2017, Vol. 37
[PDF全文]
2. 海峡两岸红壤区水土保持协同创新中心, 福州 350002
2. Co-innovation center for soil and water conservation in red soil region of the Cross-straits, Fuzhou 350002
林火是森林生态系统重要干扰因子, 森林燃烧产生的烟气和固体颗粒物对森林功能、大气环境和人类健康有显著影响(Weber and Stocks, 1998；Honig and Fule, 2012；Tansey et al., 2004).研究显示, 全球每年森林过火面积为3.5 Mhm2 (Hoelzemann et al., 2004；Kasischke and Penner, 2004), 可以释放38 Tg的PM2.5和820 Gg的EC (Reinhardt and Ward, 1995；Crutzen and Andreae, 1990)等大量的固体颗粒物.烟气中固体颗粒物促进光化学反应、影响光散射和吸收、促进阴霾形成, 降低大气能见度(Fernandes et al., 2011；靳全锋等, 2016), 直接和间接影响全球气候变化(Neto et al., 2009).此外, 部分颗粒物可以直接进入人类呼吸系统, 对健康产生危害(Reisen et al., 2015).鉴于林火排放颗粒物对生态环境和人类健康的重要影响(Cheng et al., 2000), 目前国内外关于林火颗粒物排放的研究已经开展, 随着3S (Remote sensing、Geography information systems和Global positioning systems)技术的发展, 利用卫星火点数据估算区域林火烟气排放逐渐成为主流研究方法(Wardoyo et al., 2011；Giglio et al., 2006；Tansey et al., 2008；Sahu and Sheel, 2013).
中国亚热带地区森林资源丰富, 森林覆盖率为47.77%~65.91%.由于人类生产经营活动等原因导致森林火灾频发, 年均森林火灾发生超过10000次(Tian et al., 2013), 由于纬度、降水、相对湿度等自然因素的相互作用, 形成中国亚热带地区森林火灾多具有面积小、频率高、强度低等特点.据Okoshi等(2014)对加利福尼亚地区3场森林火灾的野外观测表明：小面积、小强度林火释放细小颗粒物浓度比大面积、高强度林火高, 且高达2倍以上, 并认为单位面积小强度森林火灾对大气环境产生更大影响.这极大增加了探讨中国亚热带林火对空气颗粒物浓度及成霾贡献力的意义.然而, 目前关于中国亚热带地区森林火灾排放研究较少, 尤其关于森林火灾的颗粒物排放问题更是鲜有报道.
本文综合国内外文献及中国林业统计年鉴和中国畜牧业年鉴对中国亚热带地区过去15年间的森林火灾排放颗粒物的时空变化趋势进行分析.主要研究目标为: ① 估测出2000-2014年中国亚热带地区森林生物质燃烧总量; ② 估算中国亚热带各区域林火排放颗粒物总量；③ 分析中国亚热带地区林火排放颗粒物时空变化.本研究可为相关大气模型研究和大气环境污染评价提供基础性科学依据.
2 资料与方法(Datas and methods)本研究以中国亚热带地区8个省(浙江、福建、广东、广西、云南、贵州、湖南和江西)为研究区域, 根据不同林型排放因子及各区域森林火灾面积, 估测中国亚热带地区2000-2014年森林火灾释放PM2.5、TC、OC和EC等污染物的总量及时空变化.
2.1 研究区概况中国亚热带地区位于中国南部, 地理范围是北纬20°06′~31°30′, 东经97°20′~123°30′, 土地面积1572400 km2, 占中国国土面积1/6, 林地面积占中国林地面积1/3.处于亚热带季风气候区, 年太阳辐射总量448.99 kJ·cm-2、平均年总降水量1361 mm、年平均气温18.6 ℃, 植被类型以温带针叶、阔叶落叶乔木和阔叶常绿乔木为主, 目前森林覆盖率48%~66%, 林火多集中在春、秋两季, 年均林火超过10000次, 多为人为火(Tian et al., 2013).
2.2 数据来源与处理方法 2.2.1 数据来源森林火灾面积和草地火灾面积数据分别来源于中国林业统计年鉴(国家林业局, 2001-2015)和中国畜牧业年鉴(中国畜牧业年鉴, 2001-2015).卫星火点数据来源于MODIS(Moderate Resolution Imaging Spectrometer)林火数据产品, MODIS林火产品在监测植被火灾方面具有良好的可靠性(Amraoui et al., 2015), 目前MODIS火点受自然因素影响, 成功监测率为90%左右, 通过滤除噪声、耀斑及云的干扰, 不同区域和季节林火成功监测率高达100%(Zhou et al., 2006).本研究使用的是1 km×1 km空间分辨率的每日尺度MOD14A1产品.研究提取了2000-2014年中国亚热带地区卫星火点数据并与植被类型图(1 km×1 km空间分辨率)进行叠加, 提取森林火点数据, 数据包含了每个火点地理坐标、时间和植被类型.森林密度运用Ni等(2001)和Akiyama等(2007)估算中国森林资源森林密度和草地的平均值作为参数(表 1).森林资源的燃烧效率采用文献(Michel et al., 2005；Kato et al., 2011), 乔木、灌木和草本的燃烧效率分别为25%、68%和96%.
2.2.2 数据处理利用Excel统计2000-2014年每次林火发生时间、位置和面积, 以获取林火时间分布特征, 根据林火及颗粒物空间分布特征运用ArcGIS软件绘制空间分辨率为(0.2°×0.2°)的林火密度和颗粒物空间分布图.
| 表 1 生物质密度和燃烧效率 Table 1 Biomass densities and burning efficiencies for different forest types |
 |
森林燃烧用公式(1) 进行计算.
|
(1) |
式中, BB为森林燃烧总量(t)；A为森林燃烧面积(km2)；D为单位面积森林密度(t·km-2); η为森林燃烧效率.
2.4 森林燃烧排放污染物计算依据查阅相关统计资料和文献获得的基础数据和排放因子, 计算排放的污染物总量.计算公式为式(2)(Lu et al., 2011).
|
(2) |
式中, Ei.j为i类污染物排放量(t)；BBj为第j种林型的燃烧量(t)；EFi.j为第j种林型燃烧后i类污染物的排放因子(g·kg-1).
2.5 烟气排放量变化趋势及显著性分析本研究使用Mann-Kandell趋势检验法(Neeti et al., 2011)对研究区域林火烟气排放量的时间变化趋势进行分析.
Mann-Kandell趋势检验法是一种非参数统计检验方法.该方法优点不需要遵循一定分布, 不受少量异常值的干扰, 更适用于时间序列变化的数据趋势检验, 被广泛运用于时间序列上水文、温度和气候等趋势变化, 且计算也比较简单.
2.6 排放因子的确定针对不同林型选用不同的排放因子是精确估测各类排放物总量的重要前提.本文综合分析国内外相关领域研究, 发现目前国内对不同树种燃烧排放因子测定上未见报道.本研究因此根据实际情况选用国外与国内相同树种的排放因子, 同时为减少估算误差, 对国外众多研究的排放因子结果取平均值作为本研究的排放因子(表 2).
| 表 2 不同林型林火排放因子 Table 2 Emission factors from different forest types |
|
图 1显示, 2000-2014年中国亚热带地区林火次数在时间上不均匀.福建、广东、广西、湖南和江西林火主要集中在1-4月及10-12月, 分别占全年火灾的82.83%、87.45%、87.08%、90.91%和85.99%；贵州和云南林火主要集中在1-4月, 分别占全年林火的91.45%和96.06%；浙江林火集中在2-8月, 占全年林火的85.44%. Tian等(2014)研究21世纪中国西南地区森林火险的变化结果与本研究一致.各区域林火频发时段有所不同, 但林火频繁发时段主要受人为因素(公路、铁路、居民点、烧荒、烧炭和烧杂等)和自然因素(纬度、降水、气温、相对湿度、风速和植被类型等)的影响(Wardoyo et al., 2011；Tian et al., 2014；Guo et al., 2016a；Guo et al., 2016b；Pausas, 2004；Westerling et al., 2006). 2000-2014年中国亚热带地区林火年变化总体呈上升趋势, 林火年变化主要受全球气候变化、光照、温度和人类活动等因素影响.研究显示全球变暖、气温升高、中国亚热带地区生物质积累增加及人类活动频发是导致林火频发主要原因.亚热带区域林火密度如图 2a所示, 云南南部和东南部、湖南、贵州和广东交汇处、广东东南部和福建中部区域林火密度较大, 其他区域相对较低；显然各区域林火总量空间差异很大, 表明林火发生在空间上是不均匀.该研究结果与Tian等(2013)研究结果一致.2000-2014年平均林火面积如图 2b所示, 不同区域林火面积差异很大, 浙江、福建、广东、广西、云南、贵州、湖南和江西地区15年林火总面积分别是：9.57×104、3.59×105、5.56×105、6.97×105、1.84×106、1.12×105、2.16×105和4.22×105 hm2. Tian等(2013)研究中国林火分布特征表明, 浙江、福建、贵州和湖南年平均林火面积分别是：5994、21001、17357和39987 hm2.本研究结果与Tian等研究相近.图 2c显示各燃烧区域森林可燃物载量差异很大；2000-2014年中国亚热带林火发生区森林可燃物载量为333.92 mt, 各区域之间森林可燃物载量存在差异, 浙江、福建、广东、广西、云南、贵州、湖南和江西地区15年林火区生物质载量分别为：7.05×105、2.26×106、2.46×106、3.91×106、8.74×106、1.98×105、1.43×104和2.69×106 t.综合表明, 通过火点、林火面积及森林生物质密度估算出各燃烧区域生物量总量(图 2c).
 |
| 图 1 2000-2014年中国亚热带地区林火点时间变化 Fig. 1 Temporal variation of forest fire points in Subtropical China during 2000-2014 |
 |
| 图 2 2000-2014年中国亚热带地区林火密度、面积和燃烧总量空间分布 Fig. 2 Spatial distribution of forest fire density, total fire area and total biomass in Subtropical China during 2000-2014 |
运用Mann-Kandell趋势显著性检验分析中国亚热带地区污染物总量年变化趋势. 图 3为2000-2014年中国亚热带林火释放各污染物的动态变化, 显示林火释放各污染物在时间和空间上不均衡分布. Mann-Kandell趋势显著性检验结果表明PM2.5、OC、EC和TC在浙江、云南、贵州、湖南和江西呈显著增长趋势, 福建、广东和广西呈增长趋势, 但不显著.
 |
| 图 3 2000-2014年中国亚热带地区森林火排放颗粒物趋势检验 Fig. 3 Trend test of the total emissions of pollutants from forest fire in Subtropical China during 2000-2014 |
林火排放受内、外因素共同作用而不断发生变化, 运用大量静态数据, 并不能反映林火排放动态变化, 估算污染物排放通过改变方法逐渐逼近真实值, 不可能成为真实值, 以往研究表明运用平均值是减少误差的常用估算方法.估算林火污染物排放分别运用林火每年平均面积、平均生物质密度和平均排放因子等共同估算颗粒物排放总量, 如图 4显示各区域污染物排放总量差异很大, 各污染物分布有所不同, 2000-2014年中国亚热带各区域森林火灾排放污染物PM2.5、OC、EC和TC总量分别为：698.33、338.18、40.04和378.22 kt, 年均排放量分别为：46.56、22.55、2.67和25.21 kt；浙江省森林火灾产生污染物总量为41.01 kt, 主要污染物PM2.5、OC、EC和TC分别为：19.93 kt、9.15 kt、1.39 t和10.54 kt；其它区域福建、广东、广西、云南、贵州、湖南和江西林火释放污染物总量分别为：140.41、164.16、244.55、603.44、12.34、80.01和168.86 kt；TC排放在福建、广东、广西、云南、贵州、湖南和江西等占区域颗粒物总量质量分数分别为25.7%、26.0%、26.0%、26.1%、26.3%、25.8%和25.9%；PM2.5排放在福建、广东、广西、云南、贵州、湖南和江西等占区域污染物总量质量分数分别为48.5%、48.0%、47.9%、47.8%、47.5%、48.3%和48.2%；其它OC排放在福建、广东、广西、云南、贵州、湖南和江西等占区域污染物总量质量分数分别为22.4%、23.2%、23.3%、22.3%、22.8%、22.7%、22.9%和23.7%.根据空气质量标准将污染物划分为5个等级, 如图 4所示, 单位网格内林火排放固态污染物大于40 t的面积大小顺序为：PM2.5 > TC > OC > EC, 且污染排放最多区域皆集中在火密度较高区域(图 2a), 云南南部和东南部、湖南、贵州和广东交汇处、广东东南部和福建中部区域林火密度较大, 其它区域相对较小；颗粒物PM2.5、OC、EC和TC排放高低和林火发密度有密切正相关, 图 4显示林火排放污染物PM2.5影响区域面积较大, 污染物PM2.5排放总量大于40 t区域占亚热带地区面积的一半以上.颗粒物排放与林火密度呈正相关, 林火受自然因素和社会经济因素共同影响. Tian、Guo、Westerling、Mundo、Pausas和Faivre等(Yan et al., 2006；Mundo et al., 2013；Faivr et al., 2014；Guo et al., 2016a；Guo et al., 2016b；Tian et al., 2013；Tian et al., 2014)研究显示林火受密度与CGDP、人口密度、居民点、日照长度和日最高气温呈正相关；与距公路距离、降水量、相对湿度和高程等因子呈负相关.森林是陆地生态系统重要组成部分, 是生物圈中生产者, 承担整个生态系统平衡的功能, 也是国家经济可持续发展的物质基础, 森林火灾是森林生态系统最大的自然灾害, 影响林业发展, 威胁人类安全, 同时造成森林覆盖率降低, 由于亚热带区域降水频繁, 水土流失加剧导致土壤贫瘠, 降低土壤生产活力(Hernandez et al., 2006).
 |
| 图 4 2000-2014年中国亚热带地区森林火排放颗粒物总量区域分布图 Fig. 4 Spatial distribution of total emissions of particulate matter from forest fire in Subtropical China during 2000-2014 |
本研究使用IPCC(1997)提供不确定性评估的方法.当不确定量通过加法合并时, 总体不确定性采用公式(3) 计算；当不确定量通过乘法合并时, 总体不确定性采用公式(4) 计算.
|
(3) |
式中, Utotal为总体不确定性, xn和Un分别是不确定量和相关的百分比不确定性.
|
(4) |
式中, Utotal为总体不确定性, Un是每个量相关的百分比不确定性.
研究表明林火排放受植被类型、生物质密度、林火面积、燃烧效率、气相因子和经济社会等因素影响.植被类型和生物质密度不确定性分析：由于本文选用的植被类型和生物质密度来源于Ni等(2001)实测数据和卫星遥感数据相结合, 其误差为10%~50%；林火面积不确定性分析：本研究森林和草原火灾面积资料来源国家统计局林业统计资料和畜牧业年鉴, Cao等(2008；2011)认为政府统计数据具有较高可信度和准确性, 其误差在5%~10%, 本研究将火面积误差统一设定为10%；燃烧效率不确定性分析：在估算森林和草原颗粒物排放时, 需要引入燃烧效率系数, 燃烧效率系数是污染物排放的重要影响因子, 而燃烧效率受植被类型、燃烧方式、自然环境等因素影响, 目前国内关于该研究尚未见报道, 燃烧效率来源较为单一, 根据Cao等(2011)研究则统一设定误差为200%；排放因子不确定性分析：排放因子是颗粒物排放至关重要的因子, 直接决定污染物排放估算准确性, 而排放因子受植被类型、燃烧方式、地域、自然环境等因素影响, 本研究为了估算的准确性和精确性, 以多个相同植被类型实测数据的平均值作为本研究排放因子, 增加不同植被类型排放因子的可靠性, 其误差在20%~80%；本研究基于各因子误差运用公式(3) 和(4) 定量的计算各污染物排放结果的不确定性, 并与陆炳等(2011)和Streets等(2003)的研究进行了对比(表 3), 结果显示本研究估算误差小于前人研究结果, 主要由于本研究生物质密度、排放因子来源实测数据, 其误差相对较小.目前国内对林木树种燃烧排放因子及燃烧效率缺少实测数据, 导致了本研究结论在亚热带森林颗粒物排放的空间异质性方面缺少考虑, 今后还需要加强林火颗粒物排放的实测工作, 以便充分考虑亚热带不同树种的颗粒物排放特性, 进一步提高林火污染物排放估测的准确性.
Yan等(2006)研究亚热带区域森林草原火排放PM2.5为52.7 kt·a-1, 该研究结果是本研究的1.1倍, 结果较为接近；陆炳等(2011)研究结果显示中国亚热带区域森林燃烧PM2.5、EC和OC排放为558.51、25.58和89.34 kt·a-1, 田贺忠等(2011)研究结果显示中国亚热带区域森林燃烧PM2.5为381.3 kt·a-1, 而陆炳和田贺忠等研究结果分别是本研究的3.96~11.90倍, 该研究结果显著高于本研究, 由于以上学者研究包括了森林火灾和室内薪柴燃烧, 而本研究仅对森林燃烧进行了估算, 故研究结论有较大差异.
| 表 3 排放源估算误差分析 Table 3 Error analysis of emission sources estimation |
|
工业粉尘是指工业生产中产生直径介于1~100 μm的固体颗粒物.根据亚热带各省统计年鉴查到2000-2014年的工业粉尘排放情况如图 5所示.结果显示2000-2014年中国亚热带区域工业粉尘排放总量为34.28 mt, 年均排放工业粉尘2.29 mt, 总体呈先降低后增加的趋势.2000-2010年工业粉尘排放总体呈降低趋势, 平均每年减少109.5 kt工业粉尘, 年同比降低0.49%；2010-2014年总体呈增长趋势, 年增长率为0.97%.该研究与刘睿劼等(2012)研究结果一致, 刘睿劼等研究中国工业粉尘排放影响因素分解研究中指出工业粉尘排放与采矿业、化工及金属行业呈显著正相关.15年林火排放PM2.5排放总量为698.33 kt, 年均排放PM2.5为46.56 kt, 总体呈上升趋势, 年均增加3.3 kt, 年均增长率为7.2%.2005-2010年政府提倡绿色奥运政策影响, 中国亚热带地区人为源(工业粉尘)排放呈降低趋势, 全球气候变暖导致林火频发且呈增长趋势, 导致林火排放颗粒物排放不断增长.本研究根据林火呈周期性变化并假定林火排放保持7.2%的年增长率, 则可估计认为大约50年后林火释放颗粒物将达到工业源排放的平均值.本研究结果表明, 林火在未来气候变化背景下, 对大气环境影响将逐渐增加.中国亚热带分区域显示2000-2010年浙江、福建、广东、广西、云南、贵州、湖南和江西工业粉尘排放随时间变化总体呈下降趋势；2010-2014年工业粉尘排放随时间变化呈上升趋势, 与Liu等(2007)研究结果一致. 图 5显示2000-2014年, 湖南和广东区域林火排放PM2.5占工业粉尘比率总体保持平稳；云南林火排放PM2.5占工业粉尘比率呈周期性波动；广西、浙江、福建、江西和贵州区域林火排放PM2.5占工业粉尘排放比率总体呈上升趋势.综合研究表明亚热带区域林火排放PM2.5占工业粉尘比率总体呈逐渐增加趋势, 说明亚热带地区林火导致的颗粒物排放呈显著增加趋势.
 |
| 图 5 2000-2014年中国亚热带地区森林火排放PM2.5占工业粉尘排放比率变化 Fig. 5 Change of the ratio of PM2.5 emission from forest fire to the emission of industrial particulate matters in Subtropical China during 2000-2014 |
1) 中国亚热带大区2000-2014年森林生物质总产量为333.92 Mt, 各区域之间森林可燃物载量存在差异, 浙江、福建、广东、广西、云南、贵州、湖南和江西地区15年林火区生物质载量分别为：7.05×105、2.26×106、2.46×106、3.91×106、8.74×106、1.98×105、1.43×104和2.69×106 t.
2) 2000-2014年中国亚热带各区域森林火灾排放污染物PM2.5、OC、EC和TC总量分别为：698.33、338.18、40.04和378.22 kt, 年均排放量分别为：46.56、22.55、2.67和25.21 kt。
3) 2000-2014年中国亚热带地区森林火灾排放各污染物的动态变化, 显示森林燃烧释放各污染物在时间和空间上不均衡分布, 结果表明: PM2.5、OC、EC和TC在浙江和云南呈极显著增长趋势, 贵州、湖南和江西呈显著增长趋势, 福建、广东和广西呈增长趋势.
4) 2000-2014年中国亚热带林火排放PM2.5与工业粉尘排放比率总体呈增加趋势说明森林火灾导致的颗粒物排放呈逐年增长趋势.
| [${referVo.labelOrder}] | Alves C, Gon Alves C, Fernandes A P. 2011. Fireplace and woodstove fine particle emissions from combustion of western Mediterranean wood types[J]. Atmospheric Research, 101(3): 692–700. DOI:10.1016/j.atmosres.2011.04.015 |
| [${referVo.labelOrder}] | Akiyama T, Kawamura K. 2007. Grassland degradation in China:Methods of monitoring, management and restoration[J]. Grassland Science, 53(1): 1–17. DOI:10.1111/grs.2007.53.issue-1 |
| [${referVo.labelOrder}] | Amraoui M, Pereira M G, Dacamara C C, et al. 2015. Atmospheric conditions associated with extreme fire activity in the Western Mediterranean region[J]. Science of the Total Environment, 524: 32–39. |
| [${referVo.labelOrder}] | Cao G L, Zhang X Y, Gong S L, et al. 2011. Emission inventories of primary particles and pollutant gases for China[J]. Chinese Science Bulletin, 56(8): 781–788. DOI:10.1007/s11434-011-4373-7 |
| [${referVo.labelOrder}] | Cao G L, Zhang X Y, Gong S L, et al. 2008. Investigation on emission factors of particulate matter and gaseous pollutants from crop residue burning[J]. Journal of Environmental Sciences, 20(1): 50–55. DOI:10.1016/S1001-0742(08)60007-8 |
| [${referVo.labelOrder}] | Cheng Z L, Lam K S, Chan L Y, et al. 2000. Chemical characteristics of aerosols at coastal station in Hong Kong[J]. I. Seasonal variation of major ions, halogens and mineral dusts between 1995 and 1996[J]. Atmospheric Environment, 34(17): 2771–2783. |
| [${referVo.labelOrder}] | Crutzen P J, Andreae M O. 1990. Biomass Burning in the Tropics:Impact on Atmospheric Chemistry and Biogeochemical Cycles[J]. Science (New York, N.Y.), 250(4988): 1669–1678. DOI:10.1126/science.250.4988.1669 |
| [${referVo.labelOrder}] | Faivre N, Jin Y, Goulden M L, et al. 2014. Controls on the spatial pattern of wildfire ignitions in Southern California[J]. International Journal of Wildland Fire, 23(6): 799–811. DOI:10.1071/WF13136 |
| [${referVo.labelOrder}] | Fernandes A P, Alves C A, Gonçalves C, et al. 2011. Emission factors from residential combustion appliances burning Portuguese biomass fuels[J]. Journal of Environmental Monitoring Jem, 13(11): 3196–3206. DOI:10.1039/c1em10500k |
| [${referVo.labelOrder}] | Fine P M, Cass G R, Simoneit B R T. 2004. Chemical characterization of fine particle emissions from the fireplace combustion of wood types grown in the midwestern and western united states[J]. Environmental Engineering Science(21): 387–409. |
| [${referVo.labelOrder}] | Fine P M, Glen C R, Brend S. 2001. Chemical characterization of fine particle emissions from fireplace combustion of woods grown in the northeastern United States[J]. Environmental Science and Technology, 36(7): 1442–1451. |
| [${referVo.labelOrder}] | Giglio L, Werf G R V D, Randerson J T, et al. 2006. Global estimation of burned area using MODIS active fire observations[J]. Journal of Geophysical Research Oceans, 6(4): 957–974. |
| [${referVo.labelOrder}] | Guo F, Su Z, Wang G, et al. 2016a. Wildfire ignition in the forests of southeast China:Identifying drivers and spatial distribution to predict wildfire likelihood[J]. Applied Geography, 66: 12–21. DOI:10.1016/j.apgeog.2015.11.014 |
| [${referVo.labelOrder}] | Guo F, Wang G, Su Z, et al. 2016b. What drives forest fire in Fujian, China:Evidence from logistic regression and Random Forests[J]. International Journal of Wildland Fire, 25(5): 505–519. DOI:10.1071/WF15121 |
| [${referVo.labelOrder}] | 国家林业局. 2001-2015. 中国林业统计年鉴[[M]. 北京: 中国林业出版社. |
| [${referVo.labelOrder}] | Hernandez-Leal P A, Arbelo M, Gonzalez-Calvo A. 2006. Fire risk assessment using satellite data[J]. Advances in Space Research, 37(4): 741–746. DOI:10.1016/j.asr.2004.12.053 |
| [${referVo.labelOrder}] | Hoelzemann J J, Schultz M G, Brasseur G P, et al. 2004. Global Wildland Fire Emission Model (GWEM):Evaluating the use of global area burnt satellite data[J]. Journal of Geophysical Research, 109(D14): 839–856. |
| [${referVo.labelOrder}] | Honig K A, Fulé P Z. 2012. Simulating effects of climate change and ecological restoration on fire behaviour in a south-western USA ponderosa pine forest[J]. International Journal of Wildland Fire, 21(6): 731–742. DOI:10.1071/WF11082 |
| [${referVo.labelOrder}] | 靳全锋, 马祥庆, 王文辉, 等. 2017. 华东地区2000-2014年间秸秆燃烧排放PM2.5时空动态变化[J]. 环境科学学报, 2017, 37(2): 460–468. |
| [${referVo.labelOrder}] | Kasischke E S, Penner J E. 2004. Improving global estimates of atmospheric emissions from biomass burning[J]. Journal of Geophysical Research Atmospheres, 109(D14): 10–1029. |
| [${referVo.labelOrder}] | Kato E, Kawamiya M, Kinoshita T, et al. 2011. Development of spatially explicit emission scenario from land-use change and biomass burning for the input data of climate projection[J]. Procedia Environmental Sciences, 6(1): 146–152. |
| [${referVo.labelOrder}] | Liu G, Sun L. 2007. Quantitive Appraisal of Biomass Energy and Its Geographical Distribution in China[J]. Journal of Natural Resources, 22(1): 9–19. |
| [${referVo.labelOrder}] | Liu Y, Goodrick S, Heilman W. 2014. Wildland fire emissions, carbon, and climate:Wildfire-climate interactions[J]. Forest Ecology & Management, 317(2): 80–96. |
| [${referVo.labelOrder}] | 刘睿劼, 张智慧. 2012. 中国工业粉尘排放影响因素分解研究[J]. 环境科学与技术, 2012(12): 244–248. DOI:10.3969/j.issn.1003-6504.2012.12.051 |
| [${referVo.labelOrder}] | Lu Z, Zhang Q, Streets D G. 2011. Sulfur dioxide and primary carbonaceous aerosol emissions in China and India, 1996-2010[J]. Atmospheric Chemistry & Physics, 11(18): 9839–9864. |
| [${referVo.labelOrder}] | 陆炳, 孔少飞, 韩斌, 等. 2011. 2007年中国大陆地区生物质燃烧排放污染物清单[J]. 中国环境科学, 2011, 31(2): 186–194. |
| [${referVo.labelOrder}] | Mann M E. 2004. On smoothing potentially non-stationary climate time series[J]. Geophysical Research Letters, 31(7): 10–1029. |
| [${referVo.labelOrder}] | Michel C, Liousse C, Grégoire J M, et al. 2005. Biomass burning emission inventory from burnt area data given by the spot-vegetation system in the frame of TRACE-P and ACE-Asia campaigns[J]. Journal of Geophysical Research Atmospheres, 110(D9): 1637–1639. |
| [${referVo.labelOrder}] | Mundo I A, Wiegand T, Kanagaraj R, et al. 2013. Environmental drivers and spatial dependency in wildfire ignition patterns of northwestern Patagonia[J]. Journal of Environmental Management, 123(1): 77–87. |
| [${referVo.labelOrder}] | Neeti N, Eastman J R. 2011. A Contextual Mann-Kendall Approach for the Assessment of Trend Significance in Image Time Series[J]. Transactions in Gis, 15(5): 599–611. DOI:10.1111/tgis.2011.15.issue-5 |
| [${referVo.labelOrder}] | Neto T G S, Carvalho J A, Veras C A G, et al. 2009. Biomass consumption and CO2, CO and main hydrocarbon gas emissions in an Amazonian forest clearing fire[J]. Atmospheric Environment, 43(2): 438–446. DOI:10.1016/j.atmosenv.2008.07.063 |
| [${referVo.labelOrder}] | Ni J, Zhang X S, Scurlock M O. 2001. Synthesis and analysis of biomass and net primary productivity in Chinese forests[J]. Annals of Forest Science, 58(4): 351–384. DOI:10.1051/forest:2001131 |
| [${referVo.labelOrder}] | Okoshi R, Rasheed A, Reddy G C, et al. 2014. Size and mass distributions of ground-level sub-micrometer biomass burning aerosol from small wildfires[J]. Atmospheric Environment, 89(2): 392–402. |
| [${referVo.labelOrder}] | Pausas J G. 2004. Changes in Fire and Climate in the Eastern Iberian Peninsula (Mediterranean Basin)[J]. Climatic Change, 63(3): 337–350. DOI:10.1023/B:CLIM.0000018508.94901.9c |
| [${referVo.labelOrder}] | Reinhardt T E, Ward D E. 1995. Factors Affecting Methyl Chloride Emissions from Forest Biomass Combustion[J]. Environmental Science & Technology, 29(3): 825–832. |
| [${referVo.labelOrder}] | Reisen F, Duran S M, Flannigan M, et al. 2015. Wildfire smoke and public health risk[J]. International Journal of Wildland Fire, 24(8): 1029–1044. DOI:10.1071/WF15034 |
| [${referVo.labelOrder}] | Sahu L K, Sheel V. 2013. Spatio-temporal variation of biomass burning sources over South and Southeast Asia[J]. Journal of Atmospheric Chemistry, 71(1): 1–19. |
| [${referVo.labelOrder}] | Shen G F. 2012. Emission Factors, Size Distributions and Emission Inventories of Carbonaceous Particulate Matter from Residential Wood Combustion in Rural China[J]. Environmental Science & Technology, 46(7): 4207–4214. |
| [${referVo.labelOrder}] | Streets D G, Bond T C, Carmichael G R, et al. 2003. An inventory of gaseous and primary aerosol emissions in Asia in the year 2000[J]. Journal of Geophysical Research Atmospheres, 108(D21): GTE (30) 1–23. |
| [${referVo.labelOrder}] | Tansey K, Grégoire J M, Defourny P, et al. 2008. A new, global, multi-annual (2000-2007) burnt area product at 1 km resolution[J]. Geophysical Research Letters, 35(L01401): 1–6. |
| [${referVo.labelOrder}] | Tansey K, Grégoire J M, Stroppiana D, et al. 2004. Vegetation burning in the year 2000:Global burned area estimates from SPOT VEGETATION data[J]. Journal of Geophysical Research, 109(D14): 449–464. |
| [${referVo.labelOrder}] | 田贺忠, 赵丹, 王艳. 2011. 中国生物质燃烧大气污染物排放清单[J]. 环境科学学报, 2011, 31(2): 349–357. |
| [${referVo.labelOrder}] | Tian X, Zhao F, Shu L, et al. 2013. Distribution characteristics and the influence factors of forest fires in China[J]. Forest Ecology & Management, 310(1): 460–467. |
| [${referVo.labelOrder}] | Tian X, Zhao F, Shu L, et al. 2014. Changes in forest fire danger for south-western China in the 21st century[J]. International Journal of Wildland Fire, 23(2): 185–195. DOI:10.1071/WF13014 |
| [${referVo.labelOrder}] | Urbanski S P. 2008a. Combustion efficiency and emission factors for wildfire-season fires in mixed conifer forests of the northern Rocky Mountains, US[J]. Infection & Immunity, 76(11): 5341–5349. |
| [${referVo.labelOrder}] | Urbanski S P. 2013b. Combustion efficiency and emission factors for US wildfires[J]. Atmospheric Chemistry & Physics, 13(13): 33–78. |
| [${referVo.labelOrder}] | Urbanski S. 2014. Wildland fire emissions, carbon, and climate:Emission factors[J]. Forest Ecology & Management, 317(2): 51–60. |
| [${referVo.labelOrder}] | Wardoyo A Y P, Morawska L, Ristovski Z D. 2011. CO2 Emissions from the Combustion of Native Australian Trees[J]. International Journal of Basic & Applied Sciences: 25–37. |
| [${referVo.labelOrder}] | Weber M G, Stocks B J. 1998. Forest fires and sustainability in the boreal forests of Canada. Ambio[J]. Ambio, 27(7): 545–550. |
| [${referVo.labelOrder}] | Westerling A L, Hidalgo H G, Cayan D R, et al. 2006. Warming and earlier spring increase western u.s. forest wildfire activity[J]. Science, 313(5789): 940–943. DOI:10.1126/science.1128834 |
| [${referVo.labelOrder}] | Yan X, Ohara T, Akimoto H. 2006. Bottom-up estimate of biomass burning in mainland China[J]. Atmospheric Environment, 40(27): 5262–5273. DOI:10.1016/j.atmosenv.2006.04.040 |
| [${referVo.labelOrder}] | Zhang Y, Shao M, Lin Y., et al. 2011. Emission inventory of carbonaceous pollutants from biomass burning in the Pearl River Delta Region, China[J]. Atmospheric Environment: 189–199. |
| [${referVo.labelOrder}] | Zhou X C, Wang X Q. 2006. Validate and Improvement on Arithmetic of Identifying Forest Fire Based on EOS-MODIS Data[J]. Remote Sensing Technology & Application, 21(3): 206–211. |
| [${referVo.labelOrder}] | 中国畜牧业年鉴编辑委员会. 2001-2015. 中国畜牧业年鉴[M]. 北京: 中国农业出版社. |
| [${referVo.labelOrder}] | IPCC. 1997. Quantifying Uncertainties in Practice, Chapter 6. In:Good Practice Guidance and Uncertainty Management in National Greenhouse Gas Inventories. Bracknell:IES, IPCC, OECD |