昆明典型地表死可燃物含水率預測模型的研究

金 森，周 勇

（東北林業(yè)大學 林學院，黑龍江 哈爾濱 150040）

昆明典型地表死可燃物含水率預測模型的研究

金 森，周 勇

（東北林業(yè)大學 林學院，黑龍江 哈爾濱 150040）

云南省是我國重點火險區(qū)，準確預測該省可燃物含水率對于提高火險預報準確性十分必要。在2013年防火期，通過對昆明地區(qū)8個林分地表凋落物可燃物含水率的連續(xù)觀測，分析了其動態(tài)變化規(guī)律和影響因子，并采用氣象要素回歸法、FWI法和兩種方法混合建立了相應的死可燃物含水率預測模型。這些模型采用的預報因子都是現(xiàn)有常規(guī)氣象站方便觀測的氣象要素，模型誤差在同類研究的控制水平內，可以在該地區(qū)的森林火險預報中直接應用。對于＜35%的可燃物含水率的預測，采用混合模型的誤差最小，考慮到計算的方便，實際中可以使用氣象要素回歸模型，平均絕對誤差（MAE）2.1%～6.0%，平均3.6%；平均相對誤差（MRE）11.4%～32.7%，平均21.3%。如果考慮降雨后的可燃物含水率，即全部范圍的可燃物含水率的預測，三種模型沒有顯著差異，為計算方便，仍建議采用氣象要素回歸模型，MAE 8.2%～14.2%，平均10.6%；MRE 48.7%～91.3%，平均值61.4%。FWI指標與地表死可燃物含水率有關，但不如氣象要素那么緊密。

林分地表死可燃物；含水率； Fire Weather Index(FWI) ; 模型；昆明

森林可燃物是森林燃燒的物質基礎，地表死可燃物含水率直接影響森林燃燒的難易程度和林火行為[1-3]。對死可燃物含水率的預測，是做好火險天氣預報和火行為預報的關鍵[4-13]。云南省地形地勢復雜、可燃物類型多樣、森林小氣候差別大，這些與當?shù)厣a生活用火的多樣性和復雜性，造成了云南省林火行為的復雜性和森林防火任務的艱巨性。建立該省準確的森林可燃物含水率預測模型十分必要。李世友、舒清態(tài)等[14-15]建立了包含調落物層地表溫度、腐殖質層表面溫度等為預測因子的云南松和華山松林地表可燃物無降雨條件下的含水率線性預測模型，具有較好的精度。但凋落物層地表溫度、腐殖質層表面溫度不是氣象站的常規(guī)觀測因子，一般不易得到數(shù)據(jù)，限制了這些模型的應用。而且，該模型針對沒有降雨時的可燃物含水率，沒有考慮降雨的影響，從含水率范圍上看不完善。另，云南森林類型眾多，這些研究只研究了兩個最重要的林分類型，其他一些比較重要的林分的可燃物含水率還沒有研究，而可燃物含水率受林分類型影響強烈，應針對這些類型分別建立含水率預測模型。因此，對于云南省，針對更多林型的，建立以容易測定的氣象站常規(guī)觀測因子為預測變量，考慮降雨、覆蓋更寬含水率幅度的地表可燃物含水率預測模型十分必要。

為此，我們以昆明市多個典型林分的地表死可燃物為研究對象，研究了用氣象站常規(guī)觀測因子，包括降雨，來預測更大范圍的地表死可燃物含水率的方法和模型。方法上主要選擇易于應用且有一定精度的氣象要素回歸法和時滯平衡含水率法[16]。其中時滯和平衡含水率法采用加拿大系統(tǒng)的森林火險天氣指標系統(tǒng)（FWI）[17]。通過本研究，一方面建立該區(qū)域的適用的可燃物含水率預測模型并分析這些方法的誤差情況，另一方面來評價FWI指標在昆明地區(qū)的適用性[18-23]。

1 研究方法

1.1 研究地區(qū)介紹

研究地區(qū)位于昆明市大凹子村 (25°05′55″N，102°50′3″E)。昆明地處云貴高原中部，海拔高度1891m，三面環(huán)山，南臨滇池，四季如春，干濕季分明，屬低緯高原山地季風氣候。全年晴天較多，日照數(shù)年均2 445.6 h，日照率56%，紫外線強，全年降水量約1 031 mm，相對濕度為74%，全年無霜期在240 d以上，加之雨量適中，土壤較肥沃，地下水位較高，有利于大多數(shù)植物生長。常見的喬木樹種有：華山松Pinus armandi、云南松Pinus yunnanensis、圓柏Sabina chinensis側柏Biota orientalis等。灌木主要有：云南楊梅Myrica nana A.Cheval、滇南杜鵑（Rhododendron hancockii Hemsl、南天竹Nandiana domestica等。草本主要有：車前草Plantagoasiatica L、十字馬唐Digitaria cruciata、過路黃Lysimachia christinae Hance和路邊青Geum aleppicum Jacq等。

1.2 野外試驗

1.2.1 樣地設置

選取云南松林、華山松林和圓柏林的不同坡向、坡位樣地，共8塊。其中華山松3塊，云南松純林1塊，云南松混交林3塊，圓柏林1塊。同一樹種的林分選擇多個樣地是為了便于分析郁閉度等林分特征對可燃物含水率的影響。在每個林分內設立20 m×20 m的樣地，做常規(guī)調查。樣地信息參見表1。

1.2.2 野外試驗

在2013年2月27日～5月31日（共94天，昆明的防火期），每日13時左右在每塊樣地取地表凋落物4份，每份50 g左右，稱鮮重后裝入密封袋，帶回室內入烘箱內105℃連續(xù)烘干24 h至絕干，記錄絕干質量。

在云南松樣地內設置一個HOBO自動氣象站，每隔30 min采集一次空氣溫度、空氣濕度、風速、降雨量。

表1 樣地信息Table1 Characteristic information of sample plots

1.3 數(shù)據(jù)處理和分析

1.3.1 死可燃物含水率計算與統(tǒng)計

按下式計算可燃物含水率含水率：

式中：M為物種死可燃物含水率(%)；Fm和Dm分別為物種的鮮質量(g)和干質量(g)。取4個樣本含水率的平均值作為該調落葉含水率的實測值。

纖維的飽和含水率一般為35%，超過35%的可燃物床層出現(xiàn)自由水，受降雨和凝露等影響。且一般可燃物的滅絕含水率在35%[24]。所以將含水率數(shù)據(jù)分為小于35%和全部含水率數(shù)據(jù)兩類。進行基本統(tǒng)計分析，給出統(tǒng)計特征。

1.3.2 FWI指標的計算

FWI系統(tǒng)有6個輸出參數(shù)：細小可燃物濕度碼(FFMC)、半腐層濕度碼(DMC)、干旱碼(DC)、初始蔓延速度(ISI)、可燃物累積指數(shù)(BUI)、火險天氣指數(shù)(FWI)。這些指標按文獻計算[17]。FFMC、DMC和DC的初始值按冬季沒有顯著積雪覆蓋的地區(qū)計，即當連續(xù)3天的日平均氣溫達到或超過6℃后開始計算，F(xiàn)FMC=85，DMC為上次降水到現(xiàn)在的日數(shù)的2倍，DC值為上次降水到現(xiàn)在的日數(shù)的5倍。因此，本研究FFMC、DMC和DC的初始值分別為85、90和225。

1.3.3 可燃物含水率影響因子分析

對可燃物含水率有影響的因子有兩類：一是氣象因子，包括當日和前一、二日的日最高氣溫（℃）、日平均氣溫（℃）、13時溫度（℃）、日平均濕度（%）、風速（m·s-1）、降雨量（mm），二是FWI系統(tǒng)的六個指標。溫度記為TM-X，相對濕度H-X，平均風速W-X，降雨量R-X。各變量下標中：M為MAX、A或13，分別表示最高、平均和13時；X為0、1和2，分別表示當日和前一、二日。前2、5和10天的降雨量總和（mm），分別記為R2、R5和R10；最近一次降雨量（mm），記為R；連旱天數(shù)（day），記為D。分別以＜35%含水率和全部含水率數(shù)據(jù)，計算可燃物含水率與這些因子之間的Pearson相關系數(shù)，從而分析各因子對死可燃物含水率的影響。顯著水平設定為0.05。

1.3.4 可燃物含水率預測模型的建立

對于每一個林分的可燃物，將兩類含水率數(shù)據(jù)分別按4∶1的比例隨機分為兩組，其中較多的一組數(shù)據(jù)用來建立模型。利用SPSS軟件，分別以氣象因子、FWI6個指標和混合因子（氣象因子+FWI指標）為預測變量，采用逐步回歸的方法[25]建立該林分的地表死可燃物含水率三種多元線性預測模型，分別稱為氣象要素回歸模型、FWI模型和混合模型。共建2×3×8=48個模型。用較少的一組數(shù)據(jù)驗證模型，按下式計算平均絕對誤差(MAE)和平均相對誤差(MRE)，并做出實測值與預測值的對比散點圖。用t檢驗比較三類模型間的預測誤差差異顯著性。

式中：Xi、Xj分別為死可燃物含水率的實測值和預測值，%；n為驗證數(shù)據(jù)樣本數(shù)。

2 結果與分析

2.1 可燃物含水率、氣象因子和FWI濕度碼的統(tǒng)計特征

表2給出了研究期間地表死可燃物含水率、氣象要素和FWI三個濕度碼的統(tǒng)計特征?？扇嘉锖蕪?.8%到144.4%。25%和75%的分位數(shù)反映了研究地區(qū)可燃物含水率在防火期內多數(shù)比較干燥，從25%的分數(shù)位上看，有1/4的時候很干燥，低于11.0%。氣象要素和濕度碼也反映了研究地區(qū)的典型天氣條件。

表2 可燃物含水率、氣象要素和FWI濕度碼的統(tǒng)計特征Table2 Statistics features of fuel moisture content, meteorological elements and FWI moisture codes

2.2 地表死可燃物含水率的影響因子

表3、4分別給出了不同含水率情況下，地表死可燃物含水率與影響因子之間的Pearson相關系數(shù)。表中所列出的影響因子，至少與一種死可燃物含水率相關，與所有死可燃物含水率均不相關的，未列入表中。

表3 死可燃物含水率（＜35%）FWI輸出因子和氣象因子的Pearson相關系數(shù)Table3 Pearson correlation coefficients for FWI output factors and meteorological factors of dead fuel moisture content (＜35%)

表4 全部死可燃物含水率FWI輸出因子和氣象因子的Pearson相關系數(shù)Table4 Pearson correlation coefficients for FWI output factors and meteorological factors of all dead fine fuel moisture content

當含水率小于35%時，與8個林分的死可燃物含水率都顯著相關的變量有當日、前一、和二日平均濕度、13時溫度、最高溫度和前5天降雨量，與多數(shù)（5～7個）林分可燃物含水率顯著相關的有ISI、DC、FWI、當日降雨量、最近一次降雨量、當日平均溫度和平均風速，與較少（3～4個）林分可燃物含水率相關的有前一日最高溫度和前2、10天降雨量和；而DMC、BUI、前一日降雨量和連旱天數(shù)僅與個別（1～2個）林分的可燃物含水率相關。對于全部含水率數(shù)據(jù)，與全部死可燃物類型顯著相關的有當日和前一日的平均濕度、當日和前一日、前二日的平均溫度、最高溫度、13時溫度，降雨量，干旱碼。其中前二日平均濕度、當日降雨量當日和前一日13時溫度和最高溫度與全部可燃物類型最為緊密。

表5 地表死可燃物含水率預測模型的參數(shù)和檢驗Table5 Parameters and statistical test of prediction models established using moisture content of forest combustible

2.3 地表死可燃物含水率預測模型及比較

表5給出了8個不同林分情況下地表死可燃物含水率預測模型的參數(shù)和檢驗。在含水率小于35%和全部含水率情況下，所有預測模型均顯著，說明模型可用。

對于三種模型，F(xiàn)WI模型使用最多的變量是FFMC、DC和ISI，16個模型中分別使用了10、12和13次；氣象要素回歸模型使用最多的變量是當日和前一日平均濕度，16個模型分別使用9和11次，其次是當日降雨量和最高溫度，各使用7次；混合模型中使用最多的是當日和前一日平均濕度，均為12次，其次為當日降雨量和當日最高溫度，均為8次，再次為最近一次降雨量，為6次。其它因子在預測模型中出現(xiàn)次數(shù)相對較少。表3和4中其它與可燃物含水率密切相關的因子沒有出現(xiàn)在模型中是因為這些因子與進入模型的因子具有一定的相關性，其對含水率的作用通過進入模型的因子所體現(xiàn)。

續(xù)表 5The contiuation of table 5

含水率小于35%時，F(xiàn)WI預測模型可解釋9%-26.8%的可燃物含水率變差，模型雖然顯著，但解釋變差相對弱一些。其MAE為3.1%-5.4%，平均4.5%；MRE 20.4%～37.4%，平均28.0%。氣象要素回歸模型可解釋53.7%～79.8%的可燃物含水率變差，MAE 2.1%～6.0%，平均3.6%；MRE 11.4%～32.7%，平均值21.3%。混合預測模型可解釋53.7%～87.2%的含水率變差，MAE2.1%～5.9%，平均3.5%；MRE 12.4%～29.6%，平均20.4%。

全部含水率時，F(xiàn)WI預測模型可解釋16.8%～26.5%的可燃物含水率變差，其MAE為8.7%～15.1%，平均11.6%；MRE 52.6%～81.8%，平均63.3%。氣象要素回歸模型可解釋51.6%～67.2%的可燃物含水率變差，MAE 8.2%～14.2%，平均10.6%；MRE 48.7%～91.3%，平均值61.4%?；旌项A測模型可解釋51.6%～68.6%的含水率變差，MAE7.9%～14.2%，平均10.3%；MRE 48.7%～91.3%，平均59.7%。

表6給出了在不同含水率情況下對三類建模的誤差差異顯著性的t檢驗結果。從中可見，在含水率小于35%時，除氣象要素回歸模型與混合模型的MRE差異不顯著外，三個模型的誤差都顯著差異，F(xiàn)WI模型誤差最大，其次是氣象模型，混合模型最小。8個混合模型中，3個模型與氣象模型一樣，沒有任何FWI因子加入，其他5個有FWI指標加入的混合模型，其MAE于氣象模型相比，改進的很小。這表明，對于＜35%的含水率預測，增加FWI指標雖然能夠改進部分林分可燃物含水率的預測精度，但十分有限。對于可燃物全部含水率而言，三類模型的兩類誤差差異都不顯著，其中FWI和混合模型接近差異顯著。這說明，對于由降雨影響的含水率預測，三種方法沒有實質的區(qū)別。

圖1和2分別給出了所有含水率小于35%數(shù)據(jù)和所有含水率數(shù)據(jù)三種建模的預測實測值對比情況。由圖1可見，F(xiàn)WI模型以15%含水率為臨界，低于臨界時對含水率預測偏高，高于臨界時則含水率預測偏低，且預測結果誤差很大。氣象要素回歸模型和混合模型的散點圖分布上大致相同，這說明這兩類模型的預測效果相近(一些林分的兩類模型是一樣的)，在含水率＜25%范圍內，散點均勻地分布在直線兩側，預測效果較好，但通過散點到直線的截距來看，氣象要素預測模型要優(yōu)于混合預測模型。圖2中直線為y=x，對于全部含水率數(shù)據(jù)，F(xiàn)WI模型預測低含水率是預測偏高，高含水率時預測偏低。氣象要素回歸模型同樣，但高含水率階段偏高和偏低比較均衡，表示模型的無偏性較好，而混合模型在高低含水率都具有較好的無偏性。

表6 兩類含水率情況下三類預測模型成對樣本的t檢驗Table6 T-test of paired samples of three kinds of prediction models of two kinds of moisture content

圖1 所有含水率小于35%數(shù)據(jù)三種模型的預測實測值對比Fig.1 Comparisons of measured and computed fuel moisture values (＜35%) by three type models

圖2 全部含水率數(shù)據(jù)三種方法單獨建模（交叉驗證）的預測實測值對比Fig.2 Comparisons of measured and computed fuel moisture values (full moisture range) by three type models

3 結論與討論

對昆明市典型可燃物含水率與氣象要素等影響因子的逐步回歸分析表明，對于＜35%的可燃物含水率的預測，采用混合模型的誤差最小，但由于8個林分中3個林分的混合模型與氣象模型一致，另外5個混合模型比氣象模型誤差沒有改進很多（誤差減少不超過0.2%），考慮到計算的方便，實際中可以使用氣象要素回歸模型，MAE 2.1%～6.0%，平均3.6%；MRE 11.4%～32.7%，平均值21.3%。如果考慮降雨后的可燃物含水率，即全部范圍的可燃物含水率的預測，三種模型沒有差異，為計算方便，仍建議采用氣象要素回歸模型，MAE 8.2%～14.2%，平均10.6%；MRE 48.7%～91.3%，平均值61.4%。

FWI系統(tǒng)的一些指標與云南典型地表死可燃物含水率相關，以這些指標建立的線性可燃物含水率回歸模型有效，表明FWI系統(tǒng)適用于該地區(qū)可燃物含水率預測，但需要進行本文這樣的線性修正。但對于＜35%的含水率預測，其效果不如更簡單的氣象要素模型，但對于全部范圍的可燃物含水率預測而言，其效果雖與氣象要素回歸法差異不顯著，但兩者結合能夠有限地改進預測精度?？紤]計算的簡單性，對于昆明市的可燃物，氣象要素回歸法優(yōu)勢最大。FWI方法雖然沒有特別優(yōu)勢，但如果考慮建立與其他省區(qū)結構相似的可燃物預測模型，則FWI方法可作為一個選擇。

李世友、舒清態(tài)[14-15]所建立的華山松林分可燃物含水率預測模型的平均MAE為2.0%，MRE平均8.1%，其云南松林分含水率模型的MAE均值3.5%；MRE均值14.3%。本文所建模型的誤差高于他們。主要原因是他們的模型采用可燃物表面溫度作為預測因子，能夠更好地反應可燃物的干濕程度。本研究采用的是氣象站溫濕度，與可燃物表面溫濕度有一定差異。如果將氣象站溫度和濕度轉換成地表可燃物的溫濕度，如Slijepcevic等[26]所做，可能提高模型的精度，但需要建立針對這些可燃物類型的專門的轉換模型，這是今后應加強的工作。

本研究模型與文獻中同類模型的誤差具有一定的相似性。對于FWI模型，Simard等[27]用FWI預測凋落物含水率的誤差為16.5%，Chrosciewicz[28]對FWI修正的模型誤差為16-18%。本文中FWI模型的MAE平均11.6%，比這些模型還要低一些。對于氣象要素回歸模型，國內外很多氣象要素回歸模型沒有直接給出誤差，難以進行全面的比較。Ruiz等[29]建立的含水率＜30%的氣象要素回歸模型，其MAE為1.32%，本研究對于＜35%的氣象要素回歸模型的平均MAE為3.5%，高于該模型，可能的原因是前者的樣本只有49個，含水率＜30%而不是35%，且模型參數(shù)多。

雖然本研究模型比該地區(qū)李世友、舒清態(tài)[14-15]所建立的模型的誤差大一些，但本文模型采用的都是通過現(xiàn)有的常規(guī)氣象站方便觀測的氣象要素，且其誤差在同類研究的控制水平內，因此，可以在該地區(qū)的森林火險預報中直接應用。無降雨時，可采用＜35%含水率模型，有降雨時，則采用全部數(shù)據(jù)模型。

2.3 中進入模型的氣象因子主要是溫度和濕度，其次是降雨。風速沒有顯式地出現(xiàn)在模型中，表3和4中風速與＜35%的8個林分中的5個的可燃物含水率相關，但對于全部可燃物含水率，只有1個林分的含水率與之相關。這與其他研究的結果相似，風雖然對可燃物變干有影響，但林分內風速與氣象站的風速有差異，且風速變化較大，因此，其對含水率的影響不如溫濕度明顯。

對于氣象要素回歸法，能夠反映可燃物采樣地微氣象條件的氣象數(shù)據(jù)是提高模型精度的關鍵。李世友、舒清態(tài)[14-15]模型的誤差較小就是實證。Aguado等[30]指出，氣象站數(shù)據(jù)的不足是產生誤差的重要原因。氣象站的所處位置與樣地之間的距離遠近、地形和林型的變化、樹冠的遮擋程度，使氣象站記錄的數(shù)據(jù)與采集樣地的實際情況有一定偏差，甚至出現(xiàn)氣象站記錄的降雨很大，但采樣地受樹冠遮陰等影響，部分樣地的凋落物含水率增加不大，使得有降雨情況下的可燃物含水率預測誤差增加，也是全部數(shù)據(jù)建模誤差大的重要原因。對雨后可燃物含水率的動態(tài)變化應加強研究。

[1] 馬麗華, 李兆山. 大興安嶺6種活森林可燃物含水率的測試與研究[J]. 吉林林學院學報, 1998, 14(1):21-23.

[2] Reifnyder W E. Seasonal variation in the moisture content of the green leaves of mountain laurel[J]. Forest Science,1961,7:16- 23.

[3] 徐麗華. 地被可燃物與林型火險等級劃分[J]. 遼寧林業(yè)科技,2001, (6):3-6.

[4] 邸雪穎, 王宏良. 林火預測預報[M]. 哈爾濱: 東北林業(yè)大學出版社, 1993.

[5] Rothermel R C, Wilson R A, Morris G A, et al. 1986. Modeling moisture content of fine dead wildland fuels: input to the behave fire prediction system[N]. United States Department of Agriculture, Forest Service, Research Paper INT-359.Intermountain Research Station, Ogden, Utah, 61.

[6] 單延龍, 劉乃安, 胡海清, 等. 涼水自然保護區(qū)主要可燃物類型凋落物層的含水率[J]. 東北林業(yè)大學學報, 2005,33(5):41-43.

[7] 何忠秋, 張成鋼, 牛永杰. 森林可燃物含水率研究綜述[J].世界林業(yè)研究,1996,(5):26-29.

[8] Chuvieco E P, Aguado I P, Dimitrakopoulos A P. Conversion of fuel moisture content values to ignition potential for integrated fi re danger assessment[J].Canadian Journal of Forest Research,2004,34(11):2284-2293.

[9] Nelson R M. Prediction of diurnal change in 10-hour fuel moisture content[J]. Canadian Journal of Forest Research, 2000,30: 1071-1087.

[10] 蔡衛(wèi)紅,王曉紅,于宏洲,等.基于Rothermel模型的可燃物參數(shù)對林火行為影響的計算機仿真[J].中南林業(yè)科技大學學報,2013,33(11):34-41.

[11] 王曉紅,張吉利,金 森.林火蔓延模擬的研究進展[J].中南林業(yè)科技大學學報,2013,33(10):69-78.

[12] 賈鵬超,曲智林,馬普龍. 基于時間序列分析的可燃物含水率預測模型[J].東北林業(yè)大學學報,2013,41(5):157-158.

[13] 孫 萍,李大偉. 10種國內森林火險計算方法的相似性研究[J].中南林業(yè)科技大學學報,2013,33(5):17-21.

[14] 李世友,舒清態(tài),馬愛麗,等.華山松人工林凋落物層細小可燃物含水率預測模型研究[J]. 林業(yè)資源管理,2009,(1):84-88.

[15] 李世友,舒清態(tài),馬愛麗,等.云南松林凋落物表層細小可燃物含水率預測模型研建[J].山東林業(yè)科技,2008,(6):25-27.

[16] 劉曦,金 森.平衡含水率法預測死可燃物含水率的研究進展[J].林業(yè)科學, 2007, 43(12):126-133.

[17] Van Wagner CE. Development and structure of the Canadian forest fi re weather index system[J]. Canadian Forestry Service,Technical Report, 1987,35-37.

[18] Wotton BK, Stocks BM, Martell DL. An index for tracking sheltered forest floor moisture within the Canadian Forest Fire Weather Index System[J]. International Journal of Wildland Fire,2005,14:169-182.

[19] 金繼忠,韓樹庭,周 薇.加拿大林火天氣指標系統(tǒng)在大興安嶺林區(qū)的試[J].森林防火,1986,(3):20-24.

[20] Stocks B J, Lynham T J. Suitability of the Canadian Forest Fire Danger Rating System for use in the Daxinganling Forestry Management Bureau Heilongjiang Province, China[R]. Report to the Ontarion Ministry of Natural Resources, JIAPRO Study Group, 1986.

[22] 王會研,李 亮,劉 一,等. 加拿大火險天氣指標系統(tǒng)在塔河林業(yè)局的適用性[J].東北林業(yè)大學學報, 2008,36(11):45-47.

[23] 王明玉.氣候變化背景下中國林火響應特征及趨勢[D].北京:中國林業(yè)科學研究院,2009.

[24] 田曉瑞, Douglas J. McRae,舒立福,等.大興安嶺地區(qū)森林火險變化及FWI適用性評估[J].林業(yè)科學,2010, 46(5)127-132.

[25] Rothermel R C.A Mathematical Model for Predicting Fire Spread in Wildland Fuels[J]. Washington DC:USDA Forest Service Research Paper,INT-115,1972(2).

[26] Komarek EV. Fire ecology: Grasslands and man[R]. Proceedings Fourth Annual Tall Timbers Fire Ecology Conference. Tall Timbers Research, Inc. Tallahassee, FL, 1965:169-220.

[27] Slijepcevic A, Anderson WR, 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.

[28] Albert J. Simard, James E. Eenigenburg, Richard W. Blank.Predicting fuel moisture in jack pine slash: a test of two systems[J]. Canadian Journal of Forest Research, 1984,14: 68-76.

[29] Z.Chrosciewicz. Prediction of forest-floor moisture content on jack pine cutovers[J]. Canadian Journal of Forest Research,1989,19: 239-243.

[30] Ruiz Gonza′lez AD, Vega Hidalgo JA, A′ lvarez Gonza′lez JG Construction of empirical models for predicting Pinus sp.dead fi ne fuel moisture in NW Spain. I. Response to changes in temperature and relative humidity[J]. International Journal of Wildland Fire, 2009,18, 71–83.

[31] Aguado I, Chuvieco E, Boren R Nieto H. Estimation of dead fuel moisture content from Meteorological data in Mediterranean areas. Applications in fire danger assessment[J]. International Journal of Wildland Fire, 2007,16:390-397.

Study on moisture content prediction model of dead surface fuels in typical stands, Kunming

JIN Sen, ZHOU Yong
(College of Forestry, Northeast Forestry University, Harbin 150040, Heilongjiang, China)

Yunnan Province is a high fi re risk region in China. It is necessary to accurately forecast fi re danger and improve the accuracy of fi re danger forecast. Successive observation of fuel moisture contents of dead surface fuels in 8 stands in Kunming, Yunnan province were conducted in 2013 forest fire prevention periods, the dynamics and affecting factors of fuel moisture content were analyzed.Moisture prediction models were established by using vapor exchange method, FWI method and method with mixed weather variables and FWI indexes. The predictors employed by the models all are the easily obtained weather variables from weather stations, and the models’ errors in the same control level within the have accuracy within the similar studies, and hence the models can be directly used application in forest fi re danger forecast in the area. For prediction of fuel moisture ＜35%, the vapor exchange models are the best choices, resulting minimal errors; By taking into account easy-to-calculate, in actual application, meteorological element regression models can be used, leading mean absolute error (MAE) 2.1%～6.0%, averaged 3.6%, leading the average relative error (MRE)11.4%～32.7%, an average of 21.3%. For predicting fuel moisture content after rain, no signif i cant difference existed among the three types of models. Considering easy computation, vapor exchange models are still the best choices with MAE 8.2%～14.2%, average 10.6%, and MRE 48.7%～ 91.3%，average 61.4%. FWI indexes are correlated with local fuel moisture but not as close as weather variables.

dead fi ne fuel on forest ground; water content; FWI; model; Kunming city

S762.3

A

1673-923X(2014)12-0007-09

2014-04-11

林業(yè)公益性行業(yè)科研專項（201204508）資助

金 森（1970-），男，教授，博士，主要從事森林防火研究；E-mail：jinsen2005@126.com

[本文編校：吳 彬]