河南省火灾影响因素的空间分析

第33卷第7期2014年7月

地理科学进展

Vol.33,No.7July2014

河南省火灾影响因素的空间分析

张海军

(南阳师范学院环境科学与旅游学院，河南南阳473061)

摘

要：科学揭示火灾及其影响因素间的空间关系可为防火管理提供决策支持和有益启示。以往研究多在“空间

平稳”的框架下进行火灾影响因素分析，但火灾和其可量化的影响因素往往自身均表现为“空间异质”，基于非空间的全局模型模拟可能会得出误导性甚至错误的结论。地理加权回归(GWR)可解释火灾及其影响因素间空间关系的局部变异。本文选取影响火灾分布的高程、坡度、居民地可达性、道路可达性、地表温度、归一化差植被指数和全球植被湿度指数作为解释变量，以是否火烧作为二元因变量，应用logisticGWR对河南省2002-2012年火季(9-10月)火灾的影响因素进行探索性分析。以多时态空间抽样取得训练样本，利用GWR4.0软件开发一个logis-ticGWR火烧概率模型，从可靠性和区分能力两方面对模型性能分别进行内部检验和独立检验，以确保火灾影响因素分析的可靠和合理性。结果表明：①坡度、居民地可达性、温度、植被长势和植被湿度对河南省火灾的影响呈现显著空间变化，高程、道路可达性的影响空间变化不显著，低海拔、道路可达性差的区域更易发生火灾。②温度和植被长势对火灾影响省内全局显著，坡度、居民地可达性和植被湿度对火灾影响在省内仅部分区域显著。③河南省可划分为7种类型区，不同类型区的火灾影响因素相对重要性存在差异，应因地制宜制定防火策略和确定防火重点。④logisticGWR模型可用于分析火灾影响因素的局部空间变异，作为火险研究的一种有效工具。关键词：火灾影响因素；地理加权回归；逻辑斯蒂回归；局部模型；河南省doi:10.11820/dlkxjz.2014.07.011

中图分类号：X43

文献标识码：A

1引言

严重火灾事件可导致巨大经济损失、环境毁坏，甚至人员伤亡。因火险预报和模拟研究对火灾监测和防控有实际价值和启示作用(Purietal,2011)，已受到学界的广泛关注和重视(Chuviecoetal,2010;Preisleretal,2011;Bisquertetal,2012;Zhangetal,2013)。已有研究更多关注模型预报或模拟的精度，对火灾影响因素的空间分析尚缺乏足够重视，在预报模型方面突出表现为主要开发的是一些全局或半局部模型，如logistic全局回归(邓欧等,2012;Lozanoetal,2007;Preisleretal,2011;Bis-quertetal,2012;Zhangetal,2013)、人工神经网络(Bisquertetal,2012)、贝叶斯网络(Dlamini,2011)、最大熵模型(Parisienetal,2012)等。实际上，火灾的发生和诱发蔓延机制通常比较复杂，火灾的影响

因素及其重要程度在不同区域往往并不相同(Martí nez-Fernándezetal,2013)，当涉及环境条件异质的较大区域时尤其如此。科学揭示火灾事件及其影响因素间的空间关系有助于人们更好地理解火灾发生机制，而错误地解释这种关系会造成模拟预报结果的偏差，对防火工作造成不利影响。

火灾影响因素的空间分析可找出影响火灾的主要因素并对其影响程度进行空间分布制图，有利于加深人们对火灾发生机制的理解，并可为防火管理提供决策支持和有益启示。近年来，受全球气候异常的影响，河南省的火灾呈多发频发趋势(郭其乐等,2009)，已成为全省破坏性和影响力最强的人为灾害之一(景国勋等,2007)。遥感数据因其高可用性和低成本，正日益成为火险研究中重要和常用的数据源(Lozanoetal,2007;Dlamini,2011;Bis-quertetal,2012;Zhangetal,2013)。然而，从遥感

收稿日期：2013-11；修订日期：2014-03。

基金项目：国家自然科学基金项目（41201099，30771744）。作者简介：张海军（1978-），男，河北滦平人，硕士研究生，讲师，主要从事自然灾害模拟、评估和预警监测研究，

E-mail:hjzhangny@。

958-968页

卷第7期张海军：河南省火灾影响因素的空间分析959

数据提取的火环境因子通常呈现空间异质性(Gar-riguesetal,2006)。地理加权回归(geographicallyweightedregression,GWR)可用于建模空间变异关系，扩展后的logistic模型可用于带有二元因变量的地理空间过程模拟(Wuetal,2013)，目前该模型在火险研究中的应用仍比较少(Martí nez-Fernándezetal,2013)。基于河南省2002-2012年的MODIS卫星遥感数据，本文选取反映地形、人类活动可达性、温度和植被状态4个方面的火环境因素，应用logis-tic地理加权回归(LGWR)建模技术对火灾的影响因素进行探索性分析，为河南省的防火区划和防火管理提供参考和借鉴。

2研究方法

2.1河南省2002-2012年火烧迹地的时空分布

MODISMCD45A1火烧迹地数据以500m分辨率的月产品形式发布(Boschettietal,2010)。河南省2002-2012年的MCD45A1L3火烧迹地数据从USGS的LPDAAC(LandProcessesDistributedActiveArchiveCenter)下载并用MRT(MODISRe-projectionTool)工具拼接。图1、图2分别为河南省2002-2012年火烧迹地的空间和时间分布。

从图1可知，2002-2012年，火烧迹地的分布遍及河南省的所有地级市，按火烧密度从大到小依次为：鹤壁、漯河、周口、驻马店、平顶山、商丘、濮阳、新乡、安阳、焦作、许昌、洛阳、南阳、济源、开封、信阳、郑州、三门峡。从图2可知，2002-2012年，火烧面积最多的月份是9月和10月(2007年略显异常)。考虑到火烧迹地数据相邻月份间总存在16天的重叠期(Boschettietal,2010)，本文参照MCD45A1L3的数据质量和处理信息，从每年的火季(9-10月)中选取1个典型月份作后续分析。图2中用星形标记的为本研究选取的月份。2.2火环境因子层的计算

火灾发生与地形、人类活动、气象、植被状态等多种因素相关，不同区域火灾发生和蔓延诱发因素的重要性也不完全相同(Lozanoetal,2007)。本文选取涉及地形(高程(Al)和坡度(Sl))、人类活动可达性(居民地可达性(Dv)、道路可达性(Dp))、地表温度(LST)、植被状态(归一化差植被指数(NDVI)和全球植被湿度指数(GVMI))4个方面共7个火环境因

图1河南省2002-2012年火烧迹地的空间分布Fig.1Spatialdistributionoftheburnedareafrom2002to

2012inHenan

Province

图2河南省2002-2012年火烧迹地的时间分布Fig.2Temporaldistributionoftheburnedareafrom2002to

2012inHenanProvince

子。从中科院科学数据库下载90m的SRTMDEM数据，并重采样为1km后在ArcGIS中生成因子Al和Sl。从1∶100万中国数字地图数据库中提取居民地和道路数据，利用欧氏距离工具生成因子Dv和Dp。从NASA的戈达德太空飞行中心(GoddardSpaceFlightCenter)下载MOD11A2L3地表温度、MOD13A3L3植被指数、MOD09A1L3地表反射率和MCD12Q1L3土地覆盖数据。因MCD45A1L3火烧迹地为月发布数据，故用对应时间的4期8天的MOD11A2L3数据最大值合成生成因子LST，提取MOD13A3L3的NDVI数据生成因子NDVI。因子GVMI采用对应时间4期8天的GVMI

以最大

960地理科学进展第33卷

值合成。8天的GVMI采用式(1)计算(Ceccatoetal,2002)：

GVMI(NIR+0.1)-(SWIR+0.02)i=

(1)

式中：NIR和SWIR分别为8天的MOD09A1L3地表反射率数据中的第2波段和第6波段的反射率，GVMIi为计算的8天GVMI值。

生成因子LST、NDVI和GVMI时，结合质量层排除低质量区域(如云覆盖区等)。土地覆盖数据采用第5种分类方案。因火烧迹地、土地覆盖和用于生成7个火环境因子的原始数据中分辨率最低的是1km，故所有数据的分辨率均统一到1km。2.3训练和检验样本的获取

分别合并2002-2007年和2008-2012年所选月份的火烧迹地数据，生成两张二值栅格图(0：非火烧；1：火烧)。为降低变量中的空间自相关对建模的影响，以5km最小间隔分别从上述两张栅格图的火烧区抽取火点，分别从非火烧区随机抽取与火点数等量的非火点，并把抽取的火点与非火点以3:1随机分割。样点的抽取均排除水体并在所有因子的有效数据范围内进行。分别以均值合成2002-2007年和2008-2012年所选月份的动态火环境因子LST、NDVI和GVMI生成用于建模的LST、NDVI和GVMI因子层。为便于模型结果的解释，把7个火环境因子均以“最小—最大值”法进行标准化处理。合并2002-2007年抽取的75%的火点与非火点(共1384个)，并基于空间位置提取标准化的7个火环境因子的值生成训练样本用于模型开发，合并该时间段25%的火点与非火点生成内部检验样本用

于模型内部检验。合并2008-2012年抽取的所有火点与非火点生成独立检验样本用于模型独立检验。2.4多重共线性检验

自变量间存在强多重共线性，回归拟合可能生成偏的参数估计，产生过大的回归系数标准误差，模型会变得不稳定，统计推断也会因此无效(Wheeler,2007)。logistic全局回归(logisticglobalregression,LGR)拟合时，可通过相关系数矩阵及应用诸如容差系数(tolerancecoefficient)、方差膨胀因子(varianceinflationfactor,VIF)等检验方法，模型自身即可剔除那些导致较大共线性且对因变量贡献很小的自变量(Krebsetal,2012)。因logisticGWR模型拟合时，GWR4.0软件中不能作多重共线性检验，本文采用Stata软件中的VIF指标对多重

共线性进行检验，排除潜在多重共线问题后再进行logisticGWR模型拟合。一般认为，VIF>10，存在重度共线性；5<VIF<10，存在中度共线性；2<VIF<5，存在轻度共线性(Krebsetal,2012)。2.5建模方法

2.5.1logistic全局回归(LGR)

LGR假定观测样本是独立的、且在整个研究区内因变量与自变量间为常数关系，其表达式为(Zhangetal,2013)：

p(y=1|x1,x2,...,xn)=

-æ+n1+e

çbö

è0∑b(2)

=1ixi÷

iø

式中：x1，x2，...，xn为n个自变量，p(y=1)为火烧概率

值，b0为常数项，bi为系数估计值，其值反映自变量xi对火烧概率p的贡献量。

基于训练样本可估计未知系数b0和bi的值。张海军等(2012)与Zhang等（2013）对LGR模型的拟合过程作过较详细阐述，此处不再赘述。当拟合出b0和bi后，利用式(2)即可计算整个研究区的火烧概率。

2.5.2logistic地理加权回归(LGWR)

LGWR首先假设模型结构是空间非平稳的，即二元因变量与连续型自变量间的关系随地理位置的变化而变化，然后检验这种假设的空间非平稳关系是否显著，若检验结果使得模型中同时包括非平稳项和平稳项，则该LGWR为混合结构，混合LG-WR模型的形式如下(Fotheringhametal,2002)：

pi(yi=1|x1,i,x2,i,...,xm,i,xm+1,i,...,xn,i)=

1

-(β)

1+e0,i+mγ=1

j×xj,i+

jk=n

(3)

βm+1

k,i×xk,i式中：i表示第i个位置，x1,i,x2,i,…,xn,i为n个自变量在

m

第i个位置的值，∑γj×xj,i表示m个平稳项(常数关

j=1

n

系)，∑βk,i×xk,i表示n-m个非平稳项(空间变化关

k=m+1

系)，pi(yi=1)为位置i的火烧概率值。

基于训练样本，可生成每个自变量在整个研究区内的系数估计值（系数分布图或常数系数，amapofcoefficientestimateoraconstantcoefficient）。即，对于任意位置i，首先根据给定的核带宽取得训练样本的一个子集，基于空间核函数计算该子集中每个数据点的权重值，然后利用加权最小二乘回归计算位置i的模型系数，迭代地执行上述程序，即可

卷第7期张海军：河南省火灾影响因素的空间分析961

得到各个自变量的系数估计值。模型最终结果是采用最优核带宽的拟合结果，最优核带宽可基于AIC(Akaike'sInformationCriterion)或AICc(correct-edAkaike'sInformationCriterion)最小化准则，或利用交叉验证(Cross-Validation)等方法确定(严小兵;2013;Fotheringhametal,2002)。在GWR软件中，可用以下两种方法检验局部系数估计空间非平稳的显著性：①蒙特卡罗检验法，该法仅适用于线性GWR，不可用于LGWR的检验。②如果LGWR模型估计系数的上、下四分位数均落在其LGR模型对应系数的±1个标准差之外，则相应的自变量为显著空间非平稳项，将生成1个系数分布图；如果均落在其LGR模型对应系数的±1个标准差之内，则该自变量为平稳项，将生成1个常数系数(Wangetal,2005;Martí nez-Fernándezetal,2013)。常用空间核的类型包括固定核(按距离计)和自适应核(按最近邻居数计)两种，常用的高斯核函数和双平方核函数的表达式分别为：

高斯核函数：

wìïexp[-(d2ij/h)ij=íï

)],dijd≤h

(4)

î0,

ij＞h双平方核函数：

wìí

[1-(dij/h)2]2,dij<h

ij=î0,

dij式中：d≥h(5)

ij为拟合点i和数据点j之间的欧氏距离，h为核函数的带宽，wij为拟合i点的系数时，数据点j的赋权值。

当得到各自变量的系数估计值后，利用式(3)即可计算整个研究区的火烧概率。除了系数估计值外，LGWR的输出项还包括局部标准误差、局部t值等，这些输出项的空间分布制图将利于模型的理解和解释。

2.5.3模型拟合和性能检验

分别使用Stata12和GWR4.0软件开发LGR和LGWR模型。在LGWR模型拟合时，自适应核

可确保在样点密集区带宽更小，在样点稀疏区带宽更大，从而取得更好的拟合性能(Fotheringhametal,2002)。因此，本文分别采用自适应高斯核和自适应双平方核开发LGWR模型。以AIC、AICc和ROC(RelativeOperatingCharacteristic)曲线下面积AUC(AreaUndertheCurve)指数评价模型拟合效果，即：AIC、AICc值越小，模型对训练样本的拟合

越好；AUC值越大，模型的分类效果越好(Wuetal,2013)。模型的预测性能需要从可靠性和区分能力两方面进行检验(Pearceetal,2000)。可靠性度量模拟结果与真实情况的吻合程度，即计算的火烧概率和实际火烧率之间的吻合程度。为此，把生成的火烧概率图以等间距法分为5类，概率值区间从低到高分别对应低、中、高、非常高、极高5个火险等级，通过计算检验火点落入各火险等级的百分比检验模型的可靠性。区分能力检验模型正确区分火点与非火点的能力，这里仍以AUC指数评估模型∈的区分能力。即，(0.6,0.7)，区分能力差；AUC∈(0.8,0.9)，区分能力好；AUC(0.5,∈0.6)(0.7,，区分失败；AUC0.8)，>0.9区分能力

AUC

合理；AUC∈，区分能力极好(Swets,1988)。

3结果与分析

3.1多重共线性

解释变量Al、Sl、Dv、Dp、LST、NDVI和GVMI的

VIF值分别为3.12，2.58，1.06，1.09，2.45，1.88和2.07。VIF值最大的是Al的3.12，表明解释变量中至多仅存在轻度共线性，故所有解释变量将用于LGWR模型的开发。3.2模型拟合

首先以黄金分割搜索法(GoldenSectionSearch)基于AICc最小化准则确定最优带宽(Hurv-ichetal,1998)，然后以此最优带宽±100为带宽上下限，以1为步长，基于AICc最小化准则重新确定最优带宽，最终选用的模型为上述两种方法中拟合效果最好的LGWR模型。本文中，采用自适应双平方核函数未能取得收敛的模型，采用自适应高斯核函数拟合效果最好的模型是带有279个最近邻点，AIC、AICc、AUC值分别为1329.78、1330.06和0.841的模型。与LGWR模型相比，LGR模型的AIC、AICc、AUC值分别为1485.79、1485.89和0.742。可见，LGWR的模型拟合效果比LGR模型有了显著提高。表1为LGR和经非平稳性检验后的LGWR模型参数统计结果。从表1可知，Al和Dp为平稳项，Sl、Dv、LST、NDVI和GVMI为非平稳项。3.3火烧概率图

基于开发的LGR和LGWR模型可分别计算研究区内的火烧概率。图3为基于LGWR模型(式(6))

962地理科学进展第33卷

绘制的火烧概率图。p(y=1)=1+e

-C0-1.075×Al+CSl×Sl+CDv×Dv+0.689×Dp+CLST×LST+CNDVI×NDVI+CGVMI×GVMI高”等级在内部检验和独立检验期间可分别识别64.75%和仅6.64%的检验火点。对LGWR模型，

1

70.18%(内部检验)和56.40%(独立检验)的检验火点落在了“非常高”和“极高”火险等级，显示了较高的模型可靠性。内部检验期间的火烧区和非火烧区平均概率、AUC值，LGWR模型分别为0.674、0.403和0.832，独立检验期间其值分别为0.598、0.381和0.783。相比之下，LGR模型的内部检验和独立检验期间的火烧区和非火烧区平均概率、AUC值分别为0.576、0.408、0.777和0.360、0.260、0.697。由此可见，LGWR模型的区分能力，内部检验和独立检验期间分别为“好”和“合理”等级。无论是模型可靠性还是区分能力，LGWR模型均远优于LGR模型。从模型性能看，内部检验期间与独立检验期

（6）

式中：C0、CSl、CDv、CLST、CNDVI和CGVMI分别为截距项、Sl、Dv、LST、NDVI和GVMI的系数估计图。3.4模型性能

图4为检验火点落入百分比直方图，其中LGR-0207、LGR-0812、LGWR-0207和LGWR-0812分别为基于LGR模型(采用表1中Sig.≤0.05的解释变量)和LGWR模型的内部检验和独立检验的结果。可以看出，对LGR模型，绝大多数检验火点落在了“中”、“高”和“非常高”火险等级，“非常高”和“极

表1LGR模型和LGWR模型拟合统计

Tab.1StatisticsofcoefficientsestimatesfromtheLGRandLGWRmodels

解释变量截距AlSlDvDpLSTNDVIGVMI

C-8.472-0.682-4.819-0.9720.7687.9454.262-1.621

SE1.0741.2541.8440.6140.4640.9060.9690.589

LGR模型C-1SE-9.546-1.936-6.664-1.5860.3047.0403.293-2.210

C+1SE-7.3980.572-2.975-0.3591.2328.8515.231-1.032

Sig.0.0000.5860.0090.1130.0980.0000.0000.671

5.2262.282-6.769

6.5773.206-4.141

-13.513-2.811

-6.667-1.934

Min-11.512

LGWR模型（高斯核，带宽为279个最近邻点）

LwrQ-10.322

Me-9.034-1.075-3.636-1.1270.6898.3554.280-2.920

9.9615.523-1.028

11.3476.304-0.001

-2.654-0.357

-1.4980.228

UprQ-7.112

Max-5.806

注：C为系数估计值，SE为标准误差，C-1SE为系数估计值减去1倍标准误差，C+1SE为系数估计值加上1倍标准误差，Sig.为显著性值，Min为最小值，LwrQ为下四分位数，Me为中位数，UprQ为上四分位数，Max

为最大值。

图3基于LGWR模型的火烧概率与检验火点空间叠加图

Fig.3FireprobabilitymapsoverlaidwiththevalidatedfirelocationsfromtheLGWRmodel

卷第7期张海军：河南省火灾影响因素的空间分析963

图4检验火点落入百分比

Fig.4Percentageofthevalidatedfirelocations

ineachriskclass

间，LGWR模型差别较小，而LGR模型则存在较大差异，这表明LGWR模型在新条件下(独立检验)仍具有可靠的性能，而LGR模型新条件下的性能则难以保证。LGWR较优的模型性能为基于该模型结果的火灾影响因素分析提供了保证。3.5火灾影响因素的空间分析

从LGWR建模结果看，Al和Dp对省内火灾影响未表现出显著空间变化，火灾发生呈现随高程降

低和远离主要道路而概率升高的趋势，Sl、Dv、LST、NDVI和GVMI对省内火灾影响则表现出显著空间变化。参考Matthews等(2012)的局部系数制图方案，即对应t值在-1.96到1.96之间的系数图部分(不显著区)图上不显示，对应t值大于1.96或小于-1.96的系数图部分(显著区)图上显示(Wuetal,2013)，且负系数值以冷色着色，正系数值以暖色着色。遵循上述方法，Sl、Dv、LST、NDVI和GVMI的系数制图结果如图5a-5e所示。显著区表示影响因子在这部分区域对火灾的影响统计上显著，不显著区则表示对火灾的影响统计上不显著。从图5可以看出，LST和NDVI对全省火灾的影响全局显著，LST的强影响区主要位于南阳、驻马店、信阳及其周边地区(图5c)，NDVI的强影响区主要位于周口、信阳、漯河、许昌、驻马店和商丘(图5d)。Sl、Dv和GVMI仅对省内部分区域火灾的影响显著。Sl的显著区主要位于南阳东部、驻马店南部、信阳、商丘东部和濮阳东北部，其强影响区位于信阳和驻马店东南部(图5a)。Dv的显著区位于豫西的三门峡、洛阳、南阳、平顶山、郑州西部和中部、焦作和济源，其强影响区位于洛阳(图5b)。GVMI的显著区包括豫西的三门峡、洛阳、南阳西北部、平顶山西部、济源南部、焦作西边一小部、郑州西边一小部和豫东的商丘、周口，其强影响区位于周口及洛阳、南阳、平顶山三

市交界处(图5e)。

将图5a-5e的显著区进行空间叠加可生成图5f。在图5f中，河南省被划分为7种类型区，不同类型区的火灾影响因素存在差异。模型中每个解释变量估计系数符号的正负反映该因子对火灾发生作用方向的正负。所有解释变量均作了标准化处理，变量估计系数绝对值的大小反映该因子对火灾发生影响程度的强弱。当负向影响因子(如Sl、Dv和GVMI)自身值反向变化(即当值减小)时，该因子对火灾发生将起正向作用。因此，同一空间位置，不同因子对火灾发生影响程度的相对强弱可通过排序其估计系数绝对值进行评估。与5个非平稳因子显著区的估计系数绝对值相比，平稳因子Dp和Al的估计系数绝对值均较小，并且如果作为非平稳项拟合，Dp和Al的显著区面积非常小(在LGR模型中，0.05水平下，Dp和Al也不显著)。因此，平稳因子Dp和Al不再参与评估。图6a-6d分别为每种类型区第一等级、第二等级、第三等级和第四等级影响因素的空间分布图。

从图6可以看出，河南省火灾最重要的影响因素是温度(LST)、其次是植被长势(NDVI)，再次是坡度(Sl)和植被湿度(GVMI)，居民地可达性(Dv)对火灾的影响相对较弱。表2给出了不同类型区的火灾影响因素相对重要性的排序结果。从表2可知，不同类型区的火灾影响因素的相对重要性与全省的总体趋势并不完全一致。I、III类区的坡度(Sl)是仅次于温度(LST)的火灾影响因素，V类区的坡度(Sl)是该区火灾最重要的影响因素，II类区的植被湿度(GVMI)是仅次于温度(LST)的火灾影响因素。

从事火灾模拟或火险分析的研究一般根据建模结果对影响火灾的主要因素进行探讨和分析，并据此对研究区内的防火管理提出建议(Lozanoetal,2007;Dlamini,2011;Purietal,2011;Zhangetal,2013)。但是，在与空间数据相关的问题中，空间异质性对数据分析和建模结果的潜在危害是巨大的(Páezetal,2005)。火灾的发生、诱发、蔓延均具有空间特征，火灾模拟和影响因素分析自然应该采用空间模型或借助GIS空间分析方法。若以平稳模型建模，本质上的空间非平稳关系不仅会造成模拟预报结果的偏差，更可能因为全局模型掩盖了某些关系的局部空间变异，致使得出的关于火灾影响因素的结论只能是全局趋势性的结论，甚至是误导性的错误结论，

从而对防火工作造成不利影响。

964地理科学进展第33卷

使用相同的解释变量，分别开发1个全局火烧概率模型(LGR)和1个地理加权火烧概率模型(LG-WR)，对河南省火灾的影响因素进行分析，发现：①LGWR模型内部检验和独立检验的模型精度分别达83.2%(AUC值为0.832)和78.3%(AUC值为0.783)。与LGR模型相比，LGWR模型拟合效果和模型性能的显著提高可能反映了LGWR模型揭示的关系与建模对象中固有的关系应该是基本一致的。②河南省的火灾表现出随高程降低和远离主

要道路而概率升高的全局趋势，这可能是因为河南省为农业大省，火灾主要发生在谷类作物区和阔叶作物区；而农作物区一般位于高程较低、主要道路可达性相对较差的区域。③河南省按火灾影响因素可划分为7类区域（图6），不同类型区火灾的主要影响因素存在一定差异(表2)。除各类区域应普遍重视高温的影响外，I类、III类和V类区应加强平坦地形区的防火，其次应注意植被长势对火烧的影响。特别是V类区，坡度(Sl)

成为该区最显著的火

图5系数估计显著区及火灾影响因素分区图

Fig.5Thesignificantareasoftheestimatedcoefficientsandthefire-influencingfactorzoningmap

卷第7期张海军：河南省火灾影响因素的空间分析965

图6不同等级的火灾影响因素空间分布

Fig.6Spatialdistributionoffire-influencingfactorsofdifferentclasses

表2不同类型区火灾影响因子相对重要性

Tab.2Relativeimportanceofthefire-influencingfactors

forthedifferentregions

类型区I类II类III类IV类V类VI类VII类

影响因子相对重要性LST>Sl>NDVI>GVMILST>GVMI>NDVI>DvLST>Sl>NDVI>DvLST>NDVI>GVMISl>LST>NDVILST>NDVI>Dv

LST>NDVI

灾影响因素，谷类作物区占该区总面积的62.7%，而95.8%的火烧区位于谷类作物区，其火烧区的平均坡度仅为0.5°。植被湿度(GVMI)成为II类区仅次于温度(LST)的火灾影响因素，其次为植被长势(NDVI)，这可能是因为河南省70%以上的林区位于II类区，该区为森林火灾的高发区(郭其乐等,2009)，应高度重视干燥可燃物的点燃风险。IV、VI和VII类区，除了应重视高温(LST)和植被长势(ND-VI)的影响外，IV和VI类区还应分别注意干燥植被点燃风险和人为致火风险。城市与建成区在VI类区中的面积比重相对较高可能是居民地可达性(Dv)成为该区火灾显著影响因素的原因。

966地理科学进展第33卷

4结论与讨论

4.1讨论

以市级行政区为分析单元，Martí nez-Fernández等(2013)利用GWR分析了西班牙25年(1983-2007年)人为火灾事件和人为火灾密度的驱动因素。与此研究侧重分析模型拟合参数值空间分布格局相比，本文重点对非平稳因子的显著区进行分析，通过空间叠加显著区对研究区进行分区，并对各子区的火灾影响因素按相对重要性进行排序，结果形式简单，方便防火部门参考。值得注意的是，虽然本文采用LGWR模型对河南省火灾的影响因素进行探索性分析，解释了火灾影响因素的局部空间变异，但导致火灾的因素一般比较复杂，有些因素难以空间量化，且本文并非探讨直接点燃的因素，而是基于统计方法分析火环境因素对火灾的潜在影响，这必然导致一定程度的误差。鉴于气象因素(如气温、降水、相对湿度等)仅能通过空间插值方法生成空间连续分布的因子，在生成过程可能引入较多不确定性，故没有采用气象因素。另外，本文没有对火灾类型进行区分，这些是后续研究需要深入考虑及加以改进的方面。4.2结论

基于河南省2002-2012年的MODIS卫星遥感数据，应用logistic地理加权回归(LGWR)建模技术对火灾的影响因素进行探索性分析，得出以下几个主要结论：

（1）火灾影响因素分析应考虑影响火灾的因素是否存在局部空间变异，可模拟空间非平稳关系的GWR模型是一种可选的探索性分析工具。

（2）高程、主要道路可达性对河南省火灾的影响空间变化不显著，而坡度、居民地可达性、温度、植被长势和植被湿度对该省火灾的影响呈现显著空间变化。温度和植被长势对火灾影响省内全局显著，坡度、居民地可达性和植被湿度仅对省内部分区域火灾影响显著。温度的强影响区主要位于南阳、驻马店、信阳及其周边地区，植被长势的强影响区主要位于周口、信阳、漯河、许昌、驻马店和商丘，坡度的强影响区为信阳和驻马店东南部，居民地可达性的强影响区为洛阳，植被湿度的强影响区为周口以及洛阳、南阳、平顶山三市交界处。

（3）河南省按火灾影响因素可划分为7类区域，防火管理部门可参考本文中的表2进行河南省

火季(9-10月)内防火策略的制定，不同类型区应因

地制宜确定防火重点和布置防火资源。参考文献(References)

邓欧,李亦秋,冯仲科,等.2012.基于空间Logistic的黑龙江

省林火风险模型与火险区划.农业工程学报,28(8):200-205.[DengO,LiYQ,FengZK,etal.2012.ModelandzoningofforestfireriskinHeilongjiangProvincebasedonspatialLogistic.TransactionsoftheChineseSo-cietyofAgriculturalEngineering,28(8):200-205.]郭其乐,陈怀亮,邹春辉,等.2009.河南省近年来遥感监测

的森林火灾时空分布规律分析.气象与环境科学,32(4):29-32.[GuoQL,ChenHL,ZouCH,etal.2009.AnalysisofthelawsofspatialandtemporaldistributionofremotesensingmonitoringforestfiresofHenanProv-inceinrecentyears.MeteorologicalandEnvironmentalSciences,32(4):29-32.]

景国勋,王卫敏,温宏民.2007.基于BP神经网络的河南省火

灾风险评价.中国安全科学学报,17(8):16-19.[JingGX,WangWM,WenHM.2007.RiskassessmentoffireaccidentsinHenanProvinceofChinabasedonBPneuralnetwork.ChinaSafetyScienceJournal,17(8):16-19.]严小兵.2013.中国省域犯罪率影响因素的空间非平稳性分

析.地理科学进展,32(7):1159-1166.[YanXB.2013.Spatialnon-stationarityofthefactorsaffectingcrimerateatprovincescaleinChina.ProgressinGeography,32(7):1159-1166.]

张海军,戚鹏程.2012.基于频率比和逻辑回归模型的东北

地区火险制图研究.地理与地理信息科学,28(5):35-38,42.[ZhangHJ,QiPC.2012.MappingfireoccurrencesusceptibilityinNortheastChina:comparisonoffrequen-cyratioandbinarylogisticregression.GeographyandGeo-informationScience,28(5):35-38,42.]

BisquertM,CasellesE,SánchezJM,etal.2012.Application

ofartificialneuralnetworksandlogisticregressiontothepredictionofforestfiredangerinGaliciausingMODISdata.InternationalJournalofWildlandFire,21(8):1025-1029.

BoschettiL,RoyDP,JusticeCO,etal.2010.Globalassess-mentofthetemporalreportingaccuracyandprecisionoftheMODISburnedareaproduct.InternationalJournalofWildlandFire,19(6):705-709.

CeccatoP,GobronN,FlasseS,etal.2002.Designingaspec-tralindextoestimatevegetationwatercontentfromre-motesensingdata:part1:theoreticalapproach.RemoteSensingofEnvironment,82(2):188-197.

ChuviecoE,AguadoI,YebraM,etal.2010.Developmentof

卷第7期张海军：河南省火灾影响因素的空间分析967

aframeworkforfireriskassessmentusingremotesens-ingandgeographicinformationsystemtechnologies.Eco-logicalModelling,221(1):46-58.

DlaminiWM.2011.ApplicationofBayesiannetworksfor

fireriskmappingusingGISandremotesensingdata.GeoJournal,76(3):283-296.

FotheringhamAS,BrunsdonC,CharltonM.2002.Geographi-callyweightedregression:theanalysisofspatiallyvary-ingrelationships.Chichester,UK:JohnWiley&SonsLtd.

GarriguesS,AllardD,BaretF,etal.2006.Quantifyingspatial

heterogeneityatthelandscapescaleusingvariogrammodels.RemoteSensingofEnvironment,103(1):81-96.HurvichCM,SimonoffJS,TsaiC.1998.Smoothingparame-terselectioninnonparametricregressionusinganim-provedAkaikeinformationcriterion.JournaloftheRoyalStatisticalSociety:SeriesB:StatisticalMethodology,60(2):271-293.

KrebsP,KoutsiasN,ConederaM.2012.Modellingtheeco-culturalnicheofgiantchestnuttrees:newinsightsintolandusehistoryinsouthernSwitzerlandthroughdistribu-tionanalysisofalivingheritage.JournalofHistoricalGe-ography,38(4):372-386.

LozanoFJ,Suárez-SeoaneS,LuisED.2007.Assessmentof

severalspectralindicesderivedfrommulti-temporalland-satdataforfireoccurrenceprobabilitymodeling.RemoteSensingofEnvironment,107(4):533-544.

Martí nez-FernándezJ,ChuviecoE,KoutsiasN.2013.Model-linglong-termfireoccurrencefactorsinSpainbyac-countingforlocalvariationswithgeographicallyweight-edregression.NaturalHazardsandEarthSystemScienc-es,13(2):311-327.

MatthewsSA,YangTC.2012.Mappingtheresultsoflocal

statistics:usinggeographicallyweightedregression.De-mographicResearch,26(6):151-166.

PáezA,ScottDM.2005.Spatialstatisticsforurbananalysis:

areviewoftechniqueswithexamples.GeoJournal,61(1):53-67.

ParisienMA,SnetsingerS,GreenbergJA,etal.2012.Spatial

variabilityinwildfireprobabilityacrossthewesternUnit-edStates.InternationalJournalofWildlandFire,21(4):313-327.

PearceJ,FerrierS.2000.Evaluatingthepredictiveperfor-manceofhabitatmodelsdevelopedusinglogisticregres-sion.EcologicalModeling,133(3):225-245.

PreislerHK,WesterlingAL,GebertKM,etal.2011.Spatial-lyexplicitforecastsoflargewildlandfireprobabilityandsuppressioncostsforCalifornia.InternationalJournalofWildlandFire,20(4):508-517.

PuriK,AreendranG,RajK,etal.2011.Forestfireriskassess-mentinpartsofNortheastIndiausinggeospatialtools.JournalofForestryResearch,22(4):641-647.

SwetsJA.1988.Measuringtheaccuracyofdiagnosticsys-tems.Science,240(4857):1285-1293.

WangQ,NiJ,TenhunenJ.2005.Applicationofageographi-callyweightedregressionanalysistoestimatenetprima-ryproductionofChineseforestecosystems.GlobalEcol-ogyandBiogeography,14(4):379-393.

WheelerDC.2007.Diagnostictoolsandaremedialmethod

forcollinearityingeographicallyweightedregression.EnvironmentandPlanningA,39(10):2464-2481.WuW,parisonofspatialandnon-spa-tiallogisticregressionmodelsformodelingtheoccur-renceofcloudcoverinnorth-easternPuertoRico.Ap-pliedGeography,37:52-62.

ZhangHJ,HanXY,DaiS.2013.Fireoccurrenceprobability

mappingofNortheastChinawithbinarylogisticregres-sionmodel.IEEEJournalofSelectedTopicsinAp-pliedEarthObservationsandRemoteSensing,6(1):121-127.

968地理科学进展第33卷

Spatialanalysisoffire-influencingfactorsinHenanProvince

ZHANGHaijun

(SchoolofEnvironmentalScienceandTourism,NanyangNormalUniversity,Nanyang473061,Henan,China)

Abstract:Thespatialrelationshipsbetweenfireeventsandfire-influencingfactorshaveimportantimplicationsforfiremanagersandscientificallyrevealingtheserelationshipsisthereforesignificantformanagementpurpos-es.Thespatialstationaryrelationshipsbetweenfireeventsandfire-influencingfactorsconsideredbypreviousfireriskstudiescontradictthefactthatfireeventsandtheirquantifiableinfluencingfactorsarealwayscharacter-izedbyspatialheterogeneity.Iftheintrinsicallynon-stationaryrelationshipsbetweenfireeventsandfire-influ-encingfactorsaremodeledbysomestationarymodels,misleadingandevenerroneousconclusionscanbedrawn,whichhamperfirepreventionoperations.Inthisstudy,logisticgeographicallyweightedregression(LG-WR)thatcanaccountforlocalvariationsofspatialrelationshipsbetweenfireeventsandfire-influencingfactorswasemployedtoanalyzetheinfluencesofdifferentfire-influencingfactorsonfireeventsinthehighriskseason(SeptemberandOctober)from2002to2012inHenanProvince.Theindependentvariablesofthemodelincludealtitude(Al),slope(Sl),distancetothenearestvillage(Dv),distancetothenearestpath(Dp),landsurfacetem-perature(LST),NormalizedDifferenceVegetationIndex(NDVI),andglobalvegetationmoistureindex(GVMI);andthebinarydependentvariableismonthlyfirepresence,with1representingpresenceand0representingab-sence.Atrainingsubsetderivedfromspatialrandomsamplingwascreatedandpotentialmulticollinearityamongtheindependentvariableswasexcluded,andthenaLGWRfireprobabilitymodelwasdevelopedusingtheGWR4.0software.Thereliabilityanddiscriminationcapacityofthedevelopedfireprobabilityspatialmod-elwasevaluatedusingatestingsubsetandanindependentvalidationsubsetandtheresultsshowgoodmodelperformance.Themodelwasusedforfire-influencingfactoranalysisinthenextstep.Afterdelineatingandover-layingthesignificantareasofthenon-stationaryfire-influencingfactors,sevenfirepreventionregionswereiden-tifiedinHenanProvince.Therelativeimportanceofthenon-stationaryfire-influencingfactorswasevaluatedbycomparingtheabsolutevaluesoftheirestimatedcoefficientsspatially.Theresultsindicatethat:I)Theinfluenc-esofSl,Dv,LST,NDVIandGVMIonfireeventspresentsignificantspatialvariability,whereastheinfluencesofAlandDpexhibitinsignificantspatialvariabilityinHenanProvince.II)TheinfluencesofLSTandNDVIonfireeventsaresignificantgloballyinHenanProvince,whereastheinfluencesofSl,DvandGVMIareonlysignifi-cantlocally.ThesitesmoststronglyinfluencedbyLSTaremainlyNanyang,Zhumadian,Xinyangandtheircon-tiguousareas.Thesitesmoststronglyinfluencedbyvegetationcover(NDVI)areprimarilyZhoukou,Xinyang,Luohe,Xuchang,ZhumadianandShangqiu.InXinyangandsoutheastZhumadian,fireeventsaremoststronglyinfluencedbySl,whileinLuoyangthisfactorisDv,andinZhoukouandtheadjacentareaofLuoyang,NanyangandPingdingshan,itisGVMI.III)ThisstudydemonstratestheusefulnessofLGWRforexploringlocalvaria-tionsoffire-influencingfactorsandforexaminingthevalidityofaglobalfireprobabilitymodel.Thepracticalimplicationofspatialanalysisoffire-influencingfactorsresultedfromLGWRisthatdifferentfirepreventionpoliciesandemphasesshouldbeformulatedforeachofthesevenfirepreventionregions.Becauseofsuchhet-erogeneity,firepreventionpoliciesneedtotakeintoconsiderationlocalconditions.

Keywords:fire-influencingfactors;GeographicallyWeightedRegression(GWR);logisticregression;

localmodel;HenanProvince

本文来源：https://www.bwwdw.com/article/9xvq.html