-
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 ~ n，Hi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 squaresF 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
Total8 374.050 1 086 从表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%。
从表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 squaresF 显著性
Significance组间
Intergroup11 085.522 3 3 695.174 554.101 0 组内
Intragroup3 594.471 539 6.669 总计
Total14 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 hours0.498** 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 hours0.355** 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 hours0.507** 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 hours0.378** 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，%；T、H、V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；b0、b1、b2、b3、b4、b5、b6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 Type b0 b1 b2 b3 b4 b5 b6 R2 MAE MRE 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。
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。 Abstract:ObjectiveThe forest fuel moisture content has great impact on the occurrence and spread of forest fire, particularly important on the fire behavior, and its prediction forecast models have significant effects on predicting forest fire and forest fire behavior. MethodThrough the continuous determination of dead fuel moisture content of 8 kinds of forest trees in Beijing area during the period of fire prevention, we researched the relationship between fuel moisture content and the current and previous meteorological data, and established the prediction models by selecting the meteorological factors, which has great influence on the fuel moisture content. On this basis, we quantitatively analyzed the diurnal variation and fire protection period variation of the fuel moisture content. ResultThe fuel moisture content of different tree species was significantly different, from descending order was Quercus variabilis, Q. aliena, Ulmus pumila, Robinia pseudoacacia, Acer truncatum, Platycladus orientalis, Pinus tabuliformis, Larix principis-rupprechtii. And the fuel moisture content of different types was also significantly different. Generally the broadleaf tree’s fuel moisture content was higher than that of coniferous trees, and the fuel moisture content of dead leaves and 1 hr dead branches were higher than 10 hr and 100 hr. That of 1 hr of dead branches was mainly affected by the current meteorological factors, while that of 10 hr and 100 hr of dead branches were affected by the early meteorological factors. The test indexes of 32 linear prediction models showed that the fitting effect was perfect. The diurnal variation of the fuel moisture content was higher and more stable at night, lower and varied greatly during the day, which peaked at 06:00−08:00, then dropped sharply, and later reached the lowest value at about 12:00−14:00. During the fire protection period, the fuel moisture content showed a trend of rising first, then decreasing. It was low in November but increased slowly and reached a high level from December to January of the following year. From early March to the end of April, the fuel moisture content kept a very low level. ConclusionHigh-precision prediction methods of different tree species and among different fuel types could offer theoretical support for forest fire prevention, which can be used in practice. In March and at noon time in Beijing, it,s windy, drying and hot and the fuel moisture content is low, so the fire management should be reinforced in such a fire danger period. -
Key words:
- fuel moisture content /
- period of fire prevention /
- prediction model /
- change rule
-
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 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 squaresF 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
Total8 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 squaresF 显著性
Significance组间
Intergroup11 085.522 3 3 695.174 554.101 0 组内
Intragroup3 594.471 539 6.669 总计
Total14 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 hours0.498** 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 hours0.355** 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 hours0.507** 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 hours0.378** 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 Type b0 b1 b2 b3 b4 b5 b6 R2 MAE MRE 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. -
点击查看大图
图(5) / 表ll (5)
计量
- 文章访问数: 1584
- HTML全文浏览量: 117
- PDF下载量: 22
- 被引次数: 0
