基于林火特征分类模型的森林火情等级制图

2020,32( 1)：43 -50.)基于林火特征分类模型的森林火情等级制图马振宇打陈博伟打庞勇1,廖声熙2,覃先林1,张怀清1(1.中国林业科学研究院资源信息研究所，北京100091 ； 2.中国林业科学研究院资源昆虫研究所，昆明650216)摘要：森林中可燃物的分布状况是影响林火产生、扩散的重要因素之一,本研究的目的是结合森林资源调查数据、

激光雷达(light laser detection and ranging,LiDAR)点云数据、地形和气象因子共同驱动的可燃物特征分类系统(fu_

characteristic classification system,FCCS)模型来实现森林火险等级预测。以云南省普洱市为研究区，首先，利用机载

LiDAR数据生产的树冠高度模型进行面向对象分割,与森林资源二类清查数据叠加分析确定分割单元，并根据可

燃物的可燃性将研究区内的可燃物分为针叶林、阔叶林、竹林和灌木林等4种类型,在此基础上采用分层随机抽样

形成验证数据集；然后，提取LiDAR变量因子，采用多元逐步回归法反演不同可燃物的森林参数；最后，将森林参

数连同气象和地形因子作为FCCS模型的输入,完成各个分割单元的火情等级评价，实现该地区潜在火行为、树冠

火、有效可燃物和综合火灾险情的制图。研究结果表明，研究区有效可燃物火险等级比较低,符合研究区的实际情 况；森林垂直结构与森林火险等级关系密切，森林参数的准确估测对整个可燃物的制图具有非常重要的作用。

关键词：激光雷达；森林参数反演；林火特征分类模型；火险制图中图法分类号：K 909 文献标志码：A 文章编号：1001 -070X(2020)01 -0043 - 08件非常复杂的工作，必须考虑诸多因素的影响⑷，

0引言森林火灾是一种常见的自然灾害，是自然环

境的重要扰动因素之一。研究表明，植被燃烧的 物理过程极大程度影响着局地乃至全球范围内的

例如不同的植被类型(乔木、灌木以及草本植物)及

其生物量占比、可燃物的结构特征(表面积与体积

比、密度、高度以及层次等)、化学构成和含水量等

都是影响林火行为的重要因子。森林可燃物的分布

与森林的垂直结构也有着密切的关系，研究表 明⑼，在1.3 ~4 m的高度范围内，可燃物与植被覆

能量和物质交换过程，特别是火灾对于林木、生物

群落和整个生态系统的结构和功能都有着巨大的 影响[1-2])林火的发生会减少森林生态系统的服

盖度、植被密度以及坡度有关；在4 ~8 m的高度范 围内，可燃物与林分平均高和枝下高有关；在8 m 以上则与林分最大高、郁闭度以及枝下高有关；灌 木林地的可燃物分布则与坡度和密度有关。因此,

务活动，例如木材和非木制品的生产交易、碳循环

和碳固定、生物多样性、土壤水分涵养以及森林的 社会价值等[3-4])因此，准确地了解和预测林火发

生等级，对于林业行业和整个社会都具有重要的

森林参数的准确测量是预测可燃物分布的重要基 础。然而传统的森林参数测量成本高效率低[10],近

价值和意义。森林内可燃物的载量以及森林垂直结构特征都 是影响林火发生、扩散、复燃等的重要监测指标[5])

些年来发展十分迅速的激光雷达(light tases detec­

tion and ranging,LiDAR)技术在大范围森林参数的

定量测量和反演中取得了成功的应用[11_13])近30 x来,美国许多火灾管理决策支持系统都 是基于RotOermel[14]于1972年提出的林火传播数学

因此对可燃物特性和分布的准确描述是火灾管理以 及预测林火发生的基础[6-7])描述森林可燃物是一

收稿日期：2018 -01 -29;修订日期：2019 -09 -23基金项目：国家自然科学基金项目“基于高分辨率遥感数据的森林生物多样性监测”(编号：31570546)和级公益性科研院所基本

科研业务费专项资金项目“机载光学全谱段数据处理及林火预警技术研究”(编号：CAFYBB2018SZ009)共同资助。第一作者：马振宇(1993 -),男，硕士研究生，主要从事激光雷达森林参数反演及遥感林业应用方面的研究。Email： mazhenyu22@

163 .com)通信作者：庞勇(1976 -),男，研究员，主要从事林业遥感机理模型、激光雷达信号处理及林业应用、森林碳汇计量、森林变化监测方

面的研究。Email: paney@ifyt.ac.cn。• 44 •国土资源遥感2020 年模型，随后又发展了基于可燃物的格式化可燃物模 多，冬春季干旱，年降雨量为1 547.6 mm,在6-10

型#15一 16$。这些模型后来被用于开发美国火险等级 系统,对发生火灾的可能性进行预测预报。但是

月间雨水较集中，占全年降雨量的87. 3%,年平均

蒸发量为1 517.8 mm,相对湿度为82%，年平均气温为

17.7兀,年日照小时数为2 122.9 ho普洱市森林覆

随着社会经济的发展,传统的林火评价体系还局

限于估测火焰长度以及野火传播途径等单一火源 导向的评价。林火对生态系统以及全球碳循环的

影响逐渐被越来越多的人们认识到,因此可燃物

盖率超过67 %，是全国碳储量最丰富的地区之一。

2013年4月3日在研究区的宁洱县勐先乡和宁洱

镇境内分别发生了森林火灾，火场林相均为针阔混

的碳计量、烟雾预警等都逐步纳入到火灾管理预

测的业务体系内。交林；这2场森林火灾发生后约8 h被扑灭,但仍对 森林资源和生态环境造成了较大的影响。基于上述新的需求,美国林务局于1999年开发

了一套基于可燃物分析的可燃物特征分类系统(fu­el chamcteristic classification system, FCCS& 以实现大

范围、复杂可燃物组合下的更加准确的火情评价,从

而更好地发现潜在的火灾风险，提前做出应对措

施# 17$)目前使用FCCS模型进行火灾等级评价的

尺度主要为全球尺度# 18$)本文结合2010年云南省 森林资源二类清查数据和2014年机载LiDAR数据

生产的树冠高度模型(canopy height model, CHM), 对其进行面向对象分割,在分割单元的尺度上将森 林参数连同其他环境因子共同作为FCCS模型的输

入，进行各个单元的火情等级评价，最终完成分割单 元尺度上更加精确的潜在火行为、树冠火、有效可燃 物和综合火灾险情的制图。1研究区概况及数据源1.1研究区概况研究区位于云南省普洱市万掌山林场和菜阳河

自然保护区，地理位置为E100n8k1〃〜100。43,83〃,

N22°59'24〃 〜22。58'31〃(图 1)，山地面积占 98.3%。该区域受地形、海拔的影响，垂直气候特点明

显,属低纬高原南亚热带季风气候区,夏秋季雨水较 按照中国植被区划，该研究区属于西部亚热带 常绿阔叶林和西部热带季雨林、雨林区# 19$)其中人

工林树种主要是思茅松(Pinus kesiya ),还有大量人 工种植的茶树和咖啡树。此外，还保存了大量典型

的原始季风常绿阔叶林，主要树种包括：刺栲(Cas-

tanopsis hystrix )、西南桦(Betula alnoidss )、木荷

(Schima superba )、青冈(Quercus glauca )、石栋(Lith­

ocarpus glaber.、水青树(Tetracentroo sinenss )和麻栋

(Quercus acuhssima )等。1.2 LiDAR 数据本研究使用的LiDAR数据是由中国林业科学 研究院资源信息研究所的机载遥感系统LiCHy#20$

于2014年4月飞行作业采集。LiCHy系统实现了

高性能的LiDAR测量系统、CCD相机和高光谱相机

共用一套惯性测量单元(ineyial measurement unit,

IMU)的共平台集成，可以实现对树木的光谱和三维

空间属性信息的高效测量。其各传感器参数如表1 所示。表1 LiCHy机载传感器主要参数Tab. 1 Sensor parameters of LiCHy systemLiDAR 测量系统：Rieyi LMS - Q680C波长/nm1 550激光脉冲长度/ns3最大频率/QHz400扫描角/( n±30最大扫描速度/(lines/s) 200米样间隔/ns1垂直精度/m0.15激光发散角/mmd0.5CCD 相机：DigiCAM -60像元分辨率8 9 X6 716像元尺寸/(I6成像传感器尺寸/

(mm X mm )40.30 X53.78位深度/bits16视场角/( °)56.2焦距/ii50高光谱相机：ANA Eagle -I光谱范围/nm400 〜1 000像元数/个1 024焦距/ii18. 1光谱分辨率/ni3.3总视场角/( n37.7瞬时视场角/( n0.037波段数/个488帧率/(帧/s)160飞行高度约为1 500 m(以地面为基准),海拔

范围处于1 000〜1 500 mo其中沿东南一西北方向

共有14条航带，南一北方向共有5条航带,LiDAR

第1期马振宇，等：基于林火特征分类模型的森林火情等级制图• 45 •数据覆盖具体范围如图2所示。对完成预处理的LiDAR点云数据进行高度归一化, 去除地形对植被的影响,使植被点的高度值为相对

于地面的高度值。同时在此基础上生成CHM数

据，再以2010年云南省森林资源二类清查数据为基 底，结合植被覆盖类型，对CHM进行面向对象分

割；然后,按照地类信息对分割结果进行融合，形成

在面积上接近样地大小的分割单元,再对所有分割

单元进行分层随机抽样，形成待选样地；最后，在野

外进行现场验证,实现抽样策略，得到验证数据集。

最终选取并调查了 24个典型地类的样地，包括9个

针叶林样地,9个阔叶林样地,3个竹林样地和3个

图2研究区LiDAR数据覆盖范围灌木林样地。由于针叶林油性木质极易传播火灾, 因此混交林划归为针叶林类别内，针叶林和阔叶林

Fig. 2 DistriDution of the LiDAR data in the strdy area1.3地面调查数据再分别细分为幼龄林、中龄林和成熟林3个子类。

地面调查工作于2015年11月完成。本研究利

主要调查了树种、每木树高、胸径、枝下高和郁闭度 等森林参数，样地的具体调查情况如表2所示。用数字高程模型(digital elevation model, DEM )数据

表2地面调查数据汇总Tab. 2 Information of alt fielU plots样地类型林龄样地号样地规格/(m x m)树种思茅松：阔叶=4：6思茅松纯林思茅松纯林平均胸径/cm平均树高/i最大树高/m样木总数CY-a2幼龄林15 x1530 x3010 x1010 x107.906.1011.637.971CY-b1CY-c612.456.7913.27.85.556.829.0045354242针叶林中龄林CP-aCP-b5思茅松:阔叶=1：110.2711.1616.218.821.515 x1515 x1515 x1530 x3020 x20思茅松：阔叶=2： 8思茅松：阔叶=2： 8CP-c511.9512.6713.249.819.939.50CM-a2成熟林阔叶林思茅松：阔叶=2： 8思茅松:阔叶=3： 715.024.517.5438441CM-c7CM-c4BY-b3幼龄林15 x1515 x1515 x1530 x3020 x2020 x2014.0614.12$7.0710.129.616.0113.88.613.51857BY-a9BY-c3BP-a6阔叶林8.888.1910.3310.35565810.5219.821.018.1中龄林BP-b210.8513.1916.80835622233BP-c8BM-c5成熟林12.449.1230 x3030 x3015.220.424.221.512.5BM-a510.5614.34龙竹龙竹龙竹咖啡9.87BM-b315 x1515 x1510 x1010 x1012.3016.208.60104101B1竹林10.70竹林B27.004.707953B3S-c2灌木林灌木林11.402.2515.02.51.115 x1515 x1515 x15S - alS -b1茶叶咖啡1.001.952.2量，在SPSS软件里采用多元逐步回归的方法将所提

2研究方法2.1技术路线取的因子变量与验证数据集进行回归分析，构建合

理的与模型反演有关的森林参数，将以上反演结果

连同坡度、风速和湿度等参数共同作为后续FCCS

本文采用的技术路线如图3所示。对归一化后 的LiDAR点云数据利用FUSION软件#21 $提取了分

模型的输入,最后进行各个单元的火情等级评价,最

终完成该地区潜在火行为险情、树冠火险情、有效可 燃物险情和综合火灾险情的制图。割单元中的点云高度、密度和数量等99个因子变

• 46 •国土资源遥感2020 年生成的CHM数据使用eCoonition软件进行面向对

象分割；通过多次实验，分割尺度为15 mx 15 mo

分割后得到的单元既有高度信息，又有地类信息。 FCCS模型潜在火行||树冠火|有效可燃 综合火灾 为险情图||险情图|物险情图险情图图3技术路线Fig. 3 Scheme of this study2.2基于CHM的面向对象分割传统的光学遥感影像能够较好地在二维空间上

表征植被特征，但光学传感器难以穿透植被表层，无 法刻画植被冠层以下到地表的垂直结构信息。而森

林的垂直结构特征是评价森林着火风险和火情扩散

风险的重要因素。LiDAR相较于光学传感器能够穿 透植被的遮挡，从而直接获取真实地表的高精度三 维信息。LiDAR点云数据插值生成的数字表面模型 （digital surface model, DSM& 和 DEM 进行差值运算

生成的CHM能够非常好地反映森林的垂直结构和

单木树冠的临近关系，因此本文以CHM作为面向 对象分割的基底数据。图4为研究区的CHM。图4 研究区CHMFig. 4 CHM of the study area遥感影像的分割是基于同质性原则在一定的阈 值下将一幅遥感影像或者几幅影像的综合影像分割 成为若干区域的过程，分割后的每一个区域应满足 图像区域中的所有像元同质性最高，同时与周围所

有区域像元的异质性最低。基于2010年普洱市森 林资源二类清查数据，对2014年LiDAR点云数据

局部地区分割结果如图5所示。图5研究区局部地区分割结果Fig. 5 Examples of the segmenh resulhs in the study area不同植被类型的树干材质、枝叶可燃性以及林

分结构都有着不同的特性,根据森林二类清查数据

与分割单元叠加分析，结合研究区可燃物的燃烧性,

将可燃森林类型划分为针叶林、阔叶林、竹林和灌木 林4个大类别，划分的依据主要基于以下考虑:

①针叶林相较于阔叶林而言，其林木枝干材质油性 大，属于易燃类型；②阔叶林相较于针叶林,其林木 枝叶易燃性更大，且阔叶林树冠间距较近，林火蔓延

速度快，在相同风速条件下产生飞火的可能性更大; ③灌木林的分布具有较大的随机性，浓密灌木林的

火灾蔓延速度相较针叶林和阔叶林都更快；④竹林 主要是竹纤维材质，其枝叶可燃性低，同时其地表的

可燃物也较少，所以火险等级比较低。2.3

FCCS 模型FCCS模型是由美国林务局于1999年开发的一

款用于建立、描述和分析可燃物的综合软件系统。

可燃物理论是FCCS软件的核心，代表物质实际燃 烧的潜在风险#22$。在本研究中，可燃物是指分割后

得到的每一个分割单元。目前FCCS的着火风险是

指在已知风速和湿度的条件下,各个可燃物释放能量

产生火苗并传播、扩大、烧毁和复燃能力的评价指数。模型输入包括坡度、气象因子和森林参数。1） 坡度影响林火蔓延速度，本文坡度数据由Li­

DAR 地面点云插值生成的DEM获得，坡度被分为0°〜 5°,5°〜45。和〉45。3个级别作为FCCS模型的数据

输入。2） 气象因子包括风速和湿度。由于研究区春

季防火季为3-6月，4 —5月最为干燥且温度逐渐

第1期马振宇，等：基于林火特征分类模型的森林火情等级制图• 47 •升高，火险等级逐渐增加,6月降水逐渐增多，火险

等级较低，因此本研究使用5月份的气象因子作为

LiDAR变量作为候选的变量，与样地实测数据

建立回归模型，实现森林参数的预测。垂直结构参

模型的数据输入，风速和湿度数据来自欧洲中期天 气预报中心(European Centre far Medium - Range

Weather Forecasts, ECMWF),获取了 5 月份的平均

数主要包括阔叶林和针叶林的最大树高、林木株数 和郁闭度；竹林的生物量、最大树高和郁闭度；灌 木林的最大高度和盖度。将上述参数输入FCCS模型后，通过对每一个

风速和14时的平均湿度。3)森林参数包括可燃物类型和垂直结构参数。

分割单元的火焰行为、蔓延速度、火焰高度、灌木火、

可燃物类型为针叶林、阔叶林、竹林和灌木林4类， 冠层火、明火可燃物、闷烧可燃物和剩余可燃物进行

评价,最终生成一个三位数整数来表征潜在火行为、

不同植被所需的模型输入参数不同，为了全面、准

确、定量地描述每一个分割单元的参数配置，本文分

别对4种可燃物的有关参数进行了建模回归分析, 对研究区LDAR点云数据利用FUSION软件共提取

树冠火和有效可燃物的火险等级。每类火险等级划

分为0〜9级，其中0代表几乎不可能发生火灾,9 代表极易发生火灾，综合火险等级通过以上3个火

了 99个LiDAR变量，在SPSS软件中使用逐步回归 法和观察决定系数R2的变化情况来选择输入模型

险等级加和获得，具体如图6所示。最大树高是最 为关键的参数,火焰行为、蔓延速度、火焰高度、冠层

的合适变量，若有自变量使统计量F值过小,并且T 火、明火可燃物和剩余可燃物都与最大树高有着紧

检验达不到显著水平(00.1),则予以剔除；若F

值较大且T检验达到显著水平(<<0.05),则得以

密联系，且最大树高能够反映分割单元的生物量，因

此通过LiDAR点云数据获取准确的最大树高信息 对森林火灾等级评价有着至关重要的作用。湿度和

风速2个气象因子对火焰行为、蔓延速度、火焰高度

输入,这样重复操作,直到回归方程中所有的自变量

均符合进入模型的要求，而方程外的自变量均不符

合进入模型的要求为止，随后把筛选后得到的

~1

和闷烧可燃物起着决定作用。 z

\" |火焰行为11蔓延速度11火焰高度11灌木火11冠层火11明火可燃物11闷烧可燃物11剩余可燃物| I'

树冠火1潜在火行为有效可燃物气可6]图6 FCCS模型输出示意图Fig. 6 Diagram of FCCS outputs潜在火行为包括火焰行为、蔓延速度和火焰

高度。这3个指标代表了林火蔓延及火势的严重 性。在相同的森林结构下,环境因子对火焰行为

燃物。闷烧可燃物是由于燃烧不完全产生的地下 火,可燃物燃料有限，但是燃烧时间很长,不容易

完全扑救,再生火很容易发生,从而造成二次灾

害。有效可燃物险情是明火可燃物、闷烧可燃物

影响非常大，在风速较高、湿度较小的环境下,林 火火焰行为更加剧烈。Rothermel#14$于1972年提

出的林火传播数学模型火险预测模型中,潜在火

和剩余可燃物三者的加和。行为险情的最终取值是取其下3个分量的最大

3结果与分析3.1森林参数反演值)树冠火险情模型基于概念冠层火灾模型和重

组地表火蔓延模型得到。树冠火包括灌木火和冠

层火,这二者的燃烧物主要是枝叶,森林结构对冠 层火影响较大，树冠密度增大导致树冠重叠度增 大，树冠火更容易蔓延,在恶劣的环境下产生飞火

基于多元逐步回归对FUSION软件提取的Li­

DAR 变量筛选后,得到候选的变量,最终分别

建立了 3个阔叶林、3个针叶林、3个竹林和2个灌

导致更大范围的火灾险情。有效可燃物包括明火 可燃物、闷烧可燃物和剩余可燃物。森林生物量

是火灾损失的重要指标,明火可燃物和剩余可燃

木林的森林参数预测方法。其具体表达形式如表3

所示,精度分析如图7所示。图7分别展示了阔叶

林样地和针叶林样地利用LiDAR变量反演森林参 数的建模精度。可以看出，无论是阔叶林样地还是物占了大部分森林可燃物,剩余小部分是闷烧可

• 48 •国土资源遥感2020 年针叶林样地，其最大树高的建模精度都较高，物理含 义也较为明确。而表3中针叶林的郁闭度建模精度

较低,这可能是因为混交林也归为针叶林，模型无法同时较好解释这2种混合成分。表3 LiDAR变量多元逐步回归估测森林参数统计量一览表Tab. 3 Srmmary statistics of multifle linear regressions of foresS parameters with LiDAR metrics植被类型森林参数样地内最大树高LiDAR变量大于均值高度的点云数占全部点云数的百分比海拔高度截距项——模型系数相关系数D0.3560.810.880.95阔叶林样地内林木株数郁闭度样地内最大树高192.0160.004高度绝对偏差中位数的众数0.843——99%高度分位数总回波的点云数0.9310.067-0.000 0030.980.970.550.990.99针叶林样地内林木株数郁闭度大于最低高度的第一次回波的点云数0.883-18.936—样地内生物量点云强度的变异系数273.3840.8060.000 36竹林样地内最大树高高度最大值盖度样地内最大树高大于最低高度的第四次回波的点云数高度绝对偏差中位数的众数0. 843 106——0.003 9490.0100.810.99灌木林大于0.5 i的点云数占全部点云数的百分比大于均值高度的点云数占全部点云数的百分比2520 15 10 5

盖度uvwwywl®

0.0480.98体圣<提±

M

一

阔叶林样地估测最大树高An% a）阔叶林样地最大树咼阔叶林样地估测林木株数/株% b）阔叶林样地林木株数% i针叶林样地最大树高% d） 针叶林样地林木株数图7阔叶林和针叶林样地森林参数反演建模精度Fig. 7 Acchracy of forest parameters estimation for broadleaf and conifer plois3.2基于FCCS模型的火险等级评价得到3类火险等级。最后分别绘制潜在火行为险情

图、树冠火险情图、有效可燃物险情图和综合火灾险

将研究区内所有分割单元的森林参数的反演结

果连同气象因子输入到模型中，经过模型运算，可以

值空

0

1 2 3 4 5

情图。■□0■3D45u6n7n8

空值已1

0 ■

M12131■7

% x）潜在火行为险情 （b）树冠火险情 （c）有效可燃物险情 （d）综合火灾险情图8基于FCCS模型的火险等级制图Fig. 8 Forest fire potentiah mapping baseC on FCCS model8中可以看出，研究区有效可燃物火险等级比较低,

4讨论本研究基于FCCS模型的可燃物理论，采用LC DAR变量建模回归的方法较为准确合理地估测出

较符合研究区的实际情况。树高和枝下高表征森林

的垂直结构,火焰在无风的情况下是垂直向上的，且

外焰温度高，更易引燃可燃物。大部分火源都是地

表火，地表可燃物可能引燃树冠火和树干火。但由

于地表可燃物有限，引燃燃点较高的树干火的几率

该模型所需要的森林参数,并联合其他必要的变量 输入模型计算得到火情指数，并进行了制图。从图

比较低。因此当地表火火焰高度达到枝下高就极易

第1期马振宇，等：基于林火特征分类模型的森林火情等级制图• 49 •产生林冠火，进而产生更大范围的森林火灾。植被 火险情和有效可燃物险情的制图，并按每个均质的 分割单元精细预测了综合火险等级，建议应针对火

险等级较咼的单兀进行合理的砍伐、整枝和除灌措

盖度是树冠火蔓延的重要指标。相同可燃物类型的 情况下，植被盖度越大树冠火的燃烧可能性越大,2

棵树林冠相接的概率增加导致火情蔓延速度增加。

随着风速的增加飞火产生的可能性也增加。施以降低火灾风险，减少火灾损失。本文结果与研

究区的实际情况比较符合，表明该方法具有一定的

实际应用价值。后续研究将在我国其他典型地区开

为了更好地分析评价可燃物与森林结构分布

的关系,以综合火灾险情图中普洱市中部为例进

行说明，图9中黑色无数据区域为道路区域。可

展相关的研究分析工作。以看出道路两边的火险等级较低,结合当地实际 情况分析,可能的原因是道路两旁植被密度低于 林区,且此处多为思茅松纯林,植被结构比较单

一,地表枯落物少,因此冠层火、地表火、有效可燃 物相较林区较少。saaaloaa«z

图9普洱市中部典型区域综合火灾险情Fig. 9 Subset of combines firr risUpotentiai in ie centrai of Puer City图9中B区域比A区域火情严重的原因可能

是：①B区域南部靠近普洱市区，城市热岛效应导 致B区域温度略高A区域；②B区域更易受到人为 活动影响,故更容易引发火灾；③分析2个区域的 LiDAR点云数据可以看到，A和B 2个区域的森林

结构有明显差异,A区域森林垂直结构复杂度较低,

地表灌木较多，乔木分布疏散,树冠相接概率较小, 阻碍了树冠火的蔓延，其可燃物生物量也相对较小,

火灾危害小于B区域。B区域森林结构复杂，乔木 树冠紧密相邻，冠层火产生及蔓延的可能性更大，林

下灌木浓密且高大,灌木与乔木连接紧密，产生火情

后蔓延速度较快,灭火难度增加。5结论本文以云南省普洱市为研究区，利用LiDAR数

据提取了 FCCS模型输入需要的森林参数,并连同

其他因子共同作为FCCS模型的输入，评价各个单

元的火情等级，实现了该地区潜在火行为险情、树冠

参考文献(Referencrs):# 1 $ Chiriel G,Scotti R, Montaghi A, et al. Stochastic gradient boostingclassification treee for forest fuel typee mapping through airborne laser scanning and IRS LISS 一 III imagem # J $ • International Jour­nal of Applied Eafh Obsemation and Geoinformation, 2013,25 % 1 )：87 -97.# 2 $ San - Miguel - Ayanz J, Rodriguee M, Oliveira S S D, et al. Landcaver change and fire reyime in the European Mediterranean reyion# M$//Moreira F, ALanoutsou M,Corona P,at al. Post - Fire Man­

agement and Restoration of Southern European Forests. Springer,

2012 ：21 -43.#3 $ Schmidt K M, Menakir J P, Hardy C C , at al. Development ofCoarse - Scala Spatial Data for Wildland Fire and Fuel Manage­ment# R$. Ogden：USDA Forest Semica,Rocky Mountain Research

Station, 2002,87.#4 $ Chuvieca E. Wildland Fire Danger Estimation and Mapping: TheRole of Remote Sensing Data # M $. World Scientific Publishing

Company ,2003 .# 5 $ Arroyo L A, Pascual C , Manzanera J A. Fire models and methode tomap fuel types: The mle of remote sensing# J $. Forest Ecology and

Management ,2008 ,256 % 6 ) : 1239 - 1252.#6 $ Moreira F, Viedma 0, ALanoutsou M, et al. Landscape - wildfireinteractione in southern Europe: Implicatione for landscape manage­

ment# J $. Journal of Environmental Management, 2011 , 92 % 10 ):

23 -2402.#7 $ Andersen H E, Mcaaughey R J, Reutebuch S E. Estimating forestcanopy fuel parameters using LIDAR data # J $. Remote Sensing of Environment ,2005 ,94 % 4 ) ：441 -449.# 8 $ Kramar H A, CoPine B M, Kelly M ,at al. Quantifying ladder fuele:A new approach using LiDAR # J $. Forests, 2014,5 % 6 ) : 1432 -

1453.#9 $ Sandberg D V, Riccardi C L, Schaaf M D. Fire potential rating forwildland fuelbede using the fuel characteristic classification system# J $. Canadian Journal of Forest Research, 2007,37 % 12 ) ：2456 - 2463.# 10$ Mallinio G, Galidakl G, Gitae I. A comparative analysio of EO - 1Hyperion, Quickbird and Landsat TM imagem Up fu/ type map­ping of a typical mediterranean landscape # J $. Remote Sensing,

2014,6 %2) ： 1684 -1704.# 11 $ Thomae V, Treitr P, Mccaughey J H, et al. Mapping stand - levelforest biophysical vvriablee for a mixedwood boreal forest using Li­DAR :An examination of scanning density # J $. Canadian Journal of

Forest Research,2006 ,36 % 1 ) ：34 -47.# 12$庞勇，李增元,陈尔学，等•激光雷达技术及其在林业上的应用# J] •林业科学,2005 ,41 %3 ):129 -136.・50・国土资源遥感Do Recherche Forestiere ,2007 ,37 (37) ：2383 - 2393.2020 年Pang Y,Li Z Y,Chen EX,et al. LiCAR remote sensing technology

and its application in forestry# J]. Scientiv Silvac Sinicac ,2005 ,41 [ 18] PeionaeoM L, ChuioecoE.Geneeaioon ofae.oba.fue.daiaseiusone

the fuel chamcWTsCc classification system [ J ]. Biooeosciencos,

(3) ：129 -136.# 13 ] Asnor G P, Mascore J, Mullor - Landau H C , et al. A universal air­

borne LiCAR approach for tropical forest carbon mapping # J ]. Oecolooix,2012,168(4) ：1147 -1160.2016,12(20) ：2061 -2076.[19 ] Fang J Y, Song Y C , Liu HY, et al. VeyetaLon climate relationship

and its application in the division of vegetation zone in China# J].

[14] RoRermel R C. A Mathematical Model for Predicting Fire Spreadin Wildland Fuels [ R ]. Ogden: USDA Forest Service, Intermoun­

Acta Botanico Sinico, 2002,44(9) : 1105 - 1122.[20] Pang Y,Li Z Y, Ju H B, et t. LiCHy：Thc CAF' s LiCAR, CCD

and hypeypecWal integrated airborne observation system [ J ]. Rc-

tain Forest and Rango Experiment Station, 1972,115.[15 ] Albini F A. Estimating Wildfire Behavicr and EEects# R]. Ogden:

USDAFoeesiSeeioce, Inieemouniaon Foeesiand RaneeExpeeomeni

moieSensone,2016,8(5) :398.[21 ] McGaughey R J. FUSION/LDV : Software for LiCAR Data Analysis

,nd Vosu,aoo,ioon [ R ] .Se,iae: USDA, FoeesiSeeioce, P,cofoc

Siaioon, 1976,030.[ 16] Andeeson H E.AodsioDeieemononeFueoModeosioeEsiomaione

Fire Behavioim R ]. Ogden: USDA Forest Service, Intermountain Foees4and RaneeExpeeomen4S aoon,1982,122.Nofhwest Research Swtion ,2016.[ 22 ] Sco4JH, Bueean R E.S andaed FoeeBehaiooeFueaModeas: A

Comprehensive Set for Use with Rothermel' s SurfLce Fire Spread

[17 ] Ottmar R D, Sandbery D V , Riccardi C L, et al. An overviev sf Wo

fuel characteristic classDicatRn system: QuanWfying, classCying, and ceeaioneiue.bedsioeeesouecep.annone[ J] .ReiueCanadoenneModea [ R ]. Ogden: USDA, Forest Service, Rocky Mountain Rc- s@aech Siaioon,2005,153.Foress fire potential forecass basd on FCCS modelMA Zhenyu1, CHEN Bowei1, PANG Yong1, LIOO Shengxi2, QIO Xianlin1, ZHANG Huaiqing1

(1. Research Institute ( Forest Resource Information Techniques, Chinese Academic of Forestry, Beijing 100091, China +2. Research Institute cf Resoorces Insects, Chiness Acedemte ef Forestry, Kunming 650216, China)Abstraci: The distribution of combustibles in forest is one of the impofant factors that affect the occurmnco and

spread of forest fires. The purpose of this study is to combine the tmditRnO forest sumey data with point cloud data

from light lases detection and ranging ( LiDAR) , slope and meteoroloyicai factors so as to evaluate forest fire

poRntims with fuel characteTstie classification system( FCCS) . Pu'er City of Yunnan Province was selected as We research area in thD papes. An object - oTented based segmentation was performed based on the crown height

mod_( CHM) which was produced by the airborne LiDAR data, and the overlay analysis of the pmincidl level

onienioeydaiaoffoeesieesouecesofiheeeseaech aeeawasused iodeieemoneihedoiosoon unoiand iegeiaioon iype accoedong io ihefaammaboaoisof iegeiaioon, whoch wasdoioded onioconofeeousfoeesi, beoad -aeaied foeesi, sheub

and bamboo forest. On such a basis, stratified random sampline was used to form the velidation dataset. Then tOv

auihoeseiieacied iheLoDAR iaeoabaesand appaoed ihemuaioiaeoaiesiepwoseeegeesoon meihod ioanaasoongihe eiieacied iaeoabaeswoih iheeeoeeencedaiaseiioobiaon iheooeesipaeameieesoodooeeeniieeeiaioon ispes.On ihe end, iheooeesipaeameieesioeeiheewoih ihemeieoeoaoeocaaoacioesweeeused asonpuisioiheooeesiooeecaasooocaioon modea( FCCS) , and iheooeepoienioaaooeach seemeniaioon unoiwascaacuaaied bsihemodea.Fonaas, iheauihoes

compoaed mapsoopoienioaaooeebehaiooe, ceown ooee, eoecioiecombusiobaesand compeehensoieooeehaoaed eesuai. Theeesuaisshowed ihaiiheoieeaaooeepoienioaaaeieaoocombusiobaemaieeoaason iheeeseaech aeeaoseeaaioieasaow,

whoch osconsosieniwoih iheaciuaasoiuaioon on ihesiudsaeea+ iheieeiocaasieuciueeooiheooeesioscaoseaseeaaied io iheooeesiooeeeosk poienioaas.Accueaieesiomaioon ooooeesipaeameieespaassaieesompoeianieoaeon ihemapponeoo combusiobaes.Keywords： LiDAR； forest parameters inversion； FCCS; forest fire potential mpping（责任编辑：陈理）