分别为0.612 9、0.420 2和0.324 6,可知3种气象因子的影响程度表现为由大到小。当温度低湿度大时,可燃物吸收空气中水分子使含水率增加,森林火灾的发生率因此而降低;反之,当温度升高湿度降低时,可燃物水分子向空气中扩散,可燃物含水率降低。风速影响着枯死可燃物和空气之间交换水分子的速度,风速越大,可燃物失去水分子速度越快,可燃物含水率越低。

    • 不同种类可燃物含水率在相同气象因子影响下不同,同一树种同一种类可燃物含水率在不同气象因子影响下也不同。可燃物含水率受自身生理机制影响,从表1~ 2 可知,在0.01的显著性水平下,不同树种以及不同种类的可燃物含水率均差异显著。

      表 1  不同树种可燃物含水率显著性分析

      Table 1.  Significance analysis on the fuel moisture content of different tree species

      项目
      Item
      平方和
      Sum of
      squares
      自由度
      Degree of freedom
      均方
      Mean squares
      F显著性
      Significance
      组间 Intergroup 2 121.117 7 303.017 52.288 0
      组内 Intragroup 6 252.933 1 079 5.795
      总计
      Total
      8 374.050 1 086

      表1单因素方差分析可知,不同树种平均含水率之间的差异显著。图2分析可知,可燃物平均含水率总体表现为阔叶树大于针叶树,可燃物平均含水率由大到小依次为:栓皮栎 > 槲栎 > 榆树 > 刺槐 > 五角枫 > 侧柏 > 油松 > 落叶松。图2分析可知,含水率较高的栓皮栎、槲栎和榆树,含水率分别为20.11%、19.42%、18.98%,针叶树侧柏、油松和落叶松都较低,分别为17.36%、16.67%、15.66%。相较于针叶树,阔叶树可燃物枯树叶形宽大,枯枝密度低孔隙多,易吸附水分子,且油脂含量低,燃尽产生的灰份较多,属于抗火树种,因此可燃物含水率普遍较高。

      图  2  不同树种可燃物含水率

      Figure 2.  Fuel moisture content of different tree species

      不同树种平均可燃物含水率变化幅度不同。从图2分析可知,平均可燃物含水率变化幅度由大到小依次为:榆树 > 侧柏 > 刺槐 > 五角枫 > 槲栎 > 油松 > 落叶松 > 栓皮栎,变化最大的榆树平均枯死可燃物含水率变化范围为13.25% ~ 25.87%,变幅为12.62%;变化最小的栓皮栎平均枯死可燃物含水率变化范围为15.86% ~ 24.25%,变幅为8.39%。

      表2单因素方差分析可知,不同种类之间平均含水率之间的差异显著。从时滞角度分析,不同种类可燃物含水率差异显著;结合树种分析,榆树枯枝100 hr含水率与榆树其他种类之间表现为差异不显著,而其他各树种各种类可燃物之间均表现为差异显著。可燃物对气候条件变化的反应速度不同,因此在一天中,温度高湿度小的时间点测量的含水率差异性显著。

      表 2  不同种类可燃物含水率显著性分析

      Table 2.  Significance analysis on the fuel moisture content of different fuel types

      项目
      Item
      平方和
      Sum of
      squares
      自由度
      Degree of freedom
      均方
      Mean squares
      F显著性
      Significance
      组间
      Intergroup
      11 085.522 3 3 695.174 554.101 0
      组内
      Intragroup
      3 594.471 539 6.669
      总计
      Total
      14 679.993 542

      不同树种不同种类间的变化幅度不同,从图3可知,枯叶含水率变化幅度最大,随着枯枝直径增大,其含水率变化幅度逐渐变小。这是因为,枯枝直径越大,单位表面积承载的质量越大,枯枝内部的含水率与外界交换速度放缓,吸水和失水量小,致使含水率变化幅度变小。变幅最大的是栓皮栎枯叶,变化范围10.75% ~ 39.59%,变幅28.84%;最小为落叶松100 hr,变化范围9.74% ~ 15.82%,变幅6.08%。

      图  3  不同种类可燃物含水率

      Figure 3.  Moisture content of different fuel types

    • 可燃物含水率与气象因子相关系数分析(表3)显示,气象因子对可燃物含水率的影响方向大致相似,可燃物含水率与相对湿度Pearson相关系数(表3)为正,表现为高湿时含水率高,与温度和风速Pearson相关系数为负,表现为低温微风时含水率高,变化幅度由高到低依次为温度、相对湿度和风速。枯叶、枯枝1 hr、枯枝10 hr、枯枝100 hr与气象因子之间的相关性由高到低。

      表 3  可燃物含水率与气象因子Pearson相关系数

      Table 3.  Pearson correlation coefficients of fuel moisture content and meteorological factors

      种类
      Type
      当期和前期气象因子
      Current and previous
      meteorological factor
      相关系数 Correlation coefficient
      榆树
      Ulmus pumila
      槲栎
      Quercus aliena
      刺槐
      Robinia pseudoacacia
      油松
      Pinus tabuliformis
      五角枫
      Acer truncatum
      华北落叶松
      Larix principis-rupprechtii
      栓皮栎
      Quercus variabilis
      侧柏
      Platycladus orientalis
      枯叶Dead leaf 温度 Temperature − 0.747** − 0.726** − 0.790** − 0.617** − 0.415** − 0.709** − 0.491** − 0.816**
      湿度 Humidity 0.637** 0.445** 0.676** 0.390** 0.374** 0.363** 0.386** 0.440**
      风速 Wind speed − 0.570** − 0.385** − 0.568** − 0.352** − 0.347** − 0.375** − 0.273** − 0.353**
      前2 h平均温度
      Average temperature of former 2 hours
      − 0.652** − 0.679** − 0.699** − 0.565** − 0.333** − 0.672** − 0.432** − 0.780**
      前2 h平均相对湿度
      Average relative humidity of former 2 hours
      0.498** 0.364** 0.565** 0.285** 0.249** 0.266** 0.266** 0.337**
      前2 h平均风速
      Average wind speed of former 2 hours
      − 0.158 − 0.033 − 0.156 − 0.027 − 0.037 − 0.028 0.045 0.017
      1 hr 温度 Temperature − 0.563** − 0.565** − 0.433** − 0.554** − 0.488** − 0.581** − 0.665** − 0.682**
      湿度 Humidity 0.433** 0.403** 0.329** 0.526** 0.374** 0.528** 0.515** 0.567**
      风速 Wind speed − 0.426** − 0.371** − 0.126 − 0.451** − 0.265** − 0.335** − 0.362** − 0.521**
      前2 h平均温度
      Average temperature of former 2 hours
      − 0.530** − 0.491** − 0.349** − 0.460** − 0.420** − 0.497** − 0.596** − 0.575**
      前2 h平均相对湿度
      Average relative humidity of former 2 hours
      0.355** 0.313** 0.246** 0.404** 0.253** 0.414** 0.414** 0.479**
      前2 h平均风速
      Average wind speed of former 2 hours
      − 0.102 − 0.044 − 0.032 − 0.107 0.017 − 0.113 − 0.048 − 0.145
      10 hr 温度 Temperature − 0.477** − 0.454** − 0.457** − 0.397** − 0.475** − 0.359** − 0.405** − 0.392**
      湿度 Humidity 0.451** 0.392** 0.293** 0.389** 0.409** 0.135 0.328** 0.339**
      风速 Wind speed − 0.227** − 0.201* − 0.145 − 0.120 − 0.127 0.029 − 0.105 − 0.149
      前20 h平均温度
      Average temperature of former 20 hours
      − 0.361** − 0.316** − 0.324** − 0.302** − 0.387** − 0.301** − 0.305** − 0.384**
      前20 h平均相对湿度
      Average relative humidity of former 20 hours
      0.507** 0.451** 0.369** 0.434** 0.421** 0.274** 0.366** 0.421**
      前20 h平均风速
      Average wind speed of former 20 hours
      − 0.179* − 0.147 − 0.165 − 0.125 − 0.085 − 0.067 − 0.117 − 0.147
      100 hr 温度 Temperature − 0.155 − 0.329** − 0.195* − 0.361** − 0.156 − 0.138 − 0.402** − 0.366**
      湿度 Humidity 0.167 0.310** 0.238** 0.163 0.229** 0.213* 0.350** 0.369**
      风速 Wind speed − 0.076 − 0.116 − 0.168 − 0.118 − 0.111 − 0.080 − 0.152 − 0.139
      前100 h平均温度
      Average temperature of former 100 hours
      − 0.387** − 0.381** − 0.288** − 0.489** − 0.269** − 0.234** − 0.510** − 0.339**
      前100 h平均相对湿度
      Average relative humidity of former 100 hours
      0.378** 0.469** 0.572** 0.594** 0.658** 0.583** 0.496** 0.376**
      前100 h平均风速
      Average wind speed of former 100 hours
      − 0.111 − 0.078 − 0.148 − 0.139 − 0.163 − 0.163 − 0.153 − 0.177*
      注:“*”和“**”分别表示0.05和0.01水平下相关性显著。Notes:* and ** mean significant correlations at P < 0.05 level and P< 0.01 level, respectively.

      分析表明,枯枝径级越大,当期气象因子对可燃物含水率数值影响越低,如当期温度、相对湿度和风速与榆树枯叶的相关系数分为− 0.747、0.637和− 0.570,而与其枯枝100 hr的相关系数仅为− 0.155、0.167和− 0.076(表3)。温度、湿度与枯叶、枯枝1 hr的相关性显著,而风速与枯枝10 hr和枯枝100 hr相关性基本不显著,这可能是因为枯枝径级越大,受自身特性影响越多。

    • 考虑可燃物含水率和气象因子之间的相关性,选择相关系数较大的气象因子作为自变量,同时考虑数据的可获得性和理解性。当期温度、相对湿度和风度都能通过简单方式获得,而前2 h、2 0 h、100 h的平均气象因子也方便理解和运用。最终选择出的气象因子如表4

      表 4  可燃物含水率预测模型变量选择

      Table 4.  Prediction model variables of fuel moisture content

      可燃物种类
      Fuel type
      变量选择 Variable selection
      当期气象因子 Current meteorological factor前期气象因子 Previous meteorological factor
      枯叶
      Dead leaf
      温度
      Temperature
      相对湿度
      Relative humidity
      风速
      Wind speed
      前2 h平均温度
      Average temperature of former 2 hours
      前2 h平均相对湿度
      Average relative humidity of former 2 hours
      前2 h平均风速
      Average wind speed of former 2 hours

      1 hr
      温度
      Temperature
      相对湿度
      Relative humidity
      风速
      Wind speed
      前2 h平均温度
      Average temperature of former 2 hours
      前2 h平均相对湿度
      Average relative humidity of former 2 hours
      前2 h平均风速
      Average wind speed of former 2 hours

      10 hr
      温度
      Temperature
      相对湿度
      Relative humidity
      风速
      Wind speed
      前20 h平均温度
      Average temperature of former 20 hours
      前20 h平均相对湿度
      Average relative humidity of former 20 hours
      前20 h平均风速
      Average wind speed of former 20 hours

      100 hr
      温度
      Temperature
      相对湿度
      Relative humidity
      风速
      Wind speed
      前100 h平均温度
      Average temperature of former 100 hours
      前100 h平均相对湿度
      Average relative humidity of former 100 hours
      前100 h平均风速
      Average wind speed of former 100 hours

      可燃物含水率和不同气象因子之间具有很好的指数关系(图1),因此,本研究采用如下模型建立预测模型:

      $$F = \exp ({b_0} + {b_1}T + {b_2}H + {b_3}V + {b_4}\overline T + {b_5}\overline H + {b_6}\overline V )$$

      式中:F为含水率预测值,%;THV为当期温度、相对湿度、风速,℃、%、m/s;$\overline T $$\overline H $$\overline V $为前期平均温度、相对湿度、风速,℃、%、m/s;b0b1b2b3b4b5b6为系数。

      模型参数及检验指标如表5。分析表明,32个模型的决定系数(R2)在34% ~ 78%之间,R2大于0.6以上的模型有4个,大于0.5的模型11个,大于0.4的模型有23个。平均绝对误差MAE为0.67% ~ 2.83%,1%以下的模型27个,平均相对误差MRE为5.60% ~ 13.98%,10%以下的模型21个,各检验指标显示模型拟合效果好,具有较高的精度,可以实践运用。

      表 5  可燃物含水率模型参数及检验指标值

      Table 5.  Prediction model parameters of fuel moisture content and verification indices

      树种 Tree species类型 Typeb0b1b2b3b4b5b6R2MAEMRE
      榆树 Ulmus pumila 枯叶 Dead leaf − 1.273 − 0.029 0.021 − 0.251 0.012 − 0.015 0.202 0.776 2.83 13.44
      1 hr − 1.558 0.007 0.007 − 0.158 − 0.012 − 0.003 0.123 0.418 2.26 11.31
      10 hr − 1.888 − 0.008 − 0.001 0.049 0.003 0.005 − 0.014 0.454 1.05 6.47
      100 hr − 2.362 0.010 0.005 0.043 − 0.016 0.004 0.017 0.343 1.53 12.69
      槲栎 Quercus aliena 枯叶 Dead leaf − 1.237 − 0.008 0.001 − 0.04 0.002 0.000 0.043 0.559 1.62 6.11
      1 hr − 1.551 − 0.018 0.001 − 0.076 0.012 − 0.002 0.075 0.422 1.62 9.02
      10 hr − 1.833 − 0.013 − 0.004 0.042 0.008 0.005 − 0.012 0.428 1.11 7.01
      100 hr − 2.158 − 0.002 0.003 0.026 − 0.001 0.004 0.057 0.421 0.82 5.60
      刺槐 Robinia pseudoacacia 枯叶 Dead leaf − 1.141 − 0.013 0.009 − 0.088 0.005 − 0.004 0.076 0.778 1.92 6.45
      1 hr − 1.793 − 0.024 0.006 0.127 0.018 − 0.005 − 0.088 0.405 0.95 6.11
      10 hr − 1.86 − 0.029 − 0.011 0.083 0.02 0.008 − 0.078 0.456 1.42 11.91
      100 hr − 2.629 − 0.003 0.002 − 0.006 − 0.002 0.011 0.116 0.411 1.56 13.98
      油松 Pinus tabuliformis 枯叶 Dead leaf − 1.439 − 0.007 0.005 − 0.041 0.003 − 0.004 0.041 0.44 1.42 6.65
      1 hr − 1.648 − 0.017 0.012 − 0.122 0.013 − 0.009 0.113 0.498 1.94 10.71
      10 hr − 2.235 − 0.012 0.001 0.116 0.004 0.007 − 0.027 0.376 1.56 12.47
      100 hr − 2.375 − 0.004 − 0.002 0.012 − 0.004 0.008 0.040 0.578 0.76 6.76
      五角枫 Acer truncatum 枯叶 Dead leaf − 1.353 − 0.018 0.012 − 0.146 0.016 − 0.012 0.138 0.370 2.69 11.84
      1 hr − 1.69 − 0.012 0.01 − 0.019 0.008 − 0.008 0.043 0.359 1.47 8.33
      10 hr − 2.162 − 0.009 0.002 0.100 0.001 0.005 − 0.009 0.423 1.36 9.74
      100 hr − 2.391 − 0.001 0.001 0.008 − 0.001 0.006 0.054 0.514 0.67 5.64
      落叶松 Larix principis-rupprechtii 枯叶 − 1.395 − 0.014 0.004 − 0.096 0.002 − 0.004 0.082 0.547 2.14 12.2
      1 hr − 1.967 − 0.016 0.015 0.090 0.009 − 0.009 − 0.059 0.504 1.15 8.46
      10 hr − 1.963 − 0.012 − 0.006 0.070 0.006 0.005 − 0.036 0.358 0.92 7.05
      100 hr − 2.510 − 0.002 0.003 0.033 − 0.002 0.01 0.078 0.404 1.64 12.88
      栓皮栎 Quercus variabilis 枯叶 Dead leaf − 1.447 − 0.005 0.011 − 0.052 0.002 − 0.008 0.075 0.371 1.94 8.39
      1 hr − 1.573 − 0.011 0.008 0.009 0.004 − 0.004 0.016 0.535 1.42 7.24
      10 hr − 1.644 − 0.007 − 0.001 0.046 0.003 0.003 − 0.019 0.331 1.08 5.36
      100 hr − 2.221 − 0.001 0.004 0.047 − 0.006 0.005 0.036 0.509 1.09 7.64
      侧柏 Platycladus orientalis 枯叶 Dead leaf − 1.300 − 0.013 0.008 − 0.019 − 0.002 − 0.005 0.044 0.707 2.05 8.90
      1 hr − 1.597 − 0.040 − 0.004 − 0.145 0.030 0.003 0.114 0.652 1.58 10.39
      10 hr − 2.078 0.001 0.002 0.070 − 0.008 0.005 − 0.016 0.358 1.33 8.80
      100 hr − 2.349 − 0.005 0.004 0.046 0.001 0.004 0.007 0.357 0.91 7.88
    • 一天当中,可燃物含水率呈现出规律性变化。模型预测含水率和实测含水率呈现出相同的变化规律,上午06:00—08:00时,随着太阳辐射增加,相对湿度开始降低,温度快速增加,含水率下降明显。12:00—14:00时左右降到最低,此时,森林火险最高,遇上大风天气时发生火灾的可能性显著增加。随后温度降低,相对湿度升高,含水率缓慢增加。整个夜间温度偏低,空气中水分子遇冷凝结吸附在可燃物表面,此时含水率相对较高,发生森林火灾的可能性最小。

      不同树种平均可燃物含水率日变化幅度差异明显,变化特征不同。从模型预测含水率(图4)分析可知,榆树平均可燃物含水率相对于一天中含水率最大值减少了28.73%,相对降低最大,刺槐和侧柏相对减少均超过20%,而五角枫、油松和槲栎平均可燃物含水率相对降低较小,均在16%以下。实测含水率相对降低幅度超过20%从大到小依次为榆树、刺槐、侧柏。不同种类的可燃物含水率日变化幅度差异明显,变化特征不同。榆树枯叶、刺槐枯叶、侧柏枯叶变化范围最大,分别是18.51%、12.40%、9.42%,实测含水率变化范围为20.98%、13.91%、8.62%;侧柏枯枝10 hr、五角枫枯枝100 hr、油松枯枝100 hr变化范围很小,一天内变化幅度在1%以内(实测含水率变化幅度在1.5%以内),基本保持不变。

      图  4  不同树种不同种类可燃物含水率日变化预测

      Figure 4.  Diurnal variation prediction of fuel moisture content of different tree species and different fuel types

    • 不同树种不同种类可燃物含水率在防火期时间尺度上的变化规律性明显。模型预测含水率和实测含水率呈现出相同的变化规律。此处以模型预测含水率(图5)分析,可知榆树和侧柏变幅较大,而油松和五角枫变幅较小。不同种类可燃物含水率变化幅度规律和可燃物含水率日变化相似,也表现出枯叶和枯枝1 hr的变化幅度普遍大于枯枝10 hr和枯枝100 hr的变化幅度。特别是枯枝100 hr,在整个防火期内表现出小幅缓慢的变化规律。

      图  5  不同种类不同树种可燃物含水率防火期变化预测

      Figure 5.  Variation prediction of fuel moisture content of different tree species and different fuel types during fire prevention period

      在防火期内,可燃物含水率呈现出先上升后下降的趋势。模型预测含水率和实测含水率呈现出相同的变化规律,具体来看,11月可燃物含水率较低,但不同树种不同种类含水率表现出缓慢增加的趋势,到12月底达到峰值并缓慢降低,3—4月含水率急速下降到达最低点。这是因为北京秋季持续干燥少雨,空气湿度相对较低,且大风天气多,而冬季温度低,有积雪覆盖,相对湿度大,可燃物含水率保持较高状态。3月份温度回升,空气干燥,风速较大,可燃物含水率迅速下降达到全年最低,可燃物含水率在10%以下的高危火险天数增多。

    • 不同树种可燃物含水率研究结果表明,可燃物平均含水率从高到低分别为:栓皮栎、槲栎、榆树、刺槐、五角枫、侧柏、油松、落叶松。整体表现为阔叶树的含水率大于针叶树含水率。选择防火树种时应该先选择可燃物含水率较高的栓皮栎、槲栎、榆树和刺槐等阔叶树。油松、侧柏和落叶松等树种的含水率较低,落叶松分布地区海拔较高,多为人工纯林,林内可燃物载量大,发生火灾时扑救难度增大。目前,这些易燃树种在北京地区分布广泛,在日常管理中,应加大对此类易燃林的管理。

      枯叶含水率较高,变化幅度最大。枯枝含水率随着径级增大而减小,变化幅度随着径级的增加而减小。这充分说明对可燃物含水率分类分级单独研究的重要性。径级越大受气象因子持续影响时间越久,表现为枯枝10 hr和枯枝100 hr受前期气象因子影响程度较大,说明枯枝径级越大,可燃物含水率受到前期气象因子影响越大。本研究以不同树种不同种类为对象,分别选择影响较大的6个不同气象因子,逐个建立预测模型,所有模型通过相关检验指标,效果良好,可以实际运用。

      可燃物含水率在不同时间尺度上差别很大。可燃物含水率日变化表现为夜间高白天低,夜间稳定白天变幅大,06:00—08:00达到最大值,而后急剧下降,14:00左右达到全天最低值。从整个防火期分析,可燃物含水率在11月和次年3—5月较低,特别是次年3—4月,可燃物含水率在达到全年最低,大部分达到10%以下,且持续时间较长。北京春季干燥,温度升高,大风天气较多,白天可燃物含水率达到很低的状态,森林火险等级较高,应加强管理。

      从8个树种可燃物平均含水率排序来看,这和以往研究所得出的结论有些差别。经过进一步的分析,我们认为可能的原因主要如下:首先,样品采样过程中存在差异,特别是枯枝100 hr,直径范围为2.5 ~ 7.6 cm,整个实验也表明,可燃物含水率的大小受直径影响显著。其次,本次采样的地点是北京妙峰山林场,由于该地属于森林火灾重点预防单位,所以对可燃物管理管理较为严格,采集的样品多为当年掉落的枯枝,这相对于其他陈年枯落叶含水率不同。

      可燃物含水率是结合树种特性和特定环境下的综合结果,由内部因素和外部因素共同构成。研究也发现可燃物含水率变化幅度主要受树种自身特征影响的趋势,但具体影响机制还需进一步研究。实验中,采集的枯叶样品要求叶片完整,称质量过程中做到轻拿轻放,并且选用缝隙小的尼龙袋,使整个实验很少有损耗;此外,样品的质量在200 g以上,微小的损失对实验影响不大。尽管实验分析比较严格,但由于同一树种所测试的样本难以保证完全一致,控制实验难度大,也会影响到实验结果。

参考文献 (30)

目录

    /

    返回文章
    返回