EN中文

地理科学 >

2025 , Vol. 45 >Issue 6: 1355 - 1368

DOI: https://doi.org/10.13249/j.cnki.sgs.20240163

其他研究论文

2001—2021年大兴安岭野火时空格局演变及影响因素分析

  • 李明星 , 1 ,
  • 丽娜 , 2, * ,
  • 那日苏 1 ,
  • 银山 1 ,
  • 许志丽 3 ,
  • 毕力格 3
展开
  • 1.内蒙古师范大学地理科学学院，内蒙古 呼和浩特 010022
  • 2.内蒙古师范大学经济管理学院，内蒙古 呼和浩特 010022
  • 3.内蒙古自治区人工影响天气中心，内蒙古 呼和浩特 010051
丽娜。E-mail:

李明星（1997—），女，内蒙古通辽人，硕士研究生，主要从事森林草原火灾风险评价研究。E-mail:

收稿日期: 2024-03-13

  修回日期: 2024-06-20

  网络出版日期: 2025-06-24

基金资助

内蒙古自治区重点研发与成果转化计划项目(2022YFSH0132)

内蒙古自治区直属高校基本科研业务费项目(2022JBQN055)

内蒙古自治区直属高校基本科研业务费项目(2022JBY031)

内蒙古自治区自然科学基金项目(2023QN04004)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Temporal and spatial pattern evolution and influencing factors of wildfire in the Da Hinggan Mountains from 2001 to 2021

  • Li Mingxing , 1 ,
  • Li Na , 2, * ,
  • Na Risu 1 ,
  • Yin Shan 1 ,
  • Xu Zhili 3 ,
  • Bi Lige 3
Expand
  • 1. College of Geographical Sciences, Inner Mongolia Normal University, Hohhot 010022, Inner Mongolia, China
  • 2. College of Economic and Trading Management, Inner Mongolia Normal University, Hohhot 010022, Inner Mongolia, China
  • 3. Inner Mongolia Weather Modification Center, Hohhot 010051, Inner Mongolia, China

Received date: 2024-03-13

  Revised date: 2024-06-20

  Online published: 2025-06-24

Supported by

Inner Mongolia Autonomous Region Key Research and Development and Achievement Transformation Program Project(2022YFSH0132)

Basic Research Funds for Universities Directly Under the Inner Mongolia Autonomous Region(2022JBQN055)

Basic Research Funds for Universities Directly Under the Inner Mongolia Autonomous Region(2022JBY031)

Natural Science Foundation of Inner Mongolia Autonomous Region(2023QN04004)

Copyright

Copyright reserved © 2025.
Fold

摘要

本文基于MCD64A1火烧迹地数据，采用空间分析法和集合经验模态分解法分析大兴安岭野火时空格局演变，利用逻辑回归模型，揭示影响大兴安岭野火发生的关键因素。结果表明：2001—2021年大兴安岭野火过火面积总体呈递减趋势，季节变化表现为主要集中在春秋两季，其中春季过火面积占全年的73%。从空间分布上看，大兴安岭春季野火主要聚集于研究区东北部以及中部区域，而夏、秋、冬季野火则多集中在研究区中部。此外，春秋两季野火在空间上呈较高的聚集性。近20 a研究区37%的区域野火面积呈上升趋势，而63%的区域呈减少趋势。按影响因子对野火发生概率的影响程度大小排序依次为：居民点密度＞月总降水量＞水系网密度＞月平均饱和水汽压差＞植被类型＞坡向＞月平均风速＞坡度＞道路网密度＞海拔高度，表明大兴安岭人为因子、与湿度相关的因子以及植被因子是野火发生的关键影响因素。

关键词： 野火; MCD64A1; 逻辑回归; 大兴安岭

本文引用格式

李明星 , 丽娜 , 那日苏 , 银山 , 许志丽 , 毕力格 . 2001—2021年大兴安岭野火时空格局演变及影响因素分析[J]. 地理科学, 2025 , 45(6) : 1355 -1368 . DOI: 10.13249/j.cnki.sgs.20240163

Abstract

This study systematically analyzes the spatiotemporal pattern evolution characteristics of wildfires in the Da Hinggan Mountains by comprehensively applying spatial analysis and Ensemble Empirical Mode Decomposition (EEMD) methods, based on the MCD64A1 burned area dataset. Additionally, by constructing a logistic regression model, this research deeply reveals the key driving factors influencing wildfire occurrence in this region. The research results show that during the period of 2001—2021, the overall burned area of wildfires in the Da Hinggan Mountains showed a significant decreasing trend. In terms of seasonal distribution characteristics, wildfire occurrences were mainly concentrated in spring and autumn, with the burned area in spring accounting for 73% of the annual total. In terms of spatial distribution characteristics, spring wildfires in the Da Hinggan Mountains exhibit a significant clustering pattern, primarily concentrated in the northeastern and central regions of the study area. The spatial distribution of summer, autumn, and winter wildfires is relatively centralized, with the central part of the study area as the core region. Further analysis shows that wildfires in spring and autumn have a high degree of spatial clustering. Monitoring data over the past 20 years indicate that the burned area has shown an upward trend in 37% of the study area, while a downward trend has been observed in 63% of the area, demonstrating remarkable spatial heterogeneity. The influencing factors were ranked by their impact on wildfire occurrence probability as follows: settlement density > monthly total precipitation > water system density > monthly average saturation vapor pressure deficit > vegetation type > slope aspect > monthly average wind speed > slope gradient > road network density > altitude. These findings highlight that anthropogenic factors, humidity-related variables, and vegetation types are critical drivers of wildfire occurrence in the Da Hinggan Mountains, providing a scientific basis for regional wildfire prevention and ecological management.

Key words： wildfire; MCD64A1; logistic regression; the Da Hinggan Mountains

森林是陆地生态系统的重要组成部分，具有维持地球生态平衡、改善生态环境质量、保持生物多样性等重要生态系统服务功能。野火是指一切发生于野外植被中的火[1]。在众多能够危及到森林生态系统平衡的自然界干扰因子中，野火是重要的功能性干扰因素。近几十年来，全球气候异常干燥，有利于野火发生的复合天气事件愈加频繁，世界范围内的野火灾害呈现加剧趋势[2-3]。北极地区[4]、永久冻土和泥炭地等[5]生态系统正遭受野火侵扰，大量二氧化碳被释放到大气中，加剧了全球变暖现象，进而增加野火发生风险，因而火灾未来发生概率和强度受到广泛关注。2016年由国务院批准实施的《全国森林防火规划（2016—2025年）》文件（https://www.gov.cn/xinwen/2016-12/29/content_5154054.htm），提出了10 a森林防火发展总体思路、发展目标、建设重点和长效机制建设，用以指导全国森林防火工作。2020年国内发生森林草原火灾1153起，受灾面积约为8537.25 km2 ①。研究发现近年来随着全球气候变暖以及厄尔尼诺等现象频现，中国北方森林的火烧频率大幅度增加[6]。大兴安岭地区，作为中国北方地区重要生态安全屏障，是全球受气候变化影响最明显的地区之一。1987年5月6日发生在黑龙江省大兴安岭地区特大森林火灾，持续21 d，烧毁133万km2的森林，致使人民的财产、国家的森林资源损失惨重[7]。火灾发生后，国内森林防火工作受到高度重视，并采取了有效措施，随后北方地区的森林火灾次数及烧毁面积均大幅减少。野火作为大兴安岭地区生态系统的重要干扰因子之一，揭示野火的时空分布特征和规律，能够为该地区火灾安全管理和未来气候变化背景下野火的预测提供重要参考[8]，因此，探明影响大兴安岭野火发生的因素，对于火灾防控工作具有重要的指导意义。
在气候变化背景下，近年来关于野火发生规律和影响因素的研究受到了广泛关注。有关野火时空规律分析方面，国内外学者开展了大量研究，如国外学者通过分析葡萄牙地区林火的驱动因子以及时空分布，发现不同地理方位，不同环境气候下的林火分布具有明显差异[9]。中国学者以全国、省市为研究区域，均发现森林火灾的发生具有显著的区域性特征且不同地区的林火具有明显的季节性差异[10]。黑龙江省森林火灾发生频率最多的是春季，其次是秋季[11]，而西南地区大部分森林火灾发生在11月—翌年5月[12]。大兴安岭地区林火主要集中在春秋两季，同时林火在空间上由东北向西南呈不均匀分布[13]。此外，火灾频发与人类活动及气候特点息息相关[14]。最新研究表明，林火发生主要与降水量、温度等气候因素相关[15]，黑龙江省春季林火发生期有向早春偏移的趋势，秋季林火则向夏季偏移并延长。因此，气象条件是野火发生及其蔓延的决定性因素，其中气温与降水是对野火发生具有显著影响的气候因子[16-17]。然而，不同地区的野火对气候变化的响应表现出差异性，有研究者运用logistic回归模型进行拟合分析发现，降水量、温度、相对湿度以及风速等气候要素对福建省林火的发生具有显著影响[18]。有学者利用GIS空间分析法对蒙古高原草原火进行深入分析，认为降水是该地区火灾发生的主要影响因素[19]。江西省关于森林火灾的相关研究表明，火灾的发生主要受气温和海拔的影响[20]。随着全球地表气温升高，大部分地区土壤干旱和大气干旱情况不断加剧，其中大气干旱程度与森林火灾、植被死亡以及极端事件的发生发展有直接联系。如当大气处于极端干旱的情况下，森林火灾风险加剧，植被死亡率增加[21]。饱和水汽压差（Vapor Pressure Deficit，VPD）是衡量大气干湿程度的关键指标之一[22]。高VPD值加速了植被的水分蒸发过程，从而更容易被点燃，增加火灾发生的风险。也有研究明确指出，全球范围内极端火灾天气的频繁出现，主要归因于相对湿度的减少与温度的升高[23]。多位学者[24-25]在林火预测及气象影响因素的深入研究中，均指出降水与温度对林火发生特征具有显著影响。国外相关研究表明，气候变化是影响美国西部火灾的一个主导因素。极端气候条件是决定火灾发生地点、频次以及过火面积的关键因素。特别是在加州地区，长期干旱与气温上升现象显著加剧了秋季极端野火事件的风险[26]。此外，野火的发生与地形因子间存在着显著的相关性，有学者[27]采用增强回归树模型对大兴安岭地区林火进行研究，发现不同的植被条件和地形条件对火烧烈度具有显著影响。也有研究[28]针对内蒙古地区深入分析了不同地形因子对火灾分布格局的影响，结果表明林火的分布呈现出一定的地形梯度特征。同样，有学者探究了加拿大温带森林中人为活动引发的野火进行了时空分布规律[29]，发现随着着火点与人类建筑设施之间距离的增大，人为火发生概率呈现出逐渐降低的趋势。综上所述，以往的研究已经明确证实不同地区野火对各类驱动因素的响应存在显著的差异性，为深入探究野火的影响因素奠定了坚实基础。然而，这些研究大多局限于分析单一的气候因子或人为干扰因素对地区野火的影响，尚未全面考虑多种因素的综合作用。故本研究通过综合考虑饱和水汽压差和植被类型等多个因子，构建野火发生概率的预测模型，通过评估这些影响因子对野火发生概率的具体贡献程度，从而确定影响野火发生的关键性因素。
大兴安岭作为中国北方重要的生态屏障，被誉为“北疆绿色长城”，是中国最大的国有林区，也是中国森林火灾发生率较高的林区之一。因此，本文以大兴安岭为研究区，以野火为研究对象，基于2001—2021年的大兴安岭地区多源遥感数据，采用空间分析、统计分析与逻辑回归等方法，深入分析研究区野火时空分布与聚集性，揭示其时空演变规律，明确影响野火发生的关键因子，为区域野火预防、管理及政策制定等提供科学依据。

1 研究区概况

大兴安岭位于内蒙古自治区东北部和黑龙江省西北部（119°36′E~126°88′E、41°55′N~53°20′N ），是东北-西南走向的山脉，地势西北高东南低，北起黑龙江畔，南部与河北省接壤，平均海拔为1200~1300 m（图1），研究区大部分以温带大陆性季风气候为主，大兴安岭北段属寒温带大陆性季风气候区，年平均气温低于0℃，年平均降水量为450~500 mm，无霜期为90~110 d[30]。森林覆被率在60%以上，是中国保存较好、面积最大的原始森林，木材贮量占中国的1/2，主要植被类型以兴安落叶松（Larix gmelinii）占优势的针叶林为主，同时分布着红皮云杉（Pica koraiensis）、白桦（Betula platyphylla）、樟子松（Pinus sylvestris var. mongolica）、蒙古栎（Quercus mongolica Fisch）、山杨（Populus davidiana）、二色胡枝子（Lespedeza bicolor Turcz）、兴安杜鹃（Rhododendron dauricum）等[31]。防火期分为2个阶段：每年3月15日至6月15日的春季防火期以及9月15日至11月15日的秋季防火期。
图1 研究区地理位置

Fig. 1 Location of the Da Hinggan Mountains

2 材料与方法

2.1 数据来源与处理

本研究中所使用的MODIS遥感数据包括MCD64A1火烧迹地产品与每16 d合成的MOD13Q1归一化植被指数（Normalized Difference Vegetation Index，NDVI）。上述数据均从美国航空航天局（National Aeronautics and Space Administration, NASA）网站①下载获取，空间分辨率均为500 m，其中火烧迹地产品数据时间分辨率为每月1次。利用MODIS Reprojection Tool（MRT）转换工具对影像进行拼接及投影转换等预处理工作，随后借助ArcGIS10.8软件对影像进行按掩膜裁剪并提取相关的信息。
本研究采用了欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts, ECMWF）发布的第五代大气再分析气象数据集②。选用了2001—2021年逐月平均气温、相对湿度、降水量和风速数据，空间分辨率为0.1°×0.1°。
饱和水汽压差（Vapor Pressure Deficit, VPD）是量化了在当前气温下，空气中实际存在的水蒸气量与空气能够容纳的最大水蒸气量（即饱和水蒸气量）之间的差值[32]。这个差值反映了空气的干燥程度，当VPD值较高时，表明大气中的水汽含量相对较低，空气较为干燥；而当VPD较低时，则表明空气中的水蒸气含量接近饱和，空气较为湿润。从野火的角度来看，持续升高的VPD表明生态系统更容易被点燃，更利于火势蔓延。本文计算月尺度饱和水汽压差（VPD）所使用的温度（T）和相对湿度（RH）数据均来源于ERA5再分析月平均数据，空间分辨率为0.1°× 0.1°。公式如下：
$ {{VPD}}\text{=6.112×}\text{exp}\left(\dfrac{17.62T}{243.12+T}\right)\text{×}\left(1-RH\right)\text{×0.1} $
本研究采用地理空间数据云平台（http://www.gscloud.cn/）提供的高程数据，空间分辨率为90 m。其他如内蒙古行政矢量界限以及研究区范围矢量界线等数据来源于内蒙古遥感与地理信息系统重点实验室。
本研究选取了野火影响因子包括固定因子（坡向、坡度、海拔高度）、半固定因子（居民点密度、水系网密度、道路网密度、植被类型）以及动态因子（月总降水量、月平均饱和水汽压差、月平均风速、月平均气温）。以此构建野火发生概率模型，确定上述10个影响因子对野火发生概率的贡献程度。根据大兴安岭实际气候情况，本文季节划分为：春季为3—5月，夏季为6—8月，秋季为9—11月，冬季为12月—翌年2月。

2.2 研究方法

2.2.1 集合经验模态分解方法

集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）方法是一种近年来发展的时间上局部的自适应时间序列分析技术，适合于分析非线性、非稳定的时间序列[33]。野火活动的时间序列恰好是一个非线性、非稳定的过程，因而为了更好地捕捉大兴安岭野火的动态趋势，本文利用EEMD方法对大兴安岭2001—2021年不同时间尺度的野火过火面积时间变化进行非线性动力学分析。以下是EEMD的步骤与公式：
1）对原始时间序列 x(t)中加入白噪声；
2）把加入白噪声的数据分解成不同的本征函数；
3）再加入不同的白噪声并重复1~2次；
4）对集合计算均值，得到EEMD分解结果。
$ x\left(t\right)={\displaystyle\sum }_{j=1}^{n}{C}_{j}\left(t\right)+{R}_{n}\left(t\right) $
式中，$ x\left(t\right) $为原始时间序列，$ {C}_{j}\left(t\right) $为第$ j $个本征函数，$ {R}_{n}\left(t\right) $为该变量的非线性趋势项，n代表本征函数的个数。

2.2.2 多距离空间聚类分析

多距离空间聚类分析（Ripley’s K函数）方法利用区域内若干空间点，分析火点分布在不同的空间尺度上是否具有聚集特征，这是目前研究点特征空间分布模式的最有效的方法之一。该函数首先假设野火发生在空间尺度上均匀分布，随后按照一定半径距离统计搜索圆范围内的火点数量，通过比较这些火点的平均数和区域内火点密度比值的实测值与理论值来判断实际观测的野火发生呈现出的空间分布特征是聚集、发散还是随机。本文利用Ripley’s K函数开放线性转换后构造的指标来判别大兴安岭野火的空间聚集特征[34]。

2.2.3 空间演变的算法

本文利用MCD64A1过火面积数据，基于1 km×1 km网格开展了空间分辨率为500 m ×500 m的过火面积数据，并计算每个网格内燃烧面积占网格的比例，得到空间分辨率为1 km的过火面积占比数据，基于这些数据，计算得出燃烧面积比例的空间变化率。具体步骤为：提取2001—2021年季节和年际过火面积数据，将1 km×1 km网格与过火面积像元数据批量导出为Excel表格，在ArcGIS中的关联网格矢量与Excel表中的百分比数据后转为栅格文件，利用Matlab计算空间变化趋势，最后在ArcGIS中利用自然断点法对趋势结果影像进行重分类，生成野火过火面积占比的空间变化率分布图。

2.2.4 逻辑回归分析

目前，国内外很多学者应用逻辑回归模型对林火发生的空间格局及预测预报进行分析[35]。本研究应用逻辑回归模型作为野火发生的概率模型，由于逻辑回归模型要求数据为二项分布形式，因此基于前人研究结果，利用ArcGIS10.8软件将火点数据按照1∶1.5的数量比生成随机点（非火点），随机点的生成在时间和空间上完全随机，将最小允许距离设置为1 km。将已知火点的值设为1，随机点赋值为0。然后，采用Extract multi values to points 工具把这些点所在位置的野火影响因子栅格值依次提取，利用SPSS26.0软件将导出的数据标准化再进行回归分析。采用随机抽样法，训练样本70%，验证样本30%，训练数据3500火点，验证数据944火点，用于模型的可信度检验。

2.2.5 逻辑回归模型的检验

近年来受试者工作特征（receiver operating characteristic，ROC） 曲线在logistic回归模型的拟合方面应用越来越广泛，该曲线的检验方法是以曲线下面积值（Area Under the Curve，AUC）来反应模型预测的准确率，AUC的取值一般为[0.5,1.0]，若AUC值为 [0.5,0.7），说明模型的区分能力较差，预测价值低；为[0.7,0.9]，则说明模型有较高的预测价值，具有一定的区分能力；(0.9,1.0]则说明模型的区分能力非常好[36]。

3 结果分析

3.1 2001—2021年大兴安岭野火时间分布变化

3.1.1 大兴安岭野火年际尺度变化特征

图2为利用集合经验模态分解（EEMD）方法分析了大兴安岭过火面积时间序列特征。EEMD方法充分捕捉了时间序列的动态变化信息，结果显示秋季过火面积呈现先增加后减少的趋势，而冬季则表现为先减少后增加的变化特征。无论在年际、季节尺度上，过火面积均呈下降趋势，但期间不断呈现出波动性变化。其中2003年过火面积最大（12675.5 km2），2008年次之（9206.5 km2），2021年最小（465.75 km2）。自2009年起，过火面积基本控制在4000 km2以下，并以132.48 km2/a的速率在持续减少。从季节尺度上看，春季过火面积以110.23 km2/a的速率持续减少；夏季过火面积缓慢减少（5.75 km2/a）；秋季过火面积虽然呈现出先上升后减少动态变化，但总体上以13.18 km2/a的速率呈下降趋势；冬季则呈现先下降后上升的趋势，整体以4.39 km2/a的速率缓慢减少。
图2 2001—2021年大兴安岭过火面积的时间序列及其变化趋势

S表示每10 a野火总体变化趋势；EEMD是利用集合经验模态分解（EEMD）方法画出的过后面积的变化趋势线

Fig. 2 Time series and chang trend of burned area in the Da Hinggan Mountains from 2001 to 2021

3.1.2 大兴安岭野火年内尺度变化特征

由图3可知，大兴安岭地区过火面积存在显著季节性差异。2001—2021年春、夏、秋、冬分别占全年过火面积的比重分别为73%，8%，15%，4%，说明春季是该地区野火主要高发季节，总过火面积达37×103 km2。其次是秋季，总过火面积约为7.59×103km2。夏、冬两季总过火面积之和达到6.17×103km2。从月尺度来看，野火主要集中在3—5月和8—9月，总过火面积超过全年总量的89%，其中3月过火面积最高，为25×103km2。相比之下，12月至翌年1月过火面积接近于零，为全年火灾发生最少的时段。
图3 2001—2021年大兴安岭不同季节过火面积

Fig. 3 Burned area in different seasons in the Da Hinggan Mountains from 2001 to 2021

3.2 大兴安岭野火空间格局演变分析

3.2.1 大兴安岭野火空间分布特征

图4为2001—2021年大兴安岭火烧迹地分布。大兴安岭野火主要集中分布于中部和东北部森林区域，其中中部野火发生面积显著多于东北部，而南部地区仅有零星火烧迹地分布，野火发生较少。由图4a可知，2001—2021年，内蒙古野火面积最大的区域为呼伦贝尔市，累计过火面积高达310.45×106km2，占全区野火总面积的77%，是野火高发的核心区域。其次是黑龙江省呼玛县，该区域累计过火面积为56.76×106km2，占全区野火总面积的14%。通辽是野火面积最小的行政区，仅占全研究区野火总面积的0.002%。图4b显示，春季野火的集中高发区是大兴安岭东北部呼伦贝尔与黑龙江地区，夏、秋、冬季的野火则多集中于呼伦贝尔。因此，呼伦贝尔是研究区野火发生主要聚集区。
图4 2001—2021年大兴安岭不同年份和不同季节野火火烧迹地分布

Fig. 4 Distribution of wildfire burned area in different years and seasons in the Da Hinggan Mountains from 2001 to 2021

3.2.2 大兴安岭野火空间聚集性特征

利用多距离空间聚类函数（Ripley’s K函数）分析大兴安岭不同季节的野火空间聚集性特征（图5）。结果表明，当空间尺度小于260 km时，研究区春季野火在空间上呈现出较强的聚集性，超过此距离则呈离散分布；而夏季野火在空间尺度小于330 km范围内呈显著聚集，超过此距离则呈离散状态；此外，秋季野火在220 km以下显著聚集，而大于此距离后呈离散状态；冬季野火空间尺度在小于182 km范围内显著聚集，大于此距离时便表现出扩散的分布特点。以上结果表明，大兴安岭野火主要集中在春、秋2个季节并且野火发生次数较多，在空间尺度上具有较强的聚集性，而在夏季发生较少且分布相对离散。因此，当在较小空间尺度下，研究区2001—2021年的野火空间分布形式为聚集分布。
图5 2001—2021年大兴安岭不同季节野火空间聚集性

Fig. 5 Spatial aggregation of wildfires in different seasons in the Da Hinggan Mountains from 2001 to 2021

3.2.3 大兴安岭野火空间演变趋势

图6为2001—2021年大兴安岭不同时间尺度野火过火面积占比的空间变化率。研究发现，野火上升趋势的面积占研究区37%，减少趋势的面积占63%。在季节尺度上，春季野火变化区集中在东部，上升面积占比为33%（变化区集中分布于鄂伦春自治旗西南部、莫力达瓦达斡尔自治旗以及阿荣旗），下降面积占比为67%（集中分布于根河市、呼玛县以及鄂伦春自治旗东南部）。夏季野火占比变化区域集中在呼伦贝尔市西部，上升趋势面积占比为41%，下降趋势占比为59%。秋季野火占比变化区零散分布于整个研究区，过火面积占比呈下降趋势的面积占整个过火区的58%（集中分布于黑龙江省呼玛县东南部、呼伦贝尔东部鄂伦春自治旗东部区域以及牙克石西部），上升面积占42%（主要分布在额尔古纳、陈巴尔虎旗和牙克石区域，以及赤峰市）。研究区冬季野火占比变化率以下降趋势为主，占整个过火区域的74%，分布在呼伦贝尔南部区的莫力达瓦达斡尔自治旗、阿荣旗以及扎兰屯。
图6 2001—2021年大兴安岭不同季节野火面积占比的空间变化率

1漠河市；2塔河县；3呼玛县；4额尔古纳市；5根河市；6鄂伦春自治旗；7加格达奇区；8莫力达瓦达斡尔族自治旗；9阿荣旗；10牙克石市；11陈巴尔虎旗；12鄂温克族自治旗；13新巴尔虎左旗；14阿尔山市；15扎兰屯市；16扎赉特旗；17科尔沁右翼前旗；18突泉县；19科尔沁右翼中旗；20扎鲁特旗；21阿鲁科尔沁旗；22巴林左旗；23巴林右旗；24林西县；25克什克腾旗；26翁牛特旗；27赤峰市区；28敖汉旗；29朝阳市建平县；30喀喇沁旗；31赤峰市宁城县

Fig. 6 Spatial change rate of wildfire area proportion in different seasons in the Da Hinggan Mountains from 2001 to 2021

3.3 大兴安岭野火影响因素分析

3.3.1 构建野火发生概率模型

利用近20 a火点数据的70%作为训练样本，按照1∶1.5的数量比生成随机点（火点与非火点），并提取对应的火点与非火点处的影响因子像元值，数据标准化再采用逻辑回归法进行回归分析。根据模型拟合结果（表1），建立大兴安岭地区野火发生概率模型为：
表1 模型参数与检验结果

Table 1 Model variables and test result

模型变量 回归系数 标准误差 卡方值 显著性 回归系数的指数函数Exp （b）
月总降水量 0.470 0.027 291.959 0.000 1.600
月平均风速 -0.269 0.036 54.903 0.000 0.764
月平均饱和水汽压差 0.242 0.051 22.962 0.000 1.274
海拔高度 -1.181 0.061 377.101 0.000 0.307
坡向 0.019 0.020 0.913 0.339 1.019
坡度 -0.623 0.029 461.202 0.000 0.536
植被类型 0.208 0.022 87.256 0.000 1.231
居民点密度 1.273 0.099 166.496 0.000 3.571
道路网密度 -0.677 0.089 57.316 0.000 0.508
水系网密度 0.314 0.021 225.537 0.000 1.369
常量 -0.740 0.022 1124.383 0.000 0.477
$ P=1/\left(1+\mathrm{e}^{-0.74+0.47x_1-0.269x_2+0.242x_3-1.181x_4+0.019x_5-0.623x_6+1.273x_8-0.677x_9+0.314x_{10}}\right) $
式中，$ P $为野火发生概率；$ {x}_{1} $为月总降水量（mm）；$ {x}_{2} $为月平均风速（m/s）；$ {x}_{3} $为月平均饱和水汽压差（kPa）；$ {x}_{4} $为海拔高度（m）；$ {x}_{5} $为坡向（°）；$ {x}_{6} $为坡度（°）；$ {x}_{7} $为植被类型；$ {x}_{8} $为居民点密度；$ {x}_{9} $为道路网密度，km/km2；$ {x}_{10} $为水系网密度，km/km2。

3.3.2 野火发生影响因素分析

模型显著性检验结果显示，各影响因子的显著性值均小于0.05，并通过了Wald检验，表明对野火发生具有显著影响。月总降水量、月平均饱和水汽压差、植被类型、居民点密度、水系网密度与野火发生呈显著正相关关系；月均风速、海拔高度、坡度和道路网密度则与野火发生呈显著负相关关系；坡向与野火发生呈弱正相关关系。表1中Exp（b） 值表示野火的发生频数与不发生频数之比，Exp（b） 值越大，该因子对野火发生的影响越显著[37]。模型中各野火影响因子对火灾发生概率的影响程度按大小排序依次为居民点密度＞月总降水量＞水系网密度＞月平均饱和水汽压差＞植被类型＞坡向＞月平均风速＞坡度＞道路网密度＞海拔高度。

3.3.3 野火发生概率模型精度验证

利用ROC曲线分析得出野火发生概率模型相应的特异性指数和敏感性指数，由此计算出野火发生概率模型的最佳阈值，并据此计算模型的准确率。结果表明，AUC为0.854，预测准确率在78.6%，说明模型的精度较高，拟合程度较好。

4 讨论

4.1 大兴安岭野火时空分布与演变规律分析

大兴安岭野火主要集中在春秋两季，呼伦贝尔和黑龙江地区是野火主要高发区域，该结果与相关研究[38]结果较为一致。气候变化与过火面积的增加存在着较强的关联，如2002年是重度干旱，林内植被干燥易燃，故2003年的气温在入春后回升较快，导致黑龙江省大兴安岭地区发生2次特大森林火灾[38]。同样，2007年的干旱天气叠加2008年高温干旱，导致该年度全年过火面积较高[39]。有研究发现近年来中国北方地区气候逐渐趋于暖干化[40]，高温干旱现象日益频繁，冬季积雪提前融化导致野火发生期提前，而夏季雷击火频发则加剧了火灾的发生[41]。除了自然因素，人类活动也是火灾发生重要诱因。每年春季，传统祭祀、外出踏青等活动极大增加了野火发生概率[42]，而到了秋季，农田烧荒和焚烧秸秆等行为使得野外用火变得极为频繁，从而导致野火事件的频发[43]。本研究结果表明不同时间尺度的过火面积占比空间变化率均以减少趋势为主，这一结果与人为火发生率不断降低有关。由于高温干旱等危险环境下对森林防火的管理政策往往更加严格，法律法规的严格实施是人为火灾大幅降低的关键因素[44-45]，有效减少了由于人为疏忽而导致的火灾。因此，近年来大兴安岭野火过火面积总体呈下降趋势，表明防火政策以及灾情处理取得显著成效。

4.2 大兴安岭野火影响因素分析

大兴安岭野火的发生受自然与人为因素共同影响，其中人为因素作用尤为显著。本文研究表明，居民点密度、水系网密度和植被类型与野火发生之间存在正相关关系。与无人居住区域相比，由于吸烟和农事用火等人为活动靠近居民点区域，因此火灾发生可能性相对较高[46]。而河流附近区域因湿润环境，大量可燃物在干燥季节积累，从而加剧了该区域的火灾风险[47]。此外，不同植物的生长习性和水分储存能力对火灾蔓延速度和火势有显著影响。其中，大兴安岭的主要森林类型是阔叶林，其次是混交林，最后是针叶林[38]。月总降水量、月平均饱和水汽压差与野火的发生呈正相关，表明降水和高湿天气有利于植被生长和可燃物累积，而高温干旱的环境则会加速可燃物水分蒸发，使其更加干燥，从而提升野火发生概率[48]。此外，月均风速、海拔高度、坡度和道路网密度与野火发生呈负相关，表明这些因子在一定程度上对野火发生起到了抑制作用，并且随着其数值的增加，抑制作用逐渐增强。这些因素通过影响火势蔓延、火源扩散范围以及灭火的响应效率等机制，在火灾发生时空分布上发挥作用。本文模型拟合结果显示，野火发生概率预测准确率为78.6%，ROC曲线AUC值＞0.854，显著性水平P＜0.01，该结果表明，在综合考虑上述驱动因素的基础上，所构建的预测模型能有效识别和预测大兴安岭地区的野火发生概率。

5 结论

本文通过分析2001—2021年大兴安岭野火时空分布特征，构建野火发生概率模型，揭示影响大兴安岭野火的关键影响因子。主要结论包括：①2001—2021年间大兴安岭野火过火面积在所有时间尺度上整体均呈下降趋势。②大兴安岭野火高发季节是春秋两季，且在空间分布上具有较高的聚集性特征。③2001—2021年间大兴安岭野火主要集中分布于研究区中部和东北部，且过火面积空间占比变化率均以减少趋势为主。④大兴安岭地区野火发生的关键影响因子是居民点密度、降水量、饱和水汽压差以及植被类型。
大兴安岭地区近20 a野火时空分布演变格局反映出中国北方野火发生频率、强度有所改善，但在气候变暖大背景下仍然面临严峻挑战。因此，提出了如下决策建议：①加强火源管控，提高公民主动防火、积极预防的意识，人为火源管理是森林防火根源所在。②适当调整各地区法定火险期和防火资源配置，全面提升火灾预防能力。③加强火灾预警监测和扑救战术研究，服务当前与未来火灾预警防控等需求。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
周道玮, 岳秀泉. 论野火的三属性[J]. 草业科学, 1998(6):65-68.

Zhou Daowei, Yue Xiuquan. On three attributes of wildfire. Pratacultural Science, 1998(6):65-68.

[2]
吴月圆, 舒立福, 王明玉, 等. 近年世界森林火灾综述[J]. 温带林业研究, 2022, 5(4):49-54.

DOI

Wu Yueyuan, Shu Lifu, Wang Mingyu et al. A review of forest fires worldwide in recent years. Journal of Temperate Forestry Reasearch, 2022, 5(4):49-54.

DOI

[3]
徐书兴, 吴倩倩, 乔殿学, 等. 蒙古东部野火时空格局及其影响因素[J]. 中国沙漠, 2021, 41(2):83-91.

Xu Shuxing, Wu Qianqian, Qiao Dianxue et al. Spatiotemporal pattern and effecting factors of wildfire in eastern Mongolia. Journal of Desert Research, 2021, 41(2):83-91.

[4]
彭道福, 乐旭, 朱君, 等. 2019—2020年北极野火极端事件的气象成因解析[J]. 气候与环境研究, 2023, 28(2):195-206.

DOI

Peng Daofu, Yue Xu, Zhu Jun et al. Exploration of the meteorological drivers of extreme wildfire events in the Arctic during 2019—2020. Climatic and Environmental Research, 2023, 28(2):195-206.

DOI

[5]
Sophie L, Wilkinson R, Andersen P A et al. Wildfire and degradation accelerate northern peatland carbon release. Nature Climate Change, 2023, 13:456-461.

DOI

[6]
孙龙, 王千雪, 魏书精, 等. 气候变化背景下我国森林火灾灾害的响应特征及展望[J]. 灾害学, 2014, 29(1):12-17.

Sun Long, Wang Qianxue, Wei Shujing et al. Response characteristics and prospect of forest fire disasters in the context of climate change in China. Journal of Catastrophology, 2014, 29(1):12-17.

[7]
Zong Xuezheng , Tian Xiaorui, Yao Qichao et al. An analysis of fatalities from forest fires in China, 1951—2018. International Journal of Wildland Fire, 2022, 31(5):507-517.

DOI

[8]
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.

DOI

Shu Lifu, Zhang Xiaoluo, Dai Xingan et al. Forest fire research (Ⅱ): Fire forecast. World Forestry Research, 2003(4):34-37.

DOI

[9]
Parente J, Pereira M G, Amraoui M et al. Negligent and intentional fires in Portugal: Spatial distribution characterization. Science of the Total Environment, 2018, 624:424-437.

DOI

[10]
乔泽宇, 房磊, 张悦楠, 等. 2001—2017年我国森林火灾时空分布特征[J]. 应用生态学报, 2020, 31(1):55-64.

Qiao Zeyu, Fang Lei, Zhang Yuenan et al. Spatio-temporal characteristics of forest fires in China between 2001 and 2017. Chinese Journal of Applied Ecology, 2020, 31(1):55-64.

[11]
何诚, 巩垠熙, 张思玉, 等. 基于MODIS数据的森林火险时空分异规律研究[J]. 光谱学与光谱分析, 2013, 33(9):2472-2477.

DOI

He Cheng, Gong Yinxi, Zhang Siyu et al. Forest fire division by using MODIS data based on the temporal-spatial variation law. Spectroscopy and Spectral Analysis, 2013, 33(9):2472-2477.

DOI

[12]
陈京弘, 田晓瑞, 舒立福. 2005—2007年西南地区卫星监测热点分析[J]. 森林防火, 2009(4):33-35.

DOI

Chen Jinghong, Tian Xiaorui, Shu Lifu. Analysis of satellite monitoring hotspots in southwest China from 2005 to 2007. Forest Fire Prevention, 2009(4):33-35.

DOI

[13]
王健, 杜玉玲, 高钊, 等. 基于MODIS时序数据的大兴安岭火烧迹地时空变化及其森林恢复研究[J]. 自然资源遥感, 2023, 36(2):1-9.

Wang Jian, Du Yuling, Gao Zhao et al. Spatial and temporal changes of burned areas and its forest restoration in the Greater Khingan Mountains based on MODIS time series data. Remote Sensing for Natural Resources, 2023, 36(2):1-9.

[14]
萨如拉, 周庆, 刘鑫晔, 等. 1980—2015年内蒙古森林火灾的时空动态[J]. 南京林业大学学报(自然科学版), 2019, 43(2):137-143.

Sa Rula, Zhou Qing, Liu Xinye et al. Studies on the spatial and temporal dynamic of forest fires in Inner Mongolia from 1980 to 2015. Journal of Nanjing Forestry University (Natural Sciences Edition), 2019, 43(2):137-143.

[15]
朱贺, 张珍, 杨凇, 等. 中国南北方林火时空分布及火险期动态变化特征——以黑龙江省和江西省为例[J]. 生态学杂志, 2023, 42(1):198-207.

Zhu He, Zhang Zhen, Yang Song et al. Temporal and spatial distribution of forest fire and dynamics of fire danger period in southern and northern China: A case study in Heilongjiang and Jiangxi provinces. Chinese Journal of Ecology, 2023, 42(1):198-207.

[16]
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.

Guo Futao, Su Zhangwen, Ma Xiangqing et al. Climatic and non-climatic factors driving lightning-induced fire in Table, Daxing’an Mountain. Acta Ecologica Sinica, 2015, 35(19):6439-6448.

[17]
苏佳佳, 刘志华, 焦珂伟, 等. 气候变化对中国林火干扰空间格局的影响[J]. 生态学杂志, 2021, 40(12):3810-3821.

Su Jiajia, Liu Zhihua, Jiao Kewei et al. Effects of climate change on spatial pattern of forest fire regimes in China. Chinese Journal of Ecology, 2021, 40(12):3810-3821.

[18]
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.

Su Zhangwen, Liu Aiqin, Liang Huiling et al. Model to predict forest fire occurrence in Fujian Province based on meteorological factors. Journal of Forest and Environment, 2015, 35(4):370-376.

[19]
曲炤鹏, 郑淑霞, 白永飞. 蒙古高原草原火行为的时空格局与影响因子[J]. 应用生态学报, 2010, 21(4):807-813.

Qu Zhaopeng, Zheng Shuxia, Bai Yongfei. Spatiotemporal patterns and driving factors of grassland fire on Mongolian Plateau. Chinese Journal of Applied Ecology, 2010, 21(4):807-813.

[20]
顾先丽, 吴志伟, 张宇婧, 等. 气候变化背景下江西省林火空间预测[J]. 生态学报, 2020, 40(2):667-677.

Gu Xianli, Wu Zhiwei, Zhang Yujing et al. Prediction research of the forest fire in Jiangxi Province in the background of climate change. Acta Ecologica Sinica, 2020, 40(2):667-677.

[21]
程梦琦, 左志燕, 蔺邹兴, 等. 全球陆地饱和水汽压差的年代际突变[J]. 中国科学: 地球科学, 2023, 53(7):1536-1549.

Cheng Mengqi, Zuo Zhiyan, Lin Zouxing et al. The decadal abrupt change in the global land vapor pressure deficit. Science China Earth Sciences, 2023, 53(7):1536-1549.

[22]
Felicia Chiang, Omid Mazdiyasni, Amir AghaKouchak. Amplified warming of droughts in southern United States in observations and model simulations. Science Advances, 2018, 4(8):eaat2380

DOI

[23]
Piyush Jain, Dante Castellanos-Acuna, Sean C. P. Coogan et al. Observed increases in extreme fire weather driven by atmospheric humidity and temperature. Nature Climate Change, 2022, 12(1):63-70.

DOI

[24]
高博, 单仔赫, 曹丽丽, 等. 大兴安岭地区森林火灾月动态变化及发生预测研究[J]. 中南林业科技大学学报, 2021, 41(9):53-62.

Gao Bo, Shan Zihe, Cao Lili et al. Study on monthly dynamic change and occurrence prediction of forest fires in Daxing’an Mountains. Journal of Central South University of Forestry & Technology, 2021, 41(9):53-62.

[25]
杜建华, 宫殷婷, 蒋丽伟. 中国森林火灾发生特征及其与主要气候因子的关系研究[J]. 林业资源管理, 2019(2):7-14.

Du Jianhua, Gong Yinting, Jiang Liwei. Study on the characteristics of forest fires in China and their relationship with major climatic factors. Forest Resources Management, 2019(2):7-14.

[26]
Michael Goss, Daniel L. Swain, John T. Abatzoglou et al. Climate change is increasing the likelihood of extreme autumn wildfire conditions across California. Environmental Research Letters, 2020, 15(9):094016

DOI

[27]
Lei Fang, Jian Yang, Jiaxing Zu et al. Quantifying influences and relative importance of fire weather, topography, and vegetation on fire size and fire severity in a Chinese boreal forest landscape [J]. Forest Ecology and Management, 2015, 356:2-12.

[28]
贾旭, 高永, 魏宝成, 等. 基于MODIS数据的内蒙古地形因子对火灾分布的影响分析[J]. 北京林业大学学报, 2017, 39(5):34-40.

Jia Xu, Gao Yong, Wei Baocheng et al. Impact of topographic features on the distribution of fire based on MODIS data in Inner Mongolia, northern China. Journal of Beijing Forestry University, 2017, 39(5):34-40.

[29]
Pew K L, Larsen C P S. GIS analysis of spatial and temporal patterns of human-caused wildfires in the temperate rain forest of Vancouver Island, Canada. Forest Ecology and Management, 2001, 140(1):1-18.

DOI

[30]
刘华超, 任春颖, 王宗明, 等. 大兴安岭生态功能区生态系统服务功能动态及权衡协同关系研究[J]. 生态与农村环境学报, 2022, 38(5):587-598.

Liu Huachao, Ren Chunying, Wang Zongming et al. Dynamics of ecosystem service functions and their tradeoff and synergetic relationships in Great Xing’an Mountains ecological function zone. Journal of Ecology and Rural Environment, 2022, 38(5):587-598.

[31]
田晓瑞, McRae D J, 舒立福, 等. 大兴安岭地区森林火险变化及FWI适用性评估[J]. 林业科学, 2010, 46(5):127-132.

DOI

Tian Xiaorui, McRae D J, Shu Lifu et al. Changes of forest fire danger and the evaluation of the FWI system application in the Daxing’anling Region. Scientia Silvae Sinicae, 2010, 46(5):127-132.

DOI

[32]
宁梓妤, 徐宪立, 杨东, 等. 中国西南地区饱和水汽压差的年际变化及其影响因素[J]. 农业现代化研究, 2022, 43(1):172-179.

Ning Ziyu, Xu Xianli, Yang Dong et al. Temporal variation of vapor pressure deficit and its influencing factors in southwest China. Research of Agricultural Modernization, 2022, 43(1):172-179.

[33]
薛春芳, 侯威, 赵俊虎, 等. 集合经验模态分解在区域降水变化多尺度分析及气候变化响应研究中的应用[J]. 物理学报, 2013, 62(10):504-511.

DOI

Xue Chunfang, Hou Wei, Zhao Junhu et al. The application of ensemble empirical mode decomposition method in multiscale analysis of region precipitation and its response to the climate change. Acta Physica Sinica, 2013, 62(10):504-511.

DOI

[34]
罗君, 孙振亓, 张学斌. 基于Ripley’s K函数的绿洲景观格局演变分析——以张掖市甘州区为例[J]. 水土保持研究, 2019, 26(4): 224-231

Luo Jun, Sun Zhenqi, Zhang Xuebin. Analysis of the characteristics and changes of landscape pattern of oasis in Ganzhou district of Zhangye City based on Ripley’s K function, 2019, 26(4): 224-231.

[35]
Rodrigues M, de la Riva J, Fotheringham S. Modeling the spatial variation of the explanatory factors of human-caused wildfires in Spain using geographically weighted logistic regression. Applied Geography, 2014, 48:52-63.

DOI

[36]
王双, 张贵, 谭三清, 等. 基于空间logistic的湖南省森林火灾风险评价[J]. 中南林业科技大学学报, 2020, 40(9):88-95.

Wang Shuang, Zhang Gui, Tan Sanqing et al. Assessment of forest fire risk in Hunan Province based on spatial logistic model. Journal of Central Sourth University of Forestry & Technology, 2020, 40(9):88-95.

[37]
邓欧, 李亦秋, 冯仲科, 等. 基于空间Logistic的黑龙江省林火风险模型与火险区划[J]. 农业工程学报, 2012, 28(8):200-205.

DOI

Deng Ou, Li Yiqiu, Feng Zhongke et al. Model and zoning of forest fire risk in Heilongjiang Province based on spatial logistic. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(8):200-205.

DOI

[38]
王健, 杜玉玲, 高钊, 等. 基于MODIS时序数据的大兴安岭火烧迹地时空变化及其森林恢复研究[J]. 自然资源遥感, 2021, 36(2):1-9.

Wang Jian, Du Yuling, Gao Zhao et al. Spatial and temporal changes of burned areas and its forest restoration in the Greater Khingan Mountains based on MODIS time series data. Remote Sensing for Natural Resources, 2021, 36(2):1-9.

[39]
李秀芬, 郭昭滨, 赵慧颖, 等. 大兴安岭气候干湿变化及对森林火灾的影响[J]. 应用气象学报, 2018, 29(5):619-629.

DOI

Li Xiufen, Guo Zhaobin, Zhao Huiying et al. Change of dry and wet climate and its influence on forest fire in the Great Xing’an Mountains. Journal of Applied Meteorological Science, 2018, 29(5):619-629.

DOI

[40]
邹旭恺, 张强. 近半个世纪我国干旱变化的初步研究[J]. 应用气象学报, 2008, 19(6):679-687.

DOI

Zou Xukai, Zhang Qiang. Preliminary studies on variations in droughts over China during past 50 years. Journal of Applied Meteorological Science, 2008, 19(6):679-687.

DOI

[41]
赵凤君, 王明玉, 舒立福, 等. 气候变化对林火动态的影响研究进展[J]. 气候变化研究进展, 2009, 5(1):50-55.

Zhao Fengjun, Wang Mingyu, Shu Lifu et al. Progress in studies on influences of climate change on forest fire regime. Advances in Climate Change Research, 2009, 5(1):50-55.

[42]
陆昕, 黄滨, 杨素芝, 等. 大兴安岭地区森林火灾发生的原因和扑救特征[J]. 东北林业大学学报, 2019, 47(11):77-80+85.

DOI

Lu Xin, Huang Bin, Yang Suzhi et al. Causes and fighting characteristics of forest fire in Daxing’an Mountains. Journal of Northeast Forestry University, 2019, 47(11):77-80+85.

DOI

[43]
张恒, 周振东, 王玉霞. 内蒙古大兴安岭3种主要火源引发森林火灾次数和面积的时空分布特征[J]. 西南林业大学学报(自然科学), 2024, 44(3):1-9.

Zhang Heng, Zhou Zhendong, Wang Yuxia. Temporal and spatial distribution characteristics of forest fires caused by three main fire sources in Daxing’an Mountains, Inner Mongolia. Journal of Southwest Forestry University, 2024, 44(3):1-9.

[44]
Hu Tianyu, Zhou Guangsheng. Drivers of lightning- and human-caused fire regimes in the Great Xing’an Mountains. Forest Ecology and Management, 2014, 329:49-58.

DOI

[45]
Qing Zhou, Heng Zhang, Zhiwei Wu. Effects of forest fire prevention policies on probability and drivers of forest fires in the boreal forests of China during different periods. Remote Sensing, 2022, 14(22):5724

DOI

[46]
李顺, 吴志伟, 梁宇, 等. 大兴安岭人为火发生影响因素及气候变化下的趋势[J]. 应用生态学报, 2017, 28(1):210-218.

Li Shun, Wu Zhiwei, Liang Yu et al. Drivers of human-caused fire occurrence and its variation trend under climate change in the Great Xing’an Mountains, Northeast China. Chinese Journal of Applied Ecology, 2017, 28(1):210-218.

[47]
岳韦霆, 任超, 梁月吉. 基于信息量-机器学习耦合的野火灾害易发性评估[J]. 消防科学与技术, 2023, 42(10):1444-1452.

DOI

Yue Weiting, Ren Chao, Liang Yueji. Wildfire hazard susceptibility assessment based on coupled information value-machine learning. Fire Science and Technology, 2023, 42(10):1444-1452.

DOI

[48]
张恒, 贾文飞, 王云霓. 基于Global Fire Atlas遥感数据的内蒙古野火时空动态研究[J]. 森林防火, 2024, 42(3):9-15.

DOI

Zhang Heng, Jia Wenfei, Wang Yunni. The spatiotemporal dynamics of wildfires in Inner Mongolia based on Global Fire Atlas remote sensing data. Journal of Wildland Fire Science, 2024, 42(3):9-15.

DOI

Options
文章导航

/

〈 〉