李鹏^1,2, 李文君^1,2, 封志明^1,2, 肖池伟^1,2, 刘怡媛³1.中国科学院地理科学与资源研究所,北京 100101
2.中国科学院大学资源与环境学院,北京 100049
3.江西师范大学地理与环境学院,南昌 330022

Spatiotemporal dynamics of active fire frequency in Southeast Asia with the FIRMS Moderate Resolution Imaging Spectroradiometer (MODIS) and Visible Infrared Imaging Radiometer (VIIRS) data

LI Peng^1,2, LI Wenjun^1,2, FENG Zhiming^1,2, XIAO Chiwei^1,2, LIU Yiyuan³1.Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
2.College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
3.School of Geography and Environment, Jiangxi Normal University, Nanchang 330022, China

收稿日期:2018-12-1修回日期:2019-03-7网络出版日期:2019-08-25

基金资助:

中国科学院地理科学与资源研究所“秉维”优秀青年人才计划项目.2018RC201

Received:2018-12-1Revised:2019-03-7Online:2019-08-25
作者简介 About authors
李鹏,男,江西永新人,博士,副研究员,主要从事资源地理与国土资源遥感研究E-mail:lip@igsnrr.ac.cn。







摘要
活跃火（含植被火）是影响全球陆地生态系统碳循环的重要因素,其发生类型与成因、时空特征及其影响评价是重要研究内容。利用美国国家航空航天局（NASA）FIRMS发布的MODIS C6和VIIRS V1活跃火（Active fire）位置矢量产品,从不同时间尺度（年际、逐月、分旬与小时）与空间尺度（中南半岛/马来群岛）分析了东南亚2000—2017年活跃火的时空特征与动态变化,并比较了两套活跃火产品的数据差异。结果表明：①2000—2017年东南亚MODIS C6活跃火频次累计达4.42×10 ⁶次,年际呈现显著波动变化特征,年际峰值出现时间与全球厄尔尼诺年较为一致。中南半岛是东南亚活跃火主要分布区,其与马来群岛对厄尔尼诺的响应时间有约1年的差异,且马来群岛国家（如印度尼西亚）活跃火对厄尔尼诺现象响应更为敏感。②近18年间,缅甸、老挝、泰国、柬埔寨、越南与印度尼西亚依次是中南半岛与马来群岛活跃火频发国家,其中以缅甸东部与西部、老挝北部、柬埔寨北部、印度尼西亚的苏门答腊岛东南部与加里曼丹岛南部等地分布较为集中。③中南半岛5国活跃火现象高度集中在旱季,其中以2—4月尤为突出,3月最甚。马来群岛3国的活跃火主要集中在6—11月,其中以8—10月最为明显,9月最强。东南亚8国活跃火现象集中分布于特征月份的下、中旬。活跃火观测时段主要集中在格林威治标准时间5—7时与17—19时,6时最多。④2012—2017年东南亚VIIRS V1活跃火频次监测规模约为同期MODIS C6监测结果的5倍,且二者对活跃火频次年际变化监测具有较好一致性。MODIS C6的优势在于活跃火监测时序长,而VIIRS V1对活跃火监测精度更高,应用潜力更大。
关键词： MODIS C6;VIIRS V1;活跃火;时空特征;动态分析;东南亚

Abstract
Active fire (including vegetation fire) influences the carbon cycle of global terrestrial ecosystem, and its occurrence types, ignition causes, spatiotemporal features, and impacts are important research questions. Currently, remote sensing is the main way to obtain the spatial and temporal information and occurrence frequency of active fires. With the two standard active fire data products, including MODIS C6 (Moderate Resolution Imaging Spectroradiometer Collection 6) and VIIRS V1 (Visible infrared Imaging Radiometer Version 1) provided by the US NASA’s Fire Information for Resource Management System (FIRMS), the distribution characteristics and dynamic changes of satellite-based fire occurrence (frequency) in Southeast Asia (SEA) were quantitatively examined with ArcGIS 10.5 platform at hourly, ten-day, monthly, and annual levels and national to regional (Mainland Southeast Asia (MSEA) and Island Southeast Asia (ISEA)) scales. The differences in the two active fire datasets were compared accordingly. The results show that: (1) Active fire occurrence frequencies were 4.42×10 ⁶ in SEA based on the MODIS C6 products of 2000-2017, showing clear annual fluctuations. Temporal consistency between the occurrence frequency of maximum active fire and global El Niño events during the same period was detected. MSEA, in comparison with ISEA, was the primary region for active fires in SEA, displaying about one year gap in response to El Niño. However, active fire in ISEA countries (for example, Indonesia) was more sensitive to El Niño. (2) In the past near two decades, Myanmar, Laos, Thailand, Cambodia, and Vietnam from MSEA and Indonesia in ISEA were the leading countries for active fire occurrence, especially in regions such as eastern and western Myanmar, northern Laos, northern Cambodia, northwest Vietnam, and the southern parts of Sumatra and Kalimantan of Indonesia. (3) Active fires showed high occurrences in the five MSEA countries during the dry season, especially from February to April, and mostly in March. Similar results in the three ISEA countries (Indonesia, Malaysia, and the Philippines) were reported between June and November, particularly from August to October, and mostly in September. Within these months, active fires were primarily seen in mid-to-late month, and typically observed at five to seven a.m. and five to seven p. m. in Greenwich Mean Time (GMT), mostly at six a.m. (GMT). (4) Active fire counts derived from VIIRS V1 were about five times that of MODIS C6 during the same period (2012-2017), showing similar trends of annual changes. The latter has the advantage of longer time series since 2000, while the former has higher accuracy of detection with more detailed information and greater potential for application.
Keywords：MODIS C6;VIIRS V1;active fire;spatiotemporal characteristics;dynamic analysis;Southeast Asia


PDF (13826KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
李鹏, 李文君, 封志明, 肖池伟, 刘怡媛. 基于FIRMS MODIS与VIIRS的东南亚活跃火频次时空动态分析. 资源科学[J], 2019, 41(8): 1526-1540 doi:10.18402/resci.2019.08.12
LI Peng. Spatiotemporal dynamics of active fire frequency in Southeast Asia with the FIRMS Moderate Resolution Imaging Spectroradiometer (MODIS) and Visible Infrared Imaging Radiometer (VIIRS) data. RESOURCES SCIENCE[J], 2019, 41(8): 1526-1540 doi:10.18402/resci.2019.08.12

1 引言

活跃火（含植被火）是全球陆地生态系统碳循环的重要影响因素^[1,2]。早在更新世,东南亚因其特殊的气候条件（旱季长、高温等）而频繁出现活跃火（Active fire）现象^[3]。当前,东南亚活跃火主要有3种类型,即山区旱季（11月至次年4月）刀耕火种引起的植被焚烧^[4,5,6]、平原农作物种植引起的秸秆焚烧和自然发生的森林野火^[7]。其中,刀耕火种与秸秆焚烧是本区域活跃火的主要类型^[8]。无论是主动适应自然环境的刀耕火种或是秸秆焚烧,还是日益频繁的森林野火,都对东南亚生态环境（如水土流失、空气污染等）与生物多样性造成了广泛而深刻的影响^[9,10]。受气候变化和人类活动等影响,东南亚的活跃火愈发频繁且剧烈^[10]。这些人为或自然火烧现象通常具有共性特征,即焚烧过程历时短（1~2小时）、规模小（<0.01 km²）和随机分布等^[11]。因此,掌握大范围活跃火（含植被火）发生的频率、强度和持续时间等特征,既可为区域尺度上的植被火遥感提供物理基础,也对其经济损失、大气污染与公共安全评估等具有科学意义^[12]。

遥感是获取全球活跃火（含植被火）信息的重要数据源与技术手段^[13]。在中分辨率成像光谱仪（MODIS）发射之前,围绕活跃火监测的专业卫星较少。过去,长时序高级高分辨率辐射计（AVHRR）卫星为全球火烧活动监测提供了重要的数据源^[14,15],但其低空间分辨率限制了火情的监测能力^[16]。同时,沿轨道扫描辐射计（ATSR）传感器的图像^[17]和搭载在热带降雨测量任务（TRMM）卫星上的可见光红外成像辐射仪（VIIRS）^[11]等影像也常用于活跃火信息（如频次与分布）监测。目前,美国国家航空航天局（NASA）和联合国粮食及农业组织（FAO）联合开发了火灾信息资源管理系统（FIRMS）,并发布了经过一致性检测算法完成的MODIS和VIIRS活跃火位置矢量产品^[4,13,18],在经济损失评估、大气污染与公共安全、以及大气环流与气候变化等领域得到广泛应用^[4,19,20]。其中,尤以其与厄尔尼诺-南方涛动（ENSO）的相关性研究较为常见,认为厄尔尼诺引起的降雨减少与干旱加剧了活跃火发生^[21]。随着全球厄尔尼诺现象日益加剧^[22],预测表明东南亚及热带地区未来活跃火事件的发生频率也将显著提升^[23]。此外,该产品还用于区域生物质燃烧^[24]与其污染物排放空间的评价研究^[25]、以及与土地覆被类型的相关性分析^[26]。然而,目前基于FIRMS全球与区域活跃火产品对火情频数时空动态特征、发生类型、成因及强度等缺乏深入分析,相应研究鲜有报道,进而制约区域活跃火的影响程度与范围评价以及对气候变化和极端天气事件的响应分析。

本文利用FIRMS MODIS C6（2000—2017年）和VIIRS V1（2012—2017年）两套活跃火数据,基于ArcGIS 10.5分区/分时统计等功能,定量分析了东南亚历年活跃火时空动态变化。研究内容包括：①评价东南亚、中南半岛/马来群岛及主要国家2000—2017年活跃火的总体规模、发生强度与空间差异;②对比揭示中南半岛5国（柬埔寨、老挝、缅甸、泰国和越南）和马来群岛3国（印度尼西亚、马来西亚、菲律宾）近20年活跃火的时空动态特征与国别变化。上述相关结果和结论可为区域尺度上构建火烧遥感监测算法,以及开展其与人口、相关地理要素的相关性分析提供借鉴。

2 研究区概况、数据来源和研究方法

2.1 研究区概况

东南亚包括中南半岛和马来群岛。前者包括柬埔寨、老挝、缅甸、泰国和越南5国,后者包括文莱、印度尼西亚、马来西亚、菲律宾、新加坡和东帝汶6国。中南半岛与马来群岛自然地理差异显著。中南半岛地势北高南低,北部山地为横断山脉向南延伸部分,南北向山系间自西向东发育了伊诺瓦底江、萨尔温江、湄公河、湄南河与红河等干流,并形成重要的三角洲冲积平原^[27,28]。马来群岛地形起伏较大,仅在沿海处有小块平原,且地处板块交接地带,地壳运动活跃,火山地震活动频繁。在气候上,中南半岛为热带季风气候,旱季（11月—次年4月）与雨季（5—10月）分明,多分布热带季雨林,旱季植被烧伐普遍,多在雨季种植作物。马来群岛主要为热带雨林气候,全年高温多雨,且四季均可种植作物。受海陆位置与地理位置（跨南北半球）影响,亦兼顾热带季风气候特征（旱季4—9月、雨季10月—次年3月）。

东南亚陆地面积为4.54×10⁶ km²,中南半岛与马来群岛分别占43%和57%。据联合国对区域人口的估计（http://worldpopulationreview.com/）,2018年东南亚人口约为6.56×10⁸人（约占全球总人口的8.59%）,其中中南半岛与马来群岛各占37%和63%。东南亚平均人口密度为134人/km²,但国别差异很大,其中,老挝最低（约29人/km²）,新加坡最高（约8000人/km²）。2017年,东南亚国内生产总值（GDP）为2.77万×10⁸美元,其中中南半岛与马来群岛分别占到28%和72%。农业是东南亚多个国家的支柱产业^[29],各国GDP中农业贡献比重从泰国的8.66%到缅甸的26.18%不等（新加坡除外）。一直以来,东南亚部分农产品在国际市场占有重要地位,如天然橡胶、棕榈油、稻米与木薯产量分别占全球的90%、86%、30%和25%（2012年）,也是全球重要的甘蔗种植基地和经济林木生产基地^[30]。此外,东南亚特别是中南半岛山区历来有刀耕火种的农业耕作传统,且山地移民的增加又进一步提高了刀耕火种的利用强度,从而加剧了植被焚烧与森林野火的发生概率。

2.2 FIRMS MODIS与VIIRS活跃火产品与预处理

从NASA FIRMS（https://firms.modaps.eosdis.nasa.gov/download/）分国家申请下载了东南亚2000—2017年MODIS与VIIRS活跃火位置矢量产品（Shapefile,WGS 1984）。每个活跃火位置数据包含栅格中心点经纬度、时间（年/月/日/时/分）、亮度（含置信度）与传感器等信息。主要利用活跃火产品对应的火情采集、日期时间与位置信息,基于ArcGIS 10.5分析东南亚活跃火发生频次的时空特征与动态变化。

2015年9月,MODIS活跃火产品已更新到第6版,即MODIS Collection 6（C6）。MODIS C6活跃火数据由Terra/Aqua两个卫星传感器每天4次实时观测组成,其中Terra获取了自2000年11月11日以来每日上/下午10:30（赤道附近）的活跃火信息,Aqua获取了自2002年7月以来每日上/下午1:30（赤道附近）的活跃火信息。VIIRS获取了自2012年1月20日以来每日上/下午1:30（赤道附近）的活跃火信息,简称为VIIRS V1。基于MODIS与VIIRS的活跃火识别算法既有延续（均为Contextual算法）,又有发展（后者融入了阈值法）^[13,18],两套产品在活跃火频次监测方面具有很好的一致性^[18]。对东南亚各国2012—2017年MODIS C6和VIIRS V1的活跃火频次相关性分析,表明两者高度线性相关（图1）,可兼容使用。MODIS与VIIRS重访周期为6时、12时,对于卫星过境前/后的火情、以及被云/影、浓烟或林木冠层遮挡的火情可能会监测不足甚至监测不到。就MODIS与VIIRS的空间分辨率（分别为1000 m与375 m）而言,虽然后者因其空间分辨率较高对小规模火情监测更敏感且夜间对火情监测性能有所提高,但仍有可能对部分规模较小、短暂的火情监测不足。尽管如此,这是迄今全球最新、最全的活跃火产品,是开展气候变化与火灾风险评估等分析的重要数据源。

图1

新窗口打开|下载原图ZIP|生成PPT
图12012—2017年东南亚各国MODIS C6与VIIRS V1 活跃火发生频次相关性分析

Figure 1Correlation analysis of active fire occurrence frequencies derived from MODIS C6 and VIIRS V1 in Southeast Asia, 2012-2017

3 结果与分析

3.1 基于MODIS C6与VIIRS V1的东南亚活跃火频次动态变化

基于MODIS C6（2000—2017年）活跃火产品统计表明,东南亚活跃火频次累计达4.42×10⁶次,年际呈现显著波动变化特征。剔除2000年（当年仅有11—12月数据）外,2001—2017多年平均频数为0.26×10⁶次,最大值与最小值分别出现在2015与2017年（图2）。值得注意的是,2002—2003、2004—2005、2006—2007、2009—2010及2014—2016分别是21世纪以来出现厄尔尼诺现象的特征年份。在东南亚地区,活跃火频次最多的年份集中表现在2004、2006、2009与2015年,平均为0.35×10⁶次。对基于MODIS C6活跃火数据的东南亚年际波动变化原因分析发现,在时间上与全球厄尔尼诺现象发生的特征年份（如2014—2016年）一致。厄尔尼诺现象在东南亚不同区域通常引起不同程度的降水减少、温度升高与干旱加剧,这为山区刀耕火种农业、平原秸秆焚烧甚至森林野火发生提供了前提条件。

图2

新窗口打开|下载原图ZIP|生成PPT
图2东南亚MODIS C6（2000—2017）与VIIRS V1（2012—2017）活跃火频次年际变化

Figure 2Annual changes in the number of MODIS C6 （2000-2017） and VIIRS V1 （2012-2017） active fires in Southeast Asia



基于公里栅格提取了东南亚2000—2017年不同时段的活跃火频次密度（Point Density）,表明活跃火密度在中南半岛与马来群岛空间分布有显著差异（图3）。在中南半岛,MODIS C6 2000—2017年活跃火主要分布在以下区域的丘陵、中低山地,包括：①缅甸东部（如掸邦、克耶邦与克伦邦）与西部（如若开邦、钦邦）;②老挝北部所有省份（乌多姆塞省与琅勃拉邦省等）与东部长山山脉区域;③柬埔寨东北部（腊塔纳基里省与蒙多基里省等）与西南部（马得望省与班迭棉吉省等）,并大致以洞里萨湖—洞里萨河（西北—东南走向）为界,北多南少。④在泰国北部与越南西北部也有局部分布。相比之下,缅甸北部（克钦邦、实皆邦）与中部（马圭省与曼德勒省）、越南红河三角洲、柬埔寨东南部以及泰国南部马来半岛活跃火很少发生。马来群岛活跃火分布以印度尼西亚的苏门答腊岛东南部与加里曼丹岛南部为主,其他区域分布较少。在此基础上,对比分析了2012—2017年两套活跃火产品频次密度空间差异分布,发现VIIRS V1活跃火监测结果较MODIS C6更全面,精度更高。东南亚由于MODIS空间分辨率较差而不能识别活跃火的情形,VIIRS却能更详尽地加以刻画。

图3

新窗口打开|下载原图ZIP|生成PPT
图32000—2017年东南亚MODIS C6与VIIRS V1 不同时段活跃火累计频次密度（1 km×1 km）空间差异

Figure 3Spatial difference of point density （1 km×1 km） of MODIS C6 and VIIRS V1 active fires in Southeast Asia, 2000-2017



3.1.1 中南半岛与马来群岛层面的活跃火频次动态变化

在中南半岛与马来群岛地区,MODIS C6活跃火累计发生频次分别为2.95×10⁶次与1.47×10⁶次。可见,东南亚活跃火主要集中在中南半岛,且对厄尔尼诺现象的响应具有显著时空差异。以2002—2003与2006—2007厄尔尼诺年为例,马来群岛活跃火频次分别于2002与2006年出现峰值,而中南半岛则分别于次年出现峰值（图4a）。两次厄尔尼诺对活跃火发生频次的影响均是马来群岛先于中南半岛。事实上,这也是2000—2017年间仅有的两次特例。其中,2002—2003厄尔尼诺现象对中南半岛与马来群岛活跃火频次的影响是相当的（总体维持在0.21×10⁶次）,而2006—2007厄尔尼诺现象对中南半岛活跃火频次的影响较为强烈,约为马来群岛的1.81倍。相比之下,在2004—2005与2009—2010厄尔尼诺年,持续的厄尔尼诺现象对中南半岛活跃火频次的影响则更加突出,其活跃火出现频次分别为马来群岛的2.05倍与2.83倍。2014—2016年,全球厄尔尼诺现象持续时间最长（近3年）,并于2015年达到最强。尽管在整个厄尔尼诺期间,中南半岛活跃火频次仅为马来群岛的1.62倍,却在2016年达到4.87倍。已有研究表明,2015年厄尔尼诺是继1997/1998超强厄尔尼诺以来最强的一次^[31],其对中南半岛与马来群岛的活跃火发生频次影响几乎势均力敌,均为0.19×10⁶次,这也表明2015厄尔尼诺对东南亚两大地理单元活跃火发生频次的影响是极其广泛的。值得注意的是,中南半岛与马来群岛对厄尔尼诺现象的响应时间有一定差异。前者活跃火频次峰值出现的年份依次为2003、2004、2007、2010与2014年,后者则为2002、2004、2006、2009与2015。排除云/影等引起的监测误差,2000年以来中南半岛与马来群岛活跃火对厄尔尼诺现象的响应有1年的时间差,这可能跟与厄尔尼诺的发生时间或影响范围有一定关联,后续需要深入分析。纵观2000年以来中南半岛与马来群岛活跃火频次差异,除2002与2006年外,其他年份均以中南半岛活跃火发生频数占主导,其中最大值出现在2010年（6.74倍）,最小值出现在2015年。即使在非厄尔尼诺年份（如2001、2008、2011—2013、2017）,中南半岛活跃火发生次数也是数倍于马来群岛,即2001年（2.04倍）、2011年（2.08倍）、2012年（2.51倍）、2008年（3.05倍）、2013年（3.24倍）与2017年（5.33倍）。就活跃火发生频次而言,虽然中南半岛陆地面积只占东南亚的43%,但基于MODIS C6的活跃火累计发生频次却是马来群岛的2倍以上,且厄尔尼诺现象有引起中南半岛活跃火频次增多的趋势。

图4

新窗口打开|下载原图ZIP|生成PPT
图4中南半岛与马来群岛MODIS C6（2000—2017年）与VIIRS V1（2012—2017年）活跃火频次年际变化

Figure 4Annual changes in the number of MODIS C6 (2000-2017) and VIIRS V1 (2012-2017) active fires in Mainland Southeast Asia and Island Southeast Asia



在MODIS C6时序分析基础上,进一步统计对比了东南亚及中南半岛、马来群岛两套活跃火产品同期频次差异。2012—2017年,东南亚VIIRS V1活跃火频次多年平均达1.36×10⁶次,是同期MODIS C6监测产品的5.03倍。基于MODIS C6的中南半岛与马来群岛活跃火累计发生频次分别为1.12×10⁶次与0.53×10⁶次,而同期基于VIIRS V1活跃火的累计发生频次分别为5.67×10⁶次与2.51×10⁶次。中南半岛与马来群岛基于VIIRS V1的活跃火累计频次分别是MODIS C6相应水平的5.07倍与4.75倍。一方面,VIIRS数据因其空间分辨率较高,更易于识别过火面积较小的火烧现象;另一方面,由于FIRMS提供的是活跃火事件发生频次数据,对相同火烧情形而言,较高空间分辨率意味着更多的频次信息。因此,MODIS C6的优势在于监测时序长,而VIIRS V1监测精度更高,信息更全,应用潜力更大。

2012—2017年,东南亚VIIRS V1活跃火发生频次的年际变化趋势与MODIS C6活跃火产品基本一致,如同时在2015年极强厄尔尼诺年达到峰值（图2）。MODIS与VIIRS监测产品在2012/2013年的细微差异主要归结于后者监测时间稍晚。类似地,同期中南半岛与马来群岛MODIS C6与VIIRS V1活跃火频次变化趋势较为一致。但是,两个地理大区活跃火频次在厄尔尼诺年（2014—2016）与正常年份（2012—2013、2017）却有明显差异。中南半岛厄尔尼诺年（2014—2016）与正常年份（特别是2013）活跃火频次年际差异很小,而同期马来群岛则在厄尔尼诺极强年份（2015）活跃火频次出现峰值（图4b）。据此,可进一步说明中南半岛活跃火现象的普遍性,而马来群岛活跃火频次发生规模对厄尔尼诺现象响应更为敏感。

3.1.2 东南亚国家层面的活跃火频次动态变化

近18年间,缅甸是中南半岛5国活跃火频次最多的国家,多年平均值达5.87×10⁴次,接下来依次是老挝、泰国、柬埔寨与越南（表1）。相应地,马来群岛以印度尼西亚活跃火频数最大,累计频数高达1.27×10⁶次,这在东南亚也是首屈一指。马来西亚与菲律宾活跃火多年平均频数分居二、三位。东帝汶、文莱与新加坡3国由于国土面积较小,多年平均则在1000次以下（可忽略不计）。为揭示东南亚活跃火发生频次与发生时间长时序国别差异,利用MODIS C6（2000—2017）进一步分析东南亚各国活跃火频次年际变化,表明11个国家活跃火频次呈现波动变化特征,对2002年以来的厄尔尼诺响应却有显著国别差异（图5）。


Table 1
Table 1National characteristic values derived from MODIS C6 active fire products in Southeast Asia, 2000-2017 （10⁴次）

国家	累计频数	多年平均	最大频数	最大频数年份
柬埔寨	49.67	2.76	4.49	2013
老挝	58.89	3.27	5.87	2010
缅甸	105.67	5.87	9.59	2007
泰国	49.97	2.78	5.19	2004
越南	30.49	1.69	2.59	2010
文莱	0.12	0.01	0.02	2005
东帝汶	1.51	0.08	0.19	2002
印度尼西亚	126.96	7.05	17.85	2015
马来西亚	9.70	0.54	0.91	2005
菲律宾	9.20	0.51	0.94	2010

注：新加坡2000—2017年基于MODIS C6的活跃火累计频数仅111次,不具分析意义。

新窗口打开|下载CSV

图5

新窗口打开|下载原图ZIP|生成PPT
图52000—2017年东南亚国家基于MODIS C6的活跃火频次动态变化

Figure 5Annual changes in the number of MODIS C6 active fires in the 11 countries of Southeast Asia, 2000-2017



尽管活跃火并非完全由厄尔尼诺所引起,但东南亚10国（柬埔寨除外）活跃火频次最大值均出现在相应的厄尔尼诺年（表1）。进一步比较东南亚8个主要国家（东帝汶、文莱和新加坡除外）2012—2017年MODIS C6与VIIRS V1的活跃火监测结果,发现不同国家两套产品年际变化特征颇为相似（图6）。以中南半岛的缅甸、老挝与马来群岛的印度尼西亚为例,缅甸与老挝活跃火频次峰值出现在2004、2007与2010年,而印度尼西亚相应的峰值相继出现在2002、2004、2006、2009与2015年,活跃火频次均在10.00×10⁴次以上,明显高于缅甸与老挝相应峰值。可见,以印度尼西亚为代表的马来群岛国家活跃火发生对厄尔尼诺现象更加敏感,并明显超出以缅甸、老挝为代表的中南半岛国家,如在2015超强厄尔尼诺年,中南半岛国家活跃火频次并无显著增加。

图6

新窗口打开|下载原图ZIP|生成PPT
图62012—2017年东南亚主要国家基于MODIS C6与VIIRS V1的活跃火频次年际变化

Figure 6Annual changes in the number of MODIS C6 and VIIRS V1 active fires in the eight countries of Southeast Asia, 2012-2017

3.2 东南亚主要国家活跃火时间特征与动态变化

本节进一步分析中南半岛5国（柬埔寨、老挝、越南、泰国、越南）与马来群岛3国（印度尼西亚、马来西亚、菲律宾）2000—2017年活跃火发生多年平均时间（逐月、分旬与小时）特征。

3.2.1 东南亚8国活跃火发生逐月、分旬差异与规律

掌握活跃火发生的时间特征,有助于从时间维度区分其活跃火发生类型。为此,利用MODIS C6（2000—2017）与VIIRS V1（2012—2017）活跃火频次产品统计分析东南亚主要国家活跃火发生时间差异,其主要特征为：

（1）东南亚8国年内各月的活跃火规模不同,在月际上表现出明显的集中分布特征（图7）。其中中南半岛5国活跃火现象完全集中在旱季,主要是12月—次年5月,其中以2—4月尤为突出,3月最甚;而马来群岛3个主要国家的活跃火现象出现月份则完全相反,主要集中在6—11月,其中以8—10月最为明显。但菲律宾活跃火事件逐月分布情况与中南半岛国家具有相同的特征,即集中分布在12月—次年5月,6—11月的活跃火事件只占10%以下。

图7

新窗口打开|下载原图ZIP|生成PPT
图72012—2017年中南半岛与马来群岛主要国家MODIS C6与VIIRS V1的活跃火频数月际差异

Figure 7Monthly differences of the number of MODIS C6 and VIIRS V1 active fires in the eight countries of Mainland Southeast Asia and Island Southeast Asia, 2012-2017



（2）中南半岛5国与马来群岛3国之间活跃火集中分布的时间差异。中南半岛北部山区国家主要出现在3月,而马来群岛（主要是印度尼西亚）则在9月。表2给出了中南半岛5国与马来群岛3国年内不同季节（旱/雨季）、特征月份对应的活跃火占比情况。例如,12月—次年5月,缅甸两套产品活跃火频次占全年的99%以上,其中2—4月占全年的93%以上,极大值月份为3月,占全年的50%以上;而印度尼西亚有86%的活跃火集中在6—11月,其中8—10月占到68%以上,极大值出现在9月。

Table 2
表2
表2中南半岛与马来群岛主要国家基于MODIS C6（2000—2017年）与VIIRS V1（2012—2017年）的活跃火频次逐月统计值
Table 2Monthly statistics calculated from MODIS C6 （2000-2017） and VIIRS V1 （2012-2017） active fires in the eight countries of Mainland Southeast Asia and Island Southeast Asia

火烧集中月份		12月—次年5月 多年平均占比/%			2—4月多年平均 占比/%			极大值月份			极大值月份占比/%
区域	国家	MODIS	VIIRS		MODIS	VIIRS		MODIS	VIIRS		MODIS	VIIRS
中南 半岛	缅甸	99.57	99.33		93.69	92.86		3	3		49.70	51.22
	老挝	99.31	99.22		91.70	90.15		3	4		43.26	40.81
	泰国	97.12	97.40		73.48	81.88		3	3		36.53	41.66
	柬埔寨	97.74	97.73		53.17	67.82		1	2		35.00	36.41
	越南	86.40	88.12		66.95	70.29		3	3		29.78	33.29
马来群岛	菲律宾	90.09	90.80		69.93	73.09		4	4		31.04	31.24
		6—11月多年 平均占比/%			8—10月多年 平均占比/%			极大值月份			极大值月份占比/%
		MODIS	VIIRS		MODIS	VIIRS		MODIS	VIIRS		MODIS	VIIRS
马来群岛	印度尼西亚	85.99	86.06		68.69	68.27		9	9		26.38	27.63
	马来西亚	58.81	47.50		38.13	23.52		8	3		24.16	19.43
	菲律宾	9.91	9.20		4.71	4.52		4	4		31.04	31.24

新窗口打开|下载CSV

在逐月分析基础上,利用MODIS C6活跃火产品进一步分析了东南亚8国活跃火发生集中月份的上、中、下旬频次差异（图8）。统计分析表明,各国活跃火事件明显集中于下旬（约55%~60%）,其次为中旬（34%~38%）,最后为上旬（表3）。基于VIIRS V1 2012—2017年分旬统计结果与MODIS C6有很强的相似性。目前,对于活跃火现象为什么普遍集中在中、下旬还缺乏合理解释,有待于在今后实地调查与研究分析中加以关注。

图8

新窗口打开|下载原图ZIP|生成PPT
图82000—2017年中南半岛与马来群岛主要国家MODIS C6活跃火频次分旬差异

Figure 8Ten-day differences of the number of MODIS C6 active fires in the eight countries of Mainland Southeast Asia and Island Southeast Asia, 2000-2017



Table 3
表3
表3中南半岛与马来群岛主要国家基于MODIS C6（2000—2017年）与VIIRS V1（2012—2017年）活跃火频次分旬统计情况
Table 3Ten-day statistics calculated from MODIS C6 （2000-2017） and VIIRS V1 （2012-2017） active fires in the eight countries of Mainland Southeast Asia and Island Southeast Asia

	集中月份全年占比/%			上旬多年平均占比/%			中旬多年平均占比/%			下旬多年平均占比/%
东南亚8国	MODIS	VIIRS		MODIS	VIIRS		MODIS	VIIRS		MODIS	VIIRS
缅甸	99.57	99.33		6.28	5.88		34.23	38.13		58.23	55.99
老挝	99.31	99.22		6.74	7.13		35.47	38.50		57.78	54.36
泰国	97.12	97.40		6.28	6.27		35.49	37.57		58.23	56.16
柬埔寨	97.74	97.73		6.85	7.52		35.40	36.09		57.75	56.39
越南	86.40	88.12		7.36	6.45		37.51	38.90		55.13	54.65
印度尼西亚	85.99	86.06		6.89	6.46		36.62	37.16		56.49	56.39
马来西亚	58.81	47.50		6.92	5.94		38.08	35.12		55.00	58.93
菲律宾	90.09	90.80		7.44	6.99		37.72	37.11		54.84	55.90

新窗口打开|下载CSV

3.2.2 东南亚8国活跃火发生时段差异与规律

鉴于MODIS与VIIRS重访周期分别为6时与12时,利用活跃火频次进一步统计分析其发生时段（小时）的时空差异。根据2000—2017年国别MODIS C6统计结果（图9）,表明中南半岛5国活跃火一般集中于两个时段：3—4时与6—7时（格林威治标准时间（GMT）,下同）,集中发生率达73.36%以上。相对而言,中南半岛以6时（相当于当地时间13时）活跃火频次较多,占日比重的40.36%以上。其中,老挝6时活跃火频次最多,达69.59%。类似地,马来群岛3国活跃火也集中在以下两个时段：2—3时与5—6时,集中发生率达67.10%以上。可见,中南半岛与马来群岛基于MODIS C6活跃火发生时段有细微差异。印度尼西亚、马来西亚活跃火现象主要发生在3时、5时与6时,占每日的60%以上,其中以6时占比最大,达30.22%以上;而菲律宾活跃火现象主要发生在2时、4时与5时,占每日的90.74%,其中以5时占比最大,达50.62%。

图9

新窗口打开|下载原图ZIP|生成PPT
图92012—2017年中南半岛与马来群岛主要国家MODIS C6与VIIRS V1活跃火频数时段差异

Figure 9Hourly differences of the number of MODIS C6 and VIIRS V1 active fires in the eight countries of Mainland Southeast Asia and Island Southeast Asia, 2012-2017



基于较高空间分辨率VIIRS V1的东南亚主要国家活跃火观测时段的统计结果进一步修正了MODIS C6的分析结果。既有效识别了特征时段（6时,GMT）及其邻近时段的活跃火频次信息,也补充监测了其他时段的频次信息。①2012—2017年中南半岛5国活跃火主要分布在5-7时与18-19时,集中发生率分别达72.33%、9.52%以上。其中,以6时活跃火频次最多,占日比重的42.93%以上（越南6时活跃火比重达56.39%）。②同期马来群岛主要集中在4-6时与17-18时,集中发生率分别达57.61%、8.70%以上。其中,印度尼西亚、马来西亚活跃火现象主要发生在5时、6时与18时,分别占每日的67.70%和79.60%,其中以6时比重最大,分别达29.90%、36.46%;菲律宾活跃火现象主要发生在4时、5时与17时,占每日的94.09%,其中以5时占比最大,达54.07%。与MODIS C6活跃火产品相比,VIIRS V1还补充监测了17-19时（相当于当地时间凌晨0-2时）的活跃火信息监测。

4 结论与讨论

4.1 结论

基于美国国家航空航天局（NASA）火灾信息资源管理系统（FIRMS）发布的MODIS C6（2000—2017）和VIIRS V1（2012—2017）两套活跃火产品,本文从不同时间（年际、月际、分旬与小时）与空间（半岛/群岛与国家）尺度,揭示了东南亚活跃火时空分布特征与动态变化,并比较了两套活跃火产品的数据差异。主要研究结论如下：

（1）2000—2017年东南亚MODIS C6活跃火频次累计达4.42×10⁶次,年际呈现显著波动变化特征,年际峰值出现时间与全球厄尔尼诺年较为一致。其中,中南半岛是东南亚活跃火主要分布区,其与马来群岛对厄尔尼诺的响应时间有约1年的时间差异。马来群岛国家（如印度尼西亚）活跃火发生频次对全球厄尔尼诺现象响应更为敏感。

（2）缅甸、老挝、泰国、柬埔寨、越南与印度尼西亚依次是中南半岛与马来群岛活跃火频发国家。空间上,以缅甸东部与西部、老挝北部、柬埔寨北部、印度尼西亚的苏门答腊岛东南部与加里曼丹岛南部等地分布尤为集中。

（3）中南半岛5国（缅甸、老挝、泰国、柬埔寨、越南）活跃火现象高度集中在旱季,其中以2—4月尤为突出（3、4月活跃火频次是其他月份的4倍以上）,3月最甚。马来群岛3国（印度尼西亚、马来西亚、菲律宾）的活跃火主要集中在6—11月,其中以8—10月最为明显,9月最强。东南亚8国活跃火现象主要集中分布于特征月份的下、中旬。活跃火观测时段主要集中在格林威治标准时间6时与18时及其前后1小时。

（4）2012—2017年东南亚VIIRS V1活跃火频次监测规模约为同期MODIS C6的5倍,且二者对活跃火频次年际变化监测具有较好一致性。MODIS C6的优势在于监测时序长,而VIIRS V1监测精度更高,信息更全,应用潜力更大。

4.2 讨论

美国NASA FIRMS提供的两套活跃火产品（MODIS C6与VIIRS V1）在空间位置上直观反映了全球森林野火、农田秸秆焚烧、刀耕火种植被焚烧以及火山爆发与海洋油/气井火焰的可能分布,是反映2000年以来全球活跃火位置最新的数据产品。目前,基于该产品的活跃火（含植被火）相关分析,如时间-空间分布与动态变化、发生类型与成因区域（如国别）差异、人口-经济影响评价等,还鲜见于文献报道。活跃火（含植被火）引起的碳排放与污染物排放既是气候变化的重要影响因素,而全球变暖与极端天气事件（如厄尔尼诺）造成的干旱少雨、温度升高也是加剧火情发生的直接诱因。东南亚既是热带森林覆被减少的重要区域之一,又是全球橡胶、油棕、稻米种植的最集中区域。火烧是东南亚众多农业国家农林业开发经济又实用的耕作方式。20世纪90年代以来,受人口增长、区域经济合作与气候变化影响,东南亚活跃火现象呈现加剧趋势。本文以东南亚为试验区,结合审稿人意见,首次采用“活跃火”而非“植被火”来翻译“active fire”,以期为国内****开展该领域后续研究提供借鉴。活跃火包括占比最大的“植被火”,也包括城市火灾、火山爆发与海上油气井火焰等。在不同区域开展活跃火分析时,需要结合研究区特征注意其类型差异。未来,还将结合地形（海拔、坡度、地形起伏度等）、气候（温度、降水、湿度、风速等）、植被-水分指数、土地覆被/利用等自然地理要素数据集加强全球不同区域活跃火类型及成因等特征分析,并结合人口、社会经济数据开展活跃火可能的影响范围与程度评价研究,以期全面深入挖掘该数据集潜藏的重要地理信息,为遥感监测、影响评价等后续研究与区域发展提供科学支持。

参考文献 View Option 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1] Turetsky M R, Benscoter B, Page S , et al. Global vulnerability of peatlands to fire and carbon loss
[J]. Nature Geoscience, 2015,8(1):11-14.
[本文引用: 1]

[2] 李纫兰, 缪启龙, 王绍强 , 等. 突发性火灾对南方湿地松人工林土壤碳储量的影响
[J]. 资源科学, 2009,31(4):674-680.
Magsci [本文引用: 1]
火作为影响森林生态系统的一个生态因子，既可能有利于维持生态系统的平衡与稳定，也可能会破坏系统的结构和功能，甚至引起生态系统的失调或崩溃。森林碳储量是陆地生态系统碳库的重要组成部分，研究火烧对土壤有机碳和理化属性的影响，对认识自然或人为干扰下森林生态系统碳储量的变化具有重要意义。本文通过选取2007年5月南方红壤丘陵区典型人工针叶林中一次突发性火灾后形成的一块火烧迹地，划分不同火烧强度，进行土壤调查取样和室内实验分析。研究结果表明，火灾发生2个月后，高强度火烧和中强度火烧下，0～40cm的土壤剖面有机碳储量相比低强度分别降低了61.4%和39.5%；0～10cm、10～20cm和20～40cm等3个土层上，土壤有机碳储量的大小均呈现出低强度火烧＞中强度火烧＞高强度火烧的一致趋势。土壤理化性质方面，中、高强度火烧迹地上土壤容重相比低强度火烧有增大趋势，高强度火烧迹地土壤pH值最高。
[ Li R L, Miao Q L, Wang S Q , et al. Effect of an unexpected fire on the amount of soil organic carbon in Pinus Elliottii of South China
[J]. Resources Science, 2009,31(4):674-680.]
Magsci [本文引用: 1]
火作为影响森林生态系统的一个生态因子，既可能有利于维持生态系统的平衡与稳定，也可能会破坏系统的结构和功能，甚至引起生态系统的失调或崩溃。森林碳储量是陆地生态系统碳库的重要组成部分，研究火烧对土壤有机碳和理化属性的影响，对认识自然或人为干扰下森林生态系统碳储量的变化具有重要意义。本文通过选取2007年5月南方红壤丘陵区典型人工针叶林中一次突发性火灾后形成的一块火烧迹地，划分不同火烧强度，进行土壤调查取样和室内实验分析。研究结果表明，火灾发生2个月后，高强度火烧和中强度火烧下，0～40cm的土壤剖面有机碳储量相比低强度分别降低了61.4%和39.5%；0～10cm、10～20cm和20～40cm等3个土层上，土壤有机碳储量的大小均呈现出低强度火烧＞中强度火烧＞高强度火烧的一致趋势。土壤理化性质方面，中、高强度火烧迹地上土壤容重相比低强度火烧有增大趋势，高强度火烧迹地土壤pH值最高。

[3] Chan L Y, Chan C Y, Liu H Y , et al. A case study on the biomass burning in Southeast Asia and enhancement of tropospheric ozone over Hong Kong
[J]. Geophysical Research Letters, 2000,27(10):1479-1482.
[本文引用: 1]

[4] Davies D K, Ilavajhala S, Wong M M , et al. Fire information for resource management system: Archiving and distributing MODIS active fire data
[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009,47(1):72-79.
[本文引用: 3]

[5] Li P, Feng Z M, Xiao C W , et al. Detecting and mapping annual newly-burned plots (NBP) of swiddening using historical Landsat data in Montane Mainland Southeast Asia (MMSEA) during 1988-2016
[J]. Journal of Geographical Sciences, 2018,28(9):1307-1328.
[本文引用: 1]

[6] Li P, Feng Z M . Extent and area of swidden in montane mainland Southeast Asia: Estimation by multi-step thresholds with Landsat-8 OLI data
[J]. Remote Sensing, 2016,8(1):44.
[本文引用: 1]

[7] Klerk D H . A pragmatic assessment of the usefulness of the Modis (Terra and Aqua) 1-km active fire (MOD14A2 and MYD14A2) products for mapping fires in the fynbos biome
[J]. International Journal of Wildland Fire, 2008,17(2):166-178.
[本文引用: 1]

[8] Fuller D O, Murphy K . The Enso-fire dynamic in insular Southeast Asia
[J]. Climatic Change, 2006,74(4):435-455.
[本文引用: 1]

[9] Bruun T B, Neergaard A D, Lawrence D , et al. Environmental consequences of the demise in swidden cultivation in Southeast Asia: Carbon storage and soil quality
[J]. Human Ecology, 2009,37(3):375-388.
[本文引用: 1]

[10] Gadde B, Bonnet S, Menke C , et al. Air pollutant emissions from rice straw open field burning in India, Thailand and the Philippines
[J]. Environmental Pollution, 2009,157(5):1554-1558.
[本文引用: 2]

[11] Giglio L, Kendall J D, Tucker C J . Remote sensing of fires with the TRMM VIRS
[J]. International Journal of Remote Sensing, 2000,21(1):203-207.
[本文引用: 2]

[12] Goldammer J G . History of equatorial vegetation fires and fire research in Southeast Asia before the 1997-98 episode: A reconstruction of creeping environmental changes
[J]. Mitigation and Adaptation Strategies for Global Change, 2007,12(1):13-32.
[本文引用: 1]

[13] Giglio L, Descloitres J, Justice C O , et al. An enhanced contextual fire detection algorithm for Modis
[J]. Remote Sensing of Environment, 2003,87(2-3):273-282.
[本文引用: 3]

[14] Pereira J M C . A comparative evaluation of NOAA/AVHRR vegetation indexes for burned surface detection and mapping
[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999,37(1):217-226.
[本文引用: 1]

[15] Pu R L, Gong P, Li Z , et al. A dynamic algorithm for wildfire mapping with NOAA/AVHRR data
[J]. International Journal of Wildland Fire, 2004,13(3):275-285.
[本文引用: 1]

[16] 林志强, 路红亚, 罗布次仁 , 等. 基于GIS的西藏地区森林火险风险区划
[J]. 资源科学, 2013,35(11):2318-2324.
[本文引用: 1]

[ Lin Z Q, Lu H Y, Luobu C R , et al. Risk assessment of forest fire disasters on the Tibetan plateau based on GIS
[J]. Resources Science, 2013,35(11):2318-2324.]
[本文引用: 1]

[17] Kasischke E S, Hewson J H, Stocks B , et al. The use of Atsr active fire counts for estimating relative patterns of biomass burning: A study from the boreal forest region
[J]. Geophysical Research Letters, 2003,30(18):1-4.
[本文引用: 1]

[18] Schroeder W, Oliva P, Giglio L , et al. The new Viirs 375M active fire detection data product: Algorithm description and initial assessment
[J]. Remote Sensing of Environment, 2014,143:85-96.
[本文引用: 3]

[19] Gaveau D L, Salim M A, Hergoualc H K , et al. Major atmospheric emissions from peat fires in Southeast Asia during non-drought years: Evidence from the 2013 Sumatran fires
[J]. Scientific Reports, 2014,4:6112.
[本文引用: 1]

[20] Streets D G, Yarber K F, Woo J H , et al. Biomass burning in Asia: Annual and seasonal estimates and atmospheric emissions
[J]. Global Biogeochemical Cycles, 2003,17(4):1-20.
[本文引用: 1]

[21] Tansey K, Beston J, Hoscilo A , et al. Relationship between modis fire hot spot count and burned area in a degraded tropical peat swamp forest in Central Kalimantan, Indonesia
[J]. Journal of Geophysical Research: Atmospheres, 2008,113(D23):1-8.
[本文引用: 1]

[22] Chand S S, Tory K J, Ye H , et al. Projected increase in El Niño-Driven tropical cyclone frequency in the pacific
[J]. Nature Climate Change, 2017,7(2):123-127.
[本文引用: 1]

[23] Sloan S, Locatelli B, Wooster M J , et al. Fire activity in borneo driven by industrial land conversion and drought during El Niño Periods, 1982-2010
[J]. Global Environmental Change, 2017,47:95-109.
[本文引用: 1]

[24] Tipayarom D , Oanh N T K, Thi N. Effects from open rice straw burning emission on air quality in the Bangkok metropolitan region
[J]. Science Asia, 2007,33(3):339-345.
[本文引用: 1]

[25] Vadrevu K P, Lasko K, Giglio L , et al. Analysis of Southeast Asian pollution episode during June 2013 using satellite remote sensing datasets
[J]. Environmental Pollution, 2014,195:245-256.
[本文引用: 1]

[26] Miettinen J, Shi C H, Liew S C . Fire distribution in peninsular Malaysia, Sumatra and Borneo in 2015 with special emphasis on peatland fires
[J]. Environmental Management, 2017,60(4):747-757.
[本文引用: 1]

[27] Xiao C W, Li P, Feng Z M . Re-delineating mountainous areas with three topographic parameters in mainland Southeast Asia using aster global digital elevation model data
[J]. Journal of Mountain Science, 2018,15(8):1728-1740.
[本文引用: 1]

[28] Gupta A. The Physical Geography of Southeast Asia[M]. Oxford: Oxford University Press, 2005.
[本文引用: 1]

[29] 吴良, 钟帅 , Boudmyxay Khampheng, 等. “一带一路”倡议背景下东南亚贫困及减贫开发模式研究
[J]. 科技促进发展, 2017,13(6):463-471.
[本文引用: 1]

[ Wu L, Zhong S, Boudmyxay K , et al. Poverty and its reduction paradigm research in Southeast Asia under the backdrop of the belt and road initiative
[J]. Science & Technology for Development, 2017,13(6):463-471.]
[本文引用: 1]

[30] 唐冲, 陈伟忠, 申玉铭 . 加强东南亚农业合作开发的战略重点与布局研究
[J]. 中国农业资源与区划, 2015,36(2):84-93.
[本文引用: 1]

[ Tang C, Chen W Z, Shen Y M . Strengthening agriucultural cooperation in Southeast Asia in the perspective of the strategic focus and layout
[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2015,36(2):84-93.]
[本文引用: 1]

[31] Field R D , Werf G R V D, Fanin T, et al. Indonesian fire activity and smoke pollution in 2015 show persistent nonlinear sensitivity to El Niño-induced drought
[J]. Proceedings of the National Academy of Sciences, 2016,113(33):9204-9209.
[本文引用: 1]