農(nóng)林交錯區(qū)典型地表死可燃物含水率預測

金 森，李建民,2

（1.東北林業(yè)大學 林學院，黑龍江 哈爾濱 150040；2.內蒙古林業(yè)監(jiān)測規(guī)劃院，內蒙 呼和浩特 014010）

農(nóng)林交錯區(qū)典型地表死可燃物含水率預測

金 森1，李建民1,2

（1.東北林業(yè)大學 林學院，黑龍江 哈爾濱 150040；2.內蒙古林業(yè)監(jiān)測規(guī)劃院，內蒙 呼和浩特 014010）

黑龍江省平原和山區(qū)交錯帶植被受長期的人為破壞， 林相差， 人為活動頻繁， 火險等級高， 火災頻發(fā)。加強該區(qū)域可燃物含水率動態(tài)和預測研究，有利于提高火險預報準確性。以處于該交錯區(qū)的黑龍江省慶安縣典型地表死可燃物為研究對象，對其含水率和氣象要素進行了動態(tài)觀測，分析了影響含水率的因子，并以氣象要素、FWI指標及兩者的混合為預報因子分別建立了地表死可燃物含水率的預測模型。結果表明，可燃物不同含水率時，其影響因子不同，低含水率時，受濕度影響大；高含水率時，受降雨影響大。FWI指標，主要是FFMC與全范圍的含水率相關，但與≥35%的含水率相關差。該指標可用于預測全范圍的含水率，但誤差大于氣象要素回歸法，不適合降雨后的含水率預測。FWI指標與氣象要素混合建模對于絕大多數(shù)模型并沒有提高精度。氣象要素回歸模型誤差在＜35%時與FWI模型差異不顯著，但對于全范圍的含水率預測，其誤差低于后者。對于該地區(qū)除紅松林＜35%的含水率以外的地表死可燃物含水率的預測，應采用氣象要素回歸模型，MAE為2.0%～7.8%，平均5.4%；MRE為10.6%～28.1%，平均15.8%。對＜35%的紅松林含水率預測，加入FWI指標能夠改進預測精度，采用混合模型最好。

農(nóng)林交錯區(qū)；地表死可燃物；可燃物含水率；黑龍江省慶安縣

可燃物含水率是進行森林火災監(jiān)測的重要因素和確定森林火險等級的基礎[1]。可燃物含水率，特別是地表死可燃物含水率的動態(tài)預測是森林火險等級預報系統(tǒng)的核心[2]，也是森林火險天氣預報的重要內容[3-5]，也是做好火險天氣預報和火行為預報的關鍵[6-10]。

目前火險預報中常用的可燃物含水率預測方法主要有兩種[11-13]，一種是針對具體可燃物類型的預測方法，這類方法以氣象要素回歸法為代表，該方法簡單易用，但不同地區(qū)、不同可燃物類型的預測模型的結構和采用的預測因子會有所不同，需要針對每個類型建立一個預測模型，工作量大。另一種是統(tǒng)一結構框架下不同地區(qū)微調的方法。這種方法一般都是物理、半物理的方法，其中以加拿大火險天氣指標系統(tǒng)(FWI)[13]為代表。該方法普適性好，但也需要對具體地區(qū)進行適當?shù)男拚?。我國國家火險等級系統(tǒng)建設中曾引進FWI方法作為國家尺度的火險預報備用方法。但該方法在全國多數(shù)地區(qū)的適用性還沒有得到驗證，特別是FWI指標與可燃物含水率的關系還沒有在全國范圍內進行系統(tǒng)研究。

生態(tài)交錯區(qū)往往是生態(tài)脆弱的區(qū)域[14-16]，特別是受強烈擾動后的生態(tài)區(qū)，其林火環(huán)境發(fā)生了很大變化。黑龍江省松嫩平原和小興安嶺交錯的區(qū)域，原生植被受農(nóng)業(yè)生產(chǎn)和采伐等人為干擾破壞嚴重，目前多為林相不好的次生林和人工林。該區(qū)域重要的火險特征是林相殘敗，林齡小，郁閉度低，林下陽性雜草多，可燃物變干速度快，加上人為活動頻繁，易于發(fā)生森林火災，發(fā)生火災后易形成樹冠火。該區(qū)域發(fā)生多次重特大森林火災，損失嚴重，加強該區(qū)域火險預報工作是有效預防森林火災發(fā)生，減少森林火災損失的重要手段。目前還沒有對該區(qū)域可燃物含水率動態(tài)變化情況和預測模型進行研究，為此，選擇位于該交錯區(qū)內的黑龍江慶安地區(qū)的典型可燃物為研究對象，對其可燃物含水率開展相應的研究。采用氣象要素回歸法、FWI方法（時滯和平衡含水率法）以及氣象要素和FWI指標混合等三種方法，分別建立這些可燃物的含水率預測模型。主要目標是分析影響該區(qū)域可燃物含水率的因子，尋求最合適的預測方法模型，明確預測精度，從而為更準確的預測森林火險提供科學依據(jù)。同時也評價FWI指標在該區(qū)域的適用性，為建立全國統(tǒng)一的預報模式提供參考。

1 研究地概況

研究地區(qū)位于黑龍江省綏化地區(qū)慶安縣曙光林場，地處松嫩平原和小興安嶺余脈的交匯地帶，屬呼蘭河流域的中上游，127°51′20″～128°13′30″E，47°3′47″～ 47° 8′30″N。屬于低山丘陵平原區(qū)，平均海拔260 m左右，寒溫帶大陸性季風氣候。四季分明，春季多風干旱；夏季溫熱多雨；秋季溫涼適中；冬季寒冷干燥。降水集中于7～9月份，積雪期達5個月，林內雪深可達30～70 cm。年平均日照時數(shù)為2 599 h；年平均氣溫為1.69℃；無霜期128 d左右；年平均降雨量577 mm。有3個土類：草甸土、黑土、暗棕壤，以黑土為主。其中草甸土占總面積的29.3%，黑土占總面積的69.3%，砂質底暗棕壤占總面積的1.4%，黑土中尤以薄層白漿化黑土為最，占總面積的68.7%?，F(xiàn)有植被為原生植被破壞后恢復起來的次生林和人工林，人工林比例大。林相差。主要林木種類有長白落葉松Larix olgensis f. viridis、紅松Pinus koraiensis、樟子松 Pinus sylvestris var.mongolica、白樺Betula platyphylla、山楊Populus davidiana、紫椴Tilia amurensis、蒙古櫟Quercus mongolica、 胡 桃 楸 Juglans mandshurica、 水 曲柳 Fraxinus mandschurica、黃菠蘿Phellodendron amurense、 榆 樹 Ulmus pumila、 柳 樹 Salix matsudana等十余種。

2 研究方法

2.1 樣地設置

2012年在曙光林場選擇人工紅松林、白樺山楊林、蒙古櫟林、人工落葉松林、草塘5種可燃物類型。在每個類型內，分別設20 m×20 m樣地，進行常規(guī)調查，具體樣地情況見表1。

表1 樣地信息Table1 Information of sample plots

2.2 可燃物含水率和氣象因子觀測采集

2012年秋季和2013年春季防火期內，在樣地內采用破壞性采樣方法采樣。每日13時在樣地內垂直等高線取4個點，采集測定點的凋落物，稱取鮮重，記錄后裝入密封袋中，帶回室內用烘干箱（101A-3型）105 ℃下烘干24 h，再稱取干重記錄。共測量100 d的數(shù)據(jù)。同期在樣地內架設HOBO U30氣象站，每隔1 h采集溫度、相對濕度、風速、降雨量。

2.3 數(shù)據(jù)處理與分析

2.3.1 可燃物含水率計算

按下式計算各樣地個點的可燃物含水率，取4個點的平均值作為該樣地的含水率。

式中：Mi為第i天可燃物含水率(%)；Whi為第i天可燃物鮮重(g)；Wdi為可燃物干重(g)。

2.3.2 氣象數(shù)據(jù)處理及FWI指標計算

利用氣象站采集的氣象數(shù)據(jù)推算出當日最小相對濕度、當日平均相對濕度、前48小時降雨量、當日平均溫度。符號規(guī)定：H（當日13時濕度%）、H1（當日最小相對濕度%）、H2（當日平均相對濕度）R0（前24小時降雨量mm）、R1（前48小時降雨量mm）、T（當日13時氣溫℃）、T1（當日平均溫度℃）、T2(當日最高溫度℃)、S（13時風速米/秒）。

根據(jù)FWI系統(tǒng)的計算方法[17]，計算研究期間的FWI系統(tǒng)的6個指標，3個濕度碼的初始值是：FFMC=85，DMC=21，DC=15。

計算氣象因子的統(tǒng)計特征。

2.3.3 可燃物含水率影響因子相關分析

計算可燃物含水率與氣象要素、FWI指標之間的Pearson相關系數(shù)，以此來評價死可燃物含水率與不同因子間的關系，確定對含水率有影響的因子，顯著性水平設定為α=0.05。

2.3.4 可燃物含水率預測模型

纖維的飽和含水率一般為35%[18]，35%的水分交換主要是擴散過程。超過35%的可燃物床層出現(xiàn)自由水，受降雨和凝露等影響，主要是自由蒸發(fā)，與＜35%的擴散過程機理不同。將每個林分的數(shù)據(jù)分成＜35%和≥35%兩個部分以及全部數(shù)據(jù)共三個數(shù)據(jù)集，針對每個數(shù)據(jù)集分別以氣象因子、FWI 6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[19]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. 對于全部含水率數(shù)據(jù)，采用50個數(shù)據(jù)建模，用剩余的50個數(shù)據(jù)驗證。對于＜35%和≥35%的含水率數(shù)據(jù)，如果樣本較少，則采用交叉驗證法驗證。按下式計算該模型的平均絕對誤差（MAE）和平均相對誤差（MRE）：

式中：Ri和Rj分別為實測和預測的含水率（%）。

對3類模型的誤差進行t檢驗，以比較模型誤差差異的顯著性。

3 結果與分析

3.1 可燃物含水率動態(tài)和氣象因子基本特征

表2給出了實驗期間可燃物含水率動態(tài)、氣象要素和FWI指標的統(tǒng)計特征。可燃物含水率從8%到173%，覆蓋了研究地區(qū)防火期可燃物含水率的主要范圍?？扇嘉锖首罡叩目蛇_300%～400%，一般出現(xiàn)在飽和降雨后，該地區(qū)春秋兩季防火期內降雨量沒有那么大，所有可燃物含水率也不能達到300%。50%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)低于35%這個臨界含水率，但25%分位數(shù)的含水率為22.3%，說明該地區(qū)極端干燥條件并是特別多，75%的天氣條件下不容易著火或著火火勢也不大。這與采樣林分郁閉度較大有關。但草塘含水率均值19.6%，范圍為11.%～2.2%，75%分位數(shù)為22.7%。說明該地區(qū)草塘在防火期易燃，火險等級高。

3.2 死可燃物含水率影響因子分析

表3和表4給出了地表死可燃物含水率與氣象因子、FWI指標的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。

對于全范圍含水率，濕度、降雨和FFMC與可燃物含水率關系密切。ISI與可燃物含水率密切相關是因為該指標是FFMC函數(shù)與風函數(shù)的乘積。與可燃物含水率關系最密切的是降雨，特別是前一天降雨，其次是當天的濕度。溫度和風對可燃物含水率影響不顯著。當含水率＜35%，當天、前一天、兩天的濕度對5個可燃物類型含水率都有影響，降雨只對草塘含水率有影響，可能因為沒有冠層遮陰的原因。溫度只對落葉松可燃物有影響。FFMC與除白樺林之外所有樣地關系密切，其他FWI指標只與紅松林或草塘關系密切。而對≥35%的含水率，降雨是最大的影響因子，除與草塘不相關外，對其他4個林分的可燃物含水率都有影響，而濕度和溫度的影響不大。FFMC也只與少數(shù)樣地關系密切。這表明，含水率不同時，其影響因子不同，低含水率時，受濕度影響大，含水率高時，受降雨影響大。

表2 可燃物含水率和氣象要素、FWI指標的統(tǒng)計特征Table2 Statistical characteristics of fuel moisture content, meteorological elements and FWI indexes

表3 地表死可燃物全部含水率與氣象因子、FWI因子的Pearson相關系數(shù)Table3 Correlation coefficients of fuel moisture content of land surface dead fuels to FWI factors and meteorological factors

表4 地表死可燃物含水率（35%組分）與氣象因子、FWI因子的Pearson相關系數(shù)Table4 Correlation coefficients of fuel moisture content of land surface dead fuels (4 35%) to FWI factors and meteorological factors

3.3 地表死可燃物含水率預測模型

本研究三類模型共計45個，其中統(tǒng)計顯著的模型36個，一些混合模型沒有FWI指標加入，與氣象要素回歸模型相同，去掉這些相同的，最后剩下26個有效模型。表5給出了5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)和統(tǒng)計檢驗。表6給出了三類模型的誤差比較的t檢驗結果。

表5 各樣地全部數(shù)據(jù)FWI指標回歸建模參數(shù)Table5 Regression modeling parameters of all data of FWI indexes

表6 3種模型誤差的t檢驗?Table6 T-tests of errors of three type models

使用全部含水率建模時，F(xiàn)WI模型可解釋20.5%～50.7%的可燃物含水率變差，其MAE為3.4%～18.5%，平均13.9%；MRE 16.9%～50.8%，平均39.9%。氣象要素回歸模型可解釋81.2%～90.3%的可燃物含水率變差，MAE2.0%～7.8%，平均5.4%；MRE 10.6%～28.1%，平均值15.8%。氣象要素回歸模型的兩類誤差顯著低于FWI模型（表6），混合模型與氣象要素回歸模型全部相同，表明FWI指標的加入，沒有提高模型準確性。

含水率小于35%時，F(xiàn)WI指標可以預測白樺林地表死可燃物含水率以外的其他四種可燃物的含水率。該模型可解釋28.4%～65.9%的可燃物含水率變差，MAE為2.8%～25.5%，平均9.0%；MRE 12.6%～148.8%，平均48.2%。氣象要素回歸模型可解釋36.2%～88.3%的可燃物含水率變差，MAE 2.0%～11.3%，平均4.9%；MRE 10.5%～41.9%，平均值19.7%?；旌夏Ｐ椭邪讟辶趾筒萏恋呐c氣象要素回歸模型相同，該類模型可解釋36.2%～90.5%的含水率變差，MAE1.7%～3.4%， 平 均2.3%；MRE 6.8%～17.1%，平均11.7%。三類模型的兩種誤差的差異都不顯著（表6）。

含水率≥35%時，F(xiàn)WI未能建立任何模型。氣象要素回歸模型和混合模型一致，可解釋55.6%～83.3%的可燃物含水率變差，MAE9.3%～22.0%，平均16.3%；MRE 8.2%～32.8%，平均值20.7%。

在所有的FWI模型中，F(xiàn)FMC和DC使用最多，F(xiàn)FMC進入了每一個FWI模型，DC只有落葉松林含水率＜35%的FWI模型未使用。個別模型使用了FWI或ISI。氣象要素模型中，當日和前一日濕度，當日、前一、二日降雨使用最多，濕度進入了除紅松林全部數(shù)據(jù)、紅松林含水率≥35%、落葉松林含水率≥35%之外的所有氣象要素回歸模型。前一天濕度進入了紅松林全范圍模型、落葉松林全范圍模型、落葉松林＜35%氣象要素回歸模型。溫度和風速只進入了個別模型?；旌夏Ｐ团c氣象要素回歸模型大部分相同。與氣象要素回歸模型不同的有紅松林含水率＜35%（H、ISI）、蒙古櫟林含水率＜35%（H、R1、ISI）、落葉松林含水率＜35%（H1、FFMC）三個混合模型。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這些因子所體現(xiàn)。

圖1給出了各樣地三組含水率三種模型的預測值與實測值的對比情況（混合模型與氣象要素回歸模型相同者，就不做比較了）。圖中的直線為y=x。

可以看出，對于全范圍的含水率預測，在10%～65%含水率范圍內氣象要素回歸模型(與混合模型相同)與FWI模型對于5個可燃物的預測誤差都較小，兩種模型區(qū)別不大，含水率＞65%兩種模型誤差增加，預測偏低，但FWI模型顯著增加，表明FWI對該范圍的含水率預測能力差。區(qū)域兩種模型預測值多數(shù)偏小。含水率＜35%時，紅松林的混合模型誤差最小，F(xiàn)WI次之，氣象要素模型預測全部偏低。蒙古櫟和落葉松和可燃物的氣象要素回歸模型明顯優(yōu)于FWI模型，F(xiàn)WI模型高估了蒙古櫟地表可燃物含水率，低估了落葉松地表死可燃物含水率。草塘兩種模型差異較小，但FWI模型預測更離散。含水率≥35%時，只有氣象要素回歸法顯著。白樺林的效果最好，蒙古櫟地表死可燃物誤差最大

上述分析表明，對于5種可燃物，如果是對全范圍可燃物含水率預測采用一個模型，則采用氣象要素回歸模型最好。對于＜35%的含水率預測，應區(qū)分林分類型選擇模型，紅松林可采用混合模型，白樺林、蒙古櫟林、落葉松林和草塘采用氣象要素回歸模型。≥35%時，只能采用氣象要素回歸模型。

4 結論與討論

對研究地區(qū)典型可燃物含水率與氣象要素等影響因子的相關分析和逐步回歸分析表明，不同含水率時，其影響因子不同，含水率低時，濕度對含水率變化影響大，高含水率主要受降雨影響大。FWI指標，主要是FFMC與全范圍的含水率相關，但與≥35%的含水率數(shù)據(jù)相關差，可用于預測全范圍的含水率，但誤差大于氣象要素回歸法，且在高含水率時誤差偏大，不適合降雨分段模型。FWI指標與氣象要素混合并沒有改進模型的精度。即便如此，如果選擇FWI方法作為國家火險預報的一種方法，該方法仍適用于本研究地區(qū)，這也是半物理模型的優(yōu)勢。

氣象要素回歸模型誤差要么與FWI模型差異不顯著，要么低于后者，表明氣象要素回歸法優(yōu)于FWI模型。對于該地區(qū)的除紅松林＜35%的含水率以外的預測，應采用氣象要素回歸模型，其MAE 2.0%～7.8%，平均5.4%；MRE 10.6%～28.1%，平均15.8%。對＜35%的紅松林含水率預測有貢獻，采用混合模型最好。

在研究地區(qū)，F(xiàn)WI作為含水率預測因子，對針葉林預測效果要好于闊葉林，尤其是可燃物含水率＜35%時。原因是FWI是依據(jù)加拿大針葉林建立的系統(tǒng)[20]，研究地區(qū)和FWI建立地區(qū)的緯度相近，所以更適用于針葉林，不適用于闊葉林。

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[21]用FWI預測凋落物含水率的誤差為16.5%，Chrosciewicz[22]對FWI修正的模型誤差為16～18%。本文中FWI模型的MAE平均11.5%，比這些模型還要低一些，與在云南的同類研究相似[23]。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[24]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4.9%，高于該模型，但與在云南的同類研究3.5%相似[21]可能的原因是前者的樣本數(shù)較少，水率＜30%而不是35%，且模型參數(shù)多。

本研究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。

研究地區(qū)為嚴重破壞后的生態(tài)交錯區(qū)。其次生林的郁閉度比較低。受人力限制，為方便同步采樣，本研究選擇的幾個樣地為公路附近，恢復時間較長的林分，郁閉度較高，因此，含水率也較高。其他次生林的含水率應低于表1數(shù)據(jù)，但草塘的低含水率反應了該地區(qū)的火險狀況[25]。今后，應選擇更具代表性的林分開展研究，同時搞清不同交錯區(qū)、不同破壞程度和恢復途徑對可燃物含水率動態(tài)的影響也十分必要。

圖1 各樣地含水率數(shù)據(jù)3種模型的預測實測值對比Fig.1 Comparisons of moisture measured and computed by three methods

[1] 信曉穎,江 洪,周國模,等.加拿大森林火險氣候指數(shù)系統(tǒng)(FWI)的原理及應用[J]. 浙江農(nóng)林大學學報,2011,(2):314-318.

[2] 高永剛,張廣英,顧 紅,等.森林可燃物含水率氣象預測模型在森林火險預報中的應用[J]. 中國農(nóng)學通報,2008,(9):171-175.

[3] 盧欣艷,牛樹奎,任云卯. 北京西山林場可燃物含水率與氣象要素關系[J]. 林業(yè)資源管理,2010,(3):79-86.

[4] 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.

[5] 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.

[6] 舒立福,張小羅,戴興安,等．林火研究綜述(Ⅱ)——林火預測預報[J]. 世界林業(yè)研究,2003,(4):34-37.

[7] Rothermel R C, Wilson R A, Morris G A, et al. 1986. Modeling moisture content of fi ne dead wildland fuels: input to the behave fi re predict ion system. United States Department of Agriculture,Forest Service, Research Paper INT-359. Intermountain Research Station, Ogden, Utah, 61.

[8] 何忠秋,李長勝,張成鋼,等.森林可燃物含水量模型的研究[J]. 森林防火,1995,(2):15-16,20.

[9] 何忠秋,張成鋼,牛永杰. 森林可燃物濕度研究綜述[J]. 世界林業(yè)研究,1996,(5):27-31.

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

[11] 李桂君. 新林林區(qū)地表死可燃物含水率分布模型的研究[D].北京:北京林業(yè)大學,2013.

[12] 鄧 超, 熊 俊. 南昌地區(qū)木荷生物防火林帶造林人工技術和效果[J]. 生物災害科學, 2013, 36(2): 210-212.

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

[14] 王健鋒,雷瑞德. 生態(tài)交錯帶研究進展[J]. 西北林學院學報,2002,(4):24-28,37.

[15] 國慶喜,李具來,劉繼新,等．大小興安嶺森林植被交錯區(qū)生態(tài)系統(tǒng)在全球氣候變化研究中的科學意義[J].東北林業(yè)大學學報,2001,(5):1-4.

[16] 牟長城,韓士杰,羅菊春,等,長白山森林/沼澤生態(tài)交錯帶群落和環(huán)境梯度分析[J]. 應用生態(tài)學報,2001,(1):1-7.

[17] 孫玉成,馬洪偉,王秀國,等．加拿大火險天氣指標(FWI)計算的初始化方法和解釋[J]. 森林防火,2003,(4):22-24.

[18] 李 林. 森林可燃物含水率及失水效率的研究[D].哈爾濱：東北林業(yè)大學,2004

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

[20] 胡海清.林火生態(tài)與管理[M].北京:中國林業(yè)出版社, 2005.

[21] 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

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

[23] 金 森,周 勇.昆明典型地表死可燃物含水率預測模型研究,擬投《應用生態(tài)學報》審稿中.

[24] Ruiz Gonza′lez AD, Vega Hidalgo JA, A′ lvarez Gonza′lez JG Construction of empirical models for predicting Pinus spp.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.

Prediction on moisture contents of typical forest dead combustible fuels of an ecotones in Qing’an county of Heilongjiang province

JIN Sen1, LI Jian-min1,2
(1. College of Forestry, Northeast Forestry University, Harbin 150040, Heilongjiang, China; 2. Inner Mongolia Forestry Survey and Planning Institute, Hohhot 014010, Inner Mongolia, China)

The plain and mountain ecotones in Heilongjiang province suffered from long time human disturbance, causing forest severely damaged, such as bad forest form and high fire danger rate. The enhancements on studying dynamic prediction of fuel moisture contents can increase fi re danger forecast accuracy. By taking the typical dead land surface fuels in the ecotones in Qing’an county of Heilongjiang province as the tested objects, the moisture of and weather variables in the region were successively observed,and the factors affecting fuel moisture dynamics changes were analyzed. Fuel moisture prediction models were established by using weather variables, FWI indexes, and the two aspects variables as predictive factors, respectively. The results show that the different factors affected the fuel moisture at different levels; for the lower moisture, the air humidity was the major affecting factor while the precipitation was for higher moisture; FWI indexes, mainly FFMC, were correlated with the fuel moisture evaluated for full moisture range, but not for moisture ≥35%, which indicated that the indexes can be used for predicting fuel moisture for full range, but its accuracy was lower than that of vapor exchange models; the vapor exchange models have lower errors than FWI models for full range fuel moisture prediction but not for ＜35% moisture prediction; the model accuracies were not improved when FWI indexes were incorporated; the vapor exchange models should be used for moisture prediction for all fuels in the region except ＜35% moisture prediction of fuel in Korean pine stand, which accuracy was MAE 2.0%～7.8%, averaged 5.4%, and MRE 10.6%～28.1%, averaged 15.8%. For the prediction of fuel moisture ＜35% in Korean pine stand, mixed variable models was the best.

Forest-agriculture ecotones; land surface dead combustible fuel; fuel moisture content; Qing’an county of Heilongjiang province

S762.2

A

1673-923X(2014)12-0027-08

2014-01-12

國家林業(yè)公益性行業(yè)科研專項（201204508）

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：文鳳鳴]