, 苏国锋1, 乔禹铭1,2, 李鑫3, 权威41. 清华大学 工程物理系，北京 100084;
2. 清华大学 深圳国际研究生院，安全科学与技术研究所，深圳 518000;
3. 佛山市城市安全研究中心，佛山 528000;
4. 应急管理部 森林消防局，北京 100081
收稿日期：2022-12-12
基金项目：深圳市学科布局项目(JCYJ20180508152055235)
作者简介：姜文宇(1995—)，男，博士研究生
通讯作者：王飞，副教授，E-mail: feiwang@tsinghua.edu.cn
摘要：以火灭火是控制森林火灾蔓延的重要手段之一。然而，现有以火灭火大多依赖专家经验，鲜有定量化分析的相关研究。该文构建了一种用于以火灭火建模分析的定量化火灾蔓延预测模型。该模型采取元胞自动机算法将林火动态蔓延过程定义为网格动力学问题，实现对复杂环境中森林火灾时空动态演化的定量化建模。该模型提出了一种用于以火灭火的网格状态触发机制，将反向点火行为定义为含特定时间触发约束的因素，进而实现对不同时空条件下人为点火因素的定量化模拟分析。为了验证模型的有效性，以2022年8月重庆市北碚区森林火灾为研究案例，分析了不同条件下实施以火灭火策略的效果。实验结果表明：所提出的定量化分析模型能够为森林灭火队伍制订以火灭火策略提供科学辅助，有助于提升森林火灾应急管理的现代化水平。
关键词：森林火灾以火灭火元胞自动机火灾建模应急管理
Dynamic modeling approach for suppression firing based on cellular automata
JIANG Wenyu1,2, WANG Fei1,2
, SU Guofeng1, QIAO Yuming1,2, LI Xin3, QUAN Wei41. Department of Engineering Physics, Tsinghua University, Beijing 100084, China;
2. Institute of Safety Science and Technology, Tsinghua Shenzhen International Graduate School, Shenzhen 518000, China;
3. Foshan Urban Safety Research Center, Foshan 528000, China;
4. Forest Fire Administration, Ministry of Emergency Management, Beijing 100081, China
Abstract: Objective Suppression firing is a crucial approach to control the spread of forest fires. However, existing suppression firing mainly relies on rare quantitative analysis by experts, making efficient forest fire control efforts difficult to perform. Methods In this paper, a fire spread prediction model was implemented to quantitatively simulate and analyze suppression firing. This model adopted the cellular automata algorithm to define the fire spread as a grid dynamics problem. The forest landscape was divided into contiguous regular cells with different cell burning states (S0: unburned; S1: ignited; S2: flashover; S3: extinguishing; S4: extinguished). Then, multimodal environmental factors such as fuel type, slope, wind, and temperature were considered to construct the rate of the spread function and predict the fire spread speed in various complex scenarios. Next, state update rules were proposed to define how the burning state of forest cells was transformed for different fire conditions. The minimum travel time method was then adopted to iteratively calculate the ignition time of each cell in the forest landscape. Therefore, the spatiotemporal evolution of forest fires in complex environmental scenarios was quantitatively modeled. Additionally, a trigger mechanism was proposed to define reverse ignition behavior as a grid cell with specific time-trigger constraints. This mechanism realized a quantitative simulation analysis of human ignition factors with different spatiotemporal conditions. Results To verify the reliability and feasibility of our model, a real forest fire that occurred in the Beibei District of Chongqing in August, 2022 was chosen as the study case. Fire data (fuel type, slope, historical weather, fire perimeter, etc.) and firefighting records (the location and time of fire ignition, suppression firing description, etc.) were collected to reconstruct the firing process. Our model was applied to the suppression firing in this forest fire to analyze the fire control effect for different environmental conditions. The experimental results showed that our model was superior in predicting the spatiotemporal spread of forest fire with competitive model performance (Jaccard: 0.732; Sorensen: 0.845). The spatial location and ignition time of the reverse ignition in suppression firing were quantitatively analyzed and visualized, demonstrating how the reverse fire burned the fuel in advance and impeded the spread of free fires. Conclusions Quantitatively modeling the suppression firing can provide effective decision-making for wildfire firefighters to formulate accurate fire control strategies and improve the modernization capability of forest fire management. As a highly complex, dangerous firefighting strategy, more research on the combustion mechanism and simulation method of suppression firing is needed, such as the formation mechanism and modeling method of local microclimate in a forest fire landscape, the barrier effect of the isolation zone, and spatial optimization.
Key words: forest firesuppression firingcellular automatafire modelingemergency management
森林火灾是全球面临的重大自然灾害之一，干燥气候条件与频繁人为活动等因素使得森林火灾出现频率和强度不断增加，给人类生命、社会经济和自然生态带来巨大损失[1-2]。例如，2018年美国加利福尼亚州的森林火灾共造成1 485亿美元的经济损失，大约是该州年生产总值的1.5%[3]；2019年澳大利亚持续近6个月的森林大火烧毁森林近30 000 km2，并造成至少28人死亡[4]。2022年重庆市仅8月份就发生近10起森林火灾，投入近1.4万人救援，转移居民680余户共1 800余人[5]。开展高效的森林火灾灭火行动是控制火势无序蔓延、减少灾害损失的关键[6]。深入研究大尺度森林火灾燃烧机理与蔓延规律，构建定量化的火灾防控分析模型，对灭火救援意义重大。
分析森林火灾蔓延行为是实现火灾精准控制的关键。许多****系统地研究了地形地貌、气象环境等因素对森林火灾动态蔓延的影响，并构建了森林火灾蔓延模型。现有模型可归纳为经验模型[7]、物理模型[8]和数学模型[9]。经验模型主要依据点火实验数据构建环境参数与火线蔓延速度的经验函数[10]，如Curry等[11]考虑温度、湿度、风速和地形等因素首次提出森林火灾蔓延经验模型，定量化地表征了林火蔓延过程。通常来说，经验模型普适性不强，当真实环境与实验环境存在较大差异时模型效果较差。物理模型则依据物理热力学分析可燃物燃烧过程[12]，如Wu等[13]依据物理热力学理论，从热辐射、热传导、热对流角度定量化分析森林燃烧过程。然而，纯粹的物理仿真过程是一个计算量高、耗时长的迭代求解过程，且对初始条件和边界条件的准确性和物理一致性要求较高，较难应用于大空间大尺度的林火蔓延预测。数学模型采取数学概率方法分析和描述火灾蔓延过程[14]，进而平衡模型的精确性和时效性，如Huygens模型[15]和元胞自动机模型[16]。其中，元胞自动机模型因其结构简单与计算复杂度低的特点在大空间森林火灾蔓延建模中得到广泛应用，如Jiang等[17]提出基于异构元胞自动机模型的火灾蔓延模型，采取半经验的物理定理方法实现对复杂森林-城镇交界域火灾蔓延预测分析。然而，当前研究主要模拟无人为因素干扰下的林火自由蔓延过程，较少研究以火灭火等人为因素下的定量化建模分析。
本文提出了一种用于定量化分析以火灭火的火灾蔓延预测模型。首先，该模型采取基于半经验的物理定理构建复杂森林环境条件下的林火蔓延速率函数，再结合元胞自动机算法实现对林火动态蔓延过程的模拟。然后，选择2022年8月重庆市北碚区森林火灾为研究案例，验证模型的可靠性和实用性，并对不同时刻、地理位置和环境要素等条件下开展以火灭火进行建模对比分析，为森林灭火队伍提供更加科学准确的火灾态势分析服务，辅助制订更加全面有效的灭火策略，进而达到降低灾害损失的目的。
1 森林火灾蔓延模型1.1 森林元胞定义对森林火灾蔓延模型定量化建模的首要步骤是实现对森林空间场景的数值化表征。本文采取规则划分策略将森林空间划分为紧密相连的元胞，元胞之间满足Moore邻域规则。森林元胞的属性空间由影响林火蔓延行为的因素决定，包含地形高程、植被类型、气象条件、引燃时刻和燃烧状态等关键信息。其中，燃烧状态描述了全生命周期的森林植被燃烧过程，由未引燃、引燃、完全燃烧、开始熄灭和完全熄灭5种状态组成。不同燃烧状态元胞的蔓延属性是存在差异的，如表 1所示。
表 1 森林元胞的燃烧状态
| 状态代码 | 图例 | 状态说明 |
| S0 |  | 植被未被引燃 |
| S1 |  | 开始燃烧，不向邻域蔓延 |
| S2 |  | 完全燃烧，可向邻域蔓延 |
| S3 |  | 开始熄灭，不向邻域蔓延完全熄灭 |
| S4 |  | 完全熄灭 |
表选项
基于元胞自动机迭代模式计算得到森林元胞所处的燃烧状态，便可模拟森林火灾的时空蔓延过程。
1.2 林火蔓延速率为了模拟森林火灾在元胞空间中的蔓延过程，需要构建林火蔓延速率函数来定量化描述林火的蔓延。王正非[18]基于黑龙江省和云南省等地区的燃烧实验构建了森林火灾蔓延预测经验模型。该模型能够较好地适用于国内的林火蔓延速率预测。此外，该模型接口的输入数据可获取性也较好。因此，本文采取该模型的关键参数构建森林元胞空间中的林火蔓延速率函数，
| $R_0=a \cdot T+b \cdot V+c \cdot(100-H)+d .$ | (1) |
| $R=R_0 \cdot K_{\mathrm{f}} \cdot K_{\mathrm{s}} \cdot K_{\mathrm{w}} \text {. }$ | (2) |
表 2 可燃物类型改正系数[18]
| 可燃物名称 | Kf |
| 平铺松针 | 0.8 |
| 红松、华山松、云南松 | 1.0 |
| 枯枝落叶 | 1.2 |
| 茅草、杂草 | 1.6 |
| 莎草、矮桦 | 1.8 |
| 牧场、草原 | 2.0 |
表选项
地形坡度改正系数Ks描述了不同坡度对林火蔓延速率的影响，
| $K_{\mathrm{s}}=\mathrm{e}^{3.533 \alpha(\tan \varphi)^{1.2}} \text {. }$ | (3) |
| $K_{\mathrm{w}}=\mathrm{e}^{0.1783 v_{\mathrm{w}} \cos \theta} .$ | (4) |
1.3 状态更新规则在构建关键的林火蔓延速率模型后，需要构建不同燃烧状态之间的转换规则。针对未引燃S0至引燃S1的状态转换，构建状态累计函数Su, v来表征转换临界条件，
| $S_{u, v}^{t+\Delta t}=S_{u, v}^t+\frac{\sum R_{u, v}^t \Delta t}{L} .$ | (5) |
状态为S1的元胞进入内部燃烧过程，还不具备向外扩展蔓延的能力。本文定义Δt1来描述内部蔓延过程，
| $\Delta t_1=\frac{L}{\sqrt{\pi} R_{\mathrm{IN}}}.$ | (6) |
最小旅行时间算法本质上是一种广度优先的图搜索算法[19]，被广泛应用于元胞自动机模型的迭代更新中。最小旅行时间算法可实现对林火时空蔓延过程的动态推演计算。该算法首先依据起火点坐标从森林空间的元胞集合C={c1, c2, …, cN}中选出起火点元胞ci，其中N是空间中元胞的总数。然后，设置元胞ci的燃烧状态为S1，引燃时刻ti=0，并将元胞ci添加至引燃状态为S1临时集合中，即CS1={ci}。最后，依据状态更新规则迭代, 计算时间间隔Δt后森林空间所有元胞状态变化情况，实现对元胞燃烧状态临时集合CS1、CS2、CS3、CS4和引燃时刻T={t1, t2, …, tN}的更新，进而表征林火蔓延的时空动态过程。
2 以火灭火实例2.1 研究案例2022年8月21日22时30分许，重庆市北碚区歇马街道虎头村发生森林火灾，截至8月25日23时左右明火才得到有效控制，造成约15 km2面积的森林植被烧毁。此次森林火灾所处的山区具有箱形山脊、顶部平缓的地理特点。该山区西翼较缓，坡度20°左右，东翼较陡，坡度60°~70°。该区域临近缙云山国家级自然保护区，森林覆盖率达96.6%。缙云山保护区内有大面积的常绿阔叶林，拥有多种代表性的生态系统。此外，起火区域邻近城镇居民区，是典型森林-城镇交界域火灾，对生态环境、社会经济与居民健康产生了极大的威胁。
极端炎热的气候环境是导致本次北碚区森林火灾最主要的因素之一。复杂的森林地理环境与多变的气象条件共同作用，使得常规灭火手段难以快速有效地控制火势蔓延。为了避免火势的持续蔓延，在8月25日20时左右，森林灭火指挥部综合研判后，及时地采取了以火灭火策略，有效地遏制了火灾突破防火隔离带，并最终完全地控制了明火，避免了火灾造成更大损失。此次以火灭火策略成功实施为今后森林消防扑救大型森林火灾提供了宝贵的实战经验。
本文以此次北碚区火灾为研究案例，从定量化建模角度分析以火灭火策略的效果。图 1显示了本文收集的北碚区火灾发生前后的遥感影像数据。影像数据来自美国地质勘探局网站的Landsat 8-9 OLI/TIRS C2卫星[20]。其中，图 1a是8月20日未发生火灾的遥感影像，图 1b是9月13日发生森林火灾后的遥感影像，可清晰观察到火灾对地表植被造成的影响。同时，本文结合新闻媒体的报道数据[5, 21]，定位了此次以火灭火作业空间位置为该区域东北边界右侧山脊处(如图 1b的黄线所示)，长度约为1.6 km。
 |
| 图 1 北碚区森林火灾前后的遥感影像 |
| 图选项 |
2.2 模型构建为了定量化建模评估以火灭火策略的效果，本文采取基于元胞自动机的森林火灾蔓延模型进行建模分析，将人为反向点火视为含特定时间触发约束的网格元胞，进而模拟特定时刻开展以火灭火的人为因素的影响。处于反向点火线空间位置的森林元胞将被视为带约束的特殊元胞，当满足点火时刻触发条件时，这些元胞的引燃状态将由未引燃S0更新为引燃状态S1。针对北碚区森林火灾模拟分析，首先收集模型运行所需要的基础地理数据，包含植被类型[22]、地形高程[23]数据，空间分辨率均为30 m，如图 2a所示。然后，从气象网站获取火灾蔓延时段内的气象数据[24]，包含风速、温度和相对湿度等参数，如图 2b所示。火灾期间的风向以东南风为主。
 |
| 图 2 模型模拟的支撑数据 |
| 图选项 |
依据元胞自动机模型原理，将研究区域空间划分为30 m空间分辨率的规则元胞集合，再使用地理数据和气象数据初始化所有元胞的空间属性值。分辨率是由支撑模型运算的基础地理数据决定的。然后，设置起火点(经纬度坐标：(106.328 00°E，29.771 30°N))空间位置的元胞为初始引燃元胞ci，元胞引燃时刻为ti=0 min，燃烧状态为S1。该时刻的基准时间是火灾发生的时刻，即2022年8月21日22时30分。随后，依据构建的林火蔓延速率函数与状态更新规则，迭代计算森林空间可燃元胞的引燃时刻和状态类型。针对以火灭火区域，构建自动触发器机制，在t=5 610 min(即2022年8月25日20时00分)，将特殊元胞的燃烧状态更新为S1，作为新的起火源引入模型中计算。
同时，为了定量化地评估模拟结果的准确性，本文采取广泛使用的Jaccard指数和Sorensen指数来评估森林火灾蔓延预测模型的模拟性能[25]。Jaccard指数描述的是预测的燃烧区域与真实燃烧区域的重叠度，
| $\text { Jaccard }=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}+\mathrm{FN}}.$ | (7) |
| $\text { Sorensen }=\frac{2 \times \mathrm{TP}}{2 \times \mathrm{TP}+\mathrm{FP}+\mathrm{FN}} .$ | (8) |
 |
| 图 3 北碚区森林火灾蔓延模拟 |
| 图选项 |
元胞空间分辨率是影响模拟结果的重要因素。分辨率越高时，模拟结果精细化程度会越高，模型计算量也将增加，模型的状态更新规则也需要对应地调整优化。实际上，元胞空间分辨率很大程度上由基础数据的可获取性决定。当采取更细致的高分辨率元胞划分策略时，就需要分辨率足够高的基础数据(例如地形、植被等栅格地理数据)提供森林场景中丰富的地理空间细节，否则分辨率再高的元胞空间也无法准确地描述地理空间属性特征，难以真正意义上精细化模拟林火蔓延的时空过程。
反向点火的空间位置一般选择紧靠隔离带等不可燃区域。点火后，消防员需要使用风力灭火机、高压水枪等灭火工具防止人工点火引燃隔离带另一侧的可燃植被。针对反向点火空间位置特征，本文获取了北碚区森林火灾区域的道路数据[26]，分析不同空间位置开展以火灭火策略的效果，如图 4所示。除了实际开展以火灭火的点火线，还存在2处垂直山脉走势的山间道路，是构建人工点火线的潜在位置。因此，本文选取这2处道路作为反向点火位置，即第1、2隔离带，模拟以火灭火策略对林火自由蔓延的影响。
 |
| 图 4 不同空间位置开展以火灭火作业模拟分析 |
| 图选项 |
通过第1、2隔离带反向点火的模拟分析结果，可分析出不同空间位置开展以火灭火作业能够使自由蔓延火线和人工引燃的火线提前交汇，预先烧毁可燃物进而有效控制林火的自由蔓延。此外，反向点火时刻也是影响以火灭火效果的至关重要因素之一。在不同的时刻下，火场状态与气象条件是存在差异的。因此，自由蔓延火线与反向点火火线交汇的位置与时刻是随点火时刻变化而变化的。寻找出最佳的反向点火空间位置和点火时刻是提高以火灭火效率的关键。然而，开展实际作业时需要综合考虑更多复杂细致的因素。例如，已有山路通常需要一定的时间进行拓宽改造，从而避免隔离带过窄导致隔离失效，使得猛烈燃烧的火焰通过热辐射或飞火引燃隔离带另一侧的可燃植被。同时，林火在燃烧时将形成局部的小气候，与火场附近的气象站数据之间存在偏差。因此，在反向点火时需要精准掌握现场精细化的气象参数。此外，在反向引燃隔离带一侧植被时，需要用高压水枪对另一侧植被进行降温和增湿，降低可燃物的可燃性。当反向点燃区域从隔离带边界蔓延出去后，也需要立刻使用水枪进行控制，防止可燃物复燃。
4 结论本文采用异构元胞自动机算法构建森林火灾蔓延模型[17]，提出网格状态触发机制将人为反向点火因素耦合至蔓延模型，形成了以火灭火策略的定量化分析方法，并在2022年8月重庆市北碚区森林火灾案例上进行了模拟推演和验证，充分证明了所提模型方法的精准性和实用性。同时，从模拟结果可得到如下结论：1) 以火灭火策略能够提前烧毁可燃物，是控制高强度森林火灾持续蔓延的有效手段。2) 定量化分析模型能够提供反向点火情景下火场时空动态演化模拟，能够为开展以火灭火工作提供关键的辅助决策支持。3) 不同时空条件下反向点火效果是存在差异的，点火作业需要考虑火场状态、地理环境、局部气象等条件的综合约束。
以火灭火是一项复杂度高、危险性大的灭火策略，未来还需要进一步研究以火灭火的深层机理与模拟方法(如火场局部小气候形成机理与建模方法、隔离带阻隔效应及空间优化等)，为智能化森林火灾应急指挥提供更加科学全面的决策支持。
参考文献
| [1] | BOWMAN D M J S, BALCH J K, ARTAXO P, et al. Fire in the earth system[J]. Science, 2009, 324(5926): 481-484. DOI:10.1126/science.1163886 |
| [2] | DOERR S H, SANTíN C. Global trends in wildfire and its impacts: Perceptions versus realities in a changing world[J]. Philosophical Transactions of the Royal Society B: Biological Sciences, 2016, 371(1696): 20150345. DOI:10.1098/rstb.2015.0345 |
| [3] | WANG D P, GUAN D B, ZHU S P, et al. Economic footprint of California wildfires in 2018[J]. Nature Sustainability, 2021, 4(3): 252-260. |
| [4] | GODFREE R C, KNERR N, ENCINAS-VISO F, et al. Implications of the 2019—2020 megafires for the biogeography and conservation of Australian vegetation[J]. Nature Communications, 2021, 12(1): 1023. DOI:10.1038/s41467-021-21266-5 |
| [5] | 应急管理部. 国家森防指办公室、应急管理部全力支持重庆森林火灾扑救各处明火全部扑灭全面转入清理看守[EB/OL]. (2022-08-26)[2022-12-11]. https://www.mem.gov.cn/xw/bndt/202208/t20220826_421196.shtml. Ministry of Emergency Management of the People's Republic of China. State Forest Defense Office and Ministry of Emergency Management fully support the fight against forest fires in Chongqing. All open fires were extinguished. Fully transfer to clean-up guards[EB/OL]. (2022-08-26)[2022-12-11]. https://www.mem.gov.cn/xw/bndt/202208/t20220826_421196.shtml. (in Chinese) |
| [6] | MINAS J P, HEARNE J W, HANDMER J W. A review of operations research methods applicable to wildfire management[J]. International Journal of Wildland Fire, 2012, 21(3): 189-196. DOI:10.1071/WF10129 |
| [7] | SULLIVAN A L. Wildland surface fire spread modelling, 1990—2007.2: Empirical and quasi-empirical models[J]. International Journal of Wildland Fire, 2009, 18(4): 369-386. DOI:10.1071/WF06142 |
| [8] | SULLIVAN A L. Wildland surface fire spread modelling, 1990—2007.1: Physical and quasi-physical models[J]. International Journal of Wildland Fire, 18(4): 349-368. DOI:10.1071/WF06143 |
| [9] | SULLIVAN A L. Wildland surface fire spread modelling, 1990—2007.3: Simulation and mathematical analogue models[J]. International Journal of Wildland Fire, 2009, 18(4): 387-403. DOI:10.1071/WF06144 |
| [10] | ROSSA C G, FERNANDES P M. Empirical modeling of fire spread rate in no-wind and no-slope conditions[J]. Forest Science, 2018, 64(4): 358-370. DOI:10.1093/forsci/fxy002 |
| [11] | CURRY J R, FONS W L. Forest-fire behavior studies[J]. Mechanical Engineering, 1940, 62: 219-225. |
| [12] | SIMEONI A, SALINESI P, MORANDINI F. Physical modelling of forest fire spreading through heterogeneous fuel beds[J]. International Journal of Wildland Fire, 2011, 20(5): 625-632. DOI:10.1071/WF09006 |
| [13] | WU Z W, HE H S, CHANG Y, et al. Development of customized fire behavior fuel models for boreal forests of Northeastern China[J]. Environmental Management, 2011, 48(6): 1148-1157. DOI:10.1007/s00267-011-9707-3 |
| [14] | GRISHIN A M, YAKIMOV A S. Mathematical modeling of the wood ignition process[J]. Thermophysics and Aeromechanics, 2013, 20(4): 463-475. DOI:10.1134/S0869864313040094 |
| [15] | ANDREWS P L, CRUZ M G, ROTHERMEL R C. Examination of the wind speed limit function in the Rothermel surface fire spread model[J]. International Journal of Wildland Fire, 2013, 22(7): 959-969. DOI:10.1071/WF12122 |
| [16] | LI Z H, WANG F, ZHENG X C, et al. GIS based dynamic modeling of fire spread with heterogeneous cellular automation model and standardized emergency management protocol[C]//Proceedings of the 3rd ACM SIGSPATIAL Workshop on Emergency Management Using. Redondo Beach, USA, 2017. |
| [17] | JIANG W Y, WANG F, FANG L H, et al. Modelling of wildland-urban interface fire spread with the heterogeneous cellular automata model[J]. Environmental Modelling & Software, 2021, 135: 104895. |
| [18] | 王正非. 山火初始蔓延速度测算法[J]. 山地研究, 1983, 1(2): 42-51. WANG Z Y. The mesurement method of the wildfire initial spread rate[J]. Mountain Research, 1983, 1(2): 42-51. (in Chinese) |
| [19] | FINNEY M A. Fire growth using minimum travel time methods[J]. Canadian Journal of Forest Research, 2002, 32(8): 1420-1424. DOI:10.1139/x02-068 |
| [20] | United States Geological Survey (USGS). EarthExplorer[Z/OL]. [2022-12-11]. https://earthexplorer.usgs.gov/. |
| [21] | 中国气象局. 重庆北碚"以火灭火" 气象人"借"了回关键的东风![EB/OL]. (2022-08-29)[2022-12-11]. https://www.cma.gov.cn/2011xwzx/2011xqxxw/2011xqxyw/202208/t20220829_5058277.html. China Meteorological Administration. The meteorologist "borrowed" back the key east wind in the suppression of the forest fire in Chongqing Beibei![EB/OL]. (2022-08-29) [2022-12-11]. https://www.cma.gov.cn/2011xwzx/2011xqxxw/2011xqxyw/202208/t20220829_5058277.html. (in Chinese) |
| [22] | GONG P, CHEN B, LI X C, et al. Mapping essential urban land use categories in China (EULUC-China): Preliminary results for 2018[J]. Chinese Science Bulletin, 2020, 65(3): 182-187. |
| [23] | 中国科学院计算机网络信息中心. 地理空间数据云[Z/OL]. [2022-12-11]. https://www.gscloud.cn/. Computer Network Information Center, Chinese Academy of Sciences. Geospatial data cloud[Z/OL]. [2022-12-11]. https://www.gscloud.cn/. (in Chinese) |
| [24] | 中国天气网. 重庆北碚区气象[EB/OL]. [2022-12-11]. http://www.weather.com.cn/weather1d/101040800.shtml. Chinese Weather. Weather data in Beibei, Chongqing[EB/OL]. [2022-12-11]. http://www.weather.com.cn/weather1d/101040800.shtml. (in Chinese) |
| [25] | JIANG W Y, WANG F, SU G F, et al. Modeling wildfire spread with an irregular graph network[J]. Fire, 2022, 5(6): 185. DOI:10.3390/fire5060185 |
| [26] | OSGeoLive. OpenStreetMap[Z/OL]. [2022-12-11]. https://www.openstreetmap.org/. |
