张运林，向 敏，丁 波

（贵州师范学院 a.生物科学学院；b.贵州省林火生态与管理重点实验室，贵州 贵阳 550018）

凋落物含水率表征凋落物内部水分含量，决定了其被火源引燃的概率和引燃后可能表现出的一系列火行为指标等，获取准确的凋落物含水率十分重要[1-3]。烘干法能够得到最准确的凋落物含水率值，但该方法需要时间进行烘干，无法得到准确的含水率值，不能在实际中应用。因此，预测凋落物含水率并提高预测精度一直是林火研究的重点[4]。

凋落物分为4 个层次，从上到下依次为新鲜的凋落物层，还未被分解和压缩（OLn 层）；已分解但仍能辨认出凋落物形状层，但未被压缩（OLv 层）；已分解且无法辨认层，被压缩成块状（OF 层）；已分解成细小的有机质层，即腐殖质层（OH 层）[5]。其中，处于最上层的新鲜凋落物层由于最先被引燃，其含水率决定了林火发生与否，是凋落物含水率研究的重中之重，当前的含水率预测模型也主要是针对这层凋落物进行研究的[6-10]。但关于其他层凋落物含水率动态变化及预测模型研究却较少，而不同层凋落物含水率决定了林火垂直蔓延和地下火发生的可能性，且林火垂直蔓延的持续性对水平蔓延也有显著影响[11-12]。因此，研究不同层凋落物含水率动态变化，并建立预测模型，对于完善林火预测预报，保护森林资源具有重要意义。

国内外关于不同层凋落物含水率的研究较少，主要集中在最上层凋落物和腐殖质的含水率预测，Matthews 分析了凋落物含水率变化机理，认为不同层凋落物之间的凋落物含水率动态变化是相互影响的[13-14]；加拿大火险等级系统提出了能够反映不同层凋落物湿度的特征值和计算方法，包括细小可燃物湿度码、腐殖质码和干旱码[15-17]；满子源通过调查蒙古栎-红松混交林下不同层凋落物含水率动态变化与气象要素之间的关系，建立不同层凋落物的含水率气象要素回归模型大，预测误差达23.4%[11]；张运林采用湿度码法得到不同层凋落物含水率预测模型，但预测效果较差，无法满足火险预报要求[12]。虽然国内外进行了关于不同层凋落物含水率动态变化及预测模型研究，但由于预测方法过于复杂或预测效果较差，都很难应用到实际火险预报中。

直接估计法作为目前应用最广的含水率预测模型，是以水分扩散模型为主体方程，但其中参数通过统计方法拟合获取，兼具物理法和统计法的优点，预测精度高和外推能力强[18]。该方法主要也用于表层凋落物含水率预测研究，而使用直接估计法预测其他层凋落物含水率的研究几乎没有，分析直接估计法预测不同层凋落物含水率的适用性对于理解含水率动态变化和提高预测精度十分有意义。因此，本研究以东北典型林分蒙古栎-红松（Quercus mongolica-Pinus koraiensis）混交林和白桦林（Betula platyphylla）下不同层凋落物为研究对象，得到不同层凋落物含水率动态变化情况，并选择直接估计法分别建立不同层凋落物含水率预测模型，分析直接估计法预测不同层凋落物含水率的适用性，对于进一步理解各层凋落物含水率动态变化情况，提高各层凋落物含水率预测精度研究具有重要意义。

1 材料与方法

研究区位于黑龙江省帽儿山森林生态系统国家野外科学观测研究站（127°40′14″E，45°24′14″N），属于长白山系支脉，海拔范围为200～600 m 内。研究区气候属于温带季风气候，全年年均温度约为3.0℃，降雨主要集中在每年夏季，占全年降雨一半以上。研究区植被属长白山植物区系，乔木主要包括蒙古栎Quercus mongolica、红松Pinus koraiensis、白桦Betula platyphylla、山杨Populus dividiana和胡桃楸Juglans mandshruica等； 灌木主要包括刺五加Eleutherococcus senticosus、珍珠梅Sorbaria sorbifolia和长白忍冬Lonicera ruprechtiana等； 草本主要有悬钩 子Rubus corchorifolius和小叶芹Aegopodium alpestre等。

1.1 样地设置

蒙古栎-红松混交林和白桦林内分别设置20 m×20 m 的样地，调查每个样地内海拔、坡度、坡向和坡位等地形因子，以及平均胸径、高度和郁闭度等林分因子。样地基本信息如表1所示。

表1 样地基本信息Table 1 The basic information of the plot

1.2 凋落物含水率监测

森林火险预报为保守预报，计算每日森林火险最高的可能性，此时凋落物含水率值最低，因此本研究主要是监测每日含水率最低时刻的值[19]。一般认为14:00 时为当日含水率最低时刻，因此本研究在春季防火期内（4月7日—6月8日，共计63 d）进行不同层凋落物含水率日监测。研究表明，破坏性采样得到的含水率最准确，因此本研究选择破坏性采样监测不同层凋落物含水率。

每日14:00 时在蒙古栎-红松混交林和白桦林样地内分别随机选择3 个样点，分别在OLn 层、OLv 层、OF 层和OH 层选择破坏性的方法采集凋落物，将每个样点内每层凋落物分别放入信封中，称量其质量，并记录为WH。将样品带回实验室，在105℃下将样品烘干至质量不再变化为止，称量其质量，并记录为WD，根据含水率计算公式（1）计算得到凋落物含水率。对于每层凋落物，每日3个样点的含水率平均值为样地当日的含水率值。若遇降雨天气，则使用吸水纸将每层凋落物表面的自由水擦拭，并在信封外套封口袋，防止样品之间相互洇湿，影响实验结果。

式中：M为凋落物含水率（%）；WH为凋落物湿质量（g）；WD凋落物干质量（g）。

1.3 气象要素监测

蒙古栎-红松混交林和白桦林之间布设HOBO气象站，气象感应器距离地面1.5 m 处，比凋落物含水率监测实验提前10 天同步监测空气温度（T）、相对湿度（H）、风速（W）和降雨量（R），气象要素采集间隔为1 h。

1.4 数据处理

1.4.1 监测期不同层凋落物含水率动态变化情况分析

以监测期每日时间为横坐标，不同层凋落物含水率为纵坐标，绘制不同层凋落物含水率动态变化图。

分别不同凋落物层，采用单因素方差分析比较两个林型内相同凋落物层含水率在监测期内是否有显著差异，并以不同层凋落物为横坐标，以每层凋落物在监测期内的含水率均值为纵坐标，绘制差异图。

1.4.2 不同层凋落物含水率相关性分析

凋落物含水率动态变化对气象要素的响应具有一定的滞后性，且不同层之间的凋落物含水率相互影响。因此，本研究用n（n≤5）天前的气象要素和其余层凋落物含水率作为影响因子，其中空气温度、相对湿度和风速分别计算n天前当日的平均值，降雨计算n天前的降雨量之和，其余层凋落物选择n天前含水率值即可。例如，T4、H5和W3分别表示4 天前当日平均温度、5 天前当日的平均湿度和3 天前当日平均风速；R5表示5天前的降雨量之和；MOLv-3表示3 天前OLv 层的凋落物含水率值。

选择Spearman 相关性分析，分别对每层凋落物含水率与上述气象因子及其他层凋落物含水率进行相关性分析，得到每层凋落物含水率与气象因子及其他层凋落物含水率之间的相关性。

1.4.3 不同层凋落物含水率预测模型

蒙古栎-红松混交林和白桦林下不同层凋落物分别建立含水率预测模型。研究表明，对于特定凋落物类型，气象要素回归法预测效果在一定程度上会优于直接估计法，因此本研究除选择直接估计法，还选择气象要素回归法建立不同层凋落物含水率预测模型。两种模型具体方法如下所示。

1）直接估计法

2001年Catchpole 提出直接估计法预测凋落物含水率[18]，该方法以Byram 的水分扩散模型为主体方程[20]，方程形式如式（2）所示：

水分扩散方程中需要计算平衡含水率，本研究选择广泛使用的Nelson 平衡含水率模型[21]和Simard 平衡含水率模型[22]进行计算，下文分别简称Nelson法和Simard法，两个模型的如式（3）和（4）所示：

式中：E表示平衡含水率（%）；R表示普适气体常量，8.314 J·K-1·mol-1；T表示空气温度（K）；H表示相对湿度；m表示水分子的相对分子质量，18 g·mol-1；α和β分别表示待估参数，下同。

式中：E表示平衡含水率（%）；T表示空气温度（℃）；H表示相对湿度（%）。

选择直接估计法进行凋落物含水率预测，需假设凋落物时滞是固定不变的，本研究采样间隔为24 h，因此dt=Δt=24 h，对式（2）进行离散化，得到离散形式的凋落物含水率计算方程（5）：

式中：Ei和Ei-1分别表示i和i-1 时刻的平衡含水率值（%）；M(ti) 和Mi-1分别表示i和i-1 时刻的凋落物含水率值（%）；λ为待估参数，与时滞存在一定关系，即时滞本研究中Δt=24 h，则τ= -1 2lnλ。

利用式（3）～（4）计算平衡含水率值，并代入式（5）中，根据野外实际凋落物含水率数据，采用非线性估计方法对模型参数进行拟合，得到参数α、β和λ。

2）气象要素回归法

以不同层凋落物含水率为因变量，2.4.2 中统计得到的气象因子为自变量，选择逐步回归法建立气象要素回归模型，模型形式为多元线性模型，如式（6）所示：

式中：M表示凋落物含水率（%）；Xi表示气象要素；bi表示拟合参数。

1.4.4 不同层凋落物含水率预测模型预测能力分析

针对每层凋落物，主要分析3 种含水率预测模型（Nelson 模型、Simard 模型和气象要素回归模型）的预测精度和外推能力。具体方法如下：

1）预测模型精度分析

本研究选择n-fold 交叉验证法验证模型精度。即假设有n组数据，选择n-1 组进行建模，剩余数据进行验证，共进行n次验证，进而计算3 种模型的平均绝对误差（Mean absolute error,MAE）和平均相对误差（Mean relative error,MRE），计算公式如（7）～（8）所示：

式中：Mi和Mj分别表示每层凋落物含水率实测值和预测值（%）。

以实测值为横坐标，预测值为纵坐标，得到每层凋落物3 种预测模型的1∶1 图，分析凋落物含水率在不同区间时的预测效果。

2）预测模型外推能力分析

对于每层凋落物，蒙古栎-红松混交林和白桦林分别使用另一林分的预测模型，计算模型MAE和MRE，分析模型外推能力。

2 结果与分析

2.1 不同层凋落物含水率动态变化情况

图1给出监测期内蒙古栎-红松混交林和白桦林不同层凋落物含水率动态变化情况。可以看出，不论是蒙古栎-红松混交林还是白桦林，其林内不同层之间凋落物含水率动态变化都有一定的分界线，且都表现出明显的波动性，OLv 层和OLn 层凋落物含水率波动情况相似，OF 层和OH 层凋落物含水率波动与其他层差别较大。

图1 不同层凋落物含水率动态变化Fig.1 Dynamic changes of the litter moisture contents in different layer

监测期内，OLn 层和OLv 层凋落物含水率在蒙古栎-红松混交林和白桦林之间没有显著差异，白桦林内OF 层和OH 层的凋落物含水率要显著高于蒙古栎-红松混交林。根据标准差可以看出，监测期内OLn 层凋落物含水率波动最大，OLv 层、OF 层和OH 层的波动依次减小（图2）。

图2 不同林型凋落物含水率差异性分析Fig.2 Analysis of the difference in the litter moisture contents in different types of forests

2.2 凋落物床层含水率相关性分析

图3给出监测期内蒙古栎-红松混交林和白桦林不同层凋落物含水率动态变化与其他层凋落物含水率的相关性。可以看出，蒙古栎-红松混交林内OLn 层凋落物含水率动态变化与OLv 层当日、前1日和前2日的含水率显著正相关，与前5日含水率显著负相关，与OF 层当日含水率显著正相关，且与前4 和5日含水率显著负相关，与OH层凋落物含水率不相关；白桦林OLn 层凋落物含水率动态变化仅与OLv 层和OF 层当日和前1日的含水率显著正相关。

图3 凋落物含水率动态变化与其他层凋落物含水率动态变化的相关性分析Fig.3 Correlation analysis between the dynamic change of litter moisture content in the four layers and other layers

图4 凋落物含水率动态变化与气象要素的相关性分析Fig.4 Correlation analysis between the dynamic change of litter moisture content and meteorological elements

蒙古栎-红松混交林和白桦林下OLv 层凋落物含水率都与OLn 层当日、前1 和2日含水率显著正相关，与OF 层当日和前1日显著正相关，蒙古栎-红松混交林内的OLv 层凋落物含水率还与OH 层当日含水率显著正相关，白桦林内OLv 层与OH 层没有相关性。

两个林分内OF 层凋落物含水率动态变化与其他层凋落物当日、前1日和2日的含水率都显著正相关。OH 层凋落物含水率动态变化主要与当日OF 层含水率显著正相关。所有显著相关都随着采样距离的增加而下降，且白桦林内不同层凋落物含水率动态变化与其他层的相关性要高于蒙古栎-红松混交林。

监测期内，两个林分内OLn 层凋落物含水率动态变化与空气温度不相关，与当日、前1日和2日的相对湿度显著正相关，且随着距离采样时间增加，相关性降低。随着前1～4日的风速增加，凋落物含水率都显著下降。OLn 层凋落物含水率主要受当日、前1日和2日的降雨量显著正相关；OLv 层凋落物含水率动态变化和气象要素的相关性与OLn 层凋落物相似，但相关性略低于OLn 层；蒙古栎-红松混交林内OF 层凋落物含水率与当日和前1日的温度显著负相关，白桦林与空气温度不相关，随着当日和前1～3日空气湿度和降雨量的增加，两个林分内OF 层都显著增加，白桦林内OF 层凋落物含水率动态变化还与前2日和前3日的风速显著负相关；两个林分内OH 层凋落物都仅与空气温度显著负相关，与其他气象要素不相关。随着凋落物层距离表面越远，其含水率动态变化与气象要素的相关性逐渐降低。

2.3 凋落物含水率预测模型

2.3.1 气象要素回归模型

表2给出两个林分内不同层凋落物物的含水率气象要素回归模型，可以看出，对于蒙古-红松混交林，随着凋落物层距离表面越远，预测误差越低，且参与模型的气象要素值距离采样时间越久；白桦林OLn 层和OLv 层的凋落物含水率气象要素回归模型预测误差高于混交林，而其余两层的预测误差低于混交林。

表2 不同层凋落物含水率气象要素回归模型Table 2 Meteorological regression model of moisture content of different litter layers

2.3.2 直接估计预测模型

表3给出两个林分不同层凋落物含水率的直接估计模型，可以看出，不论是Nelson 模型还是Simard 模型，都是随着凋落物距离表面越远，预测效果越好。此外，两个林分都是Nelson 模型的预测效果要优于Simard 模型。

表3 不同层凋落物含水率直接估计模型Table 3 Direct estimation model of moisture content of different litter layers

2.4 模型比较

2.4.1 1∶1 线

图5给出两种林分不同层凋落物含水率的气象要素回归模型、Nelson 模型和Simard 模型的实测值和预测值1∶1 图。可以看出，对于蒙古栎-红松混交林，OLn、OLv 和OF 层凋落物3 种预测模型的预测效果差别不大，都是含水率较低时，预测模型高估，含水率较高时，预测模型低估。OH 层凋落物含水率预测模型的预测效果都不好；对于白桦林，结果与蒙古栎-红松林预测结果相似，对于白桦林的OH 层，预测效果最差。

图5 凋落物含水率预测模型1∶1 图Fig.5 Pictures of the predicted model of litter moisture content

图6 凋落物含水率预测模型误差比较Fig.6 Error comparison of prediction models of litter moisture content

2.4.2 模型误差比较

对于蒙古栎-红松混交林，4 层凋落物不同含水率预测模型误差都没有显著差异，但表层凋落物使用Nelson 模型效果较好，而下层凋落物使用气象要素回归模型较好，Simard 模型对于各层凋落物含水率预测均不适用；对于白桦林，气象要素回归模型预测效果优于直接估计法，但与Nelson 模型都没有显著差异，随着距离表面越远，直接估计法预测凋落物含水率越不适用。

3 讨 论

3.1 不同层凋落物含水率动态变化

研究期间，蒙古栎-红松混交林和白桦林的OLn 层和OLv 层凋落物含水率并没有显著差异，而白桦林内OF 层和OH 层的凋落物含水率显著高于蒙古栎-红松混交林，这与满子源等的研究结果相似[11-12]，这可能与表层凋落物形态和分解情况有关系，白桦凋落物面积大，且分解程度要优于蒙古栎-红松混交林的凋落物，腐殖质凋落物要更多更紧实，因此其含水率值要高于蒙古栎-红松混交林。

3.2 凋落物含水率动态变化相关性分析

两个林分内OLn 层凋落物含水率动态变化与OLv 层、OF 的含水率随着两者间隔时间越久，先正相关，后负相关，且正相关逐渐降低，负相关逐渐增强。这主要是由于凋落物含水率动态变化不仅受外界环境的影响，还在垂直方向受其他层凋落物及土壤含水率的影响。当间隔时间较短时，不同层凋落物含水率变化相对同步，但由于各层凋落物含水率对外界环境的响应情况不同，会有滞后，因此随着间隔时间增加，不同凋落物层之间水汽压相差较大，会出现水分扩散情况，呈负相关。OLn 层凋落物含水率与OH 层都不相关，主要原因是垂直方向距离较远所致。白桦林不同层的相关性要高于蒙古栎-红松混交林，与Matthews 等的研究结果相似[13-14]，阔叶林的相关性要高于针叶林，这可能是由于白桦叶片面积大，不同层之间接触面积和紧实度更大，各层之间水分交换更明显。

蒙古栎-红松混交林和白桦林内OLn 层和OLv 层凋落物含水率动态变化与外界气象要素的相关性基本相同，与空气温度都不相关，与Zhang和Sun 的研究相同，这可能是由于此时凋落物含水率主要受相对湿度的影响[23]；两层凋落物含水率动态变化与相对湿度、风速和降雨具有相关性，且随着距离采样时间的越长，相关性逐渐减弱，这与张运林等人的研究结果相似，主要原因是由于含水率动态变化对外界气象要素的响应具有一定的滞后性[12]。OF 层和OH 层与空气温度呈显著负相关关系，这可能是由于这两层凋落物处于下层，与外界接触较少，受相对湿度的影响较少，此时主要受空气温度的影响。OF 层凋落物含水率与降雨呈正相关，而OH 层与降雨没有表现出相关性，这可能是由于本研究仅研究了5 天的气象要素区间，而OH 层处于最下层，含水率动态变化的滞后性最明显，因此5 天内的降雨没有表现出相关性，若继续加大降雨的时间间隔，应该会表现出相关性。

3.3 不同层凋落物含水率预测模型

本研究得到蒙古栎-红松混交林和白桦林的不同层凋落物含水率的气象要素回归模型的MAE的变化范围分别为17.26%～27.85%和22.25%～32.29%，MRE 变化范围分别为21.30%～57.61%和17.12%～84.20%，张运林等选择加拿大湿度码建立不同层含水率的MAE 变化范围为7.75%～60.87%[12]，略高于本研究，主要原因是由于气象要素回归模型更适用。Simard 和张恒等得到凋落物含水率的气象要素回归模型的MAE 值分别27.7%和8.1%～17.1%，与本研究的结果相似[24]。但本研究MRE 值略高于其他人的研究，主要原因是由于本研究并未区分降雨和未降雨数据，而部分学者主要分析了含水率低于35%时的预测模型，因此MRE 值较低[12,25-27]。

本研究得到蒙古栎-红松混交林和白桦林的不同层凋落物含水率的Nelson 模型的MAE 的变化范围分别为17.51%～30.36%和22.58%～44.95%，MRE 变化范围分别为21.38%～69.00%和17.64%～113.93%；Simard 模型 的MAE 的变化范围分别为21.21%～46.27%和21.21%～56.97%，MRE 变化范围分别为25.97%～78.63%和25.97%～103.80%。与前人的研究结果相比，两个直接估计模型的预测误差都偏高[25,27]，主要原因可能有二，一是本研究的含水率值偏高，二是本研究凋落物含水率步长为24 h，而目前大部分研究都是以时为步长，缩短步长能降低预测误差，因此本研究使用直接估计法的预测误差较大[28]。Nelson 模型中参数β表示平衡含水率对外界气象要素的响应情况，β的绝对值越大，表示凋落物含水率动态变化对外界的响应越敏感[29]，可以看出两个林分都是OLv 层凋落物含水率动态变化对外界的响应最敏感，OLn 层次之，OH 层最小。OLv层的β最大，主要原因可能是由于虽然OLn 层位于表面，但该层凋落物形态完整，OLv 层与该层相比，具有更大的表面积体积比，对外界的接触面更大，因此OLv 层含水率动态变化对外界的响应最敏感。

3.4 凋落物含水率预测模型精度

对于蒙古栎-红松混交林，OLn 层和OLv 层凋落物含水率的Nelson 预测模型要优于气象要素回归模型，而下两层凋落物含水率的预测模型使用气象要素回归模型更好；对于白桦林，气象要素回归模型预测效果优于直接估计法，但误差与Nelson 模型并没有显著差异。这主要是由于Nelson 模型是根据10-h 时滞湿度棒得到的[29]，针叶形态凋落物使用Nelson 模型的预测效果要优于阔叶林，因此蒙古栎-红松混交林Nelson 模型要优于白桦林。两个林分OF 层和OH 层凋落物含水率并不适用直接估计法预测，主要原因是由于直接估计法中的关键参数平衡含水率和时滞模型都是针对表层凋落物建立的，而下层凋落物含水率动态变化对外界的响应与上层不同，因此使用直接估计法并不适用。

4 结 论

综上所述，对于蒙古栎-红松混交林，直接估计法预测OLn 层和OLv 层凋落物含水率更适用，OF 层和OH 层使用直接估计法预测OF 层和OH 层凋落物并不适用；对于白桦林的所有层凋落物，气象要素回归模型要优于直接估计法。直接估计法没有表现出预期的优势，说明直接估计法在实际应用过程需要进行修正。本研究直接使用Nelson 和Simard 平衡含水率模型进行不同层凋落物含水率预测，但凋落物平衡含水率与凋落物类型、特征和种类有很大差别，而模型没有并没有校正，因此对本研究并不适用[30]。在今后的研究中，对林内不同层凋落物的平衡含水率和时滞等关键参数重新拟合，建立适用于不同层凋落物含水率的关键参数预测模型，对于使用直接估计法预测不同层凋落物含水率的研究具有重要意义。