EN中文

热带地理 >

2023 , Vol. 43 >Issue 3: 554 - 566

DOI: https://doi.org/10.13284/j.cnki.rddl.003565

植物地理

中南半岛农田/森林活跃火与人口密度的相关性动态特征

  • 刘颖 , 1, 2 ,
  • 李鹏 , 1 ,
  • 尹旭 1 ,
  • 肖池伟 1 ,
  • 施冬 2
展开
  • 1. 中国科学院地理科学与资源研究所，北京 100101
  • 2. 长江大学 地球科学学院，武汉 430100
李鹏（1984—），男，江西永新人，博士，研究员，主要从事资源遥感与边境地理研究，（E-mail）。

刘颖（1997—），女，甘肃张掖人，硕士，主要从事资源地理与国土遥感监测研究，（E-mail）；

收稿日期: 2022-01-19

  修回日期: 2022-04-14

  网络出版日期: 2023-03-31

基金资助

国家自然科学基金项目(41971242)

中国科学院青年创新促进会会员人才专项(CAS2020055)

收起

Dynamic Characteristics of Correlation between Cropland and Forest Active Fires and Population Density in Mainland Southeast Asia

  • Ying Liu , 1, 2 ,
  • Peng Li , 1 ,
  • Xu Yin 1 ,
  • Chiwei Xiao 1 ,
  • Dong Shi 2
Expand
  • 1. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. School of Geosciences, Yangtze University, Wuhan 430100, China

Received date: 2022-01-19

  Revised date: 2022-04-14

  Online published: 2023-03-31

Fold

本文亮点

人类活动是活跃火发生发展的重要诱因，明确人-火关系对火情规律揭示、碳排放估算与公共健康管理等具有重要意义。利用2003—2019年MODIS Collection 6（MODIS C6）活跃火和LandScan人口密度数据产品，基于GIS公里渔网、双变量空间相关性等分析方法，定量揭示了中南半岛农田/森林活跃火发生强度与人口分布的时空关联特征及其动态发展特征。结果表明：1）中南半岛约八成“有火区”的活跃火发生强度与人口密度存在空间正相关，且中等正相关及以上（r >0.4）格网近占3/4，主要分布在泰国中/东部、缅甸东/西部、老挝北部和柬埔寨东北部等。2）中南半岛年内“农火区”人口多于“林火区”，且前者超九成格网、后者近3/4格网与人口分布存在空间正相关性。3）“农火区”强正相关格网主要分布在缅甸南部、泰国中/东部等人口密度为25~100人/km2的区域，而“林火区”相应格网多分布于缅甸东/西部、老挝北部、柬埔寨东北部等人口密度<25人/km2的区域。4）受人口增长影响，2003—2010年农火和林火发生强度与人口分布相关性虽均明显高于2011—2019年，但后期“农火区”与“林火区”年均人口均有明显增幅。

本文引用格式

刘颖 , 李鹏 , 尹旭 , 肖池伟 , 施冬 . 中南半岛农田/森林活跃火与人口密度的相关性动态特征[J]. 热带地理, 2023 , 43(3) : 554 -566 . DOI: 10.13284/j.cnki.rddl.003565

Highlights

Anthropogenic activities including slashing and burning (or swidden agriculture), illegal logging, and agricultural residue burning, are important drivers and driving mechanisms for the occurrence and development of global active fires especially in the tropics. In the past, limited by the access to the global datasets of gridded population density and consistent active fires, the research on the correlation between the occurrence and development of active fires and human activities was relatively insufficient. It is of great significance to clarify the relationship between human and fire for the sake of revealing the nature of fire regime, estimating carbon emissions and public health management. With Moderate Resolution Imaging Spectroradiometer (MODIS) Collection 6 (C6) active fire products provided by the Fire Information for Resource Management System (FIRMS) and LandScan Global Population Database (e.g., population density) developed by the Department of Energy's Oak Ridge National Laboratory (ORNL) during 2003-2019, the dynamic characteristics of spatial and temporal correlations between occurrence intensity of agricultural and forest active fires and population distribution in Mainland Southeast Asia were quantitatively revealed through GIS-based fishnet (1km) statistical analysis and bivariate spatial correlation. The results show that: (1) Nearly 80% of the "fire-affected grids" in Mainland Southeast Asia were positively correlated with population distribution during the study period. Grids with medium positive correlation and above (r>0.4) accounted for approximately 75%, mainly distributed in areas with low population density (<25 persons/km2) and covered by forest, including central and eastern Thailand, eastern and western Myanmar, northern Laos and northeastern Cambodia. (2) Cropland "fire-affected grids" in Mainland Southeast Asia during 2003-2019 have more population than forest fire-affected grids. More than 90% of the agricultural fire grids and nearly 3/4 of the counterpart of forest fire were positively correlated with population distribution. (3) The grids of strong positive correlation within agricultural fire area were mainly distributed in areas with population density of 25~100 persons/km2, such as southern Myanmar, and central and eastern Thailand. In contrast, the corresponding grids within forest fire area were mostly seen in areas with population density below 25 persons/km2, which include eastern and western Myanmar, northern Laos, and northeastern Cambodia. (4) The correlation between occurrence intensity of agricultural and forest fires and population distribution during 2003-2010 was significantly higher than that during 2011-2019, while the annual average population increased obviously in cropland and forest fire grids in the second period.

火促进了人类进化与人类文明，也是森林与农田等陆地生态系统的重要影响因子（Baker et al., 2009; Berna et al., 2012; Lindskoug et al., 2020; McLauchlan et al., 2020）。当前，火仍是热带刀耕火种、非法伐木、牧场开辟与农田秸秆焚烧等经济有效的农业实践（Wees et al., 2021）。除雷电等引发的自然野火外，火尤其是植被火的发生发展与人类活动息息相关（Leeuwen et al., 2014）。其中，热带雨林焚烧所导致的碳排放已成为气候变化重要议题，而其所产生的空气污染可能造成公共健康隐患（Marlier et al., 2012; Tinling et al., 2016）。21世纪以来，全球人为过火面积持续减少（Andela et al., 2017），但占全球七成以上的热带活跃火（Active fires）发生海拔却呈上升趋势（Li et al., 2020; Xiao et al., 2022），热带成为活跃火研究的重点区域。再者，活跃火的发生机理与发展过程是气候变化与人类活动背景下“人-火-气候”研究的难点（Li et al., 2020; Xiao et al., 2022）。具体地，土地利用变化及厄尔尼诺等极端气候事件等人-自然双重因子，既加剧了活跃火发生风险，也使得以刀耕火种与伐木为代表的森林火与以秸秆焚烧为主的农田火发生过程与机制更加复杂（Pan et al., 2018; Yin, 2020）。
遥感使全球火情实时与动态监测成为可能（Hantson et al., 2013）。当前，火灾遥感产品主要有卫星过境时捕捉到的活跃火（即明火）与过火面积（Justice et al., 2002），其中前者指卫星过境时监测到正在燃烧的火（含烟羽）。2006年，美国国家航空航天局（NASA）建立了火灾信息资源管理系统（FIRMS）平台（Davies et al., 2008），之后陆续发布了MODIS与VIIRS等活跃火近实时位置矢量点产品，为宏观层面研究全球活跃火发生特征与发展过程提供了稳定连续且一致的数据基础（李鹏 等，2019；Li et al., 2020；刘佳 等，2020；刘颖 等，2021）。一般地，植被火的发生发展与特定时期（如旱季）与时段（如午后）的主动焚烧或燃料可用性有关（Knorr et al., 2016）。具体到火灾遥感产品，主要表现为发生频次与强度、过火面积、焚烧强度、致火成因（类型）和火灾排放等明显不同（Mcwethy et al., 2010; Hantson et al., 2015; Benali et al., 2017; Ward et al., 2018）。
活跃火与人口格网数据产品的不断丰富（Schroeder et al., 2014; Giglio et al., 2016; Leyk et al., 2019），为研究全球人-火关系及其动态发展提供了新的契机。其中，LandScan数据集在中南半岛5国层面，具有较高的精度和适用性（Yin et al., 2021）。一般而言，影响人-火关系的自然与人文因子包括地形、气候、水文、植被、土地利用以及人口与居民点分布等（Bistinas et al., 2013; Bistinas et al., 2014）。以东南亚主要国家为例，活跃火发生频次随人口密度增加呈现先增后减至平稳变化的趋势，且多集中于各国人口稀少的农村和森林区（李文君 等，2020）。在北美，火情活动与人口密度存在相似的负相关关系，即火灾概率随着人类影响的增加而降低（Parisien et al., 2016）。相反地，人口密度被认为是影响澳大利亚东南部火情空间分布的重要变量，人口密度越高，火情发生频次更频繁（Collins et al., 2015）。可见，不同火情类型与人口密度的时空关联存在差异。然而，作为热带地区火情发生的2种主要类型，即森林火和农田火，两者与区域人口密度的空间关系与动态发展尚缺乏系统研究。鉴于森林与农田分布特征及其与人口的空间关系存在差异，二者与区域人口密度的空间关系是否一致？区域（国别）差异如何？随着人口增长或迁移，其与人口密度空间关系如何变化？
利用2003—2019年MODIS C6活跃火和同期LandScan人口密度、土地覆被产品，基于GIS渔网、双变量空间相关性等方法，聚焦中南半岛农-林活跃火发生强度与人口密度空间关联与耦合特征及其动态变化，本文旨在探讨以下问题：1）农田活跃火、森林活跃火发生强度与中南半岛人口密度的空间相关性（像元层面）及其区域差异；2）对比2003―2010年与2011―2019年农田活跃火、森林活跃火发生强度与区域人口密度的时空关联动态特征。以期为探索热带地区农田与森林活跃火的发生机理与发展机制提供借鉴。

1 研究区概况

森林与农田是中南半岛主要国家（柬埔寨、老挝、缅甸、泰国和越南）的2种主要土地覆被类型，如2020年GlobalLand30覆被产品（陈军 等，2017）显示二者约占90%（其中森林占56%，农田占34%）。老挝、缅甸、柬埔寨与越南以森林为主，泰国以农田为主，其中老挝森林近占80%（图1-a）。在气候变化和人类活动共同作用下，农作物秸秆焚烧、野火、及人为（如刀耕火种）林火等活跃火频发（李鹏 等，2019；李文君 等，2020）。2003―2019年，中南半岛人口密度总体增加。根据LandScan人口密度数据（Bhaduri et al., 2007），半岛人口稀少区（1~25人/km2）近占45%，相应人口约665万（格网统计）。其中，人口密度<1人/km2的区域（即人口极稀区）约占1/4。人口中等区（>25~100人/km2）近占21%，共2 398万人；越南与泰国人口密度高于其他3国（图1-b）。森林主要分布在人口极稀和人口稀少区，农田主要分布在人口中等区。2003—2019年中南半岛活跃火发生频次累计达3.19×106次（李鹏 等，2019），发生强度以1次/a为主（图1-c）。农田活跃火（农火）发生频次年内累计达0.41×106次，占总频次的13%，其中泰国农火累计发生频次最高，在半岛频次中近占1/2，其后分别为缅甸、柬埔寨、越南、老挝。森林活跃火（林火）发生频次年内累计达2.41×106次，占总频次的76%，其中缅甸（39%）、老挝（24%）两国林火累计发生频次高于柬埔寨、泰国、越南。农火发生强度范围在1~6次/a，而林火发生强度在1~9次/a。鉴于中南半岛年内农/林火累计发生频次近占90%，本文重点探讨中南半岛农/林活跃火与人口分布的时空关联及其动态特征。
图1 中南半岛土地覆被类型（a）、人口密度（b）及活跃火发生强度（c）分布

注：该图基于自然资源部地图技术审查中心标准地图服务网站下载的审图号为GS（2020）4395号的标准地图制作，底图无修改。后图同。

Fig.1 Distribution of the land cover (a), population density (b) and occurrence intensity of active fire (c) in Mainland Southeast Asia

2 数据来源

2.1　MODIS C6活跃火数据

美国国家航空航天局（NASA）火灾信息资源管理系统（FIRMS）（Davies et al., 2008）提供的MODIS Collection 6（MODIS C6）活跃火产品 1是由Terra/Aqua卫星影像研制而成。Terra与Aqua分别于2000年11月（每日上/下午T 10:30）和2002年7月（每日上/下午T 01:30）起进行地表火等观测，时间覆盖较长，且活跃火主要为公里格网对应的中心点。除活跃火经纬度外，该产品还提供了发生时间、亮度、火辐射能量、置信度等信息（Giglio et al., 2003; Schroeder et al., 2014）。本文利用MODIS C6活跃火产品中的发生位置与发生日期2个属性特征。该产品基于MOD14/MYD14火灾和热异常算法，即根据热红外波段检测到的亮度和温度异常识别火灾信息，包括卫星过境时监测到的活跃火和其他热异常（如火山）（Giglio et al., 2016）。2002年7月前，MODIS C6产品仅包括Terra卫星获取的活跃火信息，与后续年份活跃火信息相比明显偏少，不利于年际比较，故仅采用2003—2019年活跃火数据用于后续分析。

2.2　LandScan人口密度数据

LandScan是由美国能源部橡树岭国家实验室（Oak Ridge National Laboratory）研制的全球人口格网数据集 2，其像元值代表单位面积内24 h的平均人口数，空间分辨率为1 km。其制备原理是收集各国权威可信的人口统计数据（通常到省级），采用GIS和遥感相结合的方法，构建基于坡度、道路可达性、土地覆被、城市密度、夜间灯光的权重模型，逐像元计算人口分布概率系数，以各行政区界线和人口总数作为控制条件，并用高分辨率影像进行检验（柏中强 等，2013）。LandScan于2000年起实现年际更新，已被广泛应用于人口相关研究（Calka et al., 2019）。本文利用中南半岛2003—2019年LandScan人口密度数据，分析中南半岛农-林活跃火发生强度与人口密度的空间相关性及其相应格网内的人口数。

2.3　MCD12Q1土地覆被数据产品

MODIS土地覆被数据产品MCD12Q1提供了2001—2019年每年的全球土地覆盖类型数据 3，空间分辨率为500 m。该产品根据MODIS Terra和Aqua反射率数据并利用监督分类方法研制，同时结合先验知识和辅助信息进一步细化特定类别。具体地，先验信息包括国际地圈-生物圈计划的全球植被分类（IGBP）、马里兰大学植被分类（UMD）、叶面积指数/光合有效辐射分量（LAI-FPAR）、净初级生产力（NPP）、植物功能类（PFT）和粮食及农业组织（FAO）土地覆被分类系统（LCCS）6种不同分类方案（Friedl et al., 2019）。选取IGBP分类后的产品与GlobalLand 300覆被产品、活跃火产品进行叠加，将农田内活跃火定义为“农田活跃火”，森林内活跃火定义为“森林活跃火”。

3 研究方法

3.1　基于GIS渔网的统计分析

基于ArcGIS 10.4创建渔网工具，创建中南半岛1 km×1 km格网系统并对所有格网进行编码处理，总计2 164 191个格网。2003―2019年中南半岛至少发生过1次活跃火的格网占47%，即“有火区”。其中，在农田至少发生过1次活跃火的格网（“农火区”）共208 350个，占“有火区”格网的20%，且泰国“农火区”占比过半。在森林至少发生过1次活跃火的格网（“林火区”）共787 915个，占“有火区”格网的77%，且缅甸“林火区”占比超过2/5。
发生强度I表征不同格网内活跃火每年可能的发生频次（刘佳 等，2020），公式为：
I = F / N
式中：I表示单个格网内活跃火的发生强度；F表示单个格网内活跃火的累计发生频次；N表示该格网2003―2019年有活跃火发生的年数。经计算得到，近17年间活跃火发生强度为1~31次/a。

3.2　Pearson相关系数

以2003—2019年人-火数据为样本，通过相关系数评估活跃火发生强度与人口密度空间相关性的强弱。Pearson相关系数已广泛用于度量双变量之间的相关程度（Pearson, 1920），一般用r表示，其被定义为2个变量之间协方差和标准差的商，公式为：
r = ∑ i = 1 n ( X i - X ¯ ) ( Y i - Y ¯ ) ∑ i = 1 n ( X i - X ¯ ) 2 ∑ i = 1 n ( Y i - Y ¯ ) 2
式中：n为变量X、Y的样本数；Xi 和Yi 表示变量X、Y的样本数据； X ¯和 Y ¯表示变量X、Y的样本均值。r的取值在 [-1, 1]，正负值分别表示正、负相关（0值代表无线性相关）；绝对值越大，表明相关性越强。经计算得到，各格网活跃火发生强度与人口密度的相关系数在-0.2~1.0之间，且通过显著性水平检验（P < 0.05）。为便于后续分析，将相关系数划分为负相关（-0.2~0）、无相关（0）、弱正相关（0~0.4）、中正相关（＞0.4~0.6）和强正相关（＞0.6~1.0）（Pearson, 1920）。

4 结果分析

4.1　活跃火发生与人口分布的时空关联特征

4.1.1　“有火区”及其相应人口年际变化特征

2003—2019年，中南半岛“有火区”格网数及其人口规模分别呈减少与增加趋势（图2-a），显示活跃火发生发展与人口分布关系渐趋紧密。其中，“有火区”格网数年际减幅较小（线性拟合函数斜率r =-0.23），多年均值为15.63万（±4.74万）。相比之下，“有火区”人口规模年际增幅较大（r=1.29），年均值为567.24万（±143.98万）。就国家而言，柬埔寨、老挝、泰国3国（图2-b、图2-c、图2-e）“有火区”及其人口规模年际变化特征一致性较高。其中，柬埔寨相应人口增幅较小，老挝保持平稳，泰国总体减少，柬埔寨、老挝、泰国的r值分别为0.09、0.004和-0.25。然而，缅甸（图2-d）和越南（图2-f）“有火区”及其人口规模年际变化呈现反向特征。其中，缅甸“有火区”减少趋势强于越南，但越南“有火区”人口增加趋势强于缅甸，r值分别为1.08和0.38。
图2 中南半岛2003—2019年“有火区”相应人口年际变化

Fig.2 Annual changes in the population of "fire-affected grids" in Mainland Southeast Asia during 2003-2019

4.1.2　活跃火发生与人口密度空间相关性分析 2003—2019年，中南半岛约80%“有火区”活跃火发生强度与人口密度存在空间正相关性，格网内年均人口超过4 600万，约占总人口的1/5。其中，中等相关及以上格网数约占3/4，主要分布在老挝北部、柬埔寨东北部、泰国中/东部和缅甸东/西部。这些区域以山体、高原为主，多森林分布，人口密度低（< 25人/km2），通常为半岛主体民族（泰、缅、佬与高棉）以外的少数民族分布区，刀耕火种是其主要农业实践（Li et al., 2018; Li et al., 2022）。相反，13.10%和3.96%的中南半岛“有火区”显示，活跃火发生与人口分布存在无相关或弱负相关，无相关格网年均相应人口仅7万，集中在缅甸若开山脉、老挝长山山脉等边境地区；弱负相关格网年均相应人口为187万，集中在缅甸东部掸邦高原和柬埔寨西北部（表1、图3）。就国家而言，越南活跃火发生强度与人口分布正相关性最高，相应格网占比超90%，其次为泰国、柬埔寨、老挝，相应格网占比均超80%，缅甸较低（＜80%）。
表1 中南半岛及其五国活跃火发生与人口分布不同等级相关性格网占比及相应人口统计

Table 1 Proportions of grids under various correlation between active fire occurrence and population density and its corresponding population in Mainland Southeast Asia and its five countries

统计指标 相关性 中南半岛 柬埔寨 老挝 缅甸 泰国 越南
格网 占比/% 弱负相关 3.96 3.23 3.26 4.78 3.48 4.00
无相关 13.10 12.99 14.04 17.63 8.88 5.80
弱正相关 7.17 6.35 4.73 6.51 8.30 11.22
中正相关 8.45 10.45 5.28 7.31 8.47 14.48
强正相关 67.32 66.98 72.69 63.77 70.87 64.50
总计 100 100 100 100 100 100
相应 人口/万 弱负相关 187 22 22 50 40 53
无相关 7 1 1 2 2 1
弱正相关 550 39 31 118 197 165
中正相关 484 48 24 80 165 167
强正相关 3 611 265 229 780 1 334 1 003
总计 4 839 375 307 1 030 1 738 1 389
图3 中南半岛2003—2019年活跃火发生与人口密度相关性空间分布

Fig.3 Spatial distribution of correlation between active fire occurrence and population density in Mainland Southeast Asia during 2003-2019

4.1.3　“农/林火区”活跃火发生与人口密度空间关联差异

2003—2019年，中南半岛“农/林火区”多年平均人口约408万，占逐年“有火区”人口的72%（图4-a）。其中，“农火区”人口占比超过2/5，总体呈缓慢下降趋势（r=-0.005），年均人口约233万；“林火区”人口占比总体保持平稳，均值为31%（±4%）。就5国而言（图4-b~f），除越南以外，其余4国“农/林火区”人口占比均在80%左右，且缅甸最高（近85%）。其次为柬埔寨、老挝、泰国，其中，泰国“农火区”人口相应占比达60%，老挝“林火区”人口相应占比高达73%，这与各国农/林火及其人口分布有关。从时间特征看，老挝“农林火区”相应人口占比年际变化最小，其“林火区”与“农火区”人口占比均值分别为73%（±3%）和7%（±3%）；而越南“农/林火区”相应人口占比年际变化最大，其“林火区”与“农火区”相应均值为27%（±7%）和30%（±11%）。
图4 中南半岛及其五国2003—2019年“农/林火区”相应人口年际占比变化

Fig.4 Annual changes in the proportion of corresponding population in "cropland and forest fire-affected grids" in Mainland Southeast Asia and its five countries during 2003-2019

中南半岛“农火区”与人口分布的空间正相关性高于“林火区”，前者相应人口亦较多。“农火区”超九成格网与人口分布存在空间正相关性，其中强正相关格网近占80%（图5-a），相应年均人口约1 931万（图5-b）。类似地，“林火区”超75%格网与人口分布存在空间正相关性，其中强相关格网占64%（图5-c），相应年均人口约1 008万（图5-d），但仍有超20%的“林火区”与人口分布为无相关或弱负相关性。从国家看，5国“农火区”与人口分布正相关性均较高，其中泰国“农火区”强正相关格网相应人口高达897万；越南林火与人口分布的正相关性高于其他4国，这可能跟各国活跃火不同类型及其人口分布有关。
图5 中南半岛及其五国农/林火发生与人口分布不同等级相关性格网占比（a，c）及相应人口统计（b、d）

Fig.5 Proportions of grids under various correlation between cropland and forest fire occurrence and population density and its corresponding population in Mainland Southeast Asia and its five countries

4.2　农田活跃火发生与人口分布动态发展特征

4.2.1　农田活跃火空间分布动态特征

中南半岛及其五国2003—2010年和2011—2019年2个时期内，农田活跃火发生强度与人口分布空间相关性表明（表2）：2003—2010年，超九成的“农火区”与人口分布存在强正相关性，主要分布在缅甸南部、泰国中/东部等人口密度在25~100人/km2的区域（图6-a），这些区域主要为两国主要农业（水稻、玉米等）生产区。2011—2019年，超80%的“农火区”与人口分布存在强正相关性，其空间分布与前8年强正相关一致（图6-b）。2个时期相比，后一阶段农火发生强度与人口分布的正相关性明显减弱，其强正相关格网占比从94.89%减少至80.13%；相反，弱、中正相关格网占比从3.8%增至16.64%。正相关性强度变化背后的原因或机理值得后续深入研究。从五国看，2003—2010年与2011—2019年各国不同等级相关性格网占比与中南半岛基本一致，但国别差异较大。2003—2010年，泰国强正相关格网在本国年内“农火区”中的占比高达98.34%，而老挝相应占比最低（90.60%）。2011—2019年，各国强正相关格网占比均有不同程度减少，但泰国、老挝仍分别属最高（82.94%）和最低（56.61%）。老挝强正相关格网占比与2011年之前相比减幅最多（33.99%），泰国减幅最少（15.4%，表2）。
表2 中南半岛及其五国农火发生与人口分布不同等级相关性格网占比统计 (%)

Table 2 Proportions of grids under various correlation betweenagricultural fire occurrence and population density in Mainland Southeast Asia and its five countries

地区 年份 弱负相关 无相关 弱正相关 中正相关 强正相关 总计
中南半岛 2003—2010 0.27 1.04 1.44 2.36 94.89 100
2011—2019 2.51 0.72 7.09 9.55 80.13 100
柬埔寨 2003—2010 0.01 0.33 0.55 1.48 97.63 100
2011—2019 3.55 2.58 6.53 11.22 76.12 100
老挝 2003—2010 0.04 0.01 2.31 7.04 90.60 100
2011—2019 4.28 0.93 17.20 20.98 56.61 100
缅甸 2003—2010 0.01 0.09 0.34 1.92 97.64 100
2011—2019 2.56 0.94 7.93 8.82 79.75 100
泰国 2003—2010 0.03 0.01 0.50 1.12 98.34 100
2011—2019 2.29 0.21 6.49 8.07 82.94 100
越南 2003—2010 0.13 0.02 1.17 2.65 96.03 100
2011—2019 2.13 0.59 6.94 14.54 75.80 100
图6 中南半岛2003—2019年“农火区”活跃火发生与人口密度相关性空间分布

Fig.6 Spatial distribution of correlation between active fire occurrence and population density of agricultural fire-affected grids in Mainland Southeast Asia during 2003-2019

4.2.2　人口规模动态变化

2003—2010年，中南半岛“农火区”年均人口为1 373万，且强正相关格网年均人口近占98%（图7-a）。2011—2019年，“农火区”年均人口增加到1 640万，除强正相关外，弱、中正相关年均人口均有所增加（图7-b）；其中，弱、中正相关格网相应人口占比分别增加到8%和9%，强正相关格网相应人口占比则减少至79%。一方面，2011—2019年除强正相关外，弱、中正相关格网占比均增加；另一方面，世界银行统计 4数据显示，2003—2019年中南半岛人口总数呈较快增加趋势。就五国而言，2003—2010年，各国“农火区”内强正相关格网年均人口数在五国均居最高值，其中泰国最高（712万）、老挝最少（22万），这与泰国、老挝“农火区”格网占比与人口总量差异有关。与前8年相比，2011—2019年柬埔寨、缅甸、越南“农火区”年均人口均有所增加，老挝、泰国有所减少；其中，越南增加了164万，泰国减少了66万。从不同等级相关格网人数来看，2011—2019年缅甸、越南强正相关格网人数同样增加，老挝、泰国同样减少（见图7-b）。世界银行统计数据显示，2003—2019年越南、缅甸农村人口均总体增加，泰国农村人口则逐年减少。
图7 中南半岛及其五国2003—2019年农火发生与人口分布不同等级相关性相应格网人数

Fig.7 Populations in grids of various correlation between agricultural fire occurrence and population density in Mainland Southeast Asia and its five countries during 2003-2019

4.3　森林活跃火发生与人口分布动态发展特征

4.3.1　森林活跃火空间分布动态特征

2003—2010年，中南半岛近77%的“林火区”与人口分布存在强正相关性（表3），主要分布在缅甸东/西部、老挝北部、柬埔寨东北部等人口密度＜25人/km2的区域（图8-a），即“林火区”人口规模明显少于“农火区”；同时有超20%的“林火区”与人口分布无相关性。2011—2019年，仍有超65%的“林火区”与人口分布存在强正相关性，强相关格网分布与前8年极强相关格网分布基本一致（图8-b），但仍有18.02%的“林火区”与人口分布无相关性。可见，前一阶段林火发生与人口分布的正相关性更强，后一阶段强正相关格网占比与前者相比减少了11.23%。这与同期热带过火面积持续减少的结论相一致（Andela et al., 2017）。从五国看，2003—2010年与2011—2019年各国不同等级相关性格网占比差异较大。2003—2010年，越南、老挝强正相关格网在本国“林火区”中的占比分别达85.01%和82.78%，其他3国相应占比仍超过70%。2011—2019年，越南、老挝强正相关格网相应占比仍居前两位，分别为70.11%和69.95%。可知，5国后一阶段林火发生与人口分布的正相关性均低于前一阶段，其中越南、泰国强正相关格网占比与前者相比减少较多，分别减少了14.9%和14.35%。
表3 中南半岛及其五国林火发生与人口分布不同等级相关性格网占比统计 (%)

Table 3 Proportions of grids under various correlation between forest fire occurrence and population density in Mainland Southeast Asia and its five countries

地区 年份 弱负相关 无相关 弱正相关 中正相关 强正相关 总计
中南半岛 2003—2010 0.11 20.45 1.12 1.72 76.60 100
2011—2019 4.33 18.02 5.51 6.77 65.37 100
柬埔寨 2003—2010 0.42 18.73 2.01 2.67 76.17 100
2011—2019 2.51 17.46 5.17 9.14 65.72 100
老挝 2003—2010 0.04 14.68 0.82 1.68 82.78 100
2011—2019 3.87 15.62 4.82 5.74 69.95 100
缅甸 2003—2010 0.05 26.35 0.80 1.19 71.61 100
2011—2019 4.78 21.06 5.70 5.73 62.73 100
泰国 2003—2010 0.17 20.35 1.71 2.50 75.27 100
2011—2019 6.15 22.18 5.41 5.34 60.92 100
越南 2003—2010 0.11 11.79 1.21 1.88 85.01 100
2011—2019 3.73 8.13 6.67 11.36 70.11 100
图 8 中南半岛2003—2019年“林火区”活跃火发生与人口密度相关性空间分布

Fig. 8 Spatial distribution of correlation between active fire occurrence and population density of forest fire-affected grids in Mainland Southeast Asia during 2003-2019

4.3.2　人口规模动态变化

2003—2010年中南半岛林火发生强度与人口分布强正相关格网年均人口达752万，占年内“林火区”年均人口的93%（图9-a）。2011—2019年，强正相关格网年均人口减至688万，相应占比减至67%（图9-b）。然而，2011年以来“林火区”年均人口与前8年相比总体增加了218万，且除强正相关外，弱、中正相关格网年均人口均有所增加，二者共增加了200万人，而强正相关格网相应人口减少了65万。2011—2019年除强正相关外，弱、中正相关格网占比均增加，且中南半岛总人口逐年增加可能是导致“林火区”相应人口总体增加的原因之一。就五国而言，2003—2010年，各国“林火区”强正相关格网年均人口数在五国同样均居最高值，且越南最高（197万）、柬埔寨最少（56万），这与各国“林火区”分布与总人口差异有关。与前期相比，2011—2019年除泰国以外的其他4国“林火区”年均人口均有不同程度的增加，其中越南最多（115万），老挝最少（5万）。这与越南与老挝人口规模有关，且越南农林经济强于老挝。从不同等级相关格网人数看，2011—2019年老挝、泰国强正相关格网人数均减少了超过30万，而其他3国则有小幅增加（见图9）。
图9 中南半岛及其五国2003—2019年林火发生与人口分布不同等级相关性相应格网人数

Fig. 9 Populations in grids of various correlation between forest fire occurrence and population density in Mainland Southeast Asia and its five countries during 2003-2019

5 结论与讨论

基于2003—2019年FIRMS MODIS 活跃火矢量产品和LandScan人口密度栅格数据，运用GIS 渔网分析、双变量相关性分析等方法，定量分析了中南半岛活跃火、农火和林火发生强度与人口分布的空间关联特征及其动态发展特征，主要研究结论有：
1）中南半岛年内约80%“有火区”活跃火发生强度与人口分布存在空间正相关性，其格网内年均人口超4 600万。中等正相关及以上（r>0.4）格网近占3/4，主要分布在泰国中/东部、缅甸东/西部、老挝北部和柬埔寨东北部等多森林、人口稀少（<25人/km2）的区域。
2）中南半岛“农/林火区”多年平均人口约408万，“农火区”与“林火区”人口各占41%与31%。前者超九成格网、后者近3/4格网与人口分布存在空间正相关性，相应年均人口分别为1 931万和1 008万。
3）中南半岛年内“农火区”强相关格网主要分布在缅甸南部、泰国中/东部等人口密度在25~100人/km2的区域。“林火区”相应格网主要分布在缅甸东/西部、老挝北部、柬埔寨东北部等人口密度<25人/km2的区域。
4）受人口增长影响，2003—2010年农火和林火发生强度与人口分布相关性虽明显高于2011—2019年，但后一阶段“农火区”与“林火区”年均人口均有不同程度增加。
活跃火发生机理与发展过程受到气候变化与人类活动的综合影响。在气候变化与人类活动加剧大背景下，“人-火-气候”仍是当前活跃火研究的重点与难点。本文虽在公里格网层面揭示了21世纪近20年中南半岛活跃火发生强度与人口分布相关性及其动态发展特征，但对于不同类型活跃火发生强度与人口分布空间关联变化背后的原因与机理缺乏实证研究。这是后续研究需要重视与着重加强的领域。此外，本文所涉及格网人口数量并非活跃火实际影响人口，而是相应格网中所含人口的数量。未来，应加强研究不同类型活跃火对人口分布的影响程度。针对活跃火发生强度与人口密度弱相关或无相关性的区域（格网），需要引入更高精度人-火数据产品进行深入分析。一方面，LandScan虽表现出较高的空间异质性，这在很大程度上是由研究区复杂的地形和社会经济条件所造成的（Xu et al., 2021），从而导致这些区域内活跃火发生强度与人口密度的相关性比实际情况偏低。另一方面，无相关并不代表活跃火与人口完全无关，还可能与活跃火数据本身以及“人-火”之间的空间距离有关。此外，选取人口密度作为人类活动的指标因子较为单一。未来可考虑利用空间分辨率更高的活跃火数据（如VIIRS/375 m）和人口密度数据（如WorldPop/100 m），在全球特别是在热带地区探索“人-火”关系及其发生发展机理。

脚注

1 https://firms.modaps.eosdis.nasa.gov/download/

2 https://www.satpalda.com/product/landscan/

3 https://modis.gsfc.nasa.gov/data/dataprod/mod12.php

4 https://data.worldbank.org/

刘 颖：数据收集处理，制图与初稿撰写；

李 鹏：框架确定，全程指导与后期修改；

尹 旭：协助人口密度分析并参与文章修改；

肖池伟：协助活跃火分析并参与文章修改；

施 冬：参与文章指导与后期修改。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Andela N, Morton D C, Giglio L, Chen Y, Werf G R, Kasibhatla P S, DeFries R S, Collatz G J, Hantson S, Kloster S, Bachelet D, Forrest M, Lasslop G, Li F, Mangeon S, Melton J R, Yue C, and Randerson J T. 2017. A Human-Driven Decline in Global Burned Area. Science, 356(6345): 1356-1362.

Baker P J, and Bunyavejchewin S. 2009. Fire Behavior and Fire Effects across the Forest Landscape of Continental Southeast Asia. In: Mark A Cochrane. Tropical Fire Ecology: Climate Change, Land Use, and Ecosystem Dynamics. Berlin: Springer. https://doi.org/10.1007/978-3-540-77381-8_11.

Benali A, Mota B, Carvalhais N, Oom D, Miller L M, Campagnolo M L, and Pereira J M C. 2017. Bimodal Fire Regimes Unveil a Global-Scale Anthropogenic Fingerprint. Global Ecology and Biogeography, 26(7): 799-811.

Berna F, Goldberg P, Horwitz L K, Brink J, Holt S, Bamford M, and Chazan Michael. 2012. Microstratigraphic Evidence of in Situ Fire in the Acheulean Strata of Wonderwerk Cave, Northern Cape Province, South Africa. Proceedings of the National Academy of Sciences, 109(20): E1215-E1220.

Bhaduri B, Bright E, Coleman P, and Urban M L. 2007. LandScan USA: A High-Resolution Geospatial and Temporal Modeling Approach for Population Distribution and Dynamics. GeoJournal, 69(1/2): 103-117.

Bistinas I, Harrison S P, Prentice I C, and Pereira J M C. 2014. Causal Relationships versus Emergent Patterns in the Global Controls of Fire Frequency. Biogeosciences, 11(18): 5087-5101.

Bistinas I, Oom D, Sá A C L, Harrison S P, Prentice I C, and Pereira J M C. 2013. Relationships between Human Population Density and Burned Area at Continental and Global Scales. PLoS One, 8(12): e81188.

柏中强，王卷乐，杨飞. 2013. 人口数据空间化研究综述. 地理科学进展，32（11）：1692-1702.

Bai Zhongqiang, Wang Juanle, and Yang Fei. 2013. Research Progress in Spatialization of Population Data. Progress in Geography, 32(11): 1692-1702.

Calka B, and Bielecka E. 2019. Reliability Analysis of LandScan Gridded Population Data, the Case Study of Poland. International Journal of Geo-Information, 8(5): 222.

陈军，廖安平，陈晋，彭舒，陈利军，张宏伟. 2017. 全球30m地表覆盖遥感数据产品-Globe Land30. 地理信息世界，24（1）：1-8. [Chen Jun, Liao Anping, Chen Jin, Peng Shu, Chen Lijun, and Zhang Hongwei. 2017. 30-Meter Global Land Cover Data Product- Global Land30. Geomatics World, 24(1): 1-8. ]

Collins K M, Price O F, and Penman T D. 2015. Spatial Patterns of Wildfire Ignitions in South-Eastern Australia. International Journal of Wildland Fire, 24(8): 1098-1108.

Davies D K, Ilavajhala S, and Wong M M. 2008. Fire Information for Resource Management System: Archiving and Distributing Modis Active Fire Data. IEEE Transactions on Geoscience and Remote Sensing, 47(1): 72-79.

Friedl M, and Sulla-Menashe D. MCD12Q1 MODIS/Terra+Aqua Land Cover Type Yearly L3 Global 500m SIN Grid V006. https://doi.org/10.5067/MODIS/MCD12Q1.006, 2019/2021-10-13.

Giglio L, Descloitres J, Justice C O, and Kaufman Y J. 2003. An Enhanced Contextual Fire Detection Algorithm for MODIS. Remote Sensing of Environment, 87(2/3): 273-282.

Giglio L, Schroeder W, and Justice C O. 2016. The Collection 6 MODIS Active Fire Detection Algorithm and Fire Products. Remote Sensing of Environment, 178: 31-41.

Hantson S, Lasslop G, Kloster S, and Chuvieco E. 2015. Anthropogenic Effects on Global Mean Fire Size. International Journal of Wildland Fire, 24(5): 89-96.

Hantson S, Padilla M, Corti D, and Chuvieco E. 2013. Strengths and Weaknesses of MODIS Hotspots to Characterize Global Fire Occurrence. Remote Sensing of Environment, 131: 152-159.

Justice C O, Giglio L, Korontzi S, Owens J, Morisette J, T Roy D, Descloitres J, Alleaume S, Petitcolin F, and Kaufman Y. 2002. The MODIS Fire Products. Remote Sensing of Environment, 83(1): 244-262.

Knorr W, Arneth A, and Jiang L. 2016. Demographic Controls of Future Global Fire Risk. Natural Climate Change, 6(8): 781-785.

Leeuwen T T, Werf G R, Hoffmann A A, Detmers R G, Rücker G, French N H F, Archibald S, Carvalho J A, Cook G D, Groot W J, Hély C, Kasischke E S, Kloster S, McCarty J L, Pettinari M L, Savadogo P, Alvarado E C, Boschetti L, Manuri S, Meyer C P, Siegert F, Trollope L A, and Trollope W S W. 2014. Biomass Burning Fuel Consumption Rates: A Field Measurement Database. Biogeosciences, 11(24): 7305-7329.

Leyk S, Gaughan A E, Adamo S B, Sherbinin A, Balk D, Freire S, Rose A, Stevens F R, Blankespoor B, Frye C, Comenetz J, Sorichetta A, MacManus K, Pistolesi L, Levy M, Tatem A J, and Pesaresi M. 2019. The Spatial Allocation of Population: A Review of Large-Scale Gridded Population Data Products and Their Fitness for Use. Earth System Science Data, 11(3): 1385-1409.

Li P, Xiao C W, Feng Z M, Li W J, and Zhang X Z. 2020. Occurrence Frequencies and Regional Variations in Visible Infrared Imaging Radiometer Suite (VIIRS) Global Active Fires. Global Change Biology, 26(5): 2970-2987.

Li P, Feng Z, Xiao C, and Boudmyxay Khampheng. 2018. Detecting and Mapping Annual Newly-Burned Plots (NBP) of Swiddening Using Historical Landsat Data in Montane Mainland Southeast Asia (MMSEA) during 1988-2016. Journal of Geographical Sciences, 28(9): 1307-1328.

Li P, Xiao C, and Feng Z. 2022. Swidden Agriculture in Transition and Its Roles in tropical Forest Loss and Industrial Plantation Expansion. Land Degradation & Development, 33(2): 388-392.

李鹏，李文君，封志明，肖池伟，刘怡媛. 2019. 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，41（8）：1526-1540.

Li Peng, Li Wenjun, Feng Zhiming, Xiao Chiwei, and Liu Yiyuan. 2019. 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, 41(8): 1526-1540.

李文君，肖池伟，封志明，李鹏，祁月基. 2020. 2015厄尔尼诺年东南亚主要国家活跃火发生类型与影响分析. 自然资源学报，35（10）：2539-2552.

Li Wenjun, Xiao Chiwei, Feng Zhiming, Li Peng, and Qi Yueji. 2020. Occurrence Types and Impact Analysis of Active Fires in the Major Countries of Southeast Asia during the 2015 Strong EI Niño. Journal of Natural Resources, 35(10): 2539-2552.

Lindskoug H B, and Villafañez E A. 2020. Fire Ecology, Past Landscapes and Human Interaction: Contributions from Pedoanthracology, Balcosna Valley, Catamarca, North-Western Argentina. Archaeological and Anthropological Sciences, 12(7): 2223-2236.

刘佳，梁一行，李鹏，肖池伟. 2020. 2001—2018年印度尼西亚MODIS活跃火的发生特征与响应. 地理学报，75（9）：1907-1920.

Liu Jia, Liang Yihang, Li Peng, and Xiao Chiwei. 2020. Occurrence Characteristics and Response to El Niño of MODIS-Based Active Fires in Indonesia during 2001-2018. Acta Geographica Sinica, 75(9): 1907-1920.

刘颖，李鹏，肖池伟，刘佳，叶靓俏，施冬. 2021. 中南半岛旱季VIIRS活跃火的空间特征与国别差异. 地理科学进展，40（8）：1406-1418.

Liu Ying, Li Peng, Xiao Chiwei, Liu Jia, Ye Jingqiao, and Shi Dong. 2021. Spatial Characteristics and National Differences of Active Fires Derived from Visible Infrared Imaging Radiometer Suite (VIIRS) in Mainland Southeast Asia in the Dry Season during 2012-2019. Progress in Geography, 40(8): 1406-1418.

Marlier M E, DeFries R S, Voulgarakis A, Kinney P L, Randerson J T, Shindell D T, Chen Y, and Faluvegi G. 2012. El Niño and Health Risks from Landscape Fire Emissions in Southeast Asia. Nature Climate Change, 3(2): 131-136.

McLauchlan K K, Higuera P E, and Miesel J. 2020. Fire as a Fundamental Ecological Process: Research Advances and Frontiers. Journal of Ecology, 108(5): 2047-2069.

Mcwethy D B, Whitlock C, Wilmshurst J M, McGlone M S, Fromont M, Li X, Dieffenbacher-Krall A, Hobbs W O, Fritz S C, and Cook E R. 2010. Rapid Landscape Transformation in South Island, New Zealand, Following Initial Polynesian Settlement. Proceedings of the National Academy of Sciences, 107(50): 21343-21348.

Pan X H, Chin M, Ichoku C M, and Field R D. 2018. Connecting Indonesian Fires and Drought with the Type of El Niño and Phase of the Indian Ocean Dipole during 1979-2016. Journal of Geophysical Research: Atmospheres, 123(15): 7974-7988.

Parisien M A, Miller C, Parks S A, DeLancey E R, Robinne F N, and Flannigan M D. 2016. The Spatially Varying Influence of Humans on Fire Probability in North America. Environmental Research Letters, 11(7): 75005.

Pearson K. 1920. Notes on the History of Correlation. Biometrika, 13(1): 25-45.

Schroeder W, Oliva P, Giglio L, and Csiszar I A. 2014. The New VIIRS 375 m Active Fire Detection Data Product: Algorithm Description and Initial Assessment. Remote Sensing of Environment, 143: 85-96.

Tinling M A, Weat J J, Cascio W E, Kilaru V, and Rappold A G. 2016. Repeating Cardiopulmonary Health Effects in Rural North Carolina Population during a Second Large Peat Wildfire. Environmental Health, 15(1): 12.

Ward D S, Shevliakova E, Malyshev S, and Rabin S. 2018. Trends and Variability of Global Fire Emissions Due to Historical Anthropogenic Activities. Global Biogeochemical Cycles, 32(1): 122-142.

Wees D, Werf G R, Randerson J T, Andela N, Chen Y, and Morton D C. 2021. The Role of Fire in Global Forest Loss Dynamics. Global Change Biology, 27(11): 2377-2391.

Yin S. 2020. Biomass Burning Spatiotemporal Variations over South and Southeast Asia. Environment International, 145: 106153.

Yin X, Li P, Feng Z M, Yang Y Z, You Z, and Xiao C W. 2021. Which Gridded Population Data Product is Better? Evidences from Mainland Southeast Asia (MSEA). ISPRS International Journal of Geo-Information, 10(10): 681.

Xiao C, Feng Z, and Li P. 2022. Active Fires Show an Increasing Elevation Trend in the Tropical Highlands. Global Change Biology, 28(8): 2790-2803.

Xu Y M, Ho H C, Knudby A, and He M. 2021. Comparative Assessment of Gridded Population Data Sets for Complex Topography: A Study of Southwest China. Population and Environment, 42: 360-378.

Options
文章导航

/

〈 〉