梁慧玲 郭福濤 王文輝 蘇漳文 趙嘉陽 林玉蕊

(福建農(nóng)林大學(xué)，福州，350002)

森林火災(zāi)是森林更新和演替的主要影響因子之一［1］，不僅會對森林生態(tài)系統(tǒng)造成重要的干擾和影響，也會對人類的生命財產(chǎn)安全造成威脅［2-3］。我國森林資源豐富，但也是林火高發(fā)區(qū)，每年林火發(fā)生超過10 000 次，過火面積達(dá)820 000 hm2［4］，防控森林火災(zāi)是科研人員和林業(yè)管理部門的一項重要工作。森林火災(zāi)受火源、氣候、地形、植被特征等多種因素共同影響［5］，了解和掌握林火發(fā)生的主要影響因素，是判斷林火分布格局，預(yù)測林火發(fā)生趨勢以及科學(xué)管理林火的前提。位于小興安嶺地區(qū)的伊春市是我國北方森林旅游名城，該地區(qū)森林資源豐富，區(qū)內(nèi)有多個國家級森林旅游景點，近年來隨著森林旅游業(yè)的迅速發(fā)展該地區(qū)面臨著嚴(yán)重的森林火災(zāi)防控問題。目前，國內(nèi)關(guān)于該地區(qū)林火發(fā)生影響因素的研究已經(jīng)開展，并取得了一定進(jìn)展，研究多集中在氣象因子與林火的關(guān)系分析。高永剛運用氣候統(tǒng)計分析方法，分析了氣候變化對伊春林區(qū)森林火災(zāi)的影響［6］;鄭瓊對伊春地區(qū)1980—2010 年森林火災(zāi)的影響因子進(jìn)行了分析，結(jié)果表明空氣濕度、溫度和風(fēng)速是影響林火發(fā)生的主要影響因子［7］;王繼常指出平均相對濕度和年降水量對伊春地區(qū)林火發(fā)生的影響較大［8］。目前的研究方法主要為單因素方差分析法［7-9］、時間變化趨勢圖分析法［6］和一般線性回歸模型［8］，這些方法具有一定的合理性，但在深入分析單個因子對林火發(fā)生的影響力上存在不足。

隨機森林(RF)是由Breiman 和Cutler 于2001年提出的一種組合分類器，具有不需要預(yù)先設(shè)定函數(shù)表達(dá)式、能夠克服自變量之間的交互作用、分類精度高等優(yōu)點。同時該方法還可以計算自變量的相對重要性和對單個因子的影響力進(jìn)行分析［10-13］。由于該方法具有在分類判別及變量重要性分析上的優(yōu)越性，近幾年國外已有少數(shù)學(xué)者將其應(yīng)用于森林火災(zāi)與影響因子關(guān)系的研究［14-16］。目前，國內(nèi)對伊春地區(qū)林火影響因子的研究雖已開展，但關(guān)于影響因子的影響力分析還鮮有報道。因此，本研究應(yīng)用此方法，對小興安嶺伊春地區(qū)的林火發(fā)生影響因子進(jìn)行分析，試圖找到對伊春地區(qū)林火發(fā)生有顯著影響的因子，并進(jìn)一步分析這些因子對林火發(fā)生的實際影響力，最后基于顯著因子的分析結(jié)果對伊春地區(qū)進(jìn)行火險區(qū)劃分。本研究結(jié)論將為伊春地區(qū)的林火管理提供依據(jù)，并為該地區(qū)的森林旅游景區(qū)的發(fā)展與規(guī)劃提供參考。

1 研究區(qū)域概況

伊春位于黑龍江省東北部地區(qū)(127°37′-130°46′E，46°28′-49°26′N)，面積39 017 km2(圖1)，屬低山丘陵地形，平均海拔高度600 m，其地面海拔高程在125～330 m，地勢開闊，坡度平緩。該區(qū)屬于北溫帶大陸性季風(fēng)氣候，年平均氣溫1 ℃，氣溫偏低;年降水量750 ～820 mm，降水量較充沛。區(qū)內(nèi)森林茂密，樹種較多，森林覆蓋率為83．8%。森林類型是以紅松(Pinus koraiensis)為主的針闊混交林，主要樹種為紅松、興安落葉松(Larix gmelinii)、樟子松(Pinus sylvestris var． mongolica)、山楊(Populus davidiana)、蒙古櫟(Quercus mongolica)等［17］。伊春地處小興安嶺地區(qū)，是我國北方森林旅游勝地。截至2012 年底，國家級自然保護(hù)區(qū)共5 個，2013 年末，國家AA 級以上景區(qū)共有27 處，全年共接待游客583．8萬人次，比2012 年增長7．5%。

2 材料和方法

2．1 數(shù)據(jù)來源與處理

本研究所涉及的數(shù)據(jù)包括林火發(fā)生數(shù)據(jù)、高程、植被類型、基礎(chǔ)設(shè)施和氣象因子等5 部分，共14 個變量。

1980—2009 年伊春地區(qū)林火發(fā)生數(shù)據(jù)來源于伊春森林防火辦公室，數(shù)據(jù)包括起火地理坐標(biāo)，火災(zāi)大小、起火原因和火災(zāi)發(fā)生時間等信息，共有379 個火點。在建立森林火災(zāi)的判別模型時，需要構(gòu)建一定比例的隨機點(非火點)，因此，本研究應(yīng)用Arc-GIS 軟件按約1 ∶2 的比例隨機創(chuàng)建758 個非火點［18］，創(chuàng)建過程遵循時間和空間上的完全隨機;且用0 表示沒有林火發(fā)生，用1 表示林火發(fā)生。

高程數(shù)據(jù)來源于國家測繪地理信息局(http:218．244．250．78/NgccDigitalHall/)提供的1 ∶250 000數(shù)字地形圖。

植被類型數(shù)據(jù)來源于中國科學(xué)院寒區(qū)旱區(qū)環(huán)境與工程研究所(http:www．careeri．cas．cn/)提供的分辨率為1 km 的中國數(shù)字植被圖。植被類型用各植被類型的面積占研究區(qū)域面積的比重來表示。

基礎(chǔ)地理信息數(shù)據(jù)來源于國家測繪地理信息局(http:218．244．250．78/NgccDigitalHall/)提供的精度為1 ∶25 萬的矢量地圖?；A(chǔ)設(shè)施變量包括:火點或非火點到鐵路、公路和居民點的最短距離共3個變量。圖1 顯示了伊春地區(qū)火點，高程及人為基礎(chǔ)設(shè)施的空間分布。

圖1 伊春地區(qū)火點、鐵路、道路、居民區(qū)和高程分布

氣象數(shù)據(jù)來源于中國氣象數(shù)據(jù)共享網(wǎng)絡(luò)(ht- tp:cdc．cma．gov．cn/)，包括日平均地表溫度、日最高地表溫度、日最大風(fēng)速、20:00—20:00 時降水量、日照時間、日平均氣溫、日最高氣溫、日平均相對濕度共8 個氣象因子。

運用ArcGIS10．0 軟件分別從數(shù)字地形圖、數(shù)字植被圖中提取火點/非火點所對應(yīng)的海拔、坡度、坡向和植被類型數(shù)據(jù)，用ArcGIS 的圖層鏈接功能計算火點/非火點到鐵路、公路和居民點的最短距離，結(jié)合EXCEL 的編程模塊提取火點/非火點所對應(yīng)的每日氣象數(shù)據(jù)，并應(yīng)用SPSS19．0 對1980—2009 年伊春地區(qū)的林火發(fā)生數(shù)據(jù)及各驅(qū)動因子數(shù)據(jù)進(jìn)行基本統(tǒng)計描述(表1)。本研究從總樣本數(shù)據(jù)中隨機選取60%的訓(xùn)練樣本用于建模，另外40%的測試樣本用來檢驗?zāi)Ｐ停?5］。為了保證變量選擇的穩(wěn)定性，在隨機劃分?jǐn)?shù)據(jù)的過程中，進(jìn)行了3 次重復(fù)并分別進(jìn)行模型擬合，最后選擇在3 次擬合結(jié)果中出現(xiàn)2 次或以上的重要變量進(jìn)入全樣本數(shù)據(jù)模型的擬合計算。

表1 林火發(fā)生數(shù)據(jù)與驅(qū)動因子的基本統(tǒng)計描述

2．2 隨機森林算法

2．2．1 隨機森林基本原理

隨機森林是一種基于分類回歸樹的組合分類器{h(x，θk)，k=1，2，3，…}，其中x 是輸入向量，θk是獨立同分布的隨機向量。采用bootstrap 重抽樣技術(shù)從原始數(shù)據(jù)集中抽取n 個與原始數(shù)據(jù)集大小相同的bootstrap 樣本，對這n 個bootstrap 樣本分別建立n棵沒有剪枝的決策樹，在每棵樹的節(jié)點處隨機抽取m 個變量(m 小于總變量數(shù)量)，且在m 個變量中選擇一個最具有分類能力的變量進(jìn)行分裂，從而得到n 個結(jié)果;最后將這n 個結(jié)果綜合起來作為隨機森林的最終結(jié)果［10-11，14］。

2．2．2 重要影響因子選擇與排序

隨機森林能夠計算變量的重要性得分，根據(jù)其得分可以用來評價變量的貢獻(xiàn)力大小，變量的重要性得分越高，說明該變量的貢獻(xiàn)力越大。衡量變量重要性的指標(biāo)有兩個，一個是人為地加入噪聲后，隨機森林預(yù)測準(zhǔn)確性的下降程度，該值越大說明該變量的重要性越大;另一個是平均基尼指數(shù)減少量，通過基尼指數(shù)計算節(jié)點純度，從而比較變量的重要性，該值越大說明該變量的重要性越大［13］;進(jìn)而根據(jù)各個變量的重要性得分，以降序的方式對其進(jìn)行排列，剔除不重要的變量重新構(gòu)建隨機森林;最后以使袋外誤差最小為原則，選擇袋外誤差最小的指標(biāo)集作為模型的最終指標(biāo)體系。本研究應(yīng)用隨機森林預(yù)測準(zhǔn)確性的下降程度來評價變量的重要性，并在R 統(tǒng)計軟件中調(diào)用randomForest 程序包、varSelRF 程序包和varImpPlot 函數(shù)來實現(xiàn)隨機森林的構(gòu)建和特征變量的選擇與排序。

2．2．3 重要因子的影響力分析

因子的影響力分析是基于局部依賴圖進(jìn)行的。局部依賴圖是將“黑匣子”分類和回歸工具中自變量對因變量的影響可視化的工具［11，19］。設(shè)分類函數(shù)為f，預(yù)測變量X=(X1、X2、…、Xs)，則f(X)= f(X1、X2、…、Xs)。函數(shù)f 對變量Xj依賴值等于函數(shù)f 關(guān)于除Xj變量之外的所有變量的期望值。對于林火發(fā)生與否的二分類問題，則f(X)= 0．5ln(p(X)/(1-p(X))= 0．5logit(p(X))，其中p 為林火發(fā)生的概率［11，19-20］。

2．3 模型擬合優(yōu)度和預(yù)測準(zhǔn)確率檢驗

結(jié)合受試者工作特征曲線分析法對隨機森林算法進(jìn)行擬合優(yōu)度檢驗［15］，并結(jié)合林火發(fā)生的臨界值，計算隨機森林算法對林火發(fā)生與否的正確判別率，對隨機森林算法的擬合結(jié)果進(jìn)行評價。受試者工作特征曲線(ROC 曲線)是一條以假陽性率為橫坐標(biāo)，真陽性率為縱坐標(biāo)繪制而成的曲線，是一種不依賴閾值的檢驗方法，以ROC 曲線下的面積(AUC)作為模型預(yù)測準(zhǔn)確性的衡量標(biāo)準(zhǔn)。AUC 值在［0．5，1］區(qū)間上變化，AUC 值越大，說明模型的擬合效果越好。一般認(rèn)為，AUC 值等于0．5 時相當(dāng)于是一個完全的隨機預(yù)測;在(0．5，0．7］之間說明模型的擬合效果較差;在(0．7，0．9］之間說明模型的擬合效果中等;在(0．9，1］之間說明模型的擬合效果非常好［21］。根據(jù)ROC 曲線分析法計算出來的敏感性值和(1-特異性值)，求出約登指數(shù)，進(jìn)而確定林火發(fā)生的臨界值，如果林火發(fā)生的預(yù)測概率大于該臨界值則認(rèn)為有林火發(fā)生，否則認(rèn)為無林火發(fā)生［22-24］。

2．4 林火發(fā)生概率分布格局

基于隨機森林算法所計算的全樣本數(shù)據(jù)預(yù)測概率，運用ArcGIS10．0 對其進(jìn)行克里金插值，分析伊春地區(qū)林火發(fā)生概率的空間分布特征。并且根據(jù)林火發(fā)生的臨界值，將小興安嶺地區(qū)劃分成3 個森林火災(zāi)等級:低火險區(qū)(＜臨界值)、中等火險區(qū)(臨界值～0．5)和高火險區(qū)(＞0．5)［23］，對小興安嶺地區(qū)的火險等級進(jìn)行區(qū)劃。

3 結(jié)果與分析

3．1 驅(qū)動因子分析

由變量的重要性排序圖(圖2)可知，日平均相對濕度、日最高地表溫度、海拔、日最高氣溫和到居民點的距離等5 個變量進(jìn)入了全樣本數(shù)據(jù)模型的擬合計算，表明這5 個變量是影響林火發(fā)生的主要驅(qū)動因子;且日平均相對濕度對林火發(fā)生的影響最大，日最高地表溫度次之，而到居民點的距離對林火發(fā)生的影響相對其他4 個變量較小。

為了更好地分析各主要影響因子對林火發(fā)生的影響規(guī)律，運用partialPlot 函數(shù)做出隨機森林算法中林火發(fā)生與各影響因子之間局部依賴圖(圖3)，橫坐標(biāo)為驅(qū)動因子的取值，縱坐標(biāo)為［logit(林火發(fā)生概率)］/2，縱坐標(biāo)值越大越容易發(fā)生火災(zāi)。

圖2 主要驅(qū)動因子的重要性排序圖

圖3 主要驅(qū)動因子對林火發(fā)生的影響

圖3 顯示了5 個重要影響因子各自對林火發(fā)生的影響區(qū)間。日平均相對濕度對林火發(fā)生的影響呈下降趨勢，當(dāng)天平均相對濕度小于30%時，火災(zāi)發(fā)生的概率最大;在80%到90%的范圍內(nèi)對林火發(fā)生的影響最小。日最高地表溫度大約在15 ℃的范圍內(nèi)對林火發(fā)生的影響最小，大于15 ℃之后對林火發(fā)生的影響逐漸增大。海拔在400 m 以下時對林火發(fā)生的影響較大，在400 ～900 m 的范圍內(nèi)，對林火發(fā)生的影響較小。日最高氣溫對林火發(fā)生的影響呈上升趨勢，當(dāng)天最高氣溫小于0 ℃時，火災(zāi)發(fā)生概率相對較小;大于0 ℃后，日最高氣溫與林火發(fā)生呈正相關(guān)關(guān)系。離居民點的距離(h)＜8 km 的范圍內(nèi)呈下降趨勢，在8 km＜h≤18 km 的范圍內(nèi)呈上升趨勢，在18 km＜h≤30 km 的范圍內(nèi)略有下降，＞30 km 之后呈平穩(wěn)狀態(tài)。

3．2 模型校驗及擬合結(jié)果分析

圖4 為3 個訓(xùn)練樣本(60%)的ROC 曲線圖，其AUC 值分別為0．859、0．819、0．835，且P 均小于0．001，說明基于特征變量選擇結(jié)果所建立的隨機森林算法對林火發(fā)生的擬合效果較好，且具有統(tǒng)計意義，可用于林火發(fā)生的擬合計算?；赗OC曲線分析法所計算出的林火發(fā)生臨界值分別為0．456、0．420、0．320。

圖4 隨機森林ROC 曲線圖

隨機森林算法對訓(xùn)練樣本的正確預(yù)測概率在76．4%～80．4%，對測試樣本的正確預(yù)測率在75．8%～81．5%，且對未發(fā)生林火的正確預(yù)測率整體上高于對林火發(fā)生的正確預(yù)測率(表2)。最后，基于特征變量的選擇結(jié)果，對全樣本數(shù)據(jù)進(jìn)行擬合計算。經(jīng)計算全樣本數(shù)據(jù)模型的AUC 值為0．848，P＜0．001，林火發(fā)生的臨界值為0．413，隨機森林算法對林火發(fā)生的正確判別率為79．3%。

表2 隨機森林算法對林火發(fā)生的正確判別率

3．3 林火發(fā)生概率分布格局分析

基于隨機森林算法所計算的全樣本數(shù)據(jù)的預(yù)測概率，運用ArcGIS10．0 對其進(jìn)行克里金插值，并對其進(jìn)行火險等級劃分。從林火發(fā)生概率分布圖(圖5)和火險區(qū)劃圖(圖6)可知，伊春地區(qū)的林火發(fā)生主要集中在中部地區(qū)、東南地區(qū)和最北部地區(qū)，西南、東北地區(qū)也存在林火易發(fā)區(qū)。低火險等級區(qū)域占總面積的77．0%，中火險等級區(qū)域占總面積的13．9%，高火險等級區(qū)域占總面積的9．1%。

4 結(jié)論與討論

綜合分析了高程、植被類型、基礎(chǔ)設(shè)施和氣象因子等13 個因子與林火發(fā)生之間的關(guān)系。研究結(jié)果表明相對濕度、最高地表溫度、海拔、最高氣溫和離居民點的距離是影響伊春地區(qū)林火發(fā)生的主要影響因子。相對濕度是反應(yīng)林內(nèi)可燃物含水量的一個重要指標(biāo)，對林火發(fā)生有重要影響［25］。研究表明，日平均相對濕度對林火發(fā)生的影響力最大，說明了林火發(fā)生對相對濕度的變化非常敏感，這與其他學(xué)者的研究相一致［23］。此外，研究發(fā)現(xiàn)日平均相對濕度小于30%時，火災(zāi)發(fā)生的概率最大，這與鄭瓊等［7］對伊春地區(qū)的研究結(jié)果一致。氣溫與林火的發(fā)生關(guān)系密切，可以直接影響相對濕度的變化，減少可燃物含水率，從而降低可燃物著火點。研究結(jié)果顯示日最高地表溫度和日最高氣溫對林火發(fā)生有重要影響，且二者的影響趨勢相近。日最高地表溫度小于20 ℃，日最高氣溫小于5 ℃時對林火發(fā)生的影響較小。日最高氣溫大于5 ℃時，其與林火發(fā)生大致呈正相關(guān)關(guān)系，即溫度越高，越容易發(fā)生火災(zāi)，大于30℃時，火災(zāi)概率開始下降，與王淑華等［9］對伊春地區(qū)的研究結(jié)果一致。此外，研究還發(fā)現(xiàn)林火易發(fā)生在0～400 m 的低海拔區(qū)域，主要原因在于伊春地區(qū)地面海拔高度在125～330 m，且地勢平緩，是主要的城市人口和工業(yè)的聚集地，人為活動頻繁，容易發(fā)生人為火災(zāi)。而森林區(qū)域主要分布在海拔400 m 以上的區(qū)域，是森林旅游的主要分布區(qū)，也是當(dāng)?shù)亓只鸸芾淼闹攸c區(qū)域，由于監(jiān)控嚴(yán)格，管理到位，發(fā)生森林火災(zāi)的次數(shù)相對較少。本研究還顯示離居民點的距離也會對當(dāng)?shù)亓只鸢l(fā)生產(chǎn)生顯著影響，林火易發(fā)生在距居民區(qū)10 ～15 km 的范圍內(nèi)，當(dāng)?shù)貙嶋H情況是很多森林旅游景點及森林棧道大多修建于離市區(qū)10 km 左右范圍，導(dǎo)致當(dāng)?shù)嘏c森林有關(guān)的人為活動主要發(fā)生在該距離尺度內(nèi)。

另一方面，本研究沒有發(fā)現(xiàn)植被類型對林火發(fā)生有顯著影響，這與Maingi 和Henry［26］和Avila-Flores 等［27］的研究結(jié)果相反，可能由于該地區(qū)林型相對單一，空間異質(zhì)性不明顯，因此植被類型沒有表現(xiàn)出很強的影響力。王淑華等［9］和鄭瓊等［7］對伊春地區(qū)的研究結(jié)果表明當(dāng)天日照時間與森林火災(zāi)呈顯著的正相關(guān)關(guān)系，王淑華等［9］與王繼常和李利［8］對伊春地區(qū)的研究結(jié)果表明風(fēng)速與森林火災(zāi)也呈顯著的正相關(guān)關(guān)系，而本研究結(jié)果沒有發(fā)現(xiàn)日照時間和風(fēng)速對森林火災(zāi)有顯著影響，原因在于隨機森林算法并不是單一的檢驗?zāi)骋粴庀笠蜃优c林火發(fā)生之間是否有顯著的線性關(guān)系，而是分析氣象因子之間對林火發(fā)生的相對重要性。這種方法的優(yōu)勢就在于在復(fù)雜多變的自然環(huán)境下，能夠較準(zhǔn)確地分析出影響林火發(fā)生的重要因子及他們之間的影響權(quán)重。而且隨機森林抽樣檢驗的過程也能夠保證因子重要性檢驗的準(zhǔn)確性和穩(wěn)定性。更為重要的是隨機森林是線性相關(guān)性的檢驗，這也是該方法優(yōu)于傳統(tǒng)方法的一個重要方面。

圖5 林火發(fā)生概率分布圖

圖6 火險區(qū)劃圖

模型的擬合結(jié)果顯示，隨機森林算法對我國伊春地區(qū)林火發(fā)生的預(yù)測具有較高的預(yù)測精度，且模型的擬合效果較好，其對全樣本數(shù)據(jù)的擬合精度為79．3%，表明隨機森林算法可用于伊春地區(qū)林火發(fā)生的預(yù)測預(yù)報。伊春地區(qū)林火發(fā)生概率插值圖和火險區(qū)劃圖顯示，該地區(qū)林火發(fā)生主要集中在中部地區(qū)、東南地區(qū)和最北部地區(qū)，西南、東北地區(qū)也存在林火易發(fā)區(qū)?？稍谶@些地區(qū)配備更多的消防資源，做好林火預(yù)防工作，使林火發(fā)生所造成的損失達(dá)到最小。

［1］ Chang Y，He H S，Bishop I，et al． Long-term forest landscape responses to fire exclusion in the Great Xing’an Mountains，China［J］． International Journal of Wildland Fire，2007，16(1):34-44．

［2］ Liu H P，Randerson J T，Lindfors J，et al． Changes in the surface energy budget after fire in boreal ecosystems of interior Alaska:an annual perspective［J］． Journal of Geophysical Research Atmospheres，2005，110(D13):2515-2530．

［3］ 彭歡，史明昌，孫瑜．基于Logistic 的大興安嶺雷擊火預(yù)測模型［J］．東北林業(yè)大學(xué)學(xué)報，2014，42(7):166-169．

［4］ Zhong M H，F(xiàn)an W C，Liu T M，et al． Statistical analysis on current status of China forest fire safety［J］． Fire Safety Journal，2003，38(3):257-269．

［5］ 劉志華，楊健，賀紅士，等．黑龍江大興安嶺呼中林區(qū)火燒點格局分析及影響因素［J］．生態(tài)學(xué)報，2011，31(6):1669-1677．

［6］ 高永剛，張廣英，顧紅，等．氣候變化對伊春林區(qū)森林火災(zāi)的影響［J］．安徽農(nóng)業(yè)科學(xué)，2008，36(28):12269-12271，12274．

［7］ 鄭瓊，邸雪穎，金森．伊春地區(qū)1980—2010 年森林火災(zāi)時空格局及影響因子［J］．林業(yè)科學(xué)，2013，49(4):157-163．

［8］ 王繼常，李利．伊春林區(qū)森林火災(zāi)與氣象因子相關(guān)分析［J］．防護(hù)林科技，2014(6):48-50，62．

［9］ 王淑華，孫鵬飛，程春香．伊春市氣象因子與森林火災(zāi)相關(guān)性研究［J］．林業(yè)科技，2008，33(2):24-26．

［10］ Breiman L． Random forests［J］． Machine Learning，2001，45(1):5-32．

［11］ Cutler D R，Edwards T J，Beard K H，et al． Random forests for classification in ecology［J］． Ecology，2007，88(11):2783-2792．

［12］ 李欣海．隨機森林模型在分類與回歸分析中的應(yīng)用［J］．應(yīng)用昆蟲學(xué)報，2013，50(4):1190-1197．

［13］ 劉盈君，張濤，王璐，等．基于隨機森林的精神分裂癥血清代謝組學(xué)研究［J］．山東大學(xué)學(xué)報:醫(yī)學(xué)版，2015，53(2):1-5．

［14］ Oliveira S，Oehler F，San-Miguel-Ayanz J，et al． Modeling spatial patterns of fire occurrence in Mediterranean Europe using Multiple Regression and Random Forest［J］． Forest Ecology and Management，2012，275(4):117-129．

［15］ Rodrigues M，de la Riva J． An insight into machine-learning algorithms to model human-caused wildfire occurrence［J］． Environmental Modelling ＆ Software，2014，57:192-201．

［16］ Kane V R，Lutz J A，Alina Cansler C，et al． Water balance and topography predict fire and forest structure patterns［J］． Forest Ecology and Management，2015，338:1-13．

［17］ 于穎，范文義，楊曦光．1901—2008 年小興安嶺森林NPP 估算［J］．林業(yè)科學(xué)，2014，50(10):16-23．

［18］ Catry F X，Rego F C，Ba??o F L，et al． Modeling and mapping wildfire ignition risk in Portugal［J］． International Journal of Wildland Fire，2009，18(8):921-931．

［19］ Hastie T，F(xiàn)riedman J，Tibshirani R． The Elements of statistical learning-data mining，Inference，and prediction［M］． New York:Springer-Verlag，2001．

［20］ Liaw A，Wiener M． Classification and regression by random forest［J］． R News，2002，2(3):18-22．

［21］ del Hoyo L V，Martín Isabel M，Javier Martínez Vega F． Logistic regression models for human-caused wildfire risk estimation:analysing the effect of the spatial accuracy in fire occurrence data［J］． European Journal of Forest Research，2011，130(6):983-996．

［22］ 鄧歐，李亦秋，馮仲科，等．基于空間Logistic 的黑龍江省林火風(fēng)險模型與火險區(qū)劃［J］．農(nóng)業(yè)工程學(xué)報，2012，28(8):200-205．

［23］ Chang Y，Zhu Z L，Bu R，et al． Predicting fire occurrence patterns with logistic regression in Heilongjiang Province，China［J］． Landscape Ecology，2013，28(10):1989-2004．

［24］ 柳生吉，楊?。趶V義線性模型和最大熵模型的黑龍江省林火空間分布模擬［J］．生態(tài)學(xué)雜志，2013，32(6):1620-1628．

［25］ 毛光伶．林火與氣象條件相互關(guān)系及其預(yù)報［J］．氣象，1988，14(9):52-54．

［26］ Maingi J K，Henry M C． Factors influencing wildfire occurrence and distribution in eastern Kentucky，USA［J］． International Journal of Wildland Fire，2007，16(1):23-33．

［27］ Avila-Flores D，Pompa-Garcia M，Antonio-Nemiga X，et al．Driving factors for forest fire occurrence in Durango State of Mexico:a geospatial perspective［J］． Chinese Geographical Science，2010，20(6):491-497．