EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 6: 211 - 218

DOI: https://doi.org/10.6046/zrzyyg.2024336

技术应用

森林城镇交界域划分方法对比研究——以加拿大艾伯塔省伍德布法罗市为例

  • 王梓濛 , 1 ,
  • 廖远鸿 1 ,
  • 楼书含 1 ,
  • 白玉琪 , 1, 2
展开
  • 1.清华大学地球系统科学系,东亚迁徙鸟类与栖息地生态学教育部野外科学观测研究站,清华大学全球变化研究院,北京 100084
  • 2.清华大学中国城市研究院,北京 100084
白玉琪(1976-),男,博士,教授,主要从事地球大数据的理论、方法和应用研究。Email: 。

王梓濛 (2002-),女,博士研究生,研究方向为野火观测和风险评估。Email: 。

Copy editor: 李瑜

收稿日期: 2024-10-18

  修回日期: 2025-02-17

  网络出版日期: 2026-06-03

基金资助

国家重点研发计划“国家级综合地球观测系统(GEOSS)框架与原型系统研发”(2021YFE0117000)

收起

A comparative study of the methods for delineating wildland-urban interfaces: A case study of Wood Buffalo, Alberta, Canada

  • WANG Zimeng , 1 ,
  • LIAO Yuanhong 1 ,
  • LOU Shuhan 1 ,
  • BAI Yuqi , 1, 2
Expand
  • 1. Department of Earth System Science, Ministry of Education Ecological Field Station for East Asian Migratory Birds and Their Habitatses, Institute for Global Change Studies, Tsinghua University, Beijing 100084, China
  • 2. Tsinghua Urban Institute, Tsinghua University, Beijing 100084, China

Received date: 2024-10-18

  Revised date: 2025-02-17

  Online published: 2026-06-03

Fold

摘要

森林城镇交界域指房屋与森林等自然植被相遇或相混合的区域。森林城镇交界域(wildland-urban interface,WUI)划分对火灾风险管理、森林资源开发利用、气候变化应对、社会经济可持续发展等都具有重要价值。目前森林城镇交界域划分方法多基于《美国联邦公报》的定义进行发展和细化,以建筑密度、植被覆盖度、建筑与植被的距离等指标为参量,可分为建筑密度优先、燃料等级优先、建筑植被缓冲区重合3类方法。该研究先对3类森林城镇交界域区域划分方法相关研究文献进行总结和对比,然后选择了多年来野火频发的加拿大艾伯塔省伍德布法罗市为试验区,利用微软加拿大建筑足迹数据、GLC_FCS30—2020土地覆盖数据和当地历史火点和火迹地数据,完成了3类方法结果对比。结果表明建筑密度优先方法划分结果与历史野火记录重合比例最高,但忽略了同样具有野火风险的低密度建筑; 燃料等级优先方法面积偏大,与历史野火记录重合比例较低,过于关注建筑周围的植被而忽略了建筑本身; 建筑植被缓冲区重合方法与历史野火记录重合比例最低,划分结果面积偏小,主要原因在于缓冲区距离设置较小。该研究揭示了现有方法的优势和局限性,有助于未来更科学合理地划分森林城镇交界域区域,为火灾风险应对和应急管理决策提供决策参考。

关键词： 森林城镇交界域; 建筑密度优先方法; 燃料等级优先方法; 建筑植被缓冲区重合方法; 野火风险管理

本文引用格式

王梓濛 , 廖远鸿 , 楼书含 , 白玉琪 . 森林城镇交界域划分方法对比研究——以加拿大艾伯塔省伍德布法罗市为例[J]. 自然资源遥感, 2025 , 37(6) : 211 -218 . DOI: 10.6046/zrzyyg.2024336

Abstract

A wildland-urban interface (WUI) refers to the area where residential buildings meet or intermingle with natural vegetation such as forests. The delineation of the WUI plays an important role in fire risk management, forest resource development and utilization, climate change responses, and sustainable socio-economic development. Current methods for WUI delineation are primarily developed and refined based on the definition given in the Federal Register of the United States. Based on indicators such as building density, vegetation coverage, and the distance between buildings and vegetation, these methods can be categorized into three types: building density priority, fuel grade priority, and overlap between building-vegetation buffer zones. Initially, this study presented a summary and comparison of relevant literature on the three types of methods. Then, Wood Buffalo in Alberta, Canada, an area frequently affected by wildfires, was selected to compare the three methods using data on Canadian building footprints released by Microsoft, global land cover from GLC_FCS30-2020, and local historical fire points and fire scars. The results indicate that the building density priority method exhibited the highest coincidence rate with historical wildfire records. However, it overlooked low-density buildings that were also at risk of wildfire. The fuel grade priority method produced a larger delineation area, with a lower coincidence rate with historical wildfire records since it focused excessively on the vegetation around buildings while neglecting the buildings themselves. In contrast, overlap between building-vegetation buffer zones presented the lowest coincidence rate with historical wildfire records and the smallest delineation area. This occurred primarily due to the short distance setting of buffer zones. This study reveals the strengths and limitations of existing methods, contributing to more scientifically robust and rational WUI delineation in the future while also providing references for decision-making in fire risk management and emergency responses.

Key words： wildland-urban interface (WUI); building density priority method; fuel grade priority method; overlap between building-vegetation buffer zones; wildfire risk management

0 引言

近年来,欧洲、北美、南美、非洲、澳大利亚等多地的野火事件发生频率显著增加[1-2]。联合国环境规划署2022年《野火四处蔓延,威胁日渐逼近》报告指出,野火对全球生态环境安全、野生动物保护、人群健康保持、经济社会发展都会产生重大的负面影响[3]。当人为或自然因素引发的大火失控,从森林向建筑区蔓延时,很容易演化为重特大森林火灾或大规模建筑火灾,成为跨越自然灾害和事故灾难类别的耦合性突发事件。这种风险集中在房屋与森林等自然植被相遇或相混合的区域——森林城镇交界域(wildland-urban interface,WUI)[4]。
自20世纪90年代以来,“森林城镇交界域”一词经常用在野火风险管理和应对政策制定[5]。作为火灾风险集中的地带,森林城镇交界域往往成为人员伤亡、房屋损毁的主要区域[6],WUI区域在全球范围内普遍存在。随着人类土地利用模式的转变(如城乡扩张、工业设施兴建、住宅区增多等),WUI区域的面积持续增长[7]。联合国环境规划署2022报告进一步指出,气候变化已经导致了诸多环境变化,而这些变化可能增加危险火灾天气(炎热、干旱、强风等)的频率和强度,使得高火灾风险季节更炎热、更干燥和更漫长[3]。为了有效地开展火灾风险应对,支撑应急管理决策,非常需要更合理地划分WUI区域。

1 WUI研究分析

近年来WUI研究主题主要包含WUI定义、WUI区域划分、制图方法、管理策略、火灾风险评估和干预优先级评定等。部分WUI区域划分法汇总见表1,其中列举了代表性的WUI区域划分方法。它们采用了较为一致的WUI基本定义,但在WUI区域划分的方法和参数设置上有显著差异,包括建筑和植被具体范围、危险阈值设定、缓冲距离选择、移动窗格大小等。
表1 部分WUI划分方法汇总表

Tab.1 Summary table of some forest-town interface division methods

作者 WUI子类 筛选要素及阈值 所用数据 年份 研究区
Schug等 [11] 交界WUI
和混合
WUI		 利用500 m半径圆形移动窗口计算建筑密度和植被覆盖率
住房密度大于每16.19 hm21栋房屋,并且野生植被覆盖率超过50%或低于50%但位于大型密集植被区域的2.4 km范围内		 土地覆盖数据
建筑面积占比数据		 2023年 全球
Chen等[12] 交界WUI
和混合
WUI		 建立400 m网格计算建筑密度和植被覆盖率
住房密度大于每16.19 hm21栋房屋,并且野生植被覆盖率超过50%或低于50%但位于大型密集植被区域的2.4 km范围内		 土地覆盖数据
人口密度数据
建筑足迹数据		 2024年 全球
Carlson等[10] 交界WUI
和混合
WUI		 根据不同的邻域半径大小,确定划分WUI的范围,论文中选择了100 m,200 m,300 m,400 m,500 m和1 500 m
住房密度大于每16.19 hm21栋房屋,并且野生植被覆盖率超过50%或低于50%但位于大型密集植被区域的2.4 km范围内		 建筑足迹数据
土地覆盖数据		 2022年 美国
Johnston等[13] 住房WUI、工业WUI
和公共设施WUI		 根据植被的可燃性和连通性算植被的权重燃料等级
根据不同的权重燃料等级创建可变宽度缓冲区域
冲区的最大宽度为2 400 m,燃料等级越高,燃烧成本越高,缓冲区越小		 建筑足迹数据
土地覆盖数据		 2018年 加拿大
Bar-Massada等[14] 交界WUI
和混合
WUI		 建成区缓冲区100 m内的像元作为候选像元
候选像元500 m半径内植被密度>50%
候选像元距离大型植被斑块<600 m		 建筑足迹数据
土地覆盖数据		 2023年 欧盟
Modugno等[15] — 距离建筑区域<200 m
距离野生植被区域<400 m		 建筑位置数据
土地覆盖数据		 2016年 欧盟
当前针对WUI区域划分方法的研究,主要侧重于划分WUI时步骤的优化。对于划分时使用的建筑数据,Berg等的研究发现,相较于依照人口密度区块数据,通过建筑位置数据来统计建筑密度,进而划分出的WUI内的建筑物,其面临野火威胁的概率更高[8]。Huang等指出,利用NAIP航空影像并结合深度学习框架来检测WUI内的建筑物,比传统依赖商业卫星数据的方法能更精准地识别出处于野火风险中的建筑,并且借助建筑更新数据,能够有效捕捉WUI的动态变化[9]。此外,不同缓冲区大小设置对WUI面积和包含的建筑数量影响显著,Carlson等的研究表明,采用半径为500 m的移动窗格进行建筑密度统计,在区分建筑群与野生植被区域时表现最为平衡,既不会过度包含孤立建筑,也不会过度排除建筑群[10]。
然而,WUI区域划分方法的整体差异,仍缺乏针对性的对比分析和总结。为此,本研究首先依据WUI划分时筛选的主要对象将现有方法归为3类: ①建筑密度优先方法: 该类方法侧重于以建筑密度为核心指标,通过量化建筑密集程度来界定WUI区域; ②燃料等级优先方法: 该类方法根据植被易燃性和其与建筑的距离筛选出建筑周围的易燃野生植被区域,并将其划分为WUI区域; ③建筑植被缓冲区重合方法: 该类方法对建筑区域和植被区域建立固定距离的缓冲区,将同时处于两者缓冲区内的区域划分为WUI区域。

2 研究区概况及数据源

2.1 研究区概况

加拿大是全球野火事件频发的国家。该国林业数据库显示,加拿大平均每年发生8 000多起火灾,平均火迹地超过21万hm2。其中,1981—2018年间,加拿大发生了302 905起野火; 其中 685 起火灾 (0.2%) 导致约 400 000 人疏散,其中 96 起火灾导致房屋、娱乐场所或企业损失,包括约 4 015 座建筑物[16]。2016年的艾伯塔省伍德布法罗市麦克默里堡野火仍然是影响最大的火灾之一,共计疏散8万余人,烧毁2 400余座建筑物。作为加拿大历史上损失最惨重的自然灾害,保险损失达37亿美元,对区域经济发展造成了重大的负面影响[17]。
本研究以加拿大艾伯塔省伍德布法罗市为研究区域,基于微软加拿大建筑足迹数据集和土地覆盖数据集GLC_FCS 30对不同方法所划分的WUI区域范围进行评估,并结合加拿大火点数据和全球火迹地数据库MODIS MCD64A1,进一步展示了不同方法在火灾风险预测的有效性。
如图1所示,伍德布法罗市坐落于加拿大艾伯塔省的东北角,占地面积约10.5万km2。该地区地形以平坦开阔为主,平均海拔约390 m,主要由广袤的森林覆盖,其中以平原和低地最为显著。伍德布法罗市自然资源丰富,生态保护区众多,水系发达,尤其是奥尔巴尼河流域和阿萨巴斯卡河,为该地区提供了丰富的水资源。此外,该市还拥有庞大的奥尔巴尼沼泽地及其他湿地。这些水系不仅滋养了当地生态系统,也对生物多样性的维护起到了关键作用。该市被茂密的针叶林所环绕,主要树种包括云杉和松树。这些森林不仅为木材产业提供了宝贵的资源,也是当地野生动植物的重要栖息地。然而,林地的广泛分布也意味着一旦发生林火,火势可能迅速蔓延,对自然环境多样性保护和城市居住区域的基础设施和人群生命财产安全构成严重威胁。
图1 伍德布法罗市区位图

Fig.1 The location map of Wood Buffalo City

2.2 数据源及其预处理

本文利用建筑足迹数据和土地覆盖数据对伍德布法罗市的WUI区域进行不同方式的划分。随后根据历史火迹地和火点数据的分布特征,对不同划分方法进行了比较分析。
本文从微软加拿大建筑足迹数据库(https://github.com/microsoft/GlobalMLBuildingFootprints)提取了伍德布法罗市22 616个建筑足迹进行研究,如图2所示。微软加拿大建筑足迹数据库通过高级的语义分割技术,对2017—2022年期间的 Vexcel 和Maxar影像进行像素级的建筑识别,不仅精确地标出了建筑物的轮廓,还能够确保各种建筑结构被准确识别,从而生成准确的建筑足迹数据。
图2 伍德布法罗市建筑足迹分布图

Fig.2 The building footprints of Wood Buffalo City

本文的土地覆盖数据使用了GLC_FCS30—2020数据集(https://data.casearth.cn/sdo/detail/5fbc7904819aec1ea2dd7061)。该数据集是中国科学院空天信息创新研究院刘良云研究员团队研发的全球 30 m 土地覆盖、精细分类产品,多源的遥感影像通过预处理、分类、后处理和精度评估等步骤,最终生成全球范围内的30 m分辨率土地覆盖数据。该数据集对土地覆盖类型进行了精细分类(具体类型如表二所示),尤其是植被类型划分,这有助于植被的燃料等级分级,能够更细致地区分不同类型植被的易燃性差异。
火点和火迹地矢量数据均来自加拿大艾伯塔省的森林管理部门(https://www.alberta.ca/wildfire-maps-and-data#jumplinks-2),选取的时间范围是2011—2020年。火点数据包括每场火灾的起因、大小、位置(纬度和经度)、持续时间、天气条件、用于火灾扑救的人员和物理资源等信息,火迹地数据包括火灾的位置、大小、持续时间以及其他相关参数。本文还使用了MODIS MCD64A1火迹地产品[18]作为加拿大艾伯塔省官方火迹地数据的补充,数据空间分辨率为500 m,提供全球范围内的火迹地数据,主要包括火灾烧毁区域的地理位置和时间信息,数据时间范围同样选取2011—2020年,并将其进行矢量化处理,之后与官方火迹地数据进行合并,以获得更完整的伍德布法罗市火迹地数据。由于采用了多种不同数据源,数据坐标系不一致,为确保后续进行统一的处理以及准确的面积计算,本文将所有数据坐标系统投影至加拿大阿尔伯斯等面积圆锥坐标系(ESPG: 102001)。

3 研究方法

3.1 建筑密度优先划分方法

建筑密度优先划分方法主要参照了Bar-Massada和Li等基于建筑位置数据的WUI划分方法[19-20]。根据土地覆盖类型判断是否属于野生植被: 野生植被包括森林、灌木丛、草原、湿地以及苔藓和地衣,非野生植被包括耕地、建成区、裸地和稀疏植被、冰雪和水。这类方法的WUI定义采用《美国联邦公报》标准定义的参数[21]: 住房密度超过6.17间房屋/km2,并且野生植被覆盖度大于50%的栅格被划为混合区域(intermix WUI); 住房密度超过6.17间房屋/km2,野生植被覆盖度少于 50%,但在半径2.4 km缓冲区内大型连续野生植被(面积大于5 km2)的比例超过75%的栅格被划为交界区域(interface WUI)。为了方便比较不同划分方法的WUI区域结果,更合理地与其他划分结果进行对比,本研究不进一步区分交界区域和混合区域,统称为WUI。
由于已知每个建筑的具体位置,因此可以通过使用圆形移动窗口分析来计算研究区内每个像素周围的住房单元和野生植被的密度。首先对研究区构建了空间分辨率为 30 m的栅格地图,每个 30 m像素的值是给定移动窗口内每km2的建筑密度d,具体是通过统计半径r的移动窗口范围中的建筑物数量N来计算建筑密度。有研究表明,当移动窗口半径小于500 m时,生成的WUI制图将对建筑数据集的错分误差和漏分误差高度敏感,而选取更大的半径对WUI面积变化几乎没有影响[10,22],因此本实验中移动窗口半径选取500 m,建筑密度的计算公式为:
$d=\frac{N}{\mathrm{\pi }\times (500\times 500)}\times 1\mathrm{ }000\mathrm{ }000$。
同样使用空间分辨率为 30 m的栅格地图和半径为500 m的移动窗格进行野生植被覆盖度的计算,移动窗口内野生植被栅格的比例作为每个中心栅格的野生植被覆盖度。

3.2 燃料等级优先划分方法

燃料等级优先WUI划分方法主要参照Johnston等提出的方法,基于建筑周围易燃的野生植被定义WUI区域[13]。首先,通过2个步骤生成燃料等级栅格图层。第一步根据燃料的相对最大潜在“危险”(即抑制难度)将燃料(即土地覆盖类型)进行排名。本文主要参考了Johnston L M等基于加拿大火灾行为预测(FBP)系统(加拿大林业火灾危险小组,1992年)的潜在火灾行为和扑灭难度,对加拿大Land Cover 2000数据集中各个土地覆盖类型的燃料等级进行的分类[13]。在此基础上,进一步对GLC_FCS30—2020中各个土地覆盖类型的进行了划分,如表2所示,燃料等级越高(其数值越小)表示燃烧成本越低,易燃程度越高。
表2 不同土地覆盖类型 (GLC-FCS30—2020)的燃料等级相对排名

Tab.2 Relative ranking of fuel levels for different land cover types (GLC-FCS30—2020)

栅格值 种类 燃料等级
71 开阔常绿针叶林(0.15<fc①<0.4) 1
72 闭阔常绿针叶林(fc>0.4) 1
81 开阔落叶针叶林(0.15<fc<0.4) 1
82 闭阔落叶针叶林(fc>0.4) 1
51 开阔常绿阔叶林 2
52 闭阔常绿阔叶林 2
61 开阔落叶阔叶林(0.15<fc<0.4) 2
62 闭阔落叶阔叶林(fc>0.4) 2
91 开阔混交叶片林(阔叶树和针叶树) 2
92 闭阔混交叶片林(阔叶树和针叶树) 2
120 灌木地 3
121 常绿灌木地 3
122 落叶灌木地 3
130 草地 3
152 稀疏灌木地(fc<0.15) 3
180 沼泽 4
150 稀疏植被(fc<0.15) 4
153 稀疏草本植被(fc<0.15) 5
11 草本植被覆盖 5
10 耕地 /
12 树木或灌木覆盖(果园) /
20 灌溉耕地 /
140 地衣和苔藓植被 /
190 不透水表面 /
200 裸地 /
201 固化裸地 /
202 非固化裸地 /
210 水体 /
220 永久性冰雪覆盖 /
250 填充值 /

①fc为覆盖分量(fractional cover)

第二步是对所有燃料的燃料连通性进行评估。本文使用了聚合指数(aggregation index,AI),该指数已在以前的 WUI 映射研究中采用[23]。该指数提供了分散在区域内的燃料连通性或聚集程度的衡量标准,它还为火灾在建筑外围植被中蔓延的难易程度提供了参考。在5×5大小的移动窗口中计算了所有燃料栅格的聚合指数,其公式为:
$AI=\frac{{g}_{ii}}{\mathrm{m}\mathrm{a}\mathrm{x}\left\{{g}_{ii}\right\}}\times 100$
式中gii为相应燃料等级i的聚合程度,即在 5×5 窗格内所有燃料等级为i的像元与同类像元的邻接对数之和。
原始AI值的范围从0(无聚合,即每个单元都是隔离的)到100(完全聚合,即燃料是连续的)。之后对AI值进行简化分类: AI>90 被归类为“高聚合”,并赋值为0; 0$<AI\le $90为“较低聚类”,并赋值为 1; AI =0 为“无聚合”,并赋值为 2。对于每个燃料栅格,将这些AI值添加到土地覆盖的燃料等级(如表2所示的类别)中,从而产生从1到7的加权燃料等级。例如,具有高聚合指数(AI值为 0)的,土地覆盖类型为开阔落叶针叶林(燃料等级为 1)的栅格像元,其加权燃料等级值为 1。而非燃料栅格的加权燃料等级值则被赋值为10 。
燃料等级优先划分WUI区域是通过在建筑周围建立可变宽度缓冲区来实现的,为了筛选建筑周围的燃料栅格,缓冲区的宽度基于建筑周围栅格的大小为1~7(非燃料为 10)的加权燃料等级值。加权燃料等级值代表了栅格燃烧的距离成本,加权燃料等级值越小则表示燃烧的距离成本越小,发生火灾后影响的范围就越大。可变宽度缓冲区最大宽度为2 400 m,然后根据距离成本成倍缩小缓冲区大小。

3.3 建筑植被缓冲区重合划分方法

建筑植被缓冲区重合WUI划分方法主要参考Modugno等提出的方法[15],分别基于建筑足迹数据和植被燃料区域建立缓冲区。首先,划分出野生植被斑块,选取的野生植被土地覆盖类型与2.2提到的相同; 然后,围绕建筑区域建立200 m的缓冲区,在野生植被斑块周围创建 400 m的缓冲区; 最后,将2个缓冲区叠加,重叠区域划分为WUI区域。

4 3种WUI划分方法的结果分析

4.1 划分区域对比

建筑密度优先方法、燃料等级优先方法、建筑植被缓冲区重合方法的WUI区域划分结果如图3所示。3种方法得到的WUI总面积分别为298.235 km2,1 682.162 km2和261.223 km2。
图3 城市森林交界域划分结果

Fig.3 Results of wildland-urban interface (WUI) delineation

建筑密度优先方法设定建筑密度大于6.17间房屋/km2作为划分WUI的阈值。然而,在伍德布法罗市北部,该区域建筑分布相对稀疏,难以满足上述密度要求。因此,在应用此方法时,大量位于低密度区的房屋及其周边植被被排除在WUI区域之外。燃料等级优先方法侧重于评估植被的易燃性及其对野火传播的潜在影响。在此方法下,所有位于建筑周边、具有较高燃料等级的易燃植被均被视为WUI区域的一部分。在伍德布法罗市北部的居民区,即便建筑密度不高,但房屋被密集的植被包围,这个区域同样被算作WUI区域。由于该方法在划分过程中考虑到了房屋周围2.4 km缓冲区内的所有植被,其最终结果面积远超其他2种方法。特别是在北部居民区,差异尤为明显。建筑植被缓冲区重合方法试图通过设置一个缓冲区来平衡建筑密度与植被易燃性之间的关系。然而,在划分过程中,由于预设的缓冲区距离偏小,未能充分考虑当地的具体条件,导致最终划定的WUI面积偏小,仅为261.223 km2。
为了更清晰地比较每种方法划分结果的差异,本文选取伍德布法罗市中部河流附近建筑较密集的小区域(面积约960 km2),将3种结果与实际建筑的建筑风险指数和植被的空间位置进行对比,如图4所示。建筑密度优先WUI主要是围绕建筑进行划分,多数植被被忽略,燃料等级优先WUI主要是对建筑周围的植被进行划分,由于建筑密集的居民区土地覆盖类型多数属于裸地或者不透水面,很多居民区本身被忽略; 建筑植被缓冲区重合WUI分布与建筑密度优先空间分布比较相似,但由于没有对建筑和植被进行筛选,WUI区域的范围要大于建筑密度优先。
图4 不同划分方法结果细节对比图

Fig.4 Comparison chart of detailed results of different division methods

3种方法均将河流左侧中部的建筑群划分进了WUI区域,该建筑群下方的较稀疏建筑被耕地覆盖,不属于有效燃料栅格,建筑密度优先和建筑植被缓冲区重合方法均将这处建筑区划入了WUI区域,没有进行有效的筛选。另外,建筑密度优先方法同样忽略了河流右侧的区域很多处于野生植被的稀疏建筑。
总体而言,3种基础的WUI划分方法在处理建筑和植被时,均未能实现有效的同时筛选,这导致了划分结果存在一定的偏差。为了确保WUI区域的划分更加精确,未来需要设定更有效的阈值,以更准确地界定WUI区域。

4.2 建筑数量统计

由于燃料等级优先划分方法结果中忽略了很多居住区,为了保证对比结果相对客观,对每个WUI区域分别建立了10 m,50 m,100 m缓冲区,以统计WUI区域内的建筑数量。同时,本研究还分别统计了WUI区域内位于火迹地2 400 m缓冲区内的建筑数量和总建筑数量,用以分析WUI区域内的房屋受野火的影响大小,结果见表3。结果表明,在伍德布法罗市, WUI区域内的建筑受到野火影响较大,处在火迹地中的建筑数量远高于非缓冲区内的建筑,处在建筑密度优先WUI的建筑数量最多。
表3 伍德布法罗市不同城市森林交界域的建筑数量

Tab.3 Statistical count of buildings at the different WUI of Wood Buffalo City (个)

划分方法 建筑位置 对WUI建立的缓冲区距离/m
0 10 50 100
建筑密度优先 火迹地缓冲区内 18 908 18 925 18 954 18 975
非缓冲区内 2 304 2 367 2 414 2 445
燃料等级优先 火迹地缓冲区内 1 528 2 260 8 377 14 579
非缓冲区内 774 1 459 2 537 2 744
建筑植被缓冲区重合 火迹地缓冲区内 16 607 17 010 17 422 17 716
非缓冲区内 1 989 2 665 2 865 3 050

4.3 火点数量及火迹地面积统计

对WUI内的火点和火迹地进行统计,结果如表4所示。因为同时考虑了建筑区域和植被区域2个部分,燃料等级优先的WUI区域总面积偏大。而建筑密度优先和建筑植被缓冲区重合的WUI区域总面积偏小,这可能与划分方法的缓冲距离和筛选阈值有关,这2个方法都忽略了很多建筑周围的植被区域。
表4 伍德布法罗市不同WUI内的面积、野火火点数量、燃烧面积

Tab.4 Statistical count of area, fire-points, burned area at the different WUI of Wood Buffalo City

划分方法 WUI总面
积/km2		 火点数
量/个		 WUI内的
火迹地面
积/km2		 占总火迹
地面积比
例/%		 占WUI面
积比例/%
建筑密度优先 298.23 655 59.85 0.17 20.071
燃料等级优先 1 682.16 427 277.23 0.82 16.481
建筑植被缓冲
区重合		 261.22 629 36.94 0.11 14.143
2011—2020年,伍德布法罗市的总火迹地面积为33 669.53 km2。野火的过火区域和WUI区域重叠的比例较低[24]。总体上看,WUI中的火迹地面积占总火迹地的面积比例较小,伍德布法罗市大多数野火仍主要发生在远离城镇的区域。比较不同方法划分的WUI中的火点数量和火迹地面积大小可以看出,建筑密度优先方法得到的总面积虽然偏小,但相比其他2种方法得到的火迹地面积占WUI面积比例较高,火点数较多,在识别与人类活动密集区域相关的野火风险方面具有较高的参考价值。燃料等级优先方法划分总面积最大,虽然覆盖了更多火迹地,但由于包含了过多的植被区域,且没有对其进行筛选,其火点和火迹地密集度较低,可能会将部分风险较低的区域不必要地划入 WUI。建筑植被缓冲区的火迹地面积和占比最低,利用此方法划分WUI可能会低估火灾对 WUI 的潜在破坏。

5 结论

本文以加拿大艾伯塔省伍德布法罗市为试验区,利用微软加拿大建筑足迹数据、GLC_FCS30—2020土地覆盖数据和当地历史火点和火迹地数据,分析比对了现有WUI区域划分方法结果的一致性,以及和当地历史火点和火迹地数据的一致性。论文主要结论如下:
1)现有WUI划分方法可分为建筑密度优先、燃料等级优先、建筑植被缓冲区重合3种。实验结果表明,建筑密度优先方法以建筑密度、植被覆盖度等指标为重要参量,但由于建筑密度阈值固定,容易忽略处于野生植被中有火灾风险的低密度建筑; 燃料等级优先方法虽然对植被进行了有效的筛选,但最后划分的步骤中去掉了不可燃区域,导致大部分建成区不被包含在WUI区域内; 建筑植被缓冲区重合方法对建筑和植被构建缓冲区,缓冲距离较小,导致划分后的WUI面积较小,且没有对两者进行有效的筛选。
2)和当地历史火点和火迹地数据的一致性对比结果表明,建筑密度优先WUI虽然忽略了建筑周围的危险植被区域,但包含的建筑数量、火点数和野火火迹地面积比例较大,较为准确; 燃料等级优先WUI利用较为科学的方法划分出了建筑周围的植被区域,但由于没有对植被进行合理筛选且忽略了构成WUI区域中的建筑部分,导致总体面积较大但区域内的火迹地面积占比较低; 由于设置的缓冲区距离较小,建筑植被缓冲区重合WUI区域面积整体偏小,与历史火迹地重合面积及比例最小。
本研究揭示了现有方法的优势和局限性,有助于未来更科学合理地划分森林城镇交界域区域,为火灾风险应对和应急管理决策提供决策参考。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Wu C, Sitch S, Huntingford C, et al. Reduced global fire activity due to human demography slows global warming by enhanced land carbon uptake[J]. Proceedings of the National Academy of Sciences of the United States of America, 2022, 119(20):e2101186119.

[2]
Kelley D I, Mathison C, Burton C, et al. Likely future (s) of global wildfires[R]. Copernicus Meetings, 2022.

[3]
The UN Environment Programme. 2022.Spreading like Wildfire:The rising threat of extraordinary landscape fires[R].https://www.unep.org/news-and-stories/press-release/number-wildfires-rise-50-2100-and-governments-are-not-prepared.

[4]
Radeloff V C, Hammer R B, Stewart S I, et al. The wildland-urban interface in the United States[J]. Ecological Applications, 2005, 15(3):799-805.

DOI

[5]
Davis J B. The wildland-urban interface:Paradise or battleground?[J]. Journal of Forestry, 1990, 88(1):26-31.

[6]
Platt R V. The wildland-urban interface:Evaluating the definition effect[J]. Journal of Forestry, 2010, 108(1):9-15.

DOI

[7]
Godoy M M, Martinuzzi S, Masera P, et al. Forty years of wildland urban interface growth and its relation with wildfires in central-western Chubut,Argentina[J]. Frontiers in Forests and Global Change, 2022,5:850543.

[8]
Berg A K, Connor D S, Kedron P, et al. Remapping California’s wildland urban interface:A property-level time-space framework,2000-2020[J]. Applied Geography, 2024,167:103271.

[9]
Huang Y, Jin Y. Aerial imagery-based building footprint detection with an integrated deep learning framework:Applications for fine scale wildland-urban interface mapping[J]. Remote Sensing, 2022, 14(15):3622.

DOI

[10]
Carlson A R, Helmers D P, Hawbaker T J, et al. The wildland-urban interface in the United States based on 125 million building locations[J]. Ecological Applications, 2022, 32(5):e2597.

DOI PMID

[11]
Schug F, Bar-Massada A, Carlson A R, et al. The global wildland-urban interface[J]. Nature, 2023, 621(7977):94-99.

DOI

[12]
Chen B, Wu S, Jin Y, et al. Wildfire risk for global wildland-urban interface areas[J]. Nature Sustainability, 2024, 7(4):474-484.

DOI

[13]
Johnston L M, Flannigan M D. Mapping Canadian wildland fire interface areas[J]. International Journal of Wildland Fire, 2018, 27(1):1.

DOI

[14]
Bar-Massada A, Alcasena F, Schug F, et al. The wildland-urban interface in Europe:Spatial patterns and associations with socioeconomic and demographic variables[J]. Landscape and Urban Planning, 2023,235:104759.

[15]
Modugno S, Balzter H, Cole B, et al. Mapping regional patterns of large forest fires in wildland-urban interface areas in Europe[J/OL]. Journal of Environmental Management, 2016,172:112-126.

[16]
Natural Resources Canada. Canadian wildland fire information system[R].http://bit.ly/WUI-088,2019.

[17]
Beverly J L, Bothwell P. Wildfire evacuations in Canada 1980-2007[J]. Natural Hazards, 2011, 59(1):571-596.

DOI

[18]
Giglio L, Boschetti L, Roy D, et al. Collection 6 MODIS burned area product user’s guide version 1.0[J]. NASA EOSDIS Land Processes DAAC:Sioux Falls,SD,USA, 2016:11-27.

[19]
Bar-Massada A, Stewart S I, Hammer R B, et al. Using structure locations as a basis for mapping the wildland urban interface[J]. Journal of Environmental Management, 2013,128:540-547.

[20]
Li S, Dao V, Kumar M, et al. Mapping the wildland-urban interface in California using remote sensing data[J]. Scientific Reports, 2022, 12(1):5789.

DOI PMID

[21]
Glickman D, Babbitt B. Urban wildland interface communities within the vicinity of federal lands that are at high risk from wildfire[J]. Federal Register, 2001, 66(3):751-777.

[22]
Chas-Amil M L, Touza J, García-Martínez E. Forest fires in the wildland-urban interface:A spatial analysis of forest fragmentation and human impacts[J]. Applied Geography, 2013,43:127-137.

[23]
Herrero-Corral G, Jappiot M, Bouillon C, et al. Application of a geographical assessment method for the characterization of wildland-urban interfaces in the context of wildfire prevention:A case study in western Madrid[J]. Applied Geography, 2012, 35(1/2):60-70.

DOI

[24]
Kumar M, Li S, Nguyen P, et al. Examining the existing definitions of wildland-urban interface for California[J]. Ecosphere, 2022, 13(12):e4306.

DOI

Options
文章导航

/

〈 〉