EN中文

Journal of Geo-information Science >

2020 , Vol. 22 >Issue 12: 2317 - 2325

DOI: https://doi.org/10.12082/dqxxkx.2020.190799

Forest Fire Risk Rapid Warning Model based on Meteorological Monitoring Network

  • LI Yu , 1, 3, 4 ,
  • ZHANG Liming , 1, 3, 4, * ,
  • ZHANG Xingguo 2 ,
  • WANG Hao 1, 3, 4 ,
  • ZHANG Xingang 1, 3, 4
Expand
  • 1. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China
  • 2. College of Geography Science, Xinyang Normal University, Xinyang 464000, China
  • 3. National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China
  • 4. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China
* ZHANG Liming, E-mail:

Received date: 2019-12-24

  Request revised date: 2020-03-25

  Online published: 2021-02-25

Supported by

National Natural Science Foundation of China(41761080)

Industrial Support and Guidance Projects of Colleges and Universities in Gansu Province(2019C-04)

Funded by LZJTU EP(201806)

Natural Science Foundation of Henan(202300410345)

Copyright

Copyright reserved © 2020
Fold

Abstract

Forest fire occurs frequently and suddenly. Therefore, it is essential to carry out the rapid warning of forest fire danger for the reduction of the loss caused by forest fire and the promotion of sustainable development of forest resources. This paper designs an early-warning model based on GIS spatial analysis and visualization technology and the construction of real-time meteorological monitoring network using ground meteorological stations, which can achieve timely and rapid warning of forest fire danger. To build the model, this paper first determines the forest fire danger early-warning factors, which are the input parameters of the model. Secondly, a hierarchy model of the importance of early warning indicators is constructed to determine the weight of the early warning factors via using the AHP method and combining the analysis of early warning factors. Then, the thresholds and grade division criteria of the early-warning factor are determined according to the national, industrial, and local regulations for determining forest fire danger levels, which is suitable for the model. Finally, the Voronoi Diagrams are used to establish a meteorological monitoring network based on weather stations and real-time weather data. The Overlay Analysis technology is used to calculate the early warning result. Based on the model and real-time acquisition and processing of data, a rapid warning system for forest fires was constructed. This paper took Qinghai Province as the experimental area where the feasibility and applicability of the system were verified, which indicates that early warning of forest fire danger can be realized by the model comprehensively, accurately, and rapidly. Results show that: (1) According to the early-warning model, the real-time early-warning indicators which were set before, and real-time meteorological monitoring data, the early-warning signal can be sent in time, which can quickly realize early warning and timely response of forest fire risks at the county and forest farm levels; (2) Via introducing GIS visualization methods, the thematic map of forest fire risk spatial distribution can be generated by the model quickly, which is conducive to observe changes in early-warning levels visually. The rapid warning of forest fire risks has important guiding functions for effective prevention, interruption management, and prevention measures of forest fire, and has great significance for forest fire prevention work, protection of forest resources, and safety of human life and property.

Key words： Geographic Information Systems; weather monitoring network; forest fire risk early warning; meteorological factors; vegetation types; distance from roads; analytic hierarchy process; Voronoi diagram

Cite this article

LI Yu , ZHANG Liming , ZHANG Xingguo , WANG Hao , ZHANG Xingang . Forest Fire Risk Rapid Warning Model based on Meteorological Monitoring Network[J]. Journal of Geo-information Science, 2020 , 22(12) : 2317 -2325 . DOI: 10.12082/dqxxkx.2020.190799

1 引言

近年来,由于全球气候的变化和人类活动的影响,森林火灾时常发生。森林火灾具有较强的突发性和极大的破坏性,轻则烧毁林木、危害野生动植物、污染空气[1],重则威胁国家经济发展、全球生态平衡和人类生命财产安全,造成目前森林防火趋势日益严峻的局面[2]。因此有效地开展森林防火研究,实现森林火灾的有效预警和及时响应成为迫切需求。在森林防火工作中,森林火险预警尤为重要,相关研究的开展对于森林防火工作、保护森林资源和人类生命财产安全具有重大意义和价值,引起了国内外研究学者的广泛关注。
森林火险预警的研究开始于20世纪20年代,学者们针对森林火险预警的方法和技术开展了深入研究,并取得了丰硕的成果。典型方法有：多因子预报方法[3]、综合指标法[4],“801”火险尺法[5,6]、双指标法[5,6]和三指标法[7]等。随着遥感技术和地理信息系统（Geographic Information Systems, GIS）技术的发展,遥感技术和地理信息技术成为森林火险预警的重要方法。覃先林等[8]利用MODIS数据反演可燃物的长势和含水量,较好地实现了森林火险等级的定量化监测;Adab等[9]综合考虑了影响森林火灾的静态因子（坡度、坡向、高程、与道路的距离及附近地区的居民点）和动态因子（植被含水量）,利用MODIS数据提出混合火险指数的概念来帮助预报森林火险;Rahmani等[10]分析植被可燃性、地形形态及人为因素3个方面对森林火灾发生和蔓延的影响,基于遥感技术和GIS技术在阿尔及利亚东北部Aures地区进行了森林火险模型构建和制图。上述森林火险预警方法多是从遥感数据中提取森林火险预警相关数据展开研究,然而实时的遥感数据可能会因为复杂天气条件的影响而难以实时获取,使得基于遥感数据的森林火险预警模型在时效性上受到限制。
然而,随着近年来经济的快速发展,大批的气象站点建设和投入使用,运用实时气象监测数据实现森林火灾预警成为可能。实际上,我国林业部早在1995年就基于气象因素制定了全国森林火险天气等级标准[11]。1998年,国家气象中心也建立了“布龙-戴维斯”修正方案[4],该方案基于气象因素研制了国家级森林火险气象指数,但使用的森林植被信息比较陈旧[2],且由于连续无效降水日数对森林火险预警等级影响较大,而方案中仅考虑了最近7 d的降水量,不能充分体现出前期天气气候条件的累积效 应[12]。于是,杨晓丹等[2]基于我国气象站地面观测资料,以下垫面地理信息、森林植被分布特征为理论依据,建立森林火险气象预报模型,对“布龙-戴维斯”修正方案进行了改进,更新了森林植被分布数据,提高了预报结果的精度。梁莉等[12]在“布龙-戴维斯”修正方案的基础上对森林火险气象指数进行订正,延长了连续无效降水日数,能较好预测森林火灾高发期,适用性更广。上述方法充分表明了基于气象数据实现森林火险预警的可行性,但现有的基于气象因素的森林火险预警模型大多没有考虑植被类型和人为因素,影响森林火险预警效果。
基于此,本文研究基于青海省林业局森林火险预警模型项目,综合考虑气象因素、植被类型、与道路的距离等因素构建森林火险预警模型,并将GIS空间分析及可视化技术运用于森林火险模型构 建[13]和森林火灾风险图制作[14]过程中。

2 数据来源与研究方法

2.1 数据来源

本研究所用的气象数据来源于中国气象数据网[15]的地面气象站逐小时观测数据,时间段为：2019年4月和7月每天上午10时的数据,主要包括气温、相对湿度、1 h最大风速和1 h累计降雨量等数据。本研究视降雨量6 mm/d以下为无效降雨日,通过各个气象站近45 d的降水量情况来确定相关区域的干旱天数。相关空间数据包括青海省林业类型分布数据和路网数据由青海省林业局提供,其中林业类型包括：硬叶阔叶林、软叶阔叶林、草地、灌木林地、针叶林等。

2.2 预警因子的选择

森林火灾的发生是可燃物、森林特性、植被类型、气象条件、人为活动等各种因素综合作用的结果[16,17],森林火险预警模型的实际应用效果更是受预警因素的影响。因此,预警因子的合理选择是森林火险预警中的一个关键问题。为了实现更高精度的火险预警,在构建森林火险预警模型过程中,需要全面地顾及多种森林火灾影响因素。然而,影响森林火险预警的因子繁多,既包括静态因子,又包括大量的动态因子。因此,顾及森林火险预警的精确性、全面性和快速性,本文以识别影响森林火险预警因素为视角,通过系统分析,认为影响森林火险预警的主要因素包括植被环境、气象要素、人为因素和其他因素4个方面。
（1）植被环境。易燃的植被容易引发森林火灾。然而,林业类型不同,植被易燃程度亦不同。因此,林业类型不仅关系着森林火灾是否发生,同时也关系着火灾的发生频率和面积。
（2）气象要素。气象条件与森林火灾的发生有着极为密切的关系,是森林火险预警过程中不可或缺的考虑因素[18]。通常情况下,温度高、湿度低、风速大、降雨少和长期干旱都会增加森林火灾的发生概率。因为在其他条件不变的情况下,温度升高,可燃物的燃点易降低,湿度降低,空气则愈发干燥,二者都会增加森林火灾的发生概率。同时风力的大小与森林火灾的发生尤为密切,风能加速氧气的流动,起到助燃的作用[19]。此外,林木含水量的多少在一定程度上取决于降雨量,连续无降水日数的增加,会直接降低森林含水量,极易引发森林火灾[19]。
（3）人为因素。森林火灾的发生还有一部分原因是人为因素造成的,如与道路的距离对森林火灾的影响,因为越接近道路（尤其是公路）的林区,人类活动越频繁,森林火灾发生的可能性越高。
（4）其他因素。节假日期间由于对于森林火灾认识的不足,在春节、清明等节日燃放烟花或祭祀行为极易引起火灾;与此同时,季节也是森林火灾发生的影响因素之一,尤其是春、秋、冬干旱季节。
因此,经上述分析与研究,该模型当中将林业类型作为影响森林火险预警的主要环境要素。同时兼顾气象要素（温度、湿度、风速、降水量、干旱天数等）、人为因素（与道路的距离）和其他因素（节假日和季节等）。综合分析上述各种影响因子,本文利用层次分析法和GIS空间分析技术,计算预警因子权重,构建实时气象监测网络,划分火险预警等级,从而构建更加高效的森林火险快速预警模型。

2.3 AHP法确定预警因子权重

层次分析法（Analytical Hierarchy Process,AHP）[20]是一种将定性分析和定量分析相结合,用来解决多目标的复杂问题的决策分析方法。利用该方法,构建层次结构模型,构造对立矩阵,并进行一致性检验,可以最终确定出每个指标的相对合理的权重值。其基本过程包括：构建层次结构模型、构造判断矩阵、一致性检验。
森林火险预警将各预警因子叠置为火险区,但确定火险等级过程中因预警因子众多导致数据无法定量,增加了研究难度,而AHP提供的定性和定量相结合的系统性、层次化的多目标决策分析方法,能很好地解决这一问题。因此,为合理确定预警因子的权重,使预警模型更具适用性,本文选用AHP法确定。
2.3.1 构建层次结构模型
根据预警因子的分析与选择情况,建立森林火险预警指标重要性层次结构模型,其基本框架如 图1所示。其中,C1—C8分别表示林业类型、温度、湿度、风速、干旱天数、与道路的距离、节假日、季节。
图1 森林火险预警指标层次结构模型

Fig. 1 Hierarchical model of forest fire danger early-warning indicators

2.3.2 构造判断矩阵
该模型使用1—9尺度原则（表1）,确定各预警因子的重要性程度。因为大多数人对不同事物在相同属性上差别的分辨能力在5—9级之间,采用1—9的标度反映了大多数人的判断能力[20]。
表1 1—9比例标度表

Tab. 1 Proportional scale of 1-9

重要性标度 p因子与q因子比较的结果
1 p因子与q因子同等重要
3 p因子比q因子稍微重要
5 p因子比q因子明显重要
7 p因子比q因子强烈重要
9 p因子比q因子极端重要
2,4,6,8 重要性介于上述相邻判断的中间值
通过上述方式,以1—9尺度原则为依据,采用专家打分法对参与模型构建的预警因子进行重要性评价,从而得到森林火险预警因子的判断矩阵,并通过MATLAB编程计算得出判断矩阵的最大特征值和各预警因子的权重系数,判断矩阵和权重计算结果见表2。
表2 森林火险预警因子的判断矩阵与一致性检验表

Tab. 2 Judgment matrix and consistency test of forest fire danger early warning factors

预警因子 C1 C2 C3 C4 C5 C6 C7 C8 权重
C1 1 2 2 4 3 6 7 5 0.2957
C2 1/2 1 1 3 2 5 6 4 0.1918
C3 1/2 1 1 3 2 5 6 4 0.1918
C4 1/4 1/3 1/3 1 1/2 3 4 2 0.0811
C5 1/3 1/2 1/2 2 1 4 5 3 0.1234
C6 1/6 1/5 1/5 1/3 1/4 1 2 1/2 0.0364
C7 1/7 1/6 1/6 1/4 1/5 1/2 1 1/3 0.0260
C8 1/5 1/4 1/4 1/2 1/3 2 3 1 0.0538
2.3.3 一致性检验
预警因子权重确定过程中,根据预警因子的重要性认识方法,可以确定两因子的重要性比值,但该方法得到的权重常常不易定量化;并且由于参与预警的因子较多,直接考虑各因子对预警程度影响所占的权重时,往往会出现考虑不周全的现象,并由此得出与实际重要性程度不一致的数据。基于这些考虑因素,需要对所构造的判断矩阵进行一致性检验。检验步骤为：
（1）对判断矩阵进行一致性检验,根据式（1）计算一致性指标CI。
CI = λ max - n n - 1
式中：λmax为最大特征值;n为预警因子个数。
（2）根据表3所示的矩阵阶数与其对应的平均随机一致性指标RI表和式（2）计算一致性比例CR。当一致性比例CR<0.1时,认为所构造的判断矩阵的一致性是满意的。否则,应该对矩阵进行修正。
CR = CI RI
由于参与森林火险预警指标有8个,故n=8, 由Matlab计算得出表2判断矩阵的最大特征值 λmax=8.2083。据此,经式（1）计算得出一致性指标CI=0.0298,进而根据式（2）计算得出一致性比例CR=0.0211。由权重系数的检验结果CR=0.0211<0.1知,该权重计算结果的一致性相对合理。
表3 1—10阶平均随机一致性指标

Tab. 3 Mean Random Consistency Index of 1-order to 10-order

矩阵阶数 1 2 3 4 5 6 7 8 9 10
RI值 0 0 0.52 0.89 1.12 1.26 1.36 1.41 1.46 1.49

2.4 预警结果计算方法

本研究参考国家、行业和地方规定的森林火险等级确定标准,按照森林火灾发生的可能性,以1~10共10个等级对森林火险各个预警因子进行危险级别划分,确定森林火险预警因子危险级别查对表,如表4所示。当前因子级别越高表示火灾发生概率越大,预警等级越高。其中林业类型和与道路的距离危险级别确定标准参考《中华人民共和国林业行业标准（LY/T 1063-2008）全国森林火险区划等级》[21],气象因子危险级别确定标准参考《中华人民共和国林业行业标准（LY/T 1172-1995）全国森林火险天气等级》[11]。
表4 森林火险各预警因子危险级别查对表

Tab. 4 Risk level checklist of forest fire danger early-warning factors

级别 林业类型范围 与道路的
距离/m		 温度范围
/℃		 湿度范围
/%		 风力范围
/（m/s）		 连续无效降雨天数/d 干旱指标 季节
1 0.0~0.99 20 000~100 000 -60~20 90~100 0.0~0.2 0~3 无干旱 -
2 0.99~1.0 13 000~20 000 -20~0 80~90 0.2~1.5 4~6 无干旱 -
3 1.0~1.5 10 000~13 000 0~5 70~80 1.5~3.3 7~10 无干旱 -
4 1.5~2.0 8000~10 000 5~10 60~70 3.3~5.4 11~20 轻度干旱 -
5 2.0~2.5 6000~8000 10~15 50~60 5.4~8.0 21~25 中度干旱 -
6 2.5~3.0 4500~6000 15~20 40~50 8.0~10.8 26~30 中度干旱 夏
7 3.0~3.5 3000~4500 20~25 30~40 10.8~13.8 31~35 严重干旱 -
8 3.5~4.0 1800~3000 25~30 20~30 13.8~17.2 35~40 严重干旱 春/秋
9 4.0~4.5 800~1800 30~35 10~20 17.2~20.7 40~45 严重干旱 -
10 4.5~5.0 0~800 35~60 0~10 20.7~50.0 >45 极度干旱 冬
本文根据表4确定各预警因子的危险级别,采用因子加权叠置综合分析法计算森林火险预警结果（Forest Fire Warning Level, FFWL）,计算公式为：
FFWL = ∑ i = 1 n W i X i
式中：FFWL为林火预警栅格计算结果;n为预警因子的个数;Wi为预警因子的权重;Xi为各森林火险预警因子对应的危险级别。

2.5 预警等级的划分

由于根据式（3）计算得出的森林火险预警结果为栅格单元的像素值,因此还需对其重分类,以确定最终的预警等级。因此,本研究参照《中华人民共和国林业行业标准（LY/T 1172-1995）全国森林火险天气等级》[11]中森林火险天气预警等级的分级方法,对式（3）得出的预警结果重分类,确定了适合本研究中森林火险预警等级的划分标准和预警等级专题图的着色标准,如表5所示。
表5 森林火险预警等级划分表

Tab. 5 Classification of forest fire danger warning level

林火天气预警等级 名称 危险程度 栅格图层预警结果 颜色 预警标志
一级 低火险 低 -800~1.0 无色 -
二级 较低火险 较低 1.0~4.8 淡黄色 -
三级 较高火险 较高 4.8~6.5 浅橙色 黄旗
四级 高火险 高 6.5~8.2 橙色 橙旗
五级 极高火险 极高 8.2~10.0 红色 红旗

3 实验结果与分析

3.1 实验数据预处理

本文以青海省为实验区域,根据青海省林业局提供的青海省林业类型分布数据和路网数据进行数据处理,如图2所示为按表4确定的西宁市、同仁县、河南县的林业类型危险级别分布情况。利用GIS空间分析技术,对提供的路网数据进行缓冲区分析得到西宁市、同仁县、河南县道路缓冲区分布数据,如图3为3个地区按表4所确定的与道路的距离危险级别分布情况。同时,本文以2019年4—7月上半月每天上午10时为时间点,从中国气象数据网采集实时气象数据,结合各预警因子危险级别查对表（表4）来制作实验数据集,如表6为2019年4月1日10时青海省西宁市、同仁县、河南县的实验数据集。
图2 青海省林业类型危险级别分布

Fig. 2 Risk level distribution of forestry types in Qinghai Province

图3 青海省与道路的距离危险级别分布

Fig. 3 Risk level distribution of distance from roads in Qinghai Province

表6 青海省森林火险预警实验数据集

Tab. 6 Experimental data set of forest fire danger early warning in Qinghai Province

时间 气象因子 西宁市 同仁县 河南县
监测值 级别 监测值 级别 监测值 级别
2019年4月1日10时
 温度 9.4 4 9.7 4 5.3 4
湿度 24 7 26 8 50 8
风力 2.5 3 2.3 7 2.4 5
干旱 极度干旱 10 极度干旱 10 极度干旱 10
季节 春季 8 春季 8 春季 8

3.2 青海省森林火险等级预警

（1） 青海省气象监测网络
由于一个县级城市的气象条件会受到附近地区气象条件的影响,并不能完全由某一个气象站的数据确定。因此,为提高某地区气象数据的精度,本文基于Voronoi图,借助ArcGIS平台,根据青海省内的气象站点和所采集的每小时气象监测数据,构建青海省气象监测网络,如图4所示。即根据离散分布的气象站点的温度、湿度、风速构建Voronoi图作为研究区域内的气象监测网络,将各个相邻气象站点依次连接,构成紧密相连的三角形,接着作三角形各边的垂直平分线,将每个气象站围成一个多边形,此多边形仅包含一个气象站,该气象站的温度、湿度、风速即可表示为这个多边形区域内的温度、湿度、风速。通过Voronoi图,某时间点各县级城市的温度、湿度、风速可以根据该县级城市所包含的多边形内的气象站数据通过式（3）加权法计算得出。
图4 青海省气象监测网络

Fig. 4 Meteorological monitoring network in Qinghai Province

（2） GIS空间分析与可视化
本文根据所选研究区域对气象监测网络进行裁剪操作,生成青海省西宁市、同仁县、河南县森林火险预警模型所需的气象数据层。然后将这些气象数据层以及其他预警因子层与AHP方法确定的权重层作为青海省森林火险预警模型的输入参数,根据式（3）进行叠置分析,得到青海省西宁市、同仁县、河南县森林火险等级分布的栅格图层。最后,将式（3）得到的预警结果与表5确定的森林火险等级划分标准进行对照,确定研究区域的预警等级,并利用GIS可视化特征将抽象的预警数据转化为可视化的地图,快速地生成森林火险预警专题图,以图形方式显示研究区域森林火险预警等级的空间分布信息。

3.3 青海省森林火险预警结果与分析

为验证模型在空间上的适用性,将模型应用于青海省西宁市、同仁县、河南县进行森林火险预警,如图5为2019年4月1日10时整青海省西宁市、同仁县、河南县森林火险预警结果。其中：① 西宁市的森林火险天气预警等级主要为三级、四级火险天气,属于中度危险;② 同仁县的森林火险天气预警等级主要为三级火险天气,部分地区出现四级火险天气,属于中度危险;③ 河南县的森林火险天气预警等级主要为四级火险天气,属于中火险区。即：该研究时段内,本文研究区域的森林火险等级主要以三级、四级火险区为主,易引发森林火灾。事实上,青海省西宁市、同仁县、河南县于2019年4月 1日10时30分发布森林火险黄色预警信号。此外,根据《中华人民共和国林业行业标准（LY/T 1172-1995）全国森林火险天气等级》[11],预测得出2019年4月1日青海省西宁市、同仁县、河南县的森林火险天气等级分别为四级、四级、三级火险。这些结果表明本文中提出的森林火险预警模型得到的预警等级与实际森林火险等级基本相符合,证明本文提出的基于GIS和气象监测网络建立的模型满足森林火险预警的基本精度标准,且GIS技术的应用使得预警结果更加直观,具有一定的实用价值。
图5 森林火险预警结果

Fig. 5 Results of forest fire danger warning

为验证模型在时间上的适用性,本文还将模型应用于2019年4—7月上半月每天上午10时青海省西宁市的森林火险预警。通过对预警结果进行统计,发现：4月上半月以来西宁市有近13 d出现四级以上火险预警,而7月上半月中西宁市一半以上天数未出现四级以上火险等级。2组数据对比明显发现春季为该地区森林火灾高发季节,需要做好森林防火准备,这与青海省林业局确定的森林火灾高火险时段大体一致。然而,根据《中华人民共和国林业行业标准（LY/T 1172-1995）全国森林火险天气等级》标准计算得出,该地区春季火险等级明显高于夏季森林火险等级。由此可见,本文提出的森林火险预警模型在时间分布上亦具有适用性。
综上预警结果与分析发现：① 青海省森林火险预警等级主要以三级火险为主,属于中度危险,且由于该地区春季湿度低、降水量少和干旱持续的气候条件,火灾风险明显高于夏季,应定为重点防火季节;② 根据西宁市、同仁县、河南县的预警等级的空间分布情况,可以明显看出植被类型的空间分布对预警结果的影响。

4 结论与展望

本文研究基于GIS相关技术和气象监测网络,综合考虑气象因素、植被类型和人为因素等多方面的因素,设计了一个森林火险快速预警模型,模型参数明确,只需获取模型的输入参数即可使用。该模型不仅引入了植被类型和与道路的距离等因子,而且考虑到干旱天数的累计会对森林火灾产生极大影响的情况,以近45 d的降水情况确定干旱程度。此外,本研究在青海省林业局森林火险预警模型项目的基础上,基于该模型搭建森林火灾快速预警系统,实现了青海省的森林火险等级预警。研究结果表明：
（1）气象因素和植被类型与森林火险预警结果相关度较高,表明将气象因素与植被类型和与道路的距离等因素融合在一起进行森林火险预警,在一定程度上可以避免因为复杂天气或其他原因造成的遥感数据难实时获取的问题。
（2）基于GIS空间分析技术和实时气象监测网络进行森林火险快速预警模型构建,使得模型在空间、时间上均更具适用性;
（3）在GIS空间分析的技术支持下,该模型根据设定好的预警指标、实时气象监测数据以及气象站的地理位置分布,可及时获取预警信号,实现县级城市和林场级别的森林火险快速预警;
（4） GIS可视化的表达方式,可快速生成相关区域的森林火险预警空间分布信息,从而为综合评估和预测森林火灾风险提供参考。
基于GIS和气象监测网络的森林火险快速预警模型具有较好的适用效果,但是模型搭建的过程中未顾及地形、坡度等其他因子对森林火险预警结果的影响。因此,基于DEM数据,综合分析实验区域的地形、坡度等影响因素,结合气象数据构建更加完善、更为精确的森林火险预警模型,从而使森林火险预警系统更加成熟是下一阶段的重点研究内容。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李静, 宫阿都, 陈艳玲, 等. 森林过火区植被遥感参数的变化与恢复特征分析[J]. 地球信息科学学报, 2018,20(3):368-376.

DOI

[ Li J, Gong A D, Chen Y L, et al. Analysis on the characteristics of change and recovery of vegetation indices for forests in burned area[J]. Journal of Geo-information Science, 2018,20(3):368-376. ]

[2]
杨晓丹, 赵鲁强, 宋建洋, 等. 耦合植被与T639模式的森林火险气象潜势预报[J]. 科技导报, 2018,36(8):87-92.

[ Yang X D, Zhao L Q, Song J Y, et al. Forest fire weather forecasting with coupled vegetation and T639 model[J]. Science & Technology Review, 2018,36(8):87-92. ]

[3]
舒立福, 田晓瑞. 国外森林防火工作现状及展望[J]. 世界林业研究, 1997(2):29-37.

[ Shu L F, Tian X R. Status and outlook of forest fire prevention in the world[J]. World Forestry Research, 1997(2):29-37. ]

[4]
牛若芸, 翟盘茂, 孙明华. 森林火险气象指数及其构建方法回顾[J]. 气象, 2006(12):3-9.

[ Niu R Y, Zhai P M, Sun M H. Review of forest fire danger weather indexes and their calculation methods[J]. Meteorological Monthly, 2006(12):3-9. ]

[4]
舒立福, 张小罗, 戴兴安, 等. 林火研究综述(Ⅱ)——林火预测预报[J]. 世界林业研究, 2003(4):34-37.

[ Shu L F, Zhang X L, Dai X A, et al. Forest fire research (Ⅱ): Fire forecast[J]. World Forestry Research, 2003(4):34-37. ]

[6]
张伟, 王峰, 郭艳芬, 等. 基于Logistic回归的森林火险天气等级模型[J]. 东北林业大学学报, 2013(12):123-124,133.

[ Zhang W, Wang F, Guo Y F, et al. Weather model level of forest fire danger based on logistic regression[J]. Journal of Northeast Forestry University, 2013(12):123-124,133. ]

[7]
王正非. 三指标林火预报法[J]. 生态学杂志, 1988,7(S1):75-81.

[ Wang Z F. A three index method for predicting forest fire[J]. Chinese Journal of Ecology, 1988,7(S1):75-81. ]

[8]
覃先林, 张子辉, 李增元, 等. 林火预警及实现方法[J]. 北京林业大学学报, 2010(4):23-27.

[ Tan X L, Zhang Z H, Li Z Y, et al. Method of forecasting and implementation of forest fire early warning[J]. Journal of Beijing Forestry University, 2010(4):23-27. ]

[9]
Adab H, Kanniah K D, Solaimani K. Modeling forest fire risk in the northeast of Iran using remote sensing and GIS techniques[J]. Natural Hazards, 2013,65(3):1723-1743.

[10]
Rahmani S, Benmassoud H. Modelling of forest fire risk spatial distribution in the region of Aures, Algeria[J]. Geoadria, 2019,24(2):79-91.

[11]
LY/T 1172-95全国森林火险天气等级[S]. 北京:中华人民共和国林业部, 1995.

[ LY/T 1172-95 National Forest Fire Weather Danger Class[S]. Beijing: The state forestry administration of the People's Republic of China, 1995. ]

[12]
梁莉, 杨晓丹, 王成鑫, 等. 修正的布龙-戴维斯森林火险气象指数模型在中国的适用性[J]. 科技导报, 2019,37(20):65-75.

[ Liang L, Yang X D, Wang C X, et al. Applicability of forest fire danger weather index model based on modified Brown-Davis method[J]. Science & Technology Review, 2019,37(20):65-75. ]

[13]
Eugenio F C, dos Santos A R, Fiedler N C, et al. Applying GIS to develop a model for forest fire risk: A case study in Espírito Santo, Brazil[J]. Journal of environmental management, 2016,173:65-71.

PMID

[14]
You W, Lin L, Wu L, et al. Geographical information system-based forest fire risk assessment integrating national forest inventory data and analysis of its spatiotemporal variability[J]. Ecological Indicators, 2017,77:176-184.

[15]
国家气象科学数据中心. 中国气象数据网[EB/OL]. http://data.cma.cn, 2019.

[ National meteorological information center. China meteorological data service center[EB/OL]. http://data.cma.cn, 2019.]

[16]
王娟, 赵江平, 张俊, 等. 我国森林火灾预测及风险分析[J]. 中国安全生产科学技术, 2008(4):41-45.

[ Wang J, Zhao J P, Zhang J, et al. Fire forecast and risk analysis on forest in China[J]. Journal of Safety Science and Technology, 2008(4):41-45. ]

[17]
田晓瑞, 舒立福, 赵凤君, 等. 气候变化对中国森林火险的影响[J]. 林业科学, 2017,53(7):159-169.

[ Tian X R, Shu L F, Zhao F J, et al. Impacts of climate change on forest fire danger in China[J]. Scientia Silvae Sinicae, 2017,53(7):159-169. ]

[18]
郑忠, 高阳华, 杨庆媛, 等. 西南山地区域森林火险综合预报模型研究——以重庆市为例[J]. 自然灾害学报, 2020,29(1):152-161.

[ Zheng Z, Gao Y H, Yang Q Y, et al. Research on the construction of composite risk prediction model for forest fire in the mountainous area of southwestern China: Taking Chongqing city as an example[J]. Journal of Natural Disasters, 2020,29(1):152-161. ]

[19]
徐明超, 马文婷. 干旱气候因子与森林火灾[J]. 冰川冻土, 2012,34(3):603-608.

[ Xu M C, Ma W T. Relationship between arid climatic factors and forest fire[J]. Journal of Glaciology and Geocryology, 2012,34(3):603-608. ]

[20]
Saaty T L. The analytic hierarchy process[M]. New York: Mc Graw-Hill, 1980.

[21]
LY/T 1063-2008全国森林火险区划等级[S]. 北京:中华人民共和国国家林业局, 2008.

[ LY/T 1063-2008 Rank of the Regionalization on Nationwide Forest Fire Risk[S]. Beijing: The state forestry administration of the People's Republic of China, 2008. ]

Options
Outlines

/

〈 〉