Monitoring Efficiency and Suppression Accessibility of Forest Fire in Daxing'an Mountains Based on Fire Risk Division

doi:10.13466/j.cnki.lyzygl.2018.05.015

Abstract

Abstract:

A logistic regression model was used to predicte Daxing'an Mountain's forest fire based on the climate,vegetation,terrain,socio-economic and infrastructure factors combing satellite fire point dataset from 2000 to 2010,the fire risk division was generated accordingly.In addition,an analysis of efficiency of fire ignition monitoring and suppression was also conducted based on fire risk division.The results showed that thirteen factors including slope,monthly average precipitation,monthly average temperature etc.,are significantly correlated with forest fires.High fire risk zone accounts for 24.47% of Daxing'an Mountains.Compared to current allocation of fire monitoring,the gridding methods on location selection of fire tower (20 km×20 km grid and 10 km×10 km grid) can significantly improve the efficiency of fire monitoring.The visible rates on the high fire risk zone improved 36.97% and 60.52% respectively and the required number of fire towers reduced meanwhile.On the other hand,the accessibilities of fire suppression to high fire risk zone are higher in East,South and West of Daxing'an Mountains than the central and Northern areas, however,only one third forest fire station in the region can send fire fighters to high fire risk areas in a short time.We therefore suggest that more fire stations need to be added in the poor accessibility area in order to improve the efficiency of forest fire suppression of Daxing'an Mountains.

Key words: Logistic regression, fire risk division, forest fire monitoring, visibility analysis, accessibility analysis

CLC Number:

S762

YAN Ping, ZOU Quancheng. Monitoring Efficiency and Suppression Accessibility of Forest Fire in Daxing'an Mountains Based on Fire Risk Division[J]. FOREST RESOURCES WANAGEMENT, 2018, 0(5): 90-98.

Figures/Tables 10

Fig.1

Tab.1

Tab.2

Tab.3

Tab.4

Fig.2

Fig.3

Fig.4

Fig.5

Tab.5

References 27

[1]	张冬有, 邓欧, 李亦秋, 等. 黑龙江省1980—2005年森林火灾时空特征[J]. 林业科学, 2012,48(2):175-179. doi: 10.11707/j.1001-7488.20120227
[2]	田晓瑞, 舒立福, 赵凤君. 大兴安岭雷击火发生条件分析[J]. 林业科学, 2012,48(7):98-103. doi: 10.11707/j.1001-7488.20120716
[3]	苏立娟, 何友均, 陈绍志. 1950—2010年中国森林火灾时空特征及风险分析[J]. 林业科学, 2015,51(1):88-96. doi: 10.11707/j.1001-7488.20150110
[4]	杨光, 舒立福, 邸雪颖. 气候变化影响下大兴安岭地区21世纪森林火险等级变化预测[J]. 应用生态学报, 2012,23(12):3236-3242.
[5]	秦凯伦, 郭福涛, 邸雪颖, 等. 基于Gamma广义线性模型对塔河地区林火面积与主要气象驱动因子关系的分析[J]. 东北林业大学学报, 2014,42(7):60-64.
[6]	梁慧玲, 林玉蕊, 杨光, 等. 基于气象因子的随机森林算法在塔河地区林火预测中的应用[J]. 林业科学, 2016,52(1):89-98. doi: 10.11707/j.1001-7488.20160111
[7]	郭福涛, 苏漳文, 马祥庆, 等. 大兴安岭塔河地区雷击火发生驱动因子综合分析[J]. 生态学报, 2015,35(19):6439-6448. doi: 10.5846/stxb201402140257
[8]	程肖侠, 延晓冬. 气候变化对中国大兴安岭森林演替动态的影响[J]. 生态学杂志, 2007,169(8):1277-1284.
[9]	胡海清. 林火生态与管理[M]. 修订版.北京: 中国林业出版社, 2005.
[10]	朱耀军, 王成, 贾宝全, 等. 基于GIS的广州市中心城区城市森林可达性分析[J]. 生态学报, 2011,31(8):2290-2300.
[11]	胡海清, 魏书精, 孙龙. 大兴安岭2001—2010年森林火灾碳排放的计量估算[J]. 生态学报, 2012,2(17):5373-5386.
[12]	李洛晞, 沈润平, 李鑫慧, 等. 基于MODIS时间序列森林扰动监测指数比较研究[J]. 遥感技术与应用, 2016. 31(6):1083-1090.
[13]	焦琳琳, 常禹, 胡远满, 等. 基于MODIS的中国野火时空分布格局[J]. 生态学杂志, 2014. 33(5):1351-1358.
[14]	数字高程模型数据[EB/OL].国家测绘局基础地理信息中心,[ 2018- 03- 21]. http://ngcc.sbsm.gov.cn/article//sjcg/dem/.
[15]	国家地球系统科学数据共享平台HADCM2模式中国区域数据集[EB/OL].[ 2017- 05- 10]. http://geodata.nju.edu.cn/.
[16]	地理空间数据云[EB/OL].国家基础科学数据共享服务平台,[ 2017- 05- 10]. http://www.gscloud.cn.
[17]	中华人民共和国国家统计局. 中国统计年鉴(2000—2010年)[EB/OL].国统计出版社出版, [2017-05-10].http://www.stats.gov.cn/.
[18]	Rodrigues M, Riva J D L, Fotheringham S.Modeling the spatial variation of the explanatory factors of human-caused wildfires in Spain using geographically weighted logistic regression[J]. Applied Geography, 2014. 48(48):52-63.
[19]	郭福涛, 胡海清, 马志海, 等. 不同模型对拟合大兴安岭林火发生与气象因素关系的适用性[J]. 应用生态学报, 2010,21(1):159-164.
[20]	许仲林, 彭焕华, 彭守璋. 物种分布模型的发展及评价方法[J]. 生态学报, 2015,35(2):557-567.
[21]	Martínez J, Vega-Garcia C, Chuvieco E. Human-caused wildfire risk rating for prevention planning in Spain[J]. Journal of Environmental Management, 2009,90(2):1241-1252. doi: 10.1016/j.jenvman.2008.07.005 pmid: 18723267
[22]	张源长, 谭正刚, 万丽娟, 等. Arcgis视域分析在鹿门寺景区林火视频监控中的应用[J]. 湖北林业科技, 2012,174(2):31-33.
[23]	靳诚, 陆玉麒, 范黎丽. 基于公路网络的长江三角洲旅游景点可达性格局研究[J]. 自然资源学报, 2010,25(2):258-269.
[24]	尹海伟, 孔繁花. 济南市城市绿地可达性分析[J]. 植物生态学报, 2006,30(1):17-24.
[25]	Chang Yu, Zhu Zhiliang, Bu Rencang, et al. Predicting fire occurrence patterns with logistic regression in Heilongjiang Province,China[J]. Landscape Ecology, 2013,28(10):1-16.
[26]	苏漳文, 刘爱琴, 梁慧玲, 等. 基于气象因子的福建省森林火险预测模型[J]. 森林与环境学报, 2015,35(4):370-376.
[27]	谢振光. 大兴安岭北部林区森林防火基础设施建设成效及对策[J].林业资源管理, 2014(6):21-23.

变量类型	变量	数据来源/精度	单位
地形	高程	国家测绘局基础地理信息中心(数字高程模型数据)^[14]	1m
	坡度		%
	坡向		%
气候	月平均降水量	国家地球系统科学数据共享平台 HADCM2模式中国区域数据集^[15]	1mm
	月平均气温		0.1℃
	月平均相对湿度		%
植被	植被覆盖度	国家基础科学数据共享服务平台,地理空间数据云^[16]	%
社会经济 (1)	人均收入	中国统计年鉴 (2000—2010年)^[17]	1元
	受教育程度		%
	电力消费量		亿kwh
变量类型	变量	数据来源/精度	单位
社会经济 (2)	距离居民点距离	国家测绘局基础地理信息数据中心(矢量地形要素数据)^[14]	1 km
	距离铁路距离		1 km
	距离公路距离		1 km
基础设施建设	铁路运营里程	中国统计年鉴 (2000—2010年)^[17]	1 km
	公路运营里程		1 km
	等级公路		1 km
	等外公路		1 km
	距离河流距离		1 km

道路类型	国道	省道	县道	乡道	步行
速度(非林区)(km/h)	100	80	40	20	5
相对时间成本(min/km)	0.6	0.75	1.5	3	12
速度(林区)(km/h)	60	40	30	20	3
相对时间成本(min/km)	1	1.5	2	3	20

项目	样本组1	样本组2	样本组3	样本组4	样本组5	全样本
AUC	0.852	0.858	0.852	0.855	0.851	0.854
临界值	0.342	0.354	0.367	0.367	0.328	0.363
预测准确率/%	77.8	78.0	77.9	77.9	77.6	77.9

自变量因子	估值系数	标准误差	Wald 检验	显著性水平(p)
距离铁路距离	0.024	0.001	381.941	<0.001
距离河流距离	0.079	0.026	9.016	0.003
距离公路距离	0.069	0.004	315.839	<0.001
距离居民点距离	0.015	0.002	87.479	<0.001
坡度	0.014	0.007	4.476	0.034
月平均气温	0.087	0.005	316.728	<0.001
月平均相对湿度	-0.015	0.005	10.015	0.002
月平均降水	-0.072	0.026	7.505	0.006
植被覆盖度	-2.227	0.157	200.826	<0.001
受教育程度	-0.251	0.034	53.718	<0.001
电力消耗量	-0.003	0.001	18.769	<0.001
铁路运营里程	0.001	0.00035	15.87	<0.001
等外公路	0.001	0.000002	11.167	0.001
常量	-5.471	1.578	12.022	0.001

到达时间/h	比例/%	到达时间/h	比例/%
小于3	31.29	6~12	26.12
3~6	9.56	大于12	33.03