范佳乐,郭妍,于宏洲,孙龙,胡海清,胡同欣
(东北林业大学 林学院, 哈尔滨 150040)
近年,森林火灾频发,林火预测预报研究备受关注[1]。森林可燃物含水率直接影响林火发生的难易程度[2],并间接影响着火强度、火蔓延速度等火行为[3]。因此,可燃物含水率被广泛用作火险等级评估和火行为模型的输入数据[4-5]。特别是地表细小死可燃物含水率,是指示森林火险等级的重要指标[6]。美国和加拿大等国的森林火险等级系统都将可燃物含水率作为最基础的输入数据[7-8]。需要注意的,当可燃物含水率的误差为±50%(即平均为4%的可燃物含水率的±2%)时,会导致输出变量(如火灾蔓延速率等)中产生高达80%的误差[9]。可燃物含水率的预测精度要达到平均绝对误差在1%附近才能满足火灾行为预测和火灾风险预测的精度要求[10-11,29,37]。可见,准确连续实时地获取森林可燃物含水率是提高森林火险预报精度的核心任务[12]。而准确连续地实测可燃物含水率的难度很大,因此需要一种简单准确的方法对可燃物含水率进行自动连续的监测。
目前常用的可燃物含水率测定方法主要有测量法和预测法2种。测量法主要包括称重法、探针法和湿度棒法。其中称重法的结果最为准确,但需要耗费大量的人力、物力和时间,且不能实时地得到可燃物含水率,不能满足林火预测预报的要求[13];
探针法可以快速地测量可燃物含水率,但由于可燃物的结构和水分异质性以及有机质含量高等原因,探针法的准确性和稳定性较差[14];
湿度棒法相对于称重法较为快速,但由于放置可燃物棒的位置没有与地面接触,测得的含水率偏低[14],准确度较差[15]。预测法是当前的主要研究内容,指利用可燃物含水率的影响因子通过一系列经验或机械模型来对可燃物含水率进行预测[16-17]。主要有遥感估测法、气象要素回归法、平衡含水率法和过程模型法4类方法[18]。当前最完整和使用最广泛的方法是基于Catchpole等[19]提出的基于时滞和平衡含水率法,通过Nelson[20]模型,利用气象因子直接预测可燃物含水率[21],准确性较高,但仍有一定误差[22-23]。而且由于森林生态系统的异质性,典型可燃物类型的基础数据薄弱以及可燃物含水率数据观测困难等原因,导致模型的外推性不是很好[24]。综上,称重法的准确性最高,但存在的问题是获取数据的时间最长、难度最大。本研究中所应用的可燃物含水率自动测量仪器正是基于称重法以固定的步长测量可燃物含水率并同步测量空气温度和空气相对湿度等气象数据然后储存记录,实现了可燃物含水率的自动实时监测工作,解决了对地表细小可燃物含水率长期高精度自动化测量的难题。但在仪器的前期使用过程中发现其与人工实测数据仍存在一定的误差,需要分析误差原因,找寻校正方法[25]。提高仪器的准确性,使其满足林火预测预报对可燃物含水率的精度要求。
鉴于此,本研究以哈尔滨市城市林业示范基地内的蒙古栎(Quercusmongolica)林、樟子松(Pinussylvestrisvar.mongolica)林、蒙古栎-樟子松混交林为对象,通过仪器测量和人工实测2种方法获得含水率数据和气象因子数据,将二者进行比较,检验仪器测量含水率数据的准确性,结合环境因子和仪器的工作原理分析误差原因,找寻校正方法。本研究结果可以为校正仪器监测数据提供理论依据,为今后进行快速和准确的火险预测预报提供重要的技术支撑。
研究地点位于东北林业大学校内的哈尔滨市城市林业示范基地(126 °37 ′15 ″E,45 °43 ′11 ″N)。地形平缓起伏较小,海拔136~140 m。属中温带大陆性季风气候,四季分明,1月平均气温-15~-30 ℃,7月份平均气温19~23 ℃,年平均气温4.2 ℃。年均降水量569.1 mm,集中在6—9月份。土壤类型为地带性黑钙土。林分主要为人工林,以小面积纯林和块状混交林为主。主要树种有樟子松、胡桃楸(Juglansmandshurica)、蒙古栎、红松(Pinuskoraiensis)等。
2.1 仪器介绍
可燃物含水率自动测量仪器是一套基于称重法能够在野外长期自动连续测量地表细小可燃物含水率的仪器。总体结构由采集主机、拉力传感器、电动推杆、网兜、大气温湿度传感器、风速传感器、光照传感器、雨量传感器(选配)、安卓手机软件、蓄电池、太阳能电池板、测量支架、北斗短报文模块(选配)和北斗远程数据接收服务器(选配)等组成,组装完成后的主体大小约为55 cm×70 cm×120 cm,结构组成如图1所示。工作原理为将可燃物装于尼龙网兜内,下部与土壤表面接触、上部无覆盖物,保证其与周围环境的水汽交换,通过高精度的拉力传感器周期性自动提升样品,以实现样品湿重的连续测量,配合前期单独测得的样品干重,得到实时的样品含水率;
并在距地面1.2 m处同步地自动采集大气温度、大气相对湿度、风速和光照强度等气象数据。实现含水率数据和气象数据的自动实时监测工作。采样周期可设定为0.05~24 h任意时长。可燃物湿重的最大称重量程为1 000 g。仪器测得结果中可燃物湿重的精度为± 0.1 g、温度的精度为± 0.5 ℃、相对湿度的精度为± 0.1%、风速的精度为± 0.1 m/s、光照强度的精度为± 0.1 Lx、降水量精度为± 0.1 mm。
图1 仪器结构示意图Fig.1 Schematic diagram of the instrument structure
2.2 样地设置
本研究于2020年11月1日至2020年11月16日及2021年5月1日至2021年5月21日进行样地调查和地表可燃物含水率数据监测。在所选取的3种林分(蒙古栎林、蒙古栎-樟子松混交林、樟子松林)中分别设置1块20 m×20 m的标准样地。在每块样地中随机设置1个样点,布设森林可燃物含水率自动测量仪器,同时在每台仪器周围随机选取3个样点人工实测含水率。具体样地信息见表1。
表1 样地基本信息
2.3 数据来源
由于每个林分内地势平缓,坡度变化不大,所以选择的样点均为平地。采集样地当年地表凋落物作为实验样品,带回实验室,在105 ℃的条件下烘干24 h至恒质量,并记录为干质量。同时测量尼龙网兜(100目)和尼龙网袋(20目)在正常室内条件下的湿质量后,烘至恒质量,随后称质量,记录为网兜和网袋的干质量,发现变化在0.02 g以内,所以后续测量时不考虑网兜和网袋吸水。将样品分别装于尼龙网兜和网袋内,然后将装有样品的尼龙网兜与设备的称重装置相连接,水平放置于地面之上,下部与土壤相邻接触,上部无覆盖物,使之能够与周围环境进行水汽交换。以30 min为步长通过拉力传感器提升尼龙网兜,获取样品湿重和网兜的总重量并记录,由于不考虑网兜的吸水,所以样品湿重即为测得的总重量减去之前所测得的网兜干重。随后将尼龙网袋随机放置在仪器周围,要求与上述相同,每个样地设置3组重复,每天8:00—16:00每隔3 h在样地人工实测样品湿重+网袋的重量,并进行记录。以3个样点的算数平均值代表可燃物含水率数据。
气象数据是通过仪器与重量同步(30 min为步长)测量获得的,包括空气温度(T)、空气相对湿度(H)和风速(W)等气象参数。由于网兜在称重过程中,会因过大的风速左右摆动,导致所得数据的误差偏大,所以将仪器测量时的风速阈值设置为2 m/s,当风速大于阈值时不进行称重。
2.4 地表可燃物含水率计算
地表可燃物含水率根据公式(1)进行计算
(1)
式中:M为地表可燃物的含水率,%;
WH为地表可燃物的湿质量,g;
WD为地表可燃物的干质量,g。
2.5 数据处理
将2020年所得的含水率数据与气象数据进行基本的统计分析,并分析仪器含水率与人工实测含水率的相关性,绘制对比折线图。可以得到二者虽然差异显著,但都在0.01级别极显著相关。然后,对仪器测量和人工实测含水率的差值同仪器测量含水率Wi以及气象数据进行Pearson相关性分析和Spearman相关性分析。由于可燃物含水率对气象因子的响应具有一定的滞后性[26],所以选择了当期气象因子以及前1、2、3、4、5 h的气象因子,分别以下角标0、-1、-2、-3、-4、-5表示,如前2 h的温度表示为T-2;
因为风速阈值的设定导致研究期间大部分风速小于1m/s,且变化幅度较小,对含水率的影响偏低,为了使其对含水率的影响更加显著,将风作为1个二进制变量进行研究[4]。随后采用向前逐步回归的方式对具有显著相关关系的变量进行筛选,选出构建模型的变量,建立线性回归模型;
并且,考虑到差值与所选变量之间并不一定呈线性关系,还选择非线性回归模型中的二次多项式、三次多项式、指数函数和对数函数来建立校正模型[27-28],并计算模型的平均绝对误差(MAE)和平均相对误差(MRE),比较模型精度,选择每种林型中最优非线性模型进行下一步研究。分别将通过2种方法所得校正后的仪器含水率作为纵坐标,人工实测含水率为横坐标绘制1∶1误差散点图。随后对校正后的仪器含水率与人工实测含水率进行配对样本t检验,判断二者是否存在显著差异[24],并计算二者的平均绝对误差和平均相对误差,评价模型的校正效果。最后带入2021年实验数据,检验线性和非线性校正模型的外推性,确定最终的校正方法。
本研究所有的数据处理和绘图均采用R 4.1.1和SPSS 25.0软件完成。
3.1 可燃物含水率和气象因子动态变化
研究期间气象要素的基本统计分析情况见表2。可以看出,在研究期间温度的最大值为12.400 ℃,最小值为-6.900 ℃,平均值为4.344 ℃,通过75%分位数可以得出研究期间的温度大部分都低于7.100 ℃。相对湿度的平均值为60.829%,通过其25%分位数可以得出研究期间相对湿度较大,大部分相对湿度高于48.300%。风速的平均值为0.218 m/s,中值为0.100 m/s,其75%分位数为0.400 m/s,标准差为0.319,其在研究期间的变化较小。
表2 气象要素统计表
图2给出了研究期间人工实测含水率数据和仪器测量含水率数据的对比图以及相关系数。其中蒙古栎林、蒙古栎与樟子松混交林和樟子松林的人工实测含水率的平均值分别为17.225%、13.065%、12.881%;
仪器测量含水率的平均值分别为28.622%、17.742%、24.298%,人工测量值与仪器测量值之间存在明显的差异,但是从图2中可以看出,实测数据和仪器数据的变化趋势基本一致,Pearson相关性分析和Spearman相关性分析结果都在0.01级别极显著相关。但是3种林型的仪器数据都明显大于人工实测含水率数据,二者存在显著差异。这种误差都属于同一方向并且不具有相互抵偿性,增大样本量并不能消除误差。因此认为仪器测量所得数据与人工实测含水率数据之间的误差属于系统误差,需要对一种方法数据进行校正,才可使准确率提高,消除显著差异。
图2 人工实测含水率数据与仪器测量含水率数据对比图Fig.2 The comparison between the data of the moisture content measured manually and by the instrument
3.2 气象因子的相关性分析
3种林型中,仪器测量含水率和人工实测含水率的差值与仪器含水率数据和气象数据分别进行Pearson和Spearman相关性分析,结果如图3所示。由图3可以看出,2种方法所得结果中仪器测量含水率与3种林型的差值都具有极显著的正相关关系。此外,Pearson相关性分析的结果中,蒙古栎林还与1 h前的湿度具有显著正相关关系;
樟子松林与当期温度具有极显著负相关关系,与当期风速和2 h前的风速具有显著正相关关系,且相关性随距离采样时间的减少而增加,与3 h前的温度呈显著负相关。Spearman相关性分析结果中,除仪器测量含水率外,仅樟子松林中的当期风速还呈显著正相关关系。
3.3 仪器校正模型
3.3.1 线性回归模型
表3给出了仪器测量含水率Y与人工实测含水率的差值通过逐步回归所得的线性拟合模型。由表3可知,3种林型的模型都包括仪器含水率数据,另外蒙古栎林模型还包括前1 h空气相对湿度,樟子松林模型还将前3 h的温度选入模型。樟子松林的模型拟合效果最好,其R2为0.892,大于其余2种林型的模型;
MAE和MRE分别为0.012和0.098,均小于其余2种林型的模型。拟合出的线性回归模型的R2变化范围为0.509~0.892;
MAE的变化范围为0.012~0.020;
MRE的变化范围为0.098~0.224。
a.蒙古栎林;b.蒙古栎-樟子松混交林;c.樟子松林;**,在0.01级别相关性显著; *,在0.05级别相关性显著。
表3 仪器测量含水率与人工实测含水率差值的线性拟合模型Tab.3 The linear fitting model of the difference between the instrumental and manual measured moisture content
3.3.2 非线性回归模型
非线性回归模型(二次多项式、三次多项式、指数函数和对数函数)的建模结果见表4。由表4可知,在蒙古栎林中,三次多项式模型的R2均大于其余模型,MAE和MRE 均小于其余模型。这表明对于蒙古栎林,三次多项式模型为最优非线性模型。在蒙古栎-樟子松混交林中,三次多项式模型的R2与二次多项式模型相等都大于其余模型,MAE小于其余模型。这表明,对体蒙古栎-樟子松混交林,三次多项式模型为最优非线性模型。在樟子松林中,指数函数模型的R2均大于其余模型,MAE和MRE虽小于二次多项式模型和三次多项式模型,但差别较小并不显著。所以,对于樟子松林,指数函数模型为最优模型。综上,选择各林型中的最优模型进行下一步的研究,下文中提及的非线性模型均为各林型中的最优模型。
3种林型中,樟子松林的模型拟合效果最好,其R2为0.942,大于其余2种林型的最优模型。MAE和MRE分别为0.007和0.063,均小于其余2种林型的最优模型。3种林型的最优非线性回归模型的R2变化范围为0.565~0.942;
MAE的变化范围为0.009~0.015;
MRE的变化范围为0.077~0.486。
表4 仪器测量含水率与人工实测含水率差值的非线性拟合模型Tab.4 The non-linear fitting model of the difference between the instrumental and manual measured moisture content
3.3.3 模型误差分析
通过线性和非线性模型所拟合出的差值对仪器测量含水率进行校正,然后利用校正后的仪器数据与人工实测含水率数据绘制1∶1散点图,同时计算二者的平均绝对误差,如图4所示。由图4可以看出,蒙古栎林中分别通过线性模型和非线性模型进行校正后的仪器值与实测值的MAE分别为0.016和0.014,混交林中分别为0.017和0.015,樟子松林中分别为0.012和0.009,变化范围为0.009~0.017。无论是线性回归模型还是非线性回归模型其模型拟合的准确度由大到小都是樟子松林、蒙古栎林、蒙古栎-樟子松混交林。非线性回归模型的拟合效果在每个林型都要优于线性回归模型,其拟合线更接近于1∶1线。而且根据3.3.1和3.3.2小节可以得出,2种方法所构建的回归模型中非线性模型的R2、MAE和MRE都要稍稍优于线性模型,但二者的差异并不明显。
图4 校正后的仪器值与实测值1∶1散点图Fig.4 1∶1 scatter plot of the corrected instrumental value and the measured value
3.4 校正后仪器测量含水率数据的检验
表5给出了各林型校正后仪器数据与实测数据进行配对样本t检验的结果。由表5可以看出,所有校正后的仪器数据都与实测数据具有显著的正相关性。3种林型在通过线性回归模型得到的校正后仪器数据与实测数据的相关性都要小于非线性回归模型的。2种方法所有样本检验的结果都为双尾显著性水平的P大于0.05。这就说明这些校正后的仪器数据与实测数据之间没有显著差异,通过校正,仪器数据的准确性提高。
3.5 模型外推性研究
将2021年所得数据代入到上述模型中,然后进行配对样本t检验,判断模型的外推性,其结果见表6。由表6可以看出,3种林型通过线性模型进行校正后,仪器数据与实测数据都具有显著的正相关关系,t检验的结果都为P>0.05,表明二者之间没有显著差异,外推性良好;
3种林型通过非线性模型进行校正后,蒙古栎林和樟子松林的校正后仪器数据与实测数据具有显著正相关关系,混交林为显著负相关关系。t检验的结果都为P<0.05,具有显著差异。这说明相比于通过线性模型进行校正后的仪器数据,非线性模型校正后与实测数据的差距较大,校正效果和外推性都较线性模型差。并且仪器数据与实测数据在理论上应具有相同的变化趋势,二者呈显著正相关。而通过非线性模型校正后混交林的校正后仪器数据与实测数据呈显著负相关。可以得出,非线性模型的外推性并不理想,校正后仍然具有显著差异。所以,选择线性回归模型作为仪器测量含水率数据的校正方法。
表5 校正后仪器数据与实测数据样本检验Tab.5 Sample inspection of instrumental data and measured data after calibration
表6 模型外推性检验Tab.6 Model extrapolation examine
本研究表明,仪器测量的可燃物含水率数据显著高于人工实测的数据,二者具有显著差异。但是,他们的变化趋势相似且都在0.01级别显著相关。通过对误差的性质和造成原因进行分析发现仪器测量的含水率数据与人工实测含水率之间的误差属于系统误差,需要进行校正以提高仪器数据的准确性,满足林火预测预报的需要。
造成系统误差的原因是网兜上所附着的水分和土壤颗粒等杂质。在野外条件下,林内环境复杂、湿度较大且降雨频繁。装可燃物用的尼龙网兜虽然自身的吸水性较差,正常室内环境下的质量与干质量的差值都在0.02 g以内,但网兜的目数较大、网格密集。网格上以及网兜边缘的缝隙间会附着一些水分;
网兜底部与土壤表面接触,底部所附着的水分会吸附一些土壤颗粒等杂质,使其黏着在网兜底部,导致质量增大。仪器的工作原理是通过拉力传感器推杆以固定的步长将装托可燃物的网兜提起并进行称质量,称质量时无法清除网兜上水分等杂质。而计算过程中仅将仪器获取的总质量减去网兜的干质量作为样品的湿质量,所以样品湿质量中仍包含网兜上所附着的水分和土壤颗粒等。但在人工实测过程中,为保证其准确性,在称质量前会将网袋上所附着的水分和杂质尽量抖落。因此仪器测得的含水率数据中误差主要来自网兜上所附着的水分和土壤颗粒等杂质。此外,尼龙网兜的目数不同其对可燃物与周围环境之间的水汽交换造成的影响可能也不同,目数越大影响越大。在试验过程中我们还发现可燃物的腐烂分解可能也会对测得的含水率数据产生影响。可燃物在自然环境中会不断地腐烂分解[29],廖利平等[30]的研究表明杉木(Cunninghamialanceolata)与火力楠(Micheliamacclurei)凋落物的1∶1混合物在一年时间分解了30%左右。在今后的研究中,应考虑这些方面的影响,设计试验对其进行定性定量的研究。
气象因子对仪器测量含水率数据与人工实测数据之间的显著差异具有一定影响,但相对而言关系较小。本研究中,除仪器含水率数据,还分别将前1 h的相对湿度和前3 h的温度选入校正模型。这与之前的研究结果相似[31-32],温度和相对湿度是影响可燃物含水率的主要气象因子,二者在影响可燃物含水率时可以起到协同作用[33],且含水率对气象因子的响应具有一定的滞后性[26]。风速没有被选入模型,这是由于本研究中仪器风速阈值的设置,导致风速变化较小,其对含水率的影响较小[34]。对风速数据进行二进制处理使其对含水率的影响更为显著[4],但结果没有发生变化。气象因子虽被选入模型,但通过相关性分析可以看出,气象因子与仪器数据和实测数据之间差值的关系相对较小,对校正模型的影响也相对较小。这就表明仪器数据与人工实测数据之间显著差异的主要是由于仪器测量存在系统误差导致,与气象因子的关系较小。
本研究中没有考虑降雨和土壤湿度的影响,因为当可燃物含水率大于35%时就基本不会燃烧[35],且雨后可燃物含水率存在较大的观测误差[36]。土壤湿度是可燃物含水率变化的重要因素[37-38]。但Rakhmatulina等[4]研究发现,土壤湿度对1 h可燃物含水率的影响虽然很显著但是很小,土壤湿度只能解释6%的可燃物含水率变化。此外,不同高度的温度和相对湿度会对可燃物含水率的预测结果造成影响,在可燃物表面附近测得温度和相对湿度的准确度相对较高[10]。而本研究所使用的温湿度等气象因子都是在距地面1.2 m处测得,在后续应进一步补充研究。
线性回归模型具有良好的校正效果和外推性,可以对仪器测量含水率数据进行校正,校正后的数据满足精度要求。本研究分别构建线性和非线性回归模型对仪器测量含水率进行校正。所有校正模型都将仪器测量含水率数据选入其中,另外蒙古栎林模型还包括前1 h相对湿度,樟子松林模型还将前3 h的温度选入模型。2种校正模型中非线性回归模型的精度要略优于线性回归模型,但二者的差异并不显著。校正后的仪器数据与人工实测数据都能通过配对样本t检验,没有显著差异;
二者的MAE均在1%附近,校正效果较好,满足林火预测预报的精度要求[10-11]。但是,在外推性方面,只有线性回归模型具有较强的外推能力,可以满足校正后仪器测量含水率数据与实测数据没有显著差异;
而非线性回归模型的外推性并不理想,校正后仍然具有显著差异。这可能是因为在构建非线性模型的过程中,由于数据量较少或模型的复杂度过高等问题出现了过拟合现象[39],导致非线性模型的外推性只能适用于建模数据而外推性表现很差,在后续的校正研究中要针对此问题进一步分析研究。
本研究表明,可燃物含水率自动测量仪器存在一定的误差,但可以通过线性回归模型进行校正,校正后的仪器含水率数据满足林火预测预报的精度要求。但是,本研究没有考虑到可燃物的腐烂分解造成的影响;
并且只在哈尔滨地区的典型林分内进行试验,没有考虑地形地势以及降雨的影响,具有一定的局限性。今后还应针对上述问题,对仪器的校正进行更进一步的研究。本研究结果可以为校正含水率自动测量仪器所得数据提供理论依据,提高了仪器测量含水率数据的准确性,具有良好的推广性和实际应用价值。