２０１９年２月第１期

林业资源管理

ＦＯＲＥＳＴＲＥＳＯＵＲＣＥＳＭＡＮＡＧＥＭＥＮＴＦｅｂｒｕａｒｙ２０１９Ｎｏ１

基于 Ｌｏｇｉｓｔｉｃ回归模型的大兴安岭林火预测研究

陈　岱（国家林业和草原局对外合作项目中心，北京１００７１４）

摘要：基于２０００—２０１６年卫星林火数据，选取气象、地形、植被及可燃物、人为活动等因素作为林火预测变量，采用Ｌｏｇｉｓｔｉｃ回归模型对林火发生的主要驱动因子进行分析，并建立大兴安岭地区林火发生预测模型。模型结果表明：Ｌｏｇｉｓｔｉｃ回归模型的预测精度较高为８０６％，模型的拟合度也高达０８６８。火险等级总体呈南高北低、东高西低的地理分布，其中高火险区主要集中在南部；残差分析结果显示南部和东南部存在大面积低估区，表明

模型对这些地区的预测能力不高。

关键词：大兴安岭；逻辑斯蒂模型；林火预测；林火模型；驱动因子

中图分类号：Ｓ７６２　文献标识码：Ａ　文章编号：１００２－６６２２（２０１９）０１－０１１６－０７ＤＯＩ：１０．１３４６６／ｊ．ｃｎｋｉ．ｌｙｚｙｇｌ．２０１９．０１．０１８

ＰｒｅｄｉｃｔｉｏｎｏｆＦｏｒｅｓｔＦｉｒｅＯｃｃｕｒｒｅｎｃｅｉｎＤａｘｉｎｇ′ａｎＭｏｕｎｔａｉｎｓＢａｓｅｄｏｎＬｏｇｉｓｔｉｃＲｅｇｒｅｓｓｉｏｎＭｏｄｅｌ

ＣＨＥＮＤａｉ（ＩｎｔｅｒｎａｔｉｏｎａｌＦｏｒｅｓｔｒｙＣｏｏｐｅｒａｔｉｏｎＣｅｎｔｅｒ，ＮａｔｉｏｎａｌＦｏｒｅｓｔｒｙａｎｄＧｒａｓｓｌａｎｄＡｄｍｉｎｉｓｔｒａｔｉｏｎ，Ｂｅｉｊｉｎｇ１００７１４，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｂａｓｅｄｏｎｔｈｅｓａｔｅｌｌｉｔｅｄａｔａｏｆｆｏｒｅｓｔｆｉｒｅｆｒｏｍ２０００ｔｏ２０１６，ｔｈｉｓｓｔｕｄｙｓｅｌｅｃｔｅｄｓｕｃｈｆａｃｔｏｒｓａｓｍｅｔｅｏｒｏｌｏｇｙ，ｔｏｐｏｇｒａｐｈｙ，ｖｅｇｅｔａｔｉｏｎ，ｆｕｅｌｓ，ｈｕｍａｎａｃｔｉｖｉｔｉｅｓａｎｄｏｔｈｅｒｆａｃｔｏｒｓａｓｆｏｒｅｓｔｆｉｒｅｐｒｅｄｉｃｔｉｏｎｖａｒｉａｂｌｅｓ，ｕｓｅｄＬｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｔｏａｎａｌｙｚｅｔｈｅｍａｉｎｄｒｉｖｉｎｇｆａｃｔｏｒｓｏｆｆｏｒｅｓｔｆｉｒｅｏｃｃｕｒｒｅｎｃｅ，ａｎｄｅｓｔａｂｌｉｓｈｅｄａｆｏｒｅｓｔｆｉｒｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｉｎＤａｘｉｎｇ′ａｎｍｏｕｎｔａｉｎｓＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅＬｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｈａｓａｈｉｇｈｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｏｆ８０６％，ａｎｄｔｈｅｇｏｏｄｎｅｓｓｏｆｆｉｔｏｆｔｈｅｍｏｄｅｌｉｓ０８６８Ｉｎｇｅｎｅｒａｌ，ｔｈｅｆｉｒｅｒｉｓｋｉｓｈｉｇｈｉｎｔｈｅｓｏｕｔｈａｎｄｅａｓｔｂｕｔｌｏｗｉｎｔｈｅｎｏｒｔｈａｎｄｗｅｓｔＴｈｅｒｅｓｉｄｕａｌａｎａｌｙｓｉｓｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｒｅｌａｒｇｅａｒｅａｓｗｅｒｅｕｎｄｅｒｅｓｔｉｍａｔｅｄｉｎｔｈｅｓｏｕｔｈａｎｄｓｏｕｔｈｅａｓｔ，ｉｎｄｉｃａｔｉｎｇｔｈａｔｔｈｅｐｒｅｄｉｃｔｉｏｎａｂｉｌｉｔｙｏｆｔｈｅｍｏｄｅｌｆｏｒｔｈｅｓｅａｒｅａｓｗａｓｌｏｗＫｅｙｗｏｒｄｓ：Ｄａｘｉｎｇ′ａｎｍｏｕｎｔａｉｎｓ，ｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌ，ｆｉｒｅｐｒｅｄｉｃｔｉｏｎ，ｆｉｒｅｍｏｄｅｌ，ｄｒｉｖｉｎｇｆａｃｔｏｒｓ

收稿日期：２０１８－１２－２５；修回日期：２０１９－０１－１１作者简介：陈岱（１９９３－），男，黑龙江人，硕士，主要从事林业国际合作工作。Ｅｍａｉｌ：１０００１５８２３＠ｑｑｃｏｍ

　　林火每年烧毁数百万公顷的林地，对生态环境及全球气候变化有重要影响［１］。准确判断林火发

生的影响因素，建立有效的林火预测模型是进行科

学林火管理的关键。研究表明，林火发生受气候、

可燃物类型和载量、植被类型、植被覆盖度、地形地

势以及社会经济等因素影响［２－５］，综合分析以上各

种因素与林火的关系是建立林火预测模型的基

础［６－９］。Ｌｏｇｉｓｔｉｃ回归模型是当前林火发生预测模型研究领域中广泛使用的方法［４－５，７］。本研究运用

Ｌｏｇｉｓｔｉｃ回归模型深入探讨大兴安岭地区林火发生的驱动因子，并建立预测模型，根据模型对大兴安

岭火险等级进行划分。研究结果有助于了解大兴

安岭地区林火发生特性及主要影响因子，可为当地

的林火管理工作提供科学依据。

１　研究区概况大兴安岭地区坐落在中国东北林区，位于５０°１０′～

５３°３３′Ｎ和１２１°１２′～１２７°００′Ｅ之间，总面积约８３

　第１期 陈岱：基于Ｌｏｇｉｓｔｉｃ回归模型的大兴安岭林火预测研究

万ｋｍ２，其中约６６万 ｋｍ２在黑龙江，约１７万 ｋｍ２

在内蒙古，行政中心加格达奇区也在内蒙古（图１）。受寒温带地区气候影响，年平均气温－２～４℃，范围从－５２３～３９０℃。年平均降水量在 ４６０ｍｍ之间［５］。优势种为兴安落叶松（Ｌａｒｉｘｇｍｅｌｉｎｉｉ（Ｒｕｐｒ）Ｋｕｚｅｎ），樟子松（ＰｉｎｕｓｓｙｌｖｅｓｔｒｉｓＬｖａｒｍｏｎｇｈｏｌｉｃａ

Ｌｉｔｖ），白桦（ＢｅｔｕｌａｐｌａｔｙｐｈｙｌｌａＳｕｋ）、山杨（Ｐｏｐｕｌｕｓｄａｖｉｄｉａｎａ）和蒙古栎 （ＱｕｅｒｃｕｓｍｏｎｇｏｌｉｃａＦｉｓｃｈｅｘＬｅｄｅｂ）。森林覆盖率高达７４１％，是中国最大的天然林区。１９６７—２０１４年期间，森林火灾超过 １６００起，受害森林总面积达到５００万ｈｍ２［５］。

图１　研究区域图Ｆｉｇ１ＳｔｕｄｙａｒｅａｗｉｔｈｔｈｅｂｏｕｎｄｓｏｆＤａｘｉｎｇ′ａｎＭｏｕｎｔａｉｎ

２　数据来源与处理数据包括因变量：火点数据、随机点和自变量：

地形、植被、气象、基础设施、社会经济。数据来源

及具体描述见表１。２１　火点提取和生成随机点

采用中分辨率成像光谱（ＭＯＤＩＳ）林火产品，该产品记录了２０００—２０１６年大兴安岭地区火灾象元的空间分布情况。ＭＯＤＩＳ是搭载在 ｔｅｒｒａ和 ａｑｕａ卫星上的一个重要的传感器，被认为是一种合适的监测林火

的可靠来源。研究中使用的为１ｋｍ分辨率的每日林火产品（ＭＯＤ１４Ａ１），该产品近年来被很多研究广泛使用［１０］。但是该产品也有一些缺点，由于卫星无法

分辨火灾的类型，因此该产品也包括了一些城市边缘

火、植被稀疏的荒地火等非森林火。因此本研究对该

产品进行进一步加工：１）结合１ｋｍ分辨率的土地利用类型图，去除落在城市等一些建设用地和植被稀疏

地区的火点；２）根据大兴安岭防火期（春季防火期３

月１５日—７月１５日，秋季防火期９月１５日—１１月１５日），进一步提取有效的火点及其信息。本研究使用Ｌｏｇｉｓｔｉｃ回归模型来解释研究区域的

林火驱动因子，同时建立概率预测模型。该模型要求

因变量是二分类变量。因此，将已知火点的值设为１，同时创建随机点，并赋值为０。本研究中，使用ＡｒｃＧｉｓ１０２在研究区域内创建随机点［４－５，１１］。为了避免创建

的随机点重叠，同时尽量保证充分的随机，设置生成任

意两个随机点的最小允许距离为１ｋｍ，创建随机点个数为火点的３倍；剔除落在城市建设用地以及河流水系的随机点后，再从中分别取火点的１，２倍作为模型因变量的随机点（点个数分别为６４４４，１２８８８）。２２　气象因素

气象因素，如日相对湿度，当湿度在５５％以下，随着湿度的降低，火灾发生的可能性越大［１２］。日累

积降水直接影响可燃物含水率，一般情况下降水量

１ｍｍ，几乎没有影响，而降水量在２～５ｍｍ时，就能

７１１

林业资源管理 第１期　

表１　参与模型拟合的自变量概况Ｔａｂ１ＩｎｄｅｐｅｎｄｅｎｔｖａｒｉａｂｌｅｓｉｎｆｏｒｅｓｔｆｉｒｅｍｏｄｅｌｄｅｖｅｌｏｐｍｅｎｔｆｏｒＤａｘｉｎｇ′ａｎＭｏｕｎｔａｉｎ

变量类型 变量说明 变量名 分辨率／尺度 数据来源

气象（防火期）

日平均风速

日累计降水量

日最高气温

日平均相对湿度

ＷＩＮ＿ａｖｇＰｒｅＴｍａｘＲＨ＿ａｖｇ

０１ｍ／ｓ０１ｍｍ０１℃％

中国气象数据共享网络［１４］

地形高程

坡度

ＥｌｅｖＳｌｏｐｅ

１ｍ１°

地理空间数据云［１５］

植被 植被覆盖度 ＦＶＣ ％中国科学院计算机网络信息中心

国际科学技术数据镜像网站［１７］

基础设施

到铁路的距离

到公路的距离

到居民点的距离

Ｄｉｓ＿ｒａｉｌｗａｙＤｉｓ＿ｒｏａｄ

Ｄｉｓ＿ｒｅｓｉｄｅｎｔｉａｌ

１ｍ１ｍ１ｍ

国家测绘和地质信息管理局［１１］

社会经济因素人均ＧＤＰ人口密度

ＣＧＤＰＰＯＰ

元／ｋｍ人／ｋｍ

地球系统科学的数据

共享基础设施［１９］

降低可燃物的燃烧性；同时降水也会增加空气中相

对湿度［１１］；温度与林火发生关系密切，气温升高可

提高可燃物自身温度，使可燃物达到燃点所需的热

量减少，大大提高了森林火险指数［７］；风是决定林

火发生的重要因，研究表明风速越大，火灾次数越

多且过火面积越大［１３］。本研究中日气象数据来源

于中国气象局气象数据网［１４］，选用日平均相对湿

度、日累计降水、日最高气温、日平均风速作为日气

象数据参与模型拟合。每日气象数据提取过程：１）通过ＡｒｃＧＩＳ计算从火点和随机点到最近气象站的距离；２）利用 Ｅｘｃｅｌ编程函数提取火点和随机点对应信息（坐标和时间）的气象站日气象数据。

２３　地形因素本研究中使用的地形因素均来源于地理空间

数据云平台提供的 ２５ｍ高分辨率数字高程模型（ＤＥＭ）［１５］。运用ＡｒｃＧＩＳ１０２软件中的３Ｄ分析工具对ＤＥＭ进行坡度计算，然后利用 ＡｒｃＧＩＳ１０２中的提取工具从ＤＥＭ和坡度栅格数据中提取对应于火点和随机点的高程和坡度信息。

２４　植被因素植被覆盖度通常指植被（包括叶、茎、枝）在地面

的垂直投影面积占统计区总面积的百分比。植被覆

盖度是衡量地表植被状况的一个重要指标，用植被覆

盖度来表示地表以上活可燃物和死可燃物总量。目

前已经发展了很多利用遥感测量植被覆盖度的方法，

较为实用的方法是利用植被指数近似估算植被覆盖

度，常用的植被指数为ＮＤＶＩ［１６］。数据来源于中国科学院计算机网络信息中心国际科学技术数据镜像网

站［１７］提供的空间分辨率为５００ｍ的ＭＯＤＩＳ植被归一化指数（ＮＤＶＩ）。计算公式如下：ＦＶＣ＝（ＮＤＶＩ－ＮＤＶＩｓｏｉｌ）／（ＮＤＶＩｖｅｇ－ＮＤＶＩｓｏｉｌ）（１）

其中，ＮＤＶＩｓｏｉｌ为完全是裸土或无植被覆盖区域的ＮＤＶＩ值，ＮＤＶＩｖｅｇ则代表完全被植被所覆盖的像元的ＮＤＶＩ值。２５　人为基础设施

基础设施数据是由中国国家测绘局［１１］提供的

１∶２５基础设施矢量图。使用 ＡｒｃＧＩＳ１０２计算每个点（火点和随机点）到所有类型的基础设施的最

短距离，包括每个点到铁路、公路、居民区和研究区

域内其他基础设施的最短距离。

２６　社会经济因素社会经济数据包括人口密度和人均 ＧＤＰ，来源

于中国科学院资源环境科学数据中心［１８］２０１０年１ｋｍ分辨率的人口和ＧＤＰ空间分布公里网格数据。根据２０００—２０１６年国家统计年鉴计算出每年人口和ＧＤＰ增长率，使用 ＡｒｃＧＩＳ１０２中的栅格计算器工具计算２０００—２０１６年的人口和 ＧＤＰ栅格数据，然后提取火点和随机点所对应的信息。

３　研究方法３１　模型方法３１１　Ｌｏｇｉｓｔｉｃ回归模型

８１１

　第１期 陈岱：基于Ｌｏｇｉｓｔｉｃ回归模型的大兴安岭林火预测研究

Ｌｏｇｉｓｔｉｃ回归模型被用于描述二分类变量（因变量为０和１）和一个或多个自变量之间的关系。近几十年来，全球范围内的许多研究都使用Ｌｏｇｉｓｔｉｃ回归技术来预测林火发生概率，并且分析林火发生的驱动因

子［４－５，７，１１，２０］。Ｌｏｇｉｓｔｉｃ回归模型的一般表达式如下：Ｐ（Ｙ＝１）＝Ｆ（ｚ）＝Ｆ（ｘβ）

＝ １１＋ｅ－ｚ

＝ １１＋ｅ－ｘβ

（２）

其中，ＰＹ＝( )１ 表示对于给定的 ｘ相应个体

选择１的概率。Ｆ（ｚ）是Ｌｏｇｉｓｔｉｃ累计概率密度函数。Ｙ通过Ｌｏｇｉｓｔｉｃ函数被转换为概率。

ｌｎ Ｐ１－( )Ｐ ＝ｚ＝β０＋β１ｘ１＋β２ｘ２＋…＋βｍｘｍ （３）

其中，Ｐ为林火发生的概率；ｍ为协变量个数（个）；β１，β２，…，βｍ为各个自变量的Ｌｏｇｉｓｔｉｃ回归相关系数；ｘ１，ｘ２，…，ｘｍ为影响林火发生的各个自变量；ｚ与若干个预测变量ｘ呈线性关系。由式（３）知回归方程的因变量是对数的某个具体选择的机会比。Ｌｏｇｉｓｔｉｃ回归模型的优势是把［０，１］区间上的预测概率问题转化为在实数轴上预测一个事件发生的机会［２１－２２］。

３２　预测变量选择多重共线性是指在线性回归模型中的预测变量

间存在高度相关的关系，会导致模型的估计值产生偏

差。应用方差膨胀因子（ＶａｒｉａｎｃｅＩｎｆｌａｔｉｏｎＦａｃｔｏｒ，ＶＩＦ）对模型的预测变量进行检验，排除有显著共线性的变量。一般认为，当ＶＩＦ＞１０时，说明自变量之间具有显著的共线性，需要剔除相应的自变量［４－５，１９］。

本研究将将全部样本数据分成建模样本（８０％）和独立检验样本（２０％）；并将建模样本随机取７０％作为训练样本，３０％作为校验样本，为了减少由于样本划分的随机性对模型中参数选择的影响，分别做了

５次重复。以逐步回归的方法（α＜００５）分别得到最优中间模型，并选择５个训练样本中出现３次及以上显著相关（α＜００５）的变量作为建模数据集的预测变量，进行各数据比例下最终模型的拟合。

３３　模型预测准确度本研究中应用ＲＯＣ曲线检验方法对模型的预测

效果进行评价。ＲＯＣ是以曲线下面积（ＡｒｅａＵｎｄｅｒｔｈｅＣｕｒｖｅ，ＡＵＣ）的值来判断模型预测效果。近年来国内外很多学者运用此方法来判断二元选择模型的

拟合水平。通常情况下ＡＵＣ＞０５，ＡＵＣ越接近于１，说明模型的拟合效果好［２０］。目前国内外已有很多学

者将ＲＯＣ检验方法应用于林火预测领域［４－５］。

在二元选择模型中，判断阈值（临界值 Ｃｕｔｏｆｆ）是评判模型预测概率的关键。过往很多研究用系

统默认值０５作为评判标准，但近年来有些学者指出，此法有可能造成较大偏差。为解决这一问题，

近年来多学者开始运用 ＲＯＣ（ＲｅｃｅｉｖｅｒＯｐｅｒａｔｉｎｇＣｈａｒａｃｔｅｒｉｓｔｉｃ）中的敏感度和特异性值计算“约登指数（敏感性＋特异性 －１）”，并以此判断“Ｃｕｔ－ｏｆｆ”值（临界值），从而对概率进行分类。该方法也已被

用于林火预测领域，如果模型的预测概率大于该临

界值，则认为有林火发生，小于该临界值，则认为没

有林火发生［２３］。

４　结果与分析４１　模型变量选择

根据多重共线性检验结果，全部１２个变量均进入逐步回归拟合阶段。

运用ＳＡＳ９４基于 Ｌｏｇｉｓｔｉｃ回归对每种比例的５个训练样本进行拟合，以逐步回归的方法（α＜００５）剔除不显著变量后，分别得到最优中间模型（表２），并选择出现 ３次及以上显著相关（α＜００５）的变量作为建模数据集的预测变量，进行最终模型的拟合。由表２可知，在两种比例下，５个训练样本中出现３次以上显著相关的变量均相同。因此选择这１１个变量进行建模样本的模型拟合。４２　模型结果的检验

根据模型的变量选择结果及阈值计算两种比

例下５个训练样本的预测准确率。结果显示，样本之间的预测准确率均较高且彼此接近（表３、表４）。

不同比例数据下，模型的ＲＯＣ检验结果显示模型的ＡＵＣ基本一致（在０８６４～０８７４之间），表明模型的拟合结果较好。１∶１数据的拟合结果显示，５个训练样本的预测准确率在 ７８１％ ～７９％；而１∶２数据的拟合结果显示５个训练样本的预测准确率在８０２％～８１１％。值得注意的是，随着比例增加，临界值变小，预测准确率升高。

根据对１∶２的数据进行模型拟合（表５），建立林火发生概率模型如公式（４）。

９１１

林业资源管理 第１期　

表２　不同比例Ｌｏｇｉｓｔｉｃ回归模型的变量选择结果Ｔａｂ２ＶａｒｉａｂｌｅｓｅｌｅｃｔｉｏｎｏｆＬｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｓｗｉｔｈｄｉｆｆｅｒｅｎｔｒａｔｉｏｏｆｆｉｒｅａｎｄｎｏｎｆｉｒｅｐｏｉｎｔｓ

变量１∶１

Ｐｍａｘ Ｐｍｉｎ 显著的样本数

１∶２

Ｐｍａｘ Ｐｍｉｎ 显著的样本数相关性

坡向 ＜００００１ ＜００００１ ５ ＜００００１ ＜００００１ ５ —

到公路距离 ＜００００１ ＜００００１ ５ ＜００００１ ＜００００１ ５ ＋

到铁路距离 ＜００００１ ＜００００１ ５ ＜００００１ ＜００００１ ５ ＋

到居民区距离 ＜００００１ ＜００００１ ５ ＜００００１ ＜００００１ ５ ＋

人口密度 ０００２７ ００００２ ５ ００００１ ＜００００１ ５ ＋

ＧＤＰ ＜００００１ ＜００００１ ５ ＜００００１ ＜００００１ ５ ＋

植被覆盖度 ００２３ ００００２ ５ ００２６７ ００００８ ３ ＋

日平均风速 ０００３６ ＜００００１ ５ ００４６９ ００００６ ４ －

日累计降水 ＜００００１ ＜００００１ ５ ＜００００１ ＜００００１ ５ －

日最高气温 ＜００００１ ＜００００１ ５ ＜００００１ ＜００００１ ５ ＋

日相对湿度 ＜００００１ ＜００００１ ５ ＜００００１ ＜００００１ ５ －

　　注：＋表示变量与林火发生呈正相关；－表示与林火发生呈负相关。

表３　１∶１数据下５个训练样本Ｌｏｇｉｓｔｉｃ回归模型的准确预测结果

Ｔａｂ３ＴｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｏｆＬｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎ

ｍｏｄｅｌｏｆｆｉｖｅｔｒａｉｎｉｎｇｓａｍｐｌｅｓａｔ１∶１ｒａｔｉｏ

样本 临界值ＲＯＣ曲线下面积

预测准确率／％

训练样本 测试样本

样本１ ０５０６ ０８７２ ７９ ７８５样本２ ０５２７ ０８７４ ７８７ ７８１样本３ ０５１１ ０８７４ ７８９ ７７８样本４ ０５２６ ０８６６ ７８１ ８０样本５ ０５２６ ０８６９ ７８６ ７９１

表４　１∶２数据下５个训练样本Ｌｏｇｉｓｔｉｃ回归模型的准确预测结果

Ｔａｂ４ＴｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｏｆＬｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎ

ｍｏｄｅｌｏｆｆｉｖｅｔｒａｉｎｉｎｇｓａｍｐｌｅｓａｔ１∶２ｒａｔｉｏ

样本 临界值ＲＯＣ曲线下面积

预测准确率／％

训练样本 测试样本

样本１ ０３６４ ０８６６ ８０６ ８０８样本２ ０３３３ ０８６５ ８０２ ７９２样本３ ０３３８ ０８７２ ８０９ ７７９样本４ ０３２８ ０８６８ ８０８ ７８６样本５ ０３６３ ０８６６ ８０８ ７９１

　　Ｐ＝ １１＋ｅ－（－０２１２－０１８３ｘ１＋００５４ｘ２＋００１ｘ３＋００１８ｘ４＋００００５ｘ５＋０００２ｘ６＋０４３１ｘ７－００５１ｘ８－０３６ｘ９＋００３３ｘ１０－００３１ｘ１１）

（８）

　　式中：Ｐ为林火发生概率，ｘ１为坡度，ｘ２为到道路的距离（ｋｍ），ｘ３为到铁路的距离（ｋｍ），ｘ４为到居民点的距离（ｋｍ），ｘ５为人口密度（人／ｋｍ

２），ｘ６为人均ＧＤＰ（元／ｋｍ２），ｘ７为植被覆盖度（％），ｘ８为日平均风速（ｍ／ｓ），ｘ９为日累计降水（ｍｍ），ｘ１０为日最高气温（℃），ｘ１１为日平均相对湿度（％）。

ＲＯＣ检验结果显示模型的ＡＵＣ为０８６８，模型的拟合效果较好，计算得到模型对“火点”的预测概率

为７４１％，对“非火点”的预测准确率为８３３％，总体预测准确率为８４８％；根据计算得到模型的阈值为０３７６，以０３７６为分类标准，模型对独立样本的检验结果显示预测准确率为８０３％，对“火点”和“非火点”的预测准确率也较高（６７３％和８７４％）（表６）。

表５　Ｌｏｇｉｓｔｉｃ最优模型的参数拟合

Ｔａｂ５ＴｈｅｐａｒａｍｅｔｅｒｓｏｆＬｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌ

参数 估计系数 标准误差 卡方值 显著水平

常量 －０２１２１ ０１３７６ ２３７５６ ０１２３２

坡向 －０１８２７ ０００６７３ ７３７７２８５ ＜００００１

到公路距离 ００５４２ ０００３６９ ２１５６０８８ ＜００００１

到铁路距离 ０００９７１ ０００１１３ ７４１６６５ ＜００００１

到居民区距离 ００１７７ ０００１５１ １３６６３９８ ＜００００１

人口密度 ００００５２１ ０００００９５ ３０１９６８ ＜００００１

ＧＤＰ ０００２１２ ００００２２２ ９１３３３９ ＜００００１

植被覆盖度 ０４３１２ ０１５１６ ８０８６４ ０００４５

日平均风速 －００５０６ ００１８８ ７２７１５ ０００７

日累计降水 －０３５９８ ００２８２ １６３１９４７ ＜００００１

日最高气温 ００３３ ０００２９６ １２４１６０４ ＜００００１

日相对湿度 －００３１４ ０００１７５ ３２３４９６９ ＜００００１

０２１

　第１期 陈岱：基于Ｌｏｇｉｓｔｉｃ回归模型的大兴安岭林火预测研究

表６　建模样本和独立检验样本的准确预测结果Ｔａｂ６Ｔｈｅｒｅｓｕｌｔｏｆｍｏｄｅｌｉｎｇａｎｄｉｎｄｅｐｅｎｄｅｎｔｔｅｓｔｓａｍｐｌｅｓ

预测准确率／％

火点 非火点 总预测准确率

建模样本（８０％） ７４１ ８３３ ８０６

独立检验样本（２０％） ６７３ ８７４ ８０３

４３　研究区域森林火险等级区划根据林火发生的概率模型，运用 Ｋｒｉｇｉｎｇ插值

方法对大兴安岭地区林火空间概率分布进行插值

分析（图２ａ）。此外，求出模型拟合过程中的所有阈值的均值０３６１，并参照国外相关研究以该均值和０５为分类标准，对大兴安岭的火险概率进行

区划，其中小于０３６１为低火险区，０３６１～０５为中火险区，大于０５为高火险区（图２（ｂ））

由图２（ｂ）可知森林火险地域分异明显。值得

注意的是，大兴安岭南部加林局东部、松岭东部和

北部、呼玛地区发生林火的概率远远高于其他地区

或林业局，尤其是呼玛境内全区几乎处于高火险

区，这与前人的研究结果相同［５，１９］；另外，韩家园东

北部、十八站、新林中部、西林吉与图强交界的中心

地区也有少部分高火险区。根据残差分析结果，加

林局和松岭地区模型低估区域较为集中，韩家园和

呼玛等地局部也出现林火低估区，这些地区森林火

灾隐患依然较大（图２（ｃ））。

图２　研究区域火险状况Ｆｉｇ２Ｔｈｅｆｏｒｅｓｔｆｉｒｅｐｒｏｂａｂｉｌｉｔｙ，ｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｒｅｓｉｄｕａｌｅｒｒｏｒｉｎｔｈｅｓｔｕｄｙａｒｅａ

５　结论与讨论应用Ｌｏｇｉｓｔｉｃ回归模型对大兴安岭地区２０００—

２０１６年林火发生与影响因子间的关系进行探索性研究。模型拟合结果表明模型具有较好的预测能力。

对大兴安岭的林火发生驱动因子的影响进行

分析。两种比例数据拟合结果表明，２０００—２０１６大兴安岭地区对林火发生影响坡向、到公路的距离、

到铁路距离、到居民区距离、植被覆盖度、人口密

度、ＧＤＰ、日平均风速、日累积降水、日最高气温、日平均相对湿度１１个变量进入了建模的拟合阶段，并且都具有较高的预测准确率（约 ８０％）；ＲＯＣ曲线下面积 ＡＵＣ＝０８６８且极其显著（Ｐ＜００００１），说

明模型具有较高的拟合度，独立校验样本的结果显

示模型的预测准确率也高达８０３％。研究结果表明，该模型具有一定的适用性。

本研究考虑的地形因子较少，主要是因为大

兴安岭地区地貌为丘陵和盆地，且分布较为规

律。研究发现，平面曲率影响地表径流的汇聚和

分散，进一步影响地表可燃物的湿度［２４］。可燃

物含水率作为林火发生的重要因素［１２］，在本研

究中均未体现，可能原因在于，可燃物含水率在

数据获取过程以及预测模型本身的误差，影响了

变量选择的结果，在后期需要对上述问题进行进

一步研究。

１２１

林业资源管理 第１期　

参考文献：

［１］ＭｃｋｅｎｚｉｅＤ，ＳｈａｎｋａｒＵ，ＫｅａｎｅＲＥ，ｅｔａｌ．Ｓｍｏｋｅｃｏｎｓｅｑｕｅｎｃｅｓｏｆ

ｎｅｗｗｉｌｄｆｉｒｅｒｅｇｉｍｅｓｄｒｉｖｅｎｂｙｃｌｉｍａｔｅｃｈａｎｇｅ［Ｊ］．ＥａｒｔｈｓＦｕｔｕｒｅ，

２０１４，２（２）：３５－５９．

［２］ＦｌａｎｎｉｇａｎＭＤ，ＫｒａｗｃｈｕｋＭＡ，ＧｒｏｏｔＷＪＤ，ｅｔａｌ．Ｉｍｐｌｉｃａｔｉｏｎｓｏｆ

ｃｈａｎｇｉｎｇｃｌｉｍａｔｅｆｏｒｇｌｏｂａｌｗｉｌｄｌａｎｄｆｉｒｅ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆ

ＷｉｌｄｌａｎｄＦｉｒｅ，２００９，１８（１８）：４８３－５０７．

［３］ＬｏｅｐｆｅＬ，ＲｏｄｒｉｇｏＡ，ＬｌｏｒｅｔＦ．Ｔｗｏｔｈｒｅｓｈｏｌｄｓｄｅｔｅｒｍｉｎｅｃｌｉｍａｔｉｃ

ｃｏｎｔｒｏｌｏｆｆｏｒｅｓｔｆｉｒｅｓｉｚｅｉｎＥｕｒｏｐｅａｎｄｎｏｒｔｈｅｒｎＡｆｒｉｃａ［Ｊ］．Ｒｅｇｉｏｎ

ａｌＥｎｖｉｒｏｎｍｅｎｔａｌＣｈａｎｇｅ，２０１４，１４（４）：１３９５－１４０４．

［４］ＧｕｏＦＴ，ＷａｎｇＧＹ，ＳｕＺＷ，ｅｔａｌ．ＷｈａｔｄｒｉｖｅｓｆｏｒｅｓｔｆｉｒｅｉｎＦｕ

ｊｉａｎ，Ｃｈｉｎａ？ＥｖｉｄｅｎｃｅｆｒｏｍｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎａｎｄＲａｎｄｏｍＦｏｒｅｓｔｓ

［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＷｉｌｄｌａｎｄＦｉｒｅ，２０１６，２５（５）：

５０５－５１９．

［５］ＧｕｏＦＴ，ＳｕＺＷ，ＷａｎｇＧＹ，ｅｔａｌ．Ｕｎｄｅｒｓｔａｎｄｉｎｇｆｉｒｅｄｒｉｖｅｒｓａｎｄｒｅｌ

ａｔｉｖｅｉｍｐａｃｔｓｉｎｄｉｆｆｅｒｅｎｔＣｈｉｎｅｓｅｆｏｒｅｓｔｅｃｏｓｙｓｔｅｍｓ［Ｊ］．Ｓｃｉｅｎｃｅｏｆ

ｔｈｅＴｏｔａｌＥｎｖｉｒｏｎｍｅｎｔ，２０１７，６０５：４１１－４２５．

［６］石晶晶．浙江省林火发生格局及预测模型研究［Ｄ］．临安：浙江

农林大学，２０１４．

［７］ＯｌｉｖｅｉｒａＳ，ＯｅｈｌｅｒＦ，ＳａｎＭｉｇｕｅｌＡｙａｎｚＪ，ｅｔａｌ．Ｍｏｄｅｌｉｎｇｓｐａｔｉａｌ

ｐａｔｔｅｒｎｓｏｆｆｉｒｅｏｃｃｕｒｒｅｎｃｅｉｎｍｅｄｉｔｅｒｒａｎｅａｎｅｕｒｏｐｅｕｓｉｎｇｍｕｌｔｉｐｌｅ

ｒｅｇｒｅｓｓｉｏｎａｎｄｒａｎｄｏｍＦｏｒｅｓｔ［Ｊ］．ＦｏｒｅｓｔＥｃｏｌｏｇｙａｎｄＭａｎａｇｅｍｅｎｔ，

２０１２，２７５（４）：１１７－１２９．

［８］ＰｒａｄｈａｎＢ，ＳｕｌｉｍａｎＭＤＨＢ，ＡｗａｎｇＭＡＢ．Ｆｏｒｅｓｔｆｉｒｅｓｕｓｃｅｐｔｉ

ｂｉｌｉｔｙａｎｄｒｉｓｋｍａｐｐｉｎｇｕｓｉｎｇｒｅｍｏｔｅｓｅｎｓｉｎｇａｎｄｇｅｏｇｒａｐｈｉｃａｌｉｎｆｏｒ

ｍａｔｉｏｎｓｙｓｔｅｍｓ（ＧＩＳ）［Ｊ］．ＤｉｓａｓｔｅｒＰｒｅｖｅｎｔｉｏｎａｎｄＭａｎａｇｅｍｅｎｔ，

２００７，１６（３）：３４４－３５２．

［９］ＶｉｌａｒＬ，ＷｏｏｌｆｏｒｄＤＧ，ＭａｒｔｅｌｌＤＬ，ｅｔａｌ．Ａｍｏｄｅｌｆｏｒｐｒｅｄｉｃｔｉｎｇｈｕ

ｍａｎｃａｕｓｅｄｗｉｌｄｆｉｒｅｏｃｃｕｒｒｅｎｃｅｉｎｔｈｅｒｅｇｉｏｎｏｆＭａｄｒｉｄ，Ｓｐａｉｎ［Ｊ］．

ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＷｉｌｄｌａｎｄＦｉｒｅ，２０１０，１９（３）：３２５－３３７．

［１０］ＪｕｓｔｉｃｅＣＯ，ＧｉｇｌｉｏＬ，Ｋｏｒｏｎｔｚｉ，Ｓ，ｅｔａｌ．ＴｈｅＭＯＤＩＳｆｉｒｅｐｒｏｄｕｃｔｓ

［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００２，８３（１）：２４４－２６２．

［１１］ＣｈａｎｇＹ，ＺｈｕＺＬ，ＢｕＲＣ，ｅｔａｌ．Ｐｒｅｄｉｃｔｉｎｇｆｉｒｅｏｃｃｕｒｒｅｎｃｅｐａｔ

ｔｅｒｎｓｗｉｔｈｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎｉｎＨｅｉｌｏｎｇｊｉａｎｇＰｒｏｖｉｎｃｅ，Ｃｈｉｎａ［Ｊ］．

ＬａｎｄｓｃａｐｅＥｃｏｌｏｇｙ，２０１３，２８（１０）：１９８９－２００４．

［１２］胡海清．林火生态与管理［Ｍ］．北京：中国林业出版社，２００５．

［１３］ＣｈａｎｄｌｅｒＣ，ＣｈｅｎｅｙＰ，ＴｒａｂａｕｄＬ，ｅｔａｌ．ＦｉｒｅｉｎＦｏｒｅｓｔｒｙ．Ｖｏｌｕｍｅ

Ｉ．Ｆｏｒｅｓｔｆｉｒｅｂｅｈａｖｉｏｒａｎｄｅｆｆｅｃｔｓ［Ｍ］．Ｆｌｏｒｉｄａ：ＫｒｉｅｇｅｒＰｕｂｌｉｓｈｉｎｇ

Ｃｏｍｐａｎｙ，１９９１．

［１４］ＤａｉｌｙＣｌｉｍａｔｅＤａｔａＳｅｔｏｆＣｈｉｎａＩｎｔｅｒｎａｔｉｏｎａｌＥｘｃｈａｎｇｅＳｔａｔｉｏｎ，Ｃｈｉ

ｎａＭｅｔｅｏｒｏｌｏｇｉｃａｌＤａｔａａｎｄＳｈａｒｉｎｇＮｅｔｗｏｒｋ［ＥＢ／ＯＬ］．（２０１６－

０５－１５）［２０１９－０１－０１］．ｈｔｔｐ：／／ｄａｔａ．ｃｍａ．ｃｎ／ｓｉｔｅ／ｉｎｄｅｘ．ｈｔｍｌ．

［１５］ＧｅｏｇｒａｐｈｉｃＩｎｆｏｒｍａｔｉｏｎＲｅｓｏｕｒｃｅｓＳｅｒｖｉｃｅ．ＮａｔｉｏｎａｌＡｄｍｉｎｉｓｔｒａｔｉｏｎ

ｏｆＳｕｒｖｅｙｉｎｇ，ＭａｐｐｉｎｇａｎｄＧｅｏｉｎｆｏｒｍａｔｉｏｎｏｆＣｈｉｎａ．２００２［ＥＢ／

ＯＬ］．（２０１６－０５－１５）［２０１９－０１－０１］．ｈｔｔｐ：／／ｗｗｗ．ｗｅｂｍａｐ．

ｃｎ／ｍａｉｎ．ｄｏ？ｍｅｔｈｏｄ＝ｉｎｄｅｘ（ａｃｃｅｓｓｅｄｏｎ１５Ｍａｙ２０１６）

［１６］ＧｕｔｍａｎＧ，ＩｇｎａｔｏｖＡ．Ｔｈｅｄｅｒｉｖａｔｉｏｎｏｆｔｈｅｇｒｅｅｎｖｅｇｅｔａｔｉｏｎｆｒａｃ

ｔｉｏｎｆｒｏｍＮＯＡＡ／ＡＶＨＲＲｄａｔａｆｏｒｕｓｅｉｎｎｕｍｅｒｉｃａｌｗｅａｔｈｅｒｐｒｅ

ｄｉｃｔｉｏｎｍｏｄｅｌｓ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，１９９８，

１９（８）：１５３３－１５４３．

［１７］ＲａｎＹＨ，ＬｉＸ．ＰｌａｎｔＦｕｎｃｔｉｏｎａｌＴｙｐｅｓＭａｐｉｎＣｈｉｎａ．Ｃｏｌｄａｎｄ

ＡｒｉｄＲｅｇｉｏｎｓＳｃｉｅｎｃｅＤａｔａＣｅｎｔｅｒａｔＬａｎｚｈｏｕ，２０１１［ＥＢ／ＯＬ］．

（２０１６－０５－１５）［２０１９－０１－０１］．Ａｖａｉｌａｂｌｅｏｎｌｉｎｅ：ｈｔｔｐ：／／

ｗｅｓｔｄｃ．ｗｅｓｔｇｉｓ．ａｃ．ｃｎ／．

［１８］ＬｉｕＨ，ＪｉａｎｇＤ，ＹａｎｇＸ，ｅｔａｌ．ＳｐａｔｉａｌｉｚａｔｉｏｎＡｐｐｒｏａｃｈｔｏ１ｋｍＧｒｉｄ

ＧＤＰＳｕｐｐｏｒｔｅｄｂｙＲｅｍｏｔｅＳｅｎｓｉｎｇ［Ｊ］．ＧｅｏｉｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ，

２００５，７（２）：１２０－１２３．

［１９］许吟隆，薛峰，林一骅．不同温室气体排放情景下中国２１世纪

地面气温和降水变化的模拟分析［Ｊ］．气候与环境研究，２００３

（２）：２０９－２１７．

［２０］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．

［２１］ＳＧｕｒｉ爧Ｅ，ａｌａｙａｎＴＵｎ．Ｅｓｔｉｍａｔｉｎｇｏｆｐｒｏｂａｂｉｌｉｔｙｏｆｈｏｍｅｏｗｎ

ｅｒｓｈｉｐｉｎｒｕｒａｌａｎｄｕｒｂａｎａｒｅａｓ：Ｌｏｇｉｔ，ｐｒｏｂｉｔａｎｄＧｏｍｐｉｔｍｏｄｅｌ

［Ｊ］．ＥｕｒｏｐｅａｎＪｏｕｒｎａｌｏｆＳｏｃｉａｌＳｃｉｅｎｃｅｓ，２０１１，２１（３）：

４０５－４１１．

［２２］ＭｉｎａｂＭ，ＯｌａＭ，ＡｓｌＭＧ．Ａｎａｌｙｓｉｓｏｆｔｈｅｅｆｆｅｃｔｏｆｃｏｒｐｏｒａｔｅｇｏｖ

ｅｒｎａｎｃｅｏｎｔｈｅｆｉｎａｎｃｉａｌｈｅａｌｔｈｏｆｃｏｍｐａｎｉｅｓＵｓｉｎｇＬｏｇｉｔ，Ｐｒｏｂｉｔ

ａｎｄＧｏｍｐｉｔｍｏｄｅｌｓ［Ｃ］／／Ｔｈｅ１２ｔｈＩｒａｎｉａｎＮａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎ

Ａｃｃｏｕｎｔｉｎｇ，Ｉｒａｎ，２０１４．

［２３］ＬｉｔｔｅｌｌＪＳ，ＭｃＫｅｎｚｉｅＤ，ＰｅｔｅｒｓｏｎＤＬ，ｅｔａｌ．Ｃｌｉｍａｔｅａｎｄｗｉｌｄｆｉｒｅ

ａｒｅａｂｕｒｎｅｄｉｎｗｅｓｔｅｒｎＵ．Ｓ．ｅｃｏｐｒｏｖｉｎｃｅｓ［Ｊ］．ＥｃｏｌｏｇｉｃａｌＡｐｐｌｉｃａ

ｔｉｏｎｓ，２００９，１９（４）：１００３－１０２１．

［２４］ＰｏｕｒｇｈａｓｅｍｉＨＲ．ＧＩＳｂａｓｅｄｆｏｒｅｓｔｆｉｒｅｓｕｓｃｅｐｔｉｂｉｌｉｔｙｍａｐｐｉｎｇｉｎＩ

ｒａｎ：ａｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｅｖｉｄｅｎｔｉａｌｂｅｌｉｅｆｆｕｎｃｔｉｏｎａｎｄｂｉｎａｒｙｌｏ

ｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｓ［Ｊ］．ＳｃａｎｄｉｎａｖｉａｎＪｏｕｒｎａｌｏｆＦｏｒｅｓｔＲｅ

ｓｅａｒｃｈ，２０１６，３１（１）：８０－９８．

２２１