2019, Vol. 39 
2. 黑龙江省气象院士工作站, 黑龙江 哈尔滨 150030;
3. 黑龙江省气象科学研究所, 黑龙江 哈尔滨 150030
2. Meteorological Academician Workstation of Heilongjiang Province, Harbin, Heilongjaing 150030, China;
3. Heilongjiang Province Institute of Meteorological Sciences, Harbin, Heilongjaing 150030, China
火改变植被群落结构[1]、碳水循环[2]、土壤化学成分[3]乃至全球气候系统[4]。遥感监测以其监测范围大、成本低、人机交互判识率高等特点，成为当前火点监测及过火面积提取的重要手段之一[5]，目前成序列的卫星监测产品主要有美国航天局(National Aeronautics and Space Administration，NASA)基于Terra和Aqua卫星数据的近20 a全球火数据产品MCD45A1和MCD64A1(空间分辨率为500 m)[6]；欧洲航天局(European Space Agency，ESA)Globcarbon计划支持的碳监测产品(空间分辨率为1 000 m)[7]，气候变化项目(climate change initiative，CCI)支持的全球火烧面积产品Fire_cciv4.1(空间分辨率为300 m)和Fire_cciv5(空间分辨率为250 m)[8]等，这些产品为全球植被燃烧规律[9-10]、火排放[11-12]、火险等级预报[13-14]等的研究提供了基础数据。
东北境内有广袤的森林和草原，历来是森林(草原)火灾的高发区。随着全球气候变化，该地区气温增加趋势明显，降水分布不均，大面积干旱时有发生，森林(草原)火动态形势值得关注。许多学者从森林火灾发生发展的时空分布规律[15]、火源特点[16]、碳排放量估算[17]、火险区划[18]以及火对气候变化的响应[19]等方面开展了广泛研究，为进一步开展自然生态系统火干扰研究提供了理论基础。2000—2015年是自19世纪80年代以来最温暖的时段[20]，为回答在近几十年中最暖时段东北地区自然植被火的发生发展规律及其对干旱的响应，本研究以东北地区自然植被为研究对象，基于MCD64A1数据和改进帕默尔干旱指数(self-calibrating palmer drought severity index，scPDSI)，从季节和年际尺度，分析2002—2017年东北地区自然植被火次数和过火面积的时空变化特征；探寻季节和年际尺度下火对scPDSI的响应关系，明确干旱对年平均发生火次数和平均单次过火面积的影响。从而为区域火管理、火险等级预报和森林资源保护提供科学依据。
1 研究地区与研究方法 1.1 研究区概况东北地区包括黑龙江省、吉林省、辽宁省和内蒙古自治区东部的赤峰市、通辽市、呼伦贝尔市及兴安盟[21]，位于东经111.15°—135.09°，北纬37.95°—53.56°之间，土地面积7.87×105 km2，境内有大兴安岭、小兴安岭、长白山系和东北平原(包括松嫩平原、辽河平原和三江平原)，海拔高度在2~2 667 m之间。该地区属温带季风气候，冬季寒冷干燥，夏季高温多雨，近30 a(1981—2010年)年平均气温-4.08~11.34 ℃，年降水量199.53~1 170.60 mm，日平均日照时数5.26~9.21 h[22]。该区植被属欧亚森林、草原植物亚区和中国—日本森林植物亚区，分布着寒温带针叶林、温带针阔叶混交林、暖温带落叶阔叶林和广袤的草原[23]。
1.2 数据来源及处理 1.2.1 MCD12Q1数据产品本研究基于MODIS的MCD12Q1数据产品(土地类型覆盖产品)的“IGBP全球植被分类方案”的分类结果提取研究区自然植被分布范围，该数据原始空间分辨率为500 m。研究中将MCD12Q1数据分类结果分为自然植被(森林、灌木林地、草地、湿地)和非自然植被(包括城市用地、农田、水体和雪地)，东北地区森林和草地分别占自然植被总面积的47.74%和52.24%，因此把森林和草地作为研究对象。
1.2.2 MCD64A1数据产品MCD64A1数据是MODIS数据的燃烧面积(burned area)累计月合成值产品，原始空间分辨率为500 m，包括燃烧日期(burn date)、燃烧数据不确定性(burn date uncertainty)、质量确认(quality assurance)等5个文件。在燃烧日期文件中的DN值含义详见表 1。
|
表 1 MCD64A1燃烧日期的像元分级 |
MCD12Q1和MCD64A1数据均应用MODIS Reprojection Tool software(MRT)V4.0进行影像的拼接、重采样和投影转换(由Sinusoidal投影转换为经纬度投影)等预处理，时间范围为2002—2017年，空间范围为东北地区。
1.2.3 scPDSI数据选用全球月尺度scPDSI数据产品，该数据来源于英国东英格利亚大学(University of East Anglia，UEA)气候研究中心(Climatic Research Unit)编辑的降水和干旱数据集(http://www.cru.uea.ac.uk/)，数据的空间分辨率为0.5°×0.5°的栅格数据，本研究所用数据为2002年1月至2017年12月，由CRUTS3.26月尺度气候数据集驱动，无量纲，数据范围为[-5.0, 5.0]。为减小边缘锯齿，将scPDSI栅格数据重采样为空间分辨率为0.005°×0.005°。
1.2.4 地面监测数据利用2次地面监测火点数据验证MCD64A1数据的精度，地面监测地点和过火面积情况详见表 2。
|
|
表 2 地面监测火场信息 |
数字高程模型(DEM)为SRTM地形产品V4.1版本数据，空间分辨率为90 m，数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站(http://www.gscloud.cn)。研究所需的行政区划数据来自于中国气象局下发的1:25万基础地理信息，对数据进行拓补检查。
1.3 研究方法 1.3.1 火点数据精度验证把地面监测的起火位置叠加到MCD64A1数据对应日期的图层上，结果显示2次起火位置均准确落入MCD64A1数据代表的燃烧点上，利用MCD64A1数据计算的燃烧面积分别为14.21和20.56 km2，误差率分别为-3.46%和-7.02%，可见MCD64A1数据可以作为分析东北地区火时空动态特征的数据源。
1.3.2 统计方法四季划分标准为：3—5月为春季；6—8月为夏季；9—11月为秋季；1，2和12月为冬季。为避免重复统计火点次数，把当年同一地点发生多次火点记录记为1次。采用趋势分析和Pearson相关性分析方法，统计火点发生时间、面积的变化趋势，采用SPSS软件中的曲线估计工具，分析火与干湿状况的关系。
1.3.3 干湿等级划分参考王兆礼[24]的干湿等级划分标准，将scPDSI从极端干旱到极端湿润划分为9个等级(详见表 3)。
|
|
表 3 scPDSI干湿等级划分标准 |
由图 1可知，东北地区森林火年平均为284±170次，其中2008年最多(为769次)，2012年最少(84次)，2002年以来呈显著下降趋势(sig.=0.047)，下降速度为每年18次；草地火年均为366±220次，其中2015年最多(为836次)，2004年最少(为89次)，2002年以来呈极显著上升趋势(sig＜0.001)，上升速度为每年36次。分析年平均过火面积的年际变化可见，森林火点16 a平均面积为0.98±0.63 km2，2008年最大(2.40 km2)，2012年最小(0.22 km2)，2002年以来呈线性增加趋势，但未通过95%的显著性检验；草地火点16 a平均面积为0.84±0.44 km2，2012年最大(为1.95 km2)，2017年最小(为0.38 km2)，2002年以来呈线性减小趋势，但同样未通过95%的显著性检验。
|
图 1 东北地区2002-2017年自然植被火点年际变化 |
由季节分析可见(图 2)，春季和秋季是森林和草地火的多发期，2002年以来森林在春季平均每年发生179±159次火，秋季平均发生83±82次，夏季只有25±35次，这种规律在2008年表现尤为明显，该年森林火总次数为769次，其中春季高达693次；草地在春季平均每年发生175±171次，秋季115±108次，夏季76±43次，在2013年以后火灾次数明显增多，每年均超过400次，最多的2015年达到836次，总体上来看在草地发生的火次数要多于森林。从时间变化趋势上看，春季、夏季和秋季森林火次数呈减少趋势，但均未达显著水平(sig.＞0.05)；草地火次数在夏季呈减少趋势，未达到显著水平，但在春季呈现极显著增加趋势(sig.=0.003，平均每年增加25次)，在秋季呈现显著增加趋势(sig.=0.035，平均每年增加12次)。
|
图 2 东北地区2002-2017年自然植被火次数的季节变化特征 |
统计森林和草地在春、夏、秋季平均过火面积可见(图 3)，森林(0.76 km2)总体小于草地(0.80 km2)，各季节排序均为：春季(森林为1.03 km2，草地为1.11 km2)＞夏季(森林为0.66 km2，草地为0.66 km2)＞秋季(森林为0.58 km2，草地为0.62 km2)。分析各个季节森林平均过火面积的时间变化趋势可见，草地均存在下降趋势，森林均存在上升趋势，但都未通过95%的显著性检验。
|
图 3 东北地区2002-2017年自然植被平均过火面积的季节变化特征 |
由图 4可以看出，2002年以来森林火点主要分布在大兴安岭和小兴安岭，长白山脉只有零星分布，集中分布区域与春季相近；草地火点覆盖了呼伦贝尔、松嫩平原和霍林郭勒，较为集中的区域在松嫩平原西部和呼伦贝尔西北部。
|
图 4 东北地区2002-2017年自然植被火点空间分布 |
从不同季节火点的空间分布可见(图 5)，春季森林火主要集中在3个区域：①沿大兴安岭中南部区域：鄂伦春自治旗中部—阿荣旗西部—扎兰屯市北部一线；②中俄边境区域：呼玛县东部和鄂伦春自治旗东北部；③小兴安岭东南部区域：包括逊克县、嘉荫县、庆安县北部、鹤岗市南部。夏季森林火密度明显小于春季，春季时火最密集的区域(沿大兴安岭中南部)很少有夏季火出现，而春季火较少的大兴安岭北部区域(额尔古纳市北部和呼玛县)夏季火明显增多。秋季火分布区域与春季相近，但火密度小于春季。
|
图 5 东北地区2002-2017年自然植被不同季节火点空间分布 |
春季草地火分布最集中的区域在松嫩平原西部，包括扎赉特旗、乌兰浩特市、科尔沁右旗前旗东部、齐齐哈尔市、杜蒙县、大庆市、泰来县；其它草地有零星分布。夏季草地火最集中的区域在呼伦贝尔草原，松嫩平原区域火密度明显减小，其它地区的火密度与春季相近。秋季火集中的区域有呼伦贝尔草原和松嫩平原，其它区域的火密度也大于春季和夏季。
2.2 自然植被火对干湿状况响应的尺度差异 2.2.1 火对scPDSI的响应在年际尺度上分析森林和草地火次数与对应scPDSI的相关性可见，森林火次数与scPDSI呈现弱的相关关系(y=-61.60x+261.45，R2=0.201 8，sig.=0.081)，草地火次数与scPDSI呈现出极显著线性负相关关系(y=-298.55x-233.24，R2=0.662 4，sig.＜0.001)。在季节尺度上，春季和秋季的森林火次数与对应的scPDSI均呈显著线性负相关关系(春季：y=-59.58x+161.65，R2=0.269 1，sig.=0.040；秋季：y=-26.61x+66.92，R2=0.307 9，sig.=0.026)，夏季未见显著相关关系，春季与对应的前一年冬季的scPDSI也未见显著相关关系；春季和秋季的草地火次数与对应的scPDSI均呈极显著线性负相关关系(春季：y=-104.57x-4.59，R2=0.425 6，sig.=0.006，秋季：y=-48.58x+1.56，R2=0.395 1，sig.=0.009)，其它季节未见显著相关关系。可见草地火次数对scPDSI的敏感性要大于森林。
用同样的方法分析年际尺度上森林和草地的过火面积与对应scPDSI之间的相关关系可见，森林过火面积与scPDSI呈现弱的相关关系(y=170.60e-0.385x，R2=0.242 8，sig.=0.053)，草地的过火面积与scPDSI呈现极显著指数关系(y=57.82e-0.696x，R2=0.454 9，sig.=0.006)。
从季节尺度上看，春季森林过火面积、秋季森林过火面积、春季草地过火面积与对应的scPDSI均呈显著的指数关系(春季森林：y=94.72e-0.460x，R2=0.265 2，sig.=0.041；秋季森林：y=11.97e-0.835x，R2=0.370 3，sig.=0.012；春季草地：y=38.34e-0.576x，R2=0.275 7，sig.=0.037)；夏季森林和草地的过火面积与对应的scPDSI均未见显著相关关系，春季森林与对应的前一年冬季的scPDSI也未见显著相关关系；秋季的草地过火面积与对应的scPDSI呈极显著的指数关系(y=7.176e-0.700x，R2=0.681 4，sig.＜0.001)。说明scPDSI对秋季草地的过火面积影响最大。其原因可能是秋季草地的地上生物量大于春季和夏季，即使在植被自身含水量相同的情况下，一旦起火，可燃物载量大，火蔓延速率快，火强度大，过火面积可能就会增大。
2.2.2 火对干旱等级的响应为了解森林和草地在不同时间尺度下对不同干旱等级的响应规律，分别季节和年尺度提取了森林和草地的年平均发生火次数、平均单次过火面积对应的干旱等级(图 6)，分析可见，在年际尺度上，森林和草地同样表现为随着干旱程度的加深，年平均发生火次数有增加的趋势，但均未达到显著水平。用同样的方法分析干旱等级对平均单次过火面积对的影响，结果显示与年平均发生火次数有相似的规律，但干旱的贡献均未达到显著水平。
|
注：干旱等级中1为极端湿润，2为严重湿润，3为中等湿润，4为轻微湿润，5为正常，6为轻微干旱，7为中等干旱，8为严重干旱，9为极端干旱。 图 6 干湿程度对应的年平均火次数和平均单次过火面积 |
在季节尺度上，春、秋季的森林和草地火的次数对干旱等级有所响应，表现为随着干旱程度加深年平均火次数和平均单次过火面积都增加的趋势，通过相关分析探寻干旱对森林和草地火次数的贡献程度可见，春季和秋季的干旱对森林和草地火的次数和平均单次过火面积的贡献都达到极显著水平(sig.＜0.010)，夏季干旱对森林火的次数和平均单次过火面积的贡献都达显著水平(sig.＜0.050)。
3 讨论NASA的Terra和Aqua卫星上搭载的两个中分辨率成像光谱仪(MODIS)提供了近20 a来的全球火数据，为研究区域乃至全球火的变化规律、火对全球气候变化的响应等科学问题提供了较长时间序列的基础数据。Fusco等[25]、祖笑锋等[26]、王卫国等[27]利用MCD45A1数据开展火生态的相关研究取得了可信结果；贾旭等[28]在分析内蒙古自治区野火时空变化特征时，利用Landsat数据对MCD45A1数据进行验证，得出MCD45A1数据产品可以作为大范围火灾情监测的重要手段的结论；邓欧等[18]将MCD45A1数据与黑龙江省森林历史火点记录进行叠加，认为在时空分布上两种数据源均具有较高的相关性；可见MCD45A1数据产品具有较好的可用性，并可用于东北地区。本研究所应用的MCD64A1数据产品，在MCD45A1算法的基础上进行了改进，显著提高了对小烧伤的检测能力，适度减少了烧伤日期的时间不确定性，并大大减少了未映射区域的范围[29-31]。另外，本研究利用2次火的地面记录与MCD64A1数据进行了对比，误差率分别为-3.46%和-7.02%，可见MCD64A1数据可以作为分析东北地区火时空动态特征的数据源。
本研究发现，春季和秋季是东北地区森林和草地火的多发期，这与许多同类研究结果一致，如田晓瑞等[32]在研究中国主要生态地理区的林火动态特征后得出了北方地区的火灾主要发生在春季和秋季的结论；李兴华等[33]研究了1981—2007年的内蒙古东北部地区森林草原火灾时间变化规律，其中2002—2007年与本研究时段重合，这段时间火灾次数的变化规律也与本研究一致。
自然植被火是一种复杂的自然现象，干旱往往是其高发和蔓延的重要诱因之一，本研究表明，草地火对干旱的敏感程度要大于森林，此结论与Wragg等[34]的研究结果一致，分析其原因与植被自身特点和scPDSI有关，火的起因与植被和死地被物的含水量有密切关系[35-36]，scPDSI划分的标准反应是浅层土壤的旱涝程度[37]，森林主要利用深层土壤水分，草地主要利用浅层土壤水分，因此当scPDSI处于干旱等级(scPDSI＜-1)时，草自身的含水量会比森林下降得更快，同时草地的死地被物上层无遮挡，水分蒸发速度相对于有树冠遮挡的林下地被物更大，因此起火和火蔓延的可能性更大。
本研究的数据基础是MODIS数据产品，除其固有的空间分辨率的限制外，本研究的局限性还在于：MCD64A1数据监测火受到云和浓烟的干扰，因此监测结果可能偏小；仅统计了火次数和面积与对应季节或年份干旱等级之间的关系，没有区分独立干旱和连续干旱对火的影响。尽管存在以上不足，但本研究还是以定量的方式给出了火次数和过火面积与干湿状况的关系，从而为森林(草原)火险预测预报、野火防范和扑救等提供可靠参考。
4 结论(1) 在季节尺度上，东北地区春季和秋季是森林和草地火的多发期，而且草地火灾次数呈显著增加趋势；在年际尺度上，森林火次数少于草地，但年平均过火面积大于草地，森林火次数呈显著下降趋势，草地火次数呈极显著上升趋势。
(2) 无论是季节尺度，还是年际尺度，东北地区火次数与scPDSI均呈负线性相关关系，过火面积与scPDSI呈负指数相关关系。
(3) 在春季和秋季，随着干旱程度的加深，东北地区森林和草地火的次数和平均单次过火面积均有增加的趋势；年际尺度也有同样的规律。
| [1] |
Malone S L, Kobziar L N, Staudhammer C L, et al. Modeling relationships among 217 fires using remote sensing of burn severity in southern pine forests[J]. Remote Sensing, 2011, 3(9): 2005-2028. DOI:10.3390/rs3092005 |
| [2] |
Brazhnik K, Hanley C, Shugar H H. Simulating changes in fires and ecology of the 21 st century Eurasian boreal forests of Siberia[J]. Forests, 2017, 8(2): 49-63. DOI:10.3390/f8020049 |
| [3] |
Martín M L, Gonzalez-Vila F J, Knicker H. Distribution of black carbon and black nitrogen in physical soil fractions from soils seven years after an intense forest fire and their role as C sink[J]. Science of The Total Environment, 2018, 637: 1187-1196. |
| [4] |
Saranya K R L, Reddya C S, Prasada-Rao P V V. Estimating carbon emissions from forest fires over a decade in Similipal Biosphere Reserve, India[J]. Remote Sensing Applications Society and Environment, 2016, 4: 61-67. DOI:10.1016/j.rsase.2016.06.001 |
| [5] |
王乾坤, 于信芳, 舒清态. 基于时间序列遥感数据的森林火烧迹地提取[J]. 自然灾害学报, 2017, 26(1): 1-10. |
| [6] |
Tansey K, Gregoire J M, Defourny P, et al. A new, global, multi-annual(2000-2007) burnt area product at 1 km resolution[J]. Geophysical Research Letters, 2008, 35(1): L011401. |
| [7] |
Plummer S, Arino O, Simon M, et al. Establishing a earth observation product service for the terrestrial carbon community:The globcarbon initiative[J]. Mitigation and Adaptation Strategies for Global Change, 2006, 11(1): 97-111. DOI:10.1007/s11027-006-1012-8 |
| [8] |
Chuvieco E, Yue C, Heil A, et al. A new global burned area product for climate assessment of fire impacts[J]. Global Ecology and Biogeography, 2016, 25(5): 619-629. DOI:10.1111/geb.12440 |
| [9] |
Andela N, Morton D C, Giglio L, et al. A human-driven decline in global burned area[J]. Science, 2017, 356(6345): 1356-1362. DOI:10.1126/science.aal4108 |
| [10] |
Hantson S, Pueyo S, Chuvieco E. Global fire size distribution is driven by human impact and climate[J]. Global Ecology and Biogeography, 2015, 24(1): 77-86. DOI:10.1111/geb.12246 |
| [11] |
Shi Y S, Sasai T, Yamaguchi Y. Spatio-temporal evaluation of carbon emissions from biomass burning in Southeast Asia during the period 2001-2010[J]. Ecological Modelling, 2014, 272(24): 958-115. |
| [12] |
Van der W G R, Randerson J T, Giglio L, et al. Global fire emissions estimates during 1997-2016[J]. Earth System Science Data, 2017, 9(2): 697-720. DOI:10.5194/essd-9-697-2017 |
| [13] |
Caccamo G, Chisholm L A, Bradstock R A, et al. Using remotely-sensed fuel connectivity patterns as a tool for fire danger monitoring[J]. Geophysical Research Letters Banner, 2012, 39(1): L01302. |
| [14] |
Spessa A C, Field R D, Pappenberger F, et al. Seasonal forecasting of fire over Kalimantan, Indonesia[J]. Natural Hazards and Earth System Sciences, 2015, 15(3): 5079-5111. |
| [15] |
张冬有, 邓欧, 李亦秋, 等. 黑龙江省1980-2005年森林火灾时空特征[J]. 林业科学, 2012, 48(2): 175-179. |
| [16] |
尹赛男, 舒立福, 张大明, 等. 吉林省森林火灾火源数据特征分析[J]. 林业科学, 2018, 54(7): 165-172. |
| [17] |
潘登, 张合平, 潘高, 等. 桂西南松栎林火行为研究及碳排放计量[J]. 自然灾害学报, 2017, 26(5): 51-61. |
| [18] |
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, 183(8): 200-205. DOI:10.3969/j.issn.1002-6819.2012.08.031 |
| [19] |
赵凤君.气候变化对内蒙古大兴安岭林区森林火灾的影响研究[D].北京: 中国林业科学研究院, 2007. http://cdmd.cnki.com.cn/article/cdmd-82201-2007173498.htm
|
| [20] |
Sholihah R I, Trisasongko B H, Shiddiq D, et al. Identification of agricultural drought extent based on vegetation health indices of Landsat data:Case of Subang and Karawang, Indonesia[J]. Procedia Environmental Sciences, 2016, 33: 14-20. DOI:10.1016/j.proenv.2016.03.051 |
| [21] |
王士君, 宋飏. 中国东北地区城市地理基本框架[J]. 地理学报, 2006, 61(6): 574-584. DOI:10.3321/j.issn:0375-5444.2006.06.002 |
| [22] |
Liu Dan, Yu Chenglong, Zhao Fang. Response of the water use efficiency of natural vegetation to drought in Northeast China[J]. Journal of Geographical Sciences, 2018, 28(5): 611-628. DOI:10.1007/s11442-018-1494-9 |
| [23] |
徐文铎. 中国东北主要植被类型的分布与气候的关系[J]. 植物生态学与地植物学学报, 1986, 10(4): 254-263. |
| [24] |
王兆礼, 李军, 黄泽勤, 等. 基于改进帕默尔干旱指数的中国气象干旱时空演变分析[J]. 农业工程学报, 2016, 32(2): 161-168. |
| [25] |
Fusco E J, Abatzoglou J T, Balch J K, et al. Quantifying the human influence on fire ignition across the western USA[J]. Ecological Applications, 2016, 26(8): 2390-2401. DOI:10.1002/eap.1395 |
| [26] |
祖笑锋, 覃先林, 李增元, 等. 基于幂律分布的森林燃烧生物量卫星遥感估测方法[J]. 林业科学, 2017, 53(10): 90-99. DOI:10.11707/j.1001-7488.20171010 |
| [27] |
王卫国, 潘竟虎, 冯娅娅, 等. 基于MODIS数据和GWLR的甘肃省火灾风险模型与区划[J]. 遥感技术与应用, 2017, 32(3): 514-523. |
| [28] |
贾旭, 高永, 齐呼格金, 等. 基于MODIS数据的内蒙古野火时空变化特征[J]. 中国生态农业学报, 2017, 25(1): 127-135. |
| [29] |
Pereira A A, Pereira J M C, Libonati R, et al. Burned area mapping in the Brazilian Savanna using a one-class support vector machine trained by active fires[J]. Remote Sensing, 2017, 9(11): 1161-1182. DOI:10.3390/rs9111161 |
| [30] |
Guindos-Rojas F, Arbelo M, García-Lázaro J R, et al. Evaluation of a bayesian algorithm to detect burned areas in the canary islands' dry woodlands and forests ecoregion using MODIS data[J]. Remote Sensing, 2018, 10(5): 789-810. DOI:10.3390/rs10050789 |
| [31] |
Giglioa L, Boschettib L, Roy D P, et al. The Collection6 MODIS burned area mapping algorithm and product[J]. Remote Sensing of Environment, 2018, 217: 72-85. DOI:10.1016/j.rse.2018.08.005 |
| [32] |
田晓瑞, 舒立福, 赵凤君, 等. 中国主要生态地理区的林火动态特征分析[J]. 林业科学, 2015, 51(9): 71-77. |
| [33] |
李兴华, 武文杰, 张存厚, 等. 气候变化对内蒙古东北部森林草原火灾的影响[J]. 干旱区资源与环境, 2011, 25(11): 114-119. |
| [34] |
Wragg P D, Mielke T, Tilman D. Forbs, grasses, and grassland fire behaviour[J]. Journal of Ecology, 2018, 106(5): 1983-2001. DOI:10.1111/1365-2745.12980 |
| [35] |
Johnson E A, Miyanishi k. Forest fires Behavior and Ecological Effects[M]//Nelsonn R M. Water Relations of Forest Fuels. Academic Press, 2001.
|
| [36] |
李晓炜, 赵刚, 于秀波, 等. 不同区域森林火灾对生态因子的响应及其概率模型[J]. 生态学报, 2013, 33(4): 1219-1229. |
| [37] |
Schrier V D G, Barichivich J, Briffa K R, et al. A scPDSI-based global data set of dry and wet spells for 1901-2009[J]. Journal of Geophysical Research:Atmospheres, 2013, 118(10): 4025-4048. DOI:10.1002/jgrd.50355 |