我国气象要素回归法预测地表可燃物含水率研究进展

地表可燃物含水率预测方法中气象要素回归法相对简单实用,其针对特定区域可燃物含水率预测结果准确并且适用性强。本文基于1988-2017年我国各个地区地表可燃物含水率研究现状,对我国东北地区,西南地区可燃物含水率、可燃物类型进行统计分析,主要概述了森林类型、可燃物类型、气象因子、取样数据及取样方法,并对未来我国回归法预测可燃物含水率研究发展动向进行了展望。

兴安落叶松林地表可燃物含水率预测模型的研建

对大兴安岭落叶松林地表可燃物含水率影响因子进行分析,选取主要的环境因子,为该区域内林火管理工作提供重要的理论依据。利用软件SPSS Clementine12.0,将相对湿度、地表温度、空气温度作为输入神经元,将兴安落叶松林地表可燃物含水率作为神经网络输出神经元,建立基于BP神经网络的含水率模型。应用BP神经网络模型敏感度分析结果来评定环境因子对兴安落叶松林地表可燃物含水率影响的大小,分析表明,影响兴安落叶松林地表可燃物含水率的主要环境因子由小到大排序为:相对湿度、地表温度、空气温度。构建的兴安落叶松林地表可燃物含水率BP神经网络模型对该区域内的林火管理工作具有一定的借鉴意义。

森林地表死可燃物含水率预测模型研究进展

林火是影响森林生态系统的重要因子之一,林火蔓延和发展深受森林可燃物含水率的影响,尤其是林火的发生直接受地表死可燃物含水率的影响。因此,准确预测森林地表死可燃物含水率是预报森林火险和火行为的关键,加强森林死可燃物含水率预测模型研究尤为重要。从森林可燃物含水率的研究方法、研究模型及模型精度3方面综述研究现状,并对比评价现有模型。针对目前研究的诸多问题,提出5点展望:1)加强研究重点火险区野外含水率动态。利用已有的森林火险因子采集站和森林火险监测站获取不同环境因子和可燃物含水率及气象因子监测数据,构建重点火险区基于气象参数的森林可燃物含水率预测模型。2)加强森林可燃物的基础数据监测和收集。这可为全面构建森林火险等级系统奠定坚实的数据基础,同时还应建立精准的森林可燃物类型划分体系。3)加强研究可燃物含水率的空间异质性。应考虑不同影响因子下可燃物含水率动态,特别是了解小尺度内森林可燃物含水率的空间异质性,才能更准确进行林火预测预报。4)结合应用增强回归树(BRT)方法来提高模型精度。在可燃物含水率模型精度影响因子的研究中,运用BRT方法多次随机抽取一定量的数据,量化分析不同因子对模型精度的影响程度。5)结合GIS进行大尺度火险预警研究。综合应用RS和GIS技术,建立可燃物含水率的遥感反演模型,在准确模拟森林可燃物含水率空间分布的基础上,建立基于可燃物含水率的不同火险等级的预测模型。

哈尔滨城市林业示范基地5种典型人工林地表死可燃物含水率的预测

在哈尔滨城市林业示范基地内,以白桦、黑皮油松、蒙古栎、水曲柳、兴安落叶松等5种典型人工林为研究对象,将地表死可燃物含水率作为独立因子,与林内相关性显著的气象因子进行回归分析,采用气象要素回归法和随机森林法建立含水率预测模型,并对两种预测方法的模型误差进行分析。结果表明:5种典型人工林地表死可燃物含水率均与温度、相对湿度、前12 h降水量极显著相关,其中蒙古栎林与太阳辐射紫外光有显著关系,兴安落叶松林与风速有显著关系;气象要素回归法的平均绝对误差和均方根误差范围分别是12.67%~21.36%和18.07%~49.23%,随机森林法的平均绝对误差和均方根误差范围分别是8.35%~9.50%和15.71%~19.48%。两种方法建立气象要素的地表死可燃物含水率预测模型,对于白桦、蒙古栎和水曲柳预测精度较差,黑皮油松和兴安落叶松预测精度较高。对比气象要素回归法,随机森林法预测准确性更高,不同林分之间误差更小。

基于卷积神经网络及气象要素回归法的地表死可燃物含水率预测模型

地表可燃物含水率是森林火险等级和火行为变化的重要指标,其预测模型对于火险预测、火灾管理等具有显著作用。本研究基于蒙古栎及樟子松林地的野外气象因子以及地表死可燃物含水率数据,进行气象因子随机森林相对重要性排序以及皮尔逊相关性分析,并使用深度学习中的卷积神经网络以及气象要素回归法预测可燃物含水率。结果表明:野外蒙古栎的可燃物含水率显著高于樟子松。随机森林结果表明,对于可燃物含水率具有显著作用的因子排列顺序从大到小为湿度、温度、降雨、风速、太阳辐射;相关性分析表明,当日的温度、湿度、降雨对于可燃物含水率具有显著影响,同时,气象因子之间也存在一定的相关性。卷积神经网络模型对于蒙古栎及樟子松林地表可燃物含水率的预测R~2分别为0.928、0.905,平均绝对误差(MAE)分别为6.1%、8.1%,平均相对误差(MRE)分别为8.9%、4.2%;气象要素回归法的R~2分别为0.495、0.525,MAE分别为30.5%、39.5%,MRE分别为52.1%、32.6%,卷积神经网络模型精度显著高于气象要素回归法。研究表明,深度学习的卷积神经网络能够为今后的可燃物含水率预测提供一定借鉴,可为更高水平的林火管理提供有效技术支撑。

赣南马尾松林地表细小死可燃物含水率动态及模型

[目的]建立森林地表细小死可燃物(枯落叶、细枯枝、枯草等)含水率预测模型,预警区域森林火灾引燃的可能性及其潜在火行为。[方法]基于野外长期定位观测的赣南地区典型植被类型马尾松林地表细小死可燃物含水率数据,在不同地形条件和时间段进行气象因子随机森林相对重要性排序和皮尔逊相关性分析,建立地表细小死可燃物含水率随机森林模型和气象要素回归模型,比较不同模型精度指标,筛选适合赣南地区的森林火灾预测模型。[结果]赣南地区马尾松林地表细小死可燃物含水率具有明显变异性,阴坡含水率显著高于阳坡,在防火期初期最明显。地表细小死可燃物含水率与各气象要素(温度、相对湿度、风速、光照强度)具有极显著相关性(P<0.001);随机森林模型预测精度高于气象要素回归模型,阴坡2种模型精度均高于阳坡;具有滞后效应的光照强度因子对地表细小死可燃物含水率影响最大,影响地表细小死可燃物含水率的关键因素在阳坡是相对湿度、阴坡是风速。[结论]具有滞后效应的气象因子对赣南地区马尾松林地表细小死可燃物含水率有显著影响,考虑增加这些因素能更好预测地表细小死可燃物含水率变化,为火险预警提供可靠依据。