哈爾濱典型林分地表凋落物含水率預測模型

張佳薇 張頌 彭博 李明寶 蘇田 支佶豪

摘 要：為構建高精度的森林地表凋落物含水率預測模型，以黑龍江省哈爾濱市3種典型林分白樺林（Betula platyphylla）、蒙古櫟林（Quercus mongolica）和興安落葉松林（Larix gmelini）為研究對象，采用自制的便攜式氣象因子檢測儀進行實時檢測，通過隨機森林（Random Forest，RF）、反向傳播（Back Propagation，BP）和長短期記憶網(wǎng)絡（Long Short Term Memory，LSTM）3種代表性的機器學習方式對3種林分分別構建凋落物含水率預測模型。研究表明，不同的林分在不同的機器學習方式下構建的預測模型的預測精度均不同；在不同的機器學習構建的模型中3種林分的預測精度均為LSTM>BP>RF；LSTM在地表凋落物含水率預測模型的研究中效果最優(yōu)。此研究結果說明LSTM在地表凋落物含水率的預測中表現(xiàn)突出，對提高基于氣象要素法預測地表凋落物含水率模型精度具有重要的理論意義和實踐指導價值。

關鍵詞：地表凋落物；含水率；氣象因子；預測模型；LSTM

中圖分類號：S762.2??? 文獻標識碼：A?? 文章編號：1006-8023（2023）04-0110-08

Prediction Model of Surface Litter Moisture Content

in Typical Forest in Harbin

ZHANG Jiawei1， ZHANG Song1， PENG Bo1， LI Mingbao2*， SU Tian1， ZHI Jihao1

（1.College of Mechanical and Electrical Engineering， Northeast Forestry University， Harbin 150040， China;

2.College of Materials Science and Engineering， Northeast Forestry University， Harbin 150040， China）

Abstract：In order to construct a high-precision prediction model of forest surface litter moisture content， this paper takes three typical forests in Harbin City， Heilongjiang Province as the research object， and uses a self-made portable meteorological factor detector for real-time detection. Three representative machine learning methods of RF （ Random Forest ）， BP （ Back Propagation ）， and LSTM （ Long Short Term Memory ） were used to construct litter moisture content prediction models for the three stands. Results showed that， the prediction accuracy of the prediction model constructed by different forest stands under different machine learning methods was different. The prediction accuracy of the three stands in different machine learning models was LSTM > BP > RF. LSTM had the best effect in the study of surface litter moisture content prediction model. The results of this study indicated that LSTM was outstanding in the prediction of surface litter moisture content， which had important theoretical significance and practical guiding value for improving the accuracy of surface litter moisture content model based on meteorological element method.

Keywords： Surface litter; moisture content; meteorological factors; prediction model; LSTM

收稿日期：2022-10-26

基金項目：國家自然科學基金項目（ZD2021E001）；國家重點研發(fā)計劃（2021YFD220060404）

第一作者簡介：張佳薇，博士，教授，博士生導師。研究方向為林業(yè)物聯(lián)網(wǎng)和智能檢測。E-mail： zjw@nefu.edu.cn

通信作者：李明寶，博士，教授，博士生導師。研究方向為林業(yè)物聯(lián)網(wǎng)。E-mail： lmbnefu@126.com

引文格式：張佳薇，張頌，彭博，等. 哈爾濱典型林分地表凋落物含水率預測模型[J].森林工程，2023，39（4）：110-117.

ZHANG J W， ZHANG S， PENG B， et al. Prediction model of surface litter moisture content in typical forest in Harbin[J]. Forest Engineering， 2023，39（4）：110-117.

0 引言

森林火災會導致林分密度減小，破壞森林結構，降低森林的利用價值，是生態(tài)環(huán)境的重要影響因子[1]，因此林火預測對森林火災預防具有重要意義。森林地表凋落物是森林植被在其生長發(fā)育過程中新陳代謝的產(chǎn)物，易于分辨和獲取，是林火發(fā)生的物質基礎和首要條件。森林地表凋落物含水率（Surface litter moisture content）直接影響地表凋落物燃燒的難易程度，導致林火的發(fā)生和蔓延[2]。幾乎所有的火災模型都將地表凋落物含水率作為輸入變量以量化火災危險性，因此地表凋落物含水率是預測森林火災的關鍵評價指標[3]，當森林地表凋落物含水率低于臨界值時容易發(fā)生火災[4]。

森林地表凋落物含水率變化范圍波動較大且對氣象因子的響應最為敏感[5]且特定區(qū)域凋落物含水率預測較為準確[6]。近年來，國內學者不斷研究氣象要素模型并對預測模型進行改進。2011年葉更新等[7]將測站獲取的觀測資料和統(tǒng)計學方法相結合，對長白山區(qū)林下凋落物含水率的變化特征進行分析，發(fā)現(xiàn)含水率與林內濕度呈正相關，與林內溫度呈負相關，但溫度的相關度不如濕度明顯；李海洋等[8]研究發(fā)現(xiàn)凋落物含水率預測模型缺少外推性，結合前期氣象因子模型預測效果較好；宋雨等[9]和胡海清等[10]分別用氣象要素回歸法驗證了不同林分對凋落物含水率有一定的影響-；伍威等[11]以江西省南昌市茶園山林場的典型林分為研究對象，地表凋落物含水率動態(tài)變化主要受相對濕度、空氣溫度和風速影響。國外學者同樣在地表凋落物含水率預測研究領域不斷探究并提供重要思路。Ataka等[12]觀測到物種、落葉的位置等空間異質性對凋落物含水率有影響； Castelli等[13]用氣象站獲取的溫度、相對濕度和風速等信息用遺傳規(guī)劃構建森林火災預測模型，效果良好； Bilgili等[14]模擬卡拉布里亞松（Pinus brutia Ten.）地表凋落物含水率與天氣條件中溫度、相對濕度和風速的關系，進行了相關和回歸分析并建立預測模型； Cawson等[15]提出凋落物含水率和火災天氣具有相關性，溫度、相對濕度和干旱程度對凋落物含水率有很大影響； Elhag等[16]提出在不同地區(qū)，應該使用更多具有代表性的物種來監(jiān)測其含水率變化建立預測模型，進一步優(yōu)化森林火災管理。

通過對地表凋落物含水率國內外現(xiàn)狀的研究分析，氣象要素法在森林地表凋落物含水率預測模型研究中應用廣泛，目前基于氣象要素的森林地表凋落物含水率預測模型研究存在以下3點問題有待解決。

1）森林地表凋落物含水率的研究多局限于研究區(qū)域的某種林分，不具有普適性，應選用更多具有代表性的林分進行研究。

2）森林地表凋落物所處區(qū)域的氣象因子數(shù)據(jù)信息多來源于當?shù)貧庀笳荆瑲庀笳緹o法避免采樣點不同導致的氣象環(huán)境差異。

3）森林地表凋落物含水率預測模型多采用傳統(tǒng)的氣象要素回歸法，目前少有機器學習與氣象因子相結合用于地表凋落物含水率預測。

因此，本研究基于以上3點問題進行探討，選取哈爾濱的3種代表性林分（白樺林（Betula platyphylla）、蒙古櫟林（Quercus mongolica）和興安落葉松林（Larix gmelini）），使用便攜式氣象因子檢測儀，對凋落物含水率研究中常見的4種氣象因子（環(huán)境溫度、相對濕度、風速和壓強）進行實時檢測，并對應含水率測量值，構建地表凋落物含水率預測模型，比較3種機器學習方法（隨機森林（Random Forest，RF）、反向傳播（Back Propagation，BP）和長短期記憶網(wǎng)絡（Long Short Term Memory，LSTM））在地表凋落物含水率預測中預測精度。

1 材料與方法

1.1 實驗區(qū)域概況

哈爾濱（125°42′～130°10′ E、44°04′～46°40′ N）地處中國東北北部地區(qū)，黑龍江省南部，土地面積5.31萬km2，林地資源豐富。哈爾濱屬于溫帶大陸性季風氣候，由于緯度較高導致氣溫總體偏低，四季分明，冬季漫長寒冷，夏季短暫涼爽。春、秋季氣溫升降變化快，屬于過渡季節(jié)，時間較短。全年平均降水量569.1 mm，降水主要集中在6—9月。10—11月降水明顯減少、氣候干燥，是哈爾濱森林火災易發(fā)期。本研究的實驗區(qū)域選為中國黑龍江省哈爾濱市東北林業(yè)大學實驗林場（126°37′9″～126°37′37″ E，45°43′1″～45°43′31″ N），林場中包含哈爾濱地區(qū)常見樹種的實驗林，林分主要包括白樺林（Betula platyphylla）、蒙古櫟林（Quercus mongolica）和興安落葉松林（Larix gmelini）等，林下凋落物主要為林分枯葉。因此，本研究選用白樺、蒙古櫟和落葉松3種林分的地表凋落物為研究對象。

本研究選取了上述3種林分中的凋落物作為本次實驗的研究樣本。實驗區(qū)域的基本信息見表1，蒙古櫟林、白樺林、興安落葉松林均為人工林，郁閉度相同，蒙古櫟的林分密度要遠高于白樺和興安落葉松。在2021年10月1日—10月31日對3種林分進行為期1個月的森林地表凋落物采集實驗。

1.2 研究方法

1.2.1 便攜式氣象檢測儀

本研究選取近地表的環(huán)境溫度、相對濕度、風速和壓強4種????????????? 有代表性的氣象因子進行現(xiàn)場檢測，代替了氣象站數(shù)據(jù)收集，實現(xiàn)小氣候數(shù)據(jù)的實時采集。

本研究自制了一款基于STM32F103ZET6單片機的便攜式氣象檢測儀，選用溫濕度傳感器HTU21檢測環(huán)境中的溫度和濕度，HUT21響應速度快且抗干擾能力強，溫度測量范圍為-40～125 ℃，濕度測量范圍為0%～100% RH；選用三杯式風速傳感器JXBS-3001檢測環(huán)境中的風速，其風杯選用碳纖維材料，強度高啟動快，測量范圍為0～30 m/s，測量精度為±1%，啟動風速為0.2～0.4 m/s；選用氣壓傳感器BMP180檢測環(huán)境中的大氣壓，BMP180是測量壓力最常用的傳感器，壓力范圍為300～1 100 hPa，分辨率高達0.03 hPa；選用顯示模塊TFTLCD進行數(shù)據(jù)的實時顯示。便攜式氣象檢測儀示意圖如圖1所示。考慮到實驗區(qū)域低溫潮濕且無電源，本研究中的便攜式檢測儀采用塑料外殼包裹以及太陽能加熱板進行供電。

1.2.2 樣本采集

在采集凋落物的過程中，根據(jù)3種林分的地理位置、受光強度、日照時長以及降雨量等因素各選取1個有代表性的采集點進行采集，圖2為便攜式檢測儀采集示意圖。在每個采樣點挖取20 cm×20 cm的正方形樣方，采集對應林分的完整凋落物立即裝入密封采集袋中做好標記帶回實驗室稱重，同時用便攜式氣象檢測儀獲取實時氣象數(shù)據(jù)并記錄。其中1組氣象數(shù)據(jù)和凋落物含水率對應為1個樣本數(shù)據(jù)。凋落物含水率受氣象因子影響變化顯著，因此實驗以2 h為步長進行。在2021年10月的31 d內，研究人員每2 h分別對3種林分進行一次樣本數(shù)據(jù)采集，檢測的氣象數(shù)據(jù)和對應的凋落物含水率每天采集12次。在樣本采集期間哈爾濱無明顯降雨，平均降雨量僅為0.4 mm，且參考往年氣象數(shù)據(jù)哈爾濱秋季防火期10—11月降雨較少，故本實驗未考慮降雨情況。

1.2.3 含水率計算

本研究采用測定含水率的標準方法烘干測量法對采集到的凋落物進行含水率計算。烘干箱選用101-2型電熱鼓風干燥箱。研究人員將采集到的凋落物樣本帶回到實驗室立即放在恒溫干燥箱內105 °C進行烘干并用電子秤稱重[17]，防止樣品受潮，影響實驗結果。地表凋落物含水率計算公式如式（1）所示。

M=M0-MeMc×100%。（1）

式中：M為凋落物含水率值，%；M0為凋落物濕質量，g; Me為凋落物干質量，g。

1.2.4 數(shù)據(jù)篩選與分類

研究人員將檢測的氣象數(shù)據(jù)和測得的凋落物含水率導入EXCEL表格中，使用SAS（STATISTICAL ANALYSIS SYSTEM）統(tǒng)計軟件對數(shù)據(jù)進行篩選。樣本50%作為訓練樣本集，50%作為預測樣本集和驗證樣本集。樣本數(shù)據(jù)篩選與分類的流程圖如圖3所示。本研究中首先通過SAS軟件篩選剔除了含水率高于50%的樣本數(shù)據(jù)，樣本訓練集中的氣象因子和含水率對預測模型進行訓練，在訓練好的預測模型中輸入預測氣象因子，得到預測的含水率與真實測量得到的驗證含水率進行對比，從而驗證預測模型的預測性能。本研究中，總樣本量為1 116個樣本，一組氣象數(shù)據(jù)和凋落物含水率對應為一個樣本數(shù)據(jù)，訓練集為558個樣本，用于通過多次迭代找到最優(yōu)權重和閾值。預測集為558個預測氣象因子數(shù)據(jù)，用于評估模型估計的效果。驗證集分別為558個預測集檢測對應的驗證含水率以及558個預測集對應的預測含水率，驗證集用于判斷在多次迭代過程中誤差是否繼續(xù)減小，防止過度擬合。

1.3 理論研究

機器學習ML（Machine Learning）是人工智能的一個重要分支，是利用計算機作為工具模擬人類的學習方式，將現(xiàn)有內容進行知識結構劃分來有效提高學習效率。機器學習根據(jù)已有的數(shù)據(jù)，確定算法模型，并用于預測未知的數(shù)據(jù)，在軍事領域和民用領域應用廣泛。常用的機器學習算法有隨機森林（Random Forest，RF）、BP（Back Propagation）神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）和長短期記憶神經(jīng)網(wǎng)絡（Long Short Term Memory，LSTM）等。

1.3.1 RF隨機森林

RF是一種高度靈活、使用較為廣泛的機器學習算法。隨機森林是通過集成學習的思想將多棵樹集成的一種算法，將許多棵決策樹整合成森林，并合起來用來預測最終結果。其基本單元是決策樹，本質屬于集成學習（Ensemble Learning）方法。隨機森林具有樣本的隨機性，從訓練集中隨機抽取一定數(shù)量的樣本，作為每棵決策樹的根節(jié)點樣本；具有屬性的隨機性，在建立每棵決策樹時，隨機抽取一定數(shù)量的候選屬性，從中選擇最合適的屬性作為分裂節(jié)點。在地表凋落物含水率預測模型的研究中，通常將氣象因子作為輸入，含水率作為輸出，進行模型構建。但隨機森林在某些噪聲較大的分類或者回歸問題上會過擬合。考慮到計算成本和可靠性能，在本研究中，將決策樹的數(shù)量設置為100，所選模型中預測因子的數(shù)量為4。

1.3.2 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種按照誤差逆向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡，學習過程由信號的正向傳播與誤差的反向傳播2個過程組成，BP算法是目前使用較為廣泛的一種參數(shù)學習算法。1個3層的BP網(wǎng)絡可以完成任意的維到維的映射，即這3層分別是輸入層（I）、隱含層（H）和輸出層（O）。BP神經(jīng)網(wǎng)絡中，輸入層和輸出層的節(jié)點個數(shù)都是確定的，而隱含層節(jié)點個數(shù)通常根據(jù)經(jīng)驗公式來確定。隱含層和神經(jīng)元的數(shù)量直接影響網(wǎng)絡模型的預測精度。在地表凋落物含水率的預測模型研究中，BP的網(wǎng)絡結構圖如圖4所示。為了縮短訓練時間，避免過度擬合，本研究選擇了單隱層結構，隱藏層節(jié)點為5，激活函數(shù)選用Sigmoid函數(shù)。

BP神經(jīng)網(wǎng)絡具有較強的非線性映射能力、高度自學習和自適應的能力，且具有一定的容錯能力。但是隨著應用范圍的逐步擴大，BP神經(jīng)網(wǎng)絡也暴露出了越來越多的缺點和不足，BP神經(jīng)網(wǎng)絡算法本質上為梯度下降法，其所要優(yōu)化的目標函數(shù)是非常復雜的，會出現(xiàn)收斂速度慢的現(xiàn)象，訓練時間較長，且存在局部極小化問題。

1.3.3 LSTM神經(jīng)網(wǎng)絡

RNN是一類特殊的神經(jīng)網(wǎng)絡，可用于處理序列數(shù)據(jù)。RNN的基本原理是序列數(shù)據(jù)作為輸入信號通過中間節(jié)點作用于輸出節(jié)點，中間節(jié)點按鏈式連接產(chǎn)生輸出信號。傳統(tǒng)的神經(jīng)網(wǎng)絡BP、CNN（Convolutional Neural Networks）等的輸出只受單一時刻輸入的影響，隱藏層節(jié)點無連接。而RNN具有記憶功能，當前時刻的輸出與前面的信息相關，隱藏層之間的節(jié)點有連接，RNN的網(wǎng)絡結構如圖5所示。

LSTM神經(jīng)網(wǎng)絡則是一種特殊的RNN，主要是用于解決長序列訓練過程中的梯度消失和梯度爆炸問題，LSTM的網(wǎng)絡結構如圖6所示。相比普通的RNN，LSTM能夠在更長的序列中有更突出的表現(xiàn)。LSTM通過3個基本結構來實現(xiàn)信息的保護和控制，這3個門分別為輸入門、遺忘門和輸出門。在LSTM 中的第1步是決定會從細胞狀態(tài)中丟棄什么信息，這個決定通過1個忘記門層完成，即遺忘門，對上1個節(jié)點傳進來的輸入進行選擇性忘記，會忘記不重要的，記住重要的。輸入門即選擇記憶階段，是決定讓多少新的信息加入細胞狀態(tài)中來，對細胞的狀態(tài)進行更新。輸出門，這個階段將會基于細胞狀態(tài)決定哪些將會被當成當前狀態(tài)的輸出，同樣經(jīng)過過濾環(huán)節(jié)，最終僅僅會輸出確定需要輸出的部分。在地表凋落物含水率預測的研究中，LSTM網(wǎng)絡不同于RF、BP等神經(jīng)網(wǎng)絡，考慮到了時間序列的問題，將不同時刻的氣象因子作為輸入，含水率作為輸出進行構建，提高模型預測精度。在本研究中，LSTM網(wǎng)絡選擇常用的非線性激活函數(shù)Sigmoid函數(shù)和tanh函數(shù)，學習率為0.001。

2 結果與分析

2.1 氣象因子檢測數(shù)據(jù)統(tǒng)計分析

本研究利用自制的氣象因子檢測儀對哈爾濱東北林業(yè)大學實驗林場10月的溫度、濕度、風速和壓強4組數(shù)據(jù)進行檢測，基本數(shù)據(jù)統(tǒng)計分析情況見表2。相比于氣象站所獲氣象數(shù)據(jù)，采用便攜式氣象因子檢測儀考慮到林內小環(huán)境的影響所獲數(shù)據(jù)更為精確，林中近地表風速較氣象站所獲數(shù)據(jù)偏低，溫濕度變化也較為緩慢。由表2可以看出，10月的最高溫度為21.40 ℃，最低為-5.20 ℃，溫度變化明顯；濕度最高為98.00%，最低為23.00%，平均濕度為60.92%，標準差達19.98%，濕度變化幅度較大；風速最大為8.00 m/s，最低為0.20 m/s，根據(jù)四分位數(shù)Q1，風速普遍大于1.40 m/s；研究期內氣壓變化幅度較小，平均值為1 006.68 hPa。實驗林場在10月處于易燃狀態(tài)，為森林火災高發(fā)期，符合本研究的研究背景。

2.2 凋落物含水率測量數(shù)據(jù)統(tǒng)計分析

本研究采用烘干法對3種林分的凋落物含水率進行測量，3種林分凋落物含水率測量值如圖7所示。受氣象因子變化的影響，3種林分的凋落物含水率整體變化趨勢大致相同。其中，蒙古櫟凋落物含水率的測量值范圍為11.7%～49.8%，整體較高且變化幅度最為明顯。白樺和落葉松相對變化幅度較小，測量值范圍分別為9.3%～34.8%、12.7%～39.4%，落葉松的含水率整體高于白樺的含水率。

2.3 地表凋落物含水率預測模型

本研究中以溫度、濕度、風速和壓強為自變量，地表凋落物含水率為因變量，分別采用RF、BP、LSTM機器學習方式對蒙古櫟、白樺、落葉松3種林分建立預測模型。預測模型的實測值與預測值的對比如圖8所示，分別列出不同林分在不同機器學習下的對比圖，更加直觀清晰地看出預測模型的真實效果，圖中圓圈越靠近1∶1線說明預測值與真實值越貼近，預測效果越好。由圖8可知，通過橫向對比，可以看出在3種林分凋落物含水率的預測中，3種預測模型的預測效果都很好，其中LSTM的預測效果最優(yōu)，其次為BP，RF的預測效果相對較差。通過縱向對比，可以了解到不同林分在相同的機器學習下預測效果不同，誤差值分布的區(qū)域不同，互相之間沒有必然聯(lián)系。

平均絕對誤差（Mean Absolute Error，MAE）是所有單個觀測值與算術平均值的偏差的絕對值的平均，可以避免誤差相互抵消的問題，準確反映實際預測誤差的大小。平均相對誤差（Mean Relative Error，MRE）表示給出值所含有的誤差率，可以更加直

觀地觀察預測模型的預測效果。研究計算了各林分在不同預測模型中的MAE值和MRE值，見表3。由表3可知，采用3種機器學習在3種不同林分上建立的凋落物含水率預測模型均取得了良好的預測效果， MAE值均小于2.0%， MRE值均小于0.11。其中采用LSTM的預測模型最為精確，3種林分的平均絕對誤差MAE變化范圍為0.956%～1.188%，平均相對誤差MRE的變化范圍為0.042～0.055。機器學習在地表凋落物含水率的研究中較為少見，但均取得良好的預測結果。Masinda等[18]使用隨機森林模型對地表凋落物含水率進行預測的結果與本研究相似，溫度和相對濕度是影響燃料含水率的最重要因素并且隨機森林模型與廣義可加性模型相比精度較高，預測模型的MAE值均低于5%。LEI等[19]在帽兒山實驗林場基于BP神經(jīng)網(wǎng)絡建立不同地形條件的樺樹的地表凋落物含水率預測模型，4個采樣點估計結果的相關系數(shù)均大于0.9，與本研究結果相似。

3 結論與討論

本研究認為，森林地表凋落物含水率小于40%時容易燃燒[20]，根據(jù)圖7對3種凋落物進行可燃性分析，監(jiān)測期內3種林分凋落物含水率基本都低于40%，凋落物整體處于易燃狀態(tài)，符合研究背景；不同林分處于不同的采樣點且采樣的時間存在偏差，因此氣象環(huán)境存在差異，根據(jù)不同位置建模可以有效避免地形因素造成的影響[19]。為解決這一問題，采用自制的便攜式氣象檢測儀，對林內溫度、濕度、風速和氣壓4種氣象因子進行實時檢測，在凋落物含水率的研究中起到重要作用。通過將林內的溫度、濕度、風速和氣壓作為預測模型的輸入因子，可以對地表凋落物含水率進行較為準確的預測，與胡海清等[10]、張運林等[11]和伍威等[21]研究結論一致。

森林地表凋落物含水率的研究多采用氣象要素回歸法進行模型預測，但機器學習用于預測模型之中較為少見，前人使用RF、BP預測地表凋落物含水率均取得良好的預測效果[18- 19]。本研究提出了一種基于LSTM機器學習與氣象因子相結合的估計地表凋落物含水率模型的新方法。在2021年10月1日—10月31日的東北林業(yè)大學實驗林場利用自制的便攜式氣象檢測儀采集溫度、濕度、風速和氣壓4種氣象因子，分別對蒙古櫟、白樺和落葉松3種哈爾濱典型林分的地表凋落物含水率構建預測模型，預測模型選用機器學習中常見的RF、BP、LSTM，均取得較好的預期。其中長短期記憶網(wǎng)絡LSTM所構建的預測模型在3種林分中均具有明顯優(yōu)勢。

本研究整體驗證了在哈爾濱典型林分的地表凋落物含水率預測中LSTM相對于傳統(tǒng)的BP、RF預測效果更好，精度更高。結果表明，基于LSTM和氣象因子構建的模型預測精度較高，可以進一步應用于森林火災的預測評價之中，所描述的新預測方法實現(xiàn)了森林地表凋落物含水率的智能預測，為森林地表凋落物含水率的高精度預測提供理論研究基礎，為人工智能在森林防火的有效運用提供探索和研究。

在本研究中森林地表凋落物含水率的機器模型具有良好的預測效果，但研究中的采樣主要為落面的完整落葉，多為當季新落地葉片，對于地上存在的樹枝、殘葉等并未考慮，由于新落地的葉片較往年落地的含水率偏高[22]，會導致預測結果存在一部分偏差。此外，本次的樣品采集時間為2021年10月，僅考慮了10月的天氣狀況與采集結果，為使實驗數(shù)據(jù)更加具有說服力，接下來將對1 a內的數(shù)據(jù)進行采集研究。

【參 考 文 獻】

[1]王夢雨，徐燕，趙明偉.我國近10年林火時空分布格局及原因分析[J].農業(yè)科技通訊，2021（10）：201-204.

WANG M Y， XU Y， ZHAO M W. Spatial and temporal distribution pattern and cause analysis of forest fire in China in recent 10 years[J]. Bulletin of Agricultural Science and Technology， 2021（10）：201-204.

[2]孫龍，劉祺，胡同欣.森林地表死可燃物含水率預測模型研究進展[J].林業(yè)科學，2021，57（4）：142-152.

SUN L， LIU Q， HU T X. Advances in research on prediction model of moisture content of surface dead fuel in forests[J]. Scientia Silvae Sinicae， 2021， 57（4）：142-152.

[3]MATTHEWS S. Dead fuel moisture research： 1991-2012[J]. International Journal of Wildland Fire， 2013， 23（1）： 78-92.

[4]DIOS V R D， HEDO J， CAMPRUBI A C， et al. Climate change induced declines in fuel moisture may turn currently fire-free Pyrenean mountain forests into fire-prone ecosystems[J]. Science of The Total Environment， 2021， 797： 149104.

[5]滿子源，胡海清，張運林，等.帽兒山地區(qū)典型地表可燃物含水率動態(tài)變化及預測模型[J].北京林業(yè)大學學報，2019，41（3）：49-57.

MAN Z Y， HU H Q， ZHANG Y L， et al. Dynamic change and prediction model of moisture content of surface fuel in Maoer Mountain of northeastern China[J]. Journal of Beijing Forestry University， 2019， 41（3）：49-57.

[6]劉昕，邸雪穎.三種方法對森林地表可燃物含水率的預測評價[J].森林工程，2013，29（2）：8-13，20.

LIU X， DI X Y. Evaluation of three prediction methods on forest surface fuel moisture[J]. Forest Engineering， 2013， 29（2）：8-13， 20.

[7]葉更新，葉希瑩.長白山區(qū)林下可燃物含水率的觀測特征和相關分析[J].中國農學通報，2011，27（22）：22-27.

YE G X， YE X Y. Observed features and correlation analysis of moisture content of combustible substances in Changbai Mountain[J]. Chinese Agricultural Science Bulletin， 2011， 27（22）：22-27.

[8]李海洋，胡海清，孫龍.我國森林死可燃物含水率與氣象和土壤因子關系模型研究[J].森林工程，2016，32（3）：1-6.

LI H Y， HU H Q， SUN L. Research on relational models of moisture content of dead forest fuel with meteorological factors and soil factors in China[J]. Forest Engineering， 2016， 32（3）：1-6.

[9]宋雨，胡海清，孫龍，等.大興安嶺不同坡位地表可燃物含水率的動態(tài)變化與建模[J].森林工程，2017，33（5）：1-7.

SONG Y， HU H Q， SUN L， et al. Dynamic change and modeling of moisture content of surface fuel in different slope positions of Daxinganling[J]. Forest Engineering， 2017， 33（5）：1-7.

[10]胡海清，羅碧珍，羅斯生，等.大興安嶺典型林型地表可燃物含水率預測模型[J].中南林業(yè)科技大學學報，2018，38（11）：1-9.

HU H Q， LUO B Z， LUO S S， et al. The prediction of moisture content of surface ground fuel of typical forest stand in Daxing' anling mountains[J]. Journal of Central South University of Forestry & Technology， 2018， 38（11）：1-9.

[11]伍威，張運林，滿子源.濕度碼預測江西典型地表細小死可燃物含水率適用性分析[J].中南林業(yè)科技大學學報，2021，41（10）：37-44，56.

WU W， ZHANG Y L， MAN Z Y. Analysis on the applicability of moisture code to predict the moisture content of surface fine dead fuel on Jiangxi province， China[J]. Journal of Central South University of Forestry & Technology， 2021， 41（10）：37-44，56.

[12]ATAKA M， KOMINAMI Y， JOMURA M， et al. CO2 efflux from leaf litter focused on spatial and temporal heterogeneity of moisture[J]. Journal of Forest Research， 2014， 19（2）：295-300.

[13]CASTELLI M， VANNESCHI L， POPOVIC A. Predicting burned areas of forest fires： an artificial intelligence approach[J]. Fire Ecology， 2015， 11（1）： 106-118.

[14]BILGILI E， COSKUNER K A， USTA Y， et al. Modeling surface fuels moisture content in Pinus brutia stands[J]. Journal of Forestry Research， 2019， 30（2）： 577-587.

[15]CAWSON J G， HEMMING V， ACKLAND A， et al. Exploring the key drivers of forest flammability in wet eucalypt forests using expert-derived conceptual models[J]. Landscape Ecology， 2020， 35（8）： 1775-1798.

[16]ELHAG M， BOTEVA S. The canadian versus the national forest fire danger rating systems tested in mediterranean forests fire Crete， Greece[J]. Environment， Development and Sustainability， 2021， 23（4）： 4973-4983.

[17]NOLAN R H， BOER M M， RESCO D D V， et al. Large‐scale， dynamic transformations in fuel moisture drive wildfire activity across southeastern Australia[J]. Geophysical Research Letters， 2016， 43（9）： 4229-4238.

[18]MASINDA M M， LI F， LIU Q， et al. Prediction model of moisture content of dead fine fuel in forest plantations on Maoer Mountain， Northeast China[J]. Journal of Forestry Research， 2021， 32（5）： 2023-2035.

[19]LEI W D， YU Y， LI X H， et al. Estimating dead fine fuel moisture content of forest surface， based on wireless sensor network and back-propagation neural network[J]. International Journal of Wildland Fire， 2022， 31（4）： 369-378.

[20]崔冬龍，蔣志仁，蔣志成，等.祁連山保護區(qū)西端氣象因子與灌木林死體可燃物含水率擬合模型構建[J].林業(yè)科技通訊，2019（6）：32-35.

CUI D L， JIANG Z R， JIANG Z C， et al. Meteorological factors and shrub forest in western Qilian Mountain Nature Reserve Construction of fitting model for moisture content of dead fuel[J]. Forest Science and Technology， 2019（6）：32-35.

[21]張運林，孫萍，劉方策.空氣溫濕度對不同結構的紅松松針床層含水率動態(tài)變化影響的室內模擬研究[J].中南林業(yè)科技大學學報，2020，40（10）：18-27，93.

ZHANG Y L， SUN P， LIU F C. Effects of indoor simulated air temperature and relative humidity on the moisture contents of the needle beds with different compactness of red pine[J]. Journal of Central South University of Forestry & Technology， 2020， 40（10）：18-27， 93.

[22]張恒，董川成，牛屾，等.不同采樣方法對細小可燃物含水率預測模型精度的影響[J].中南林業(yè)科技大學學報，2018，38（5）：33-39.

ZHANG H， DONG C C， NIU S， et al. Effects of different sampling methods on forecast model accuracy of predicting fuels in forests in Pangu forest farm[J]. Journal of Central South University of Forestry & Technology， 2018， 38（5）：33-39.