Багатодесятирічне картографування стану та тенденцій щорічної ймовірності спалювання в лісових екосистемах Канади

Авторські посилання відкривають панель накладанняКрістофер Малверхілл а,Ніколас К. Купс а,Майкл А. Вулдер нар,Джоан К. Уайт нар,Чомін Гермосилла b,Крістофер В. Бейтер нарПоказати більшеДодайте до МенделеяПоділітьсяЦитувати

https://doi.org/10.1016/j.isprsjprs.2024.02.006

Анотація

У всьому світі лісові пожежі знищують в середньому приблизно 5,5 млн га лісу на рік. Отримання детальної інвентаризації стану лісового палива має вирішальне значення для управління ресурсами як до, так і під час пожежі. Однак продукти даних, які складають основу цих інвентаризаційних даних, часто надходять із різних джерел, можуть не підлягати оновленню або не містити інформації, що стосується палива та пожежної поведінки. Супутникові дані є цінним рішенням цих проблем завдяки вичерпному просторовому охопленню та здатності до частого тимчасового перегляду. У цьому дослідженні ми змоделювали щорічну ймовірність спалювання в канадських лісах за 27-річний період (1994–2020 рр.), використовуючи продукти супутникових даних, що інформують про топографічні, біотичні та кліматичні змінні. Незважаючи на те, що наявність або відсутність лісової пожежі не передбачається, висока ймовірність опіку, отримана від моделей, показала значну відповідність фактичним вигорілим площам. Результати показали, що біотичні змінні, які представляють покрив пологу та об’єм насаджень, були одними з найважливіших для оцінки ймовірності спалювання, причому найбільш відповідними кліматичними змінними були весняні опади та річний діапазон температур. Аналіз часових тенденцій щодо ймовірності опіку підкреслив, що 15% проаналізованих плиток мали тенденції до значного зниження середньої ймовірності опіку протягом періоду дослідження. Ці тенденції до зменшення не завжди відповідали скороченню загальної вигоряної площі, потенційно вказуючи на зміну складу лісу в одних регіонах і зміну умов горіння в інших. Це дослідження підкреслює важливість і потенціал щорічного картування ймовірності опіків для того, щоб охопити ці довгострокові тенденції, а також зміни в кліматичних умовах, які є більш динамічними, ніж інші біотичні чи топографічні чинники ймовірності опіків. Це дослідження демонструє використання вільнодоступних наборів даних, отриманих із супутника, для створення карт імовірності опіків на великій, структурно та композиційно різноманітній лісовій території, спрямованій на ефективне управління пожежами.

1 . вступ

Лісові пожежі є фундаментальним компонентом екології лісів, виконуючи такі екосистемні функції, як стимулювання структурної динаміки лісу, створення середовища існування дикої природи та зміна мікроклімату насаджень ( Kasischke and Stocks, 2012 , Krawchuk et al., 2009 , Stocks et al., 2002 , Вольф та ін., 2021 ). Щороку в середньому згорає приблизно 348–463 млн га глобальної території ( Giglio та ін., 2013 , Lizundia-Loiola та ін., 2020 ); однак лише приблизно 5,5 млн га цього середньорічного показника вважається лісом ( Tyukavina et al., 2022 ). Приблизно 9 % світової площі лісів знаходиться в Канаді; і, як наслідок, лісові пожежі, що відбуваються в Канаді, мають значний вплив на глобальні біогеохімічні цикли ( Krawchuk et al., 2009 , Levine, 1991 , van der Werf et al., 2006 ). Лісові пожежі в Канаді, особливо ті, що відбулися останніми роками, що призвели до великих спалених територій, викидають високі рівні вуглекислого газу, що – частково – нівелює цінність цих лісів як поглинача вуглецю ( Kurz et al., 2008 , Mack et al. , 2021 , Zheng et al., 2023 ), і, можливо, переключає деякі лісові екосистеми на джерело вуглецю ( Potter et al., 2023 ). Очікується, що як частота, так і інтенсивність пожеж зростуть у зв’язку з майбутніми змінами клімату ( Flannigan et al., 2005 ), тим самим підкреслюючи важливість виявлення та характеристики лісових масивів, які можуть загорятися, щоб забезпечити безперервність навколишнього середовища, економічні та культурні цінності лісів у майбутньому ( Kurz et al., 2008 ).

Отримання узгодженої та актуальної інформації про лісові пожежі на великих і різноманітних просторах, таких як Канада, є складним завданням. Загалом, ризик лісової пожежі зумовлений насамперед трьома факторами навколишнього середовища: місцевими погодними умовами, наявністю відповідного палива та джерелами займання ( Parisien et al., 2011 ). Таким чином, основним компонентом управління лісовими пожежами є створення детальної інвентаризації перед пожежею, яка передбачає оцінку рослинності, доступної для спалювання на ландшафті ( Crowley et al., 2023 ). Оскільки було показано, що паливо має більший вплив, ніж погода, на визначення інтенсивності пожежі ( Walker et al., 2020 ), інформація про тип, структуру, стан і просторовий розподіл рослинності має вирішальне значення для оцінки наявності та розташування потенційного лісу. підживлює ландшафт ( Finney, 2001 ; Flannigan and Harrington, 1988 , Malamud et al., 2005 ). Ці набори даних є цінними для розуміння поведінки активних пожеж, оскільки вони можуть допомогти описати, які території можуть горіти за певних погодних умов і можливі джерела займання ( Pickell et al., 2017 ). Розуміючи ці фактори, менеджери можуть приймати обґрунтовані рішення про те, коли і де проводити призначені спалювання, розрідження або інші методи керування паливом, щоб спробувати зменшити ризик катастрофічних пожеж ( Chuvieco та ін., 2023 , Грем та ін., 2004 ). . Крім того, знання про очікувані умови можуть бути цінними для розгортання обмеженої кількості ресурсів активного вогню (тобто персоналу, обладнання) у районах протягом певного року ( Ліон та ін., 2017 ).

Схильність території до пожежі також можна описати в термінах «імовірності опіку», яка пов’язує ймовірність горіння в даному місці за наявності займання та зазвичай моделюється за допомогою підходу моделювання ( Parisien et al., 2019 ). Імовірність горіння була оцінена для різних типів лісу за допомогою імітаційних моделей, таких як FlamMap ( Finney, 2006 ), FSim ( Finney та ін., 2011 ), Prometheus ( Tymstra та ін., 2010 ) або Burn-P3 ( Parisien та ін. , 2005 ). Такі підходи зазвичай призначають значення ймовірності опіку як функцію історичних умов середовища та параметрів поширення. На відміну від імітаційних підходів, які моделюють розмір і розташування пожеж як функцію змодельованих джерел займання, ймовірність опіків також можна моделювати на основі умов навколишнього середовища та місць минулих пожеж ( Paz et al., 2011 ). Таким чином, ймовірність горіння певної території не означає потенціал займання або розповсюдження вогню, а скоріше ступінь відповідності умов навколишнього середовища умовам відомих горілих ділянок.

Дані оптичних супутників із середньою просторовою роздільною здатністю (10–100 м) роблять доступними часові ряди просторово вичерпних зображень за набір спектральних смуг, чутливих до стану та розташування рослинності ( Zhu, 2017 ), які можна використовувати для виявлення, датування та картографування пожежі ( Hermosilla та ін., 2015b ), а також характеризувати зміни та тенденції лісів у часі ( Chuvieco та ін., 2020 ). Таким чином, значення ймовірності горіння були створені за допомогою комбінації вхідних даних, таких як часові ряди спектральних індексів (наприклад, Lozano et al., 2007 ) або отриманих із супутника структурних і композиційних атрибутів лісу (наприклад, Parisien et al. , 2013 , Shang та ін., 2020 ). Ці дослідження, як правило, зосереджуються на відносно однорідних типах лісів на місцевих або регіональних просторах, залишаючи питання щодо життєздатності підходу на більш широких площах і більш різноманітних типах лісів ( Parisien et al., 2011 ). Проведення аналізу всієї лісової екосистеми Канади дало б змогу дослідити ефективність моделей ймовірності опіку та оцінити чинники ймовірності опіку в широких екологічних градієнтах. Крім того, незважаючи на те, що результати ймовірності опіків зазвичай оцінюються за один рік ( Parisien et al., 2019 ), такі фактори, як час, розмір і місце виникнення пожеж, можуть змінюватися з часом ( Kasischke and Turetsky, 2006 ). Поглиблене розуміння міжрічних коливань у моделях ймовірності опіку було б корисним для оцінки продуктивності в майбутніх застосуваннях моделей, а також для надання інформації щодо динаміки значень ймовірності опіку з часом.

Останні досягнення в доступності даних, обчислювальній потужності, зберіганні та розробці алгоритмів дозволили створювати просторово чіткі місцеві, регіональні та національні продукти даних, що описують атрибути лісу в різноманітних просторових і часових масштабах ( Hansen and Loveland, 2012 ; Hermosilla et al.). ., 2022b , Wulder та ін., 2022 , Yang та ін., 2017 ). У той час як створення продуктів, що характеризують ґрунтовий покрив, зміни та структуру лісів, отриманих із супутникових даних, стає все більш поширеним у широкому масштабі (від регіонального до континентального), продукти даних, що спеціально характеризують сприйнятливість до пожеж, не є типовим інформаційним продуктом для лісів (наприклад, ґрунтовий покрив) і часто надходять із непов’язаних джерел даних або можуть не оновлюватись до поточних умов ( Crowley et al., 2023 ). Таким чином, збір відповідних наборів даних (наприклад, топографії; Moges et al., 2023 ), що дозволяє скласти карту сприйнятливості до лісових пожеж, має широке наукове та операційне значення.

У цьому дослідженні ми прагнемо використати численні, просторово деталізовані та вільнодоступні продукти дистанційного зондування національного масштабу для оцінки річної ймовірності спалювання в лісових екосистемах Канади протягом кількох десятиліть. На сьогоднішній день це одна з найбільших просторової протяжності та часової глибини, в межах якої аналізувалася ймовірність опіку. Виконуючи цей аналіз, буде розглянуто три ключові питання. Перший — дослідити, наскільки добре топографічні, біотичні та кліматичні фактори пояснюють різницю ймовірності спалювання в лісових екосистемах Канади. Моделі ймовірності опіку, як правило, не застосовуються до таких різноманітних екологічних градієнтів, як у лісистих екозонах Канади. Характеристика ймовірності опіку в широких просторових і часових масштабах може покращити розуміння моделей ймовірності опіку, наприклад, знання обставин, за яких вони можуть демонструвати більшу відповідність територіям, які фактично згоріли. По-друге, це дослідження визначить, як змінилася ймовірність згоряння пікселів, які фактично згоріли, у лісових екосистемах Канади з 1994 по 2020 рік. Оскільки моделі ймовірності згоряння зазвичай застосовуються та оцінюються протягом одного року, поточне розуміння міжрічної динаміки згоряння ймовірність обмежена. Нарешті, створені моделі будуть використані для дослідження факторів ймовірності спалювання в канадських лісах. Хоча відомо, що причиною пожеж є рельєф місцевості, наявність і розподіл палива, джерела займання та погода ( Gralewicz et al., 2012 ), менше відомо про відносну важливість цих змінних у визначенні площ, які фактично горять, особливо через різноманітну структуру та склад лісових екосистем Канади.

2 . Область дослідження та дані

Екозони Канади, де переважають ліси, були в центрі уваги цього дослідження ( рис. 1 ) і охоплюють понад 650 млн га, або приблизно 65 % території країни ( Ecological Stratification Working Group, 1996 , Kurz et al., 1992 , Rowe, 1996 , Wulder та ін., 2008 ). З цієї площі 347 млн ​​га вирощуються ( Hermosilla et al., 2022b ), що охоплює широкий діапазон кліматичних та екологічних градієнтів, що призводить до домінування різних видів і сумішей ( Hermosilla et al., 2022a ) та режимів пожеж ( Boulanger et al. , 2013 , Coops та ін., 2018 , Готьє та ін., 2015 ). На заході хвойні ліси (наприклад, Pseudotsuga menziesii , Pinus contorta ) мають історію частих пожеж низької інтенсивності, інтенсивність яких зросла в останні десятиліття. У більшості бореальних лісів у центральній Канаді домінують ялина (наприклад, Picea mariana ), сосна (наприклад, Pinus banksiana ) і тремтяча осика ( Populus tremuloides ), а у внутрішніх районах часто трапляються пожежі, що замінюють насадження. Змішані ліси помірного поясу на сході зазвичай вологі, з відносно невеликою кількістю пожеж і характеризуються сумішшю таких видів, як ялиця (наприклад, Abies balsamea ), ялина (наприклад, Picea glauca ) і береза ​​(наприклад, Betula papyrifera ). Діяльність із гасіння пожеж у Канаді значною мірою залежить від управління та цінностей, які знаходяться під загрозою (людське життя, громади та інші цінності; Tymstra та ін., 2020 ). У північних бореальних лісах, як правило, не керують і, отже, використовують мало ресурсів для гасіння пожеж. У більшості керованих лісів, які охоплюють південну частину лісистої території країни, гасіння пожеж є звичайним явищем ( Kurz et al., 2008 , Stocks et al., 2002 ). Хоча важко визначити загальну вартість діяльності з боротьби з пожежами через річну мінливість лісової пожежі, близькість до населених пунктів і можливість доступу та гасіння, на національному рівні (збірно для різних юрисдикцій та рівнів уряду) Stocks and Martell (2016) щорічно звітують витрати понад 1,1 мільярда канадських доларів (з поправкою на інфляцію до 2023 року) із збільшенням витрат, які очікуються внаслідок зміни клімату ( Hope et al., 2016 ). Хоча за останні 20 років у бореальній Північній Америці не спостерігалося істотних змін щорічної вигоряної площі ( Tyukavina та ін., 2022 ), у Канаді з 1950-х років спостерігалося невелике збільшення щорічної випаленої площі ( Стокс та ін., 2002 рік ;Hanes та ін., 2019) . Хоча занадто рано, щоб бути повністю задокументованим, загальна площа спалених лісових пожеж у Канаді в 2023 році оцінюється в >17 млн ​​га ( NRCan, 2023 ), що значно перевищує найбільшу зареєстровану площу спалення в 8 млн га в 1989 році ( Ханес та ін. ., 2019 ).

2.1 . Дані

2.1.1 . Набори даних NTEMS, отримані з Landsat

Дані, що представляють ґрунтовий покрив, порушення, структуру лісу та річні композити зображень відбиття поверхні Landsat, були взяті з NTEMS. Платформа обробки Composite2Change (C2C) генерує щорічні композити зображень Landsat із найкращими наявними пікселями (BAP) із 30-метровою просторовою роздільною здатністю без пропусків ( Hermosilla та ін., 2015a , White та ін., 2014). ), які формують основу інших річних наборів даних, таких як класифікації ґрунтового покриву ( Hermosilla та ін., 2018 , Hermosilla та ін., 2022b ), структурні змінні лісу ( Matasci та ін., 2018a , Matasci та ін., 2018b ) . , дата виникнення та віднесення до типу порушень лісу ( Hermosilla та ін., 2016 ), а також показники, що характеризують ці порушення ( Hermosilla та ін., 2015b ). Після незалежної оцінки точності загальна повідомлена точність виявлення змін становила 92 %, при цьому 91 % збурень було віднесено до правильного року (98 % збурень протягом ±1 року) і низькі помилки комісії для визначення типу зміни (лісова пожежа та урожай <10 %; Hermosilla et al., 2015b ). Річні класифікаційні карти ґрунтового покриву були створені з використанням локалізованих зразків навчання та перевірки в мережі плиток розміром 150 × 150 км ( Hermosilla та ін., 2022b ). Часова гармонізація класифікації була виконана за допомогою прихованої марковської моделі. Класи представляють категорії без рослинності (відкрита безплідна земля, скелі/щебінь, сніг/лід, вода), рослинності (моховики, чагарники, трави та водно-болотні угіддя) і дерев (хвойні, листяні, змішані деревини та водно-болотні дерева). Річні структурні змінні лісу по всій Канаді були розраховані на основі підходу найближчого сусіда ( Matasci et al., 2018a ) із вхідними даними, отриманими від значень BAP від ​​поверхні Landsat і даних повітряного лазерного сканування ( Wulder et al., 2012 ).

2.1.2 . Айстра ГДЕМ

Топографічні дані отримано з версії 3 продукту Global Digital Elevation Model (GDEM) ( Абрамс та ін., 2020 ) супутника Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) ( Tachikawa та ін., 2011 ). Версія 3 продукту покращує попередні ітерації, покращуючи охоплення додатковими стереопарами та зменшуючи виникнення артефактів, тим самим підвищуючи горизонтальну та вертикальну точність. GDEM забезпечує висоту місцевості над рівнем моря з просторовою роздільною здатністю ~30 м.

2.1.3 . КліматNA

Шари, що представляють кліматичні змінні, були створені за допомогою програмного забезпечення ClimateNA, яке зменшує шкалу щорічних вимірювань погоди та норм клімату до бажаної просторової роздільної здатності на основі вхідної цифрової моделі висоти ( Wang et al., 2016 ). Для історичних даних ClimateNA використовує місячні поверхні з координатною сіткою, отримані з мережі з >10 000 північноамериканських метеорологічних станцій ( Daly et al., 2008 ). Потім дані про опади та температуру — місячні, сезонні або річні змінні — масштабуються до бажаної просторової роздільної здатності за допомогою білінійної інтерполяції та динамічного місцевого коригування висоти.

2.1.4 . CNFDB

Дані з Канадської національної бази даних про пожежі (CNFDB) були використані для характеристики пожеж, що виникли до періоду дослідження ( Stocks et al., 2002 ). Дані CNFDB збираються з юрисдикцій, включаючи провінції, території та парки Канади. Джерела вхідних даних для периметрів пожежі змінилися з розвитком технологій і, як правило, включають інтерпретацію історичних аерофотознімків і супутникових зображень. CNFDB представляє найповніший набір даних про периметри пожеж у Канаді за період до того, як були доступні спостереження Landsat.

2.2 . Вхідні змінні

Змінні, які будуть використовуватися як предиктори в моделях ймовірності опіку, були обрані на основі даних Shang et al. (2020) з додатковими змінними, що використовуються для характеристики кліматичних показників. Вибір прогностичних змінних (тобто топографічних, біотичних і кліматичних змінних) ґрунтувався на наявності відкритих інформаційних продуктів національного масштабу. У той час як інші змінні, пов’язані з паливом, запалюванням і погодою, могли покращити моделі, деякі з них були вільно доступні протягом усього періоду дослідження з просторовою роздільною здатністю 30 метрів, тому їх виключили з розгляду. Вхідні змінні належали до однієї з трьох категорій: топографічні, біотичні та кліматичні. Назви змінних, джерела вхідних даних і описи підсумовані в таблиці 1 .

Таблиця 1 . Джерела та описи змінних, які використовуються в моделюванні, розділені на категорії, що описують тип змінної, яку вони описують. GDEM посилається на версію 3 глобальної цифрової моделі рельєфу супутника Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER). NTEMS — це національна система моніторингу наземних екосистем Канади. CNFDB — це національна база даних пожежної безпеки Канади. ClimateNA — це програмне забезпечення для моделювання клімату, розроблене Wang et al. (2016) .

ТипІм’яДжерелоопис
ТопографічнийВисотаGDEMВисота (м)
TSRIGDEMТопографічний індекс сонячної радіації
TWIGDEMТопографічний індекс вологості
СхилGDEMНахил (%)
біотичнийCCNTEMSПокриття навісу (%)
РезюмеNTEMSКоефіцієнт варіації
LCNTEMSТип ґрунтового покриву (класи дерев)
CNFDBCNFDBКанадська національна база даних про пожежу (рік)
СереднійNTEMSСередня висота (м)
P95NTEMS95 процентиль зростання (м)
SDNTEMSСтандартне відхилення висоти (м)
TCBNTEMSЯскравість китиці (10-річний нахил)
ТКГNTEMSTasseled Cap Greenness (10-річний нахил)
TCWNTEMSВологість шапки з китицями (10-річний нахил)
томNTEMSОб’єм (м 3 /га)
КліматCMDКліматNAКліматичний дефіцит вологи (мм)
DD0КліматNAГрадусо-дні нижче 0 °C
PPTКліматNAОпади (мм)
TDКліматNAРізниця температур (°)
ТмаксКліматNAМаксимальна температура (°)

2.2.1 . Топографічні змінні

Топографічні змінні були отримані з версії 3 продукту GDEM ( Abrams et al., 2020 ): висота, нахил місцевості, топографічний індекс сонячної радіації (TSRI) і топографічний індекс вологості (TWI). TSRI — це індекс, значення якого представляють аспект пікселя в діапазоні від 0 (північ-північний схід) до 1 (південь-південний захід; Roberts and Cooper, 1989 ). TWI кількісно визначає тенденцію території до накопичення води, призначаючи нижчі значення для підйомів, а вищі значення для більш рівнинних ділянок або топографічних западин ( Beven and Kirkby, 1979 ).

2.2.2 . Біотичні змінні

Більшість біотичних змінних було отримано з композиційних зображень поверхневого відбивання Landsat NTEMS та отриманих продуктів. По-перше, щоб визначити попередні спектральні траєкторії кожного пікселя, було визначено нахили тренду перетворень Tasseled Cap ( Crist, 1985 ). Трансформації яскравості (TCB), зеленості (TCG) і вологості (TCW) ковпачка з китицями були застосовані до композитів BAP, що відбивають поверхню, за всі роки. Далі 10-річна тенденція кожного пікселя була розрахована як нахил Тейля-Сена за цей період часу ( Sen, 1968 , Theil, 1992 ). Оскільки доступність даних NTEMS починається з 1984 року, перший 10-річний нахил представляє умови з 1984 по 1993 рік (включно), а першим роком, коли можна було оцінити ймовірність горіння, був 1994 рік, так що вхідні змінні представляли умови перед пожежею.

Змінні, що представляють структуру лісу, використовували для оцінки впливу структури лісу на ймовірність спалювання. Покриття куполи (CC), коефіцієнт варіації (CV), 95-й процентиль висоти (P95), стандартне відхилення висоти (SD) і об’єм стебла (Vol) були обрані як інформативні щодо доступного палива ( Erdody and Moskal, 2010). , Gale et al., 2021 , Whitman et al., 2018 ) і після Shang et al. (2020) . Продукт наземного покриву NTEMS використовувався і як вхідна змінна, і для надання маски даних. У той час як лісові пожежі в Канаді впливають на типи нелісного покриву, класи дерев складають понад 70% вигорілих територій у Канаді ( Hermosilla та ін., 2018 ), і тому лише пікселі в класі дерев (тобто хвойні, широколисті, змішані, і Wetland-treed) використовувалися в аналізі. Нарешті, вплив історичних пожежних режимів на поточну ймовірність горіння було оцінено за допомогою року пожежі з CNFDB.

2.2.3 . Кліматичні змінні

Висоти GDEM використовувалися як вхідні дані для отримання річних і сезонних кліматичних змінних для періоду дослідження. З вихідних даних ClimateNA було вибрано п’ять кліматичних змінних, оскільки вони представляли показники, пов’язані з канадською системою індексу погоди лісових пожеж ( Van Wagner, 1987 ), яка моделює здатність пожежі поширюватися на основі вмісту вологи в класах палива (наприклад, тонке паливо). або дуф) і умови вітру. Ці змінні були кліматичним дефіцитом вологи (CMD; Hargreaves and Allen, 2003 ), градусо-днями нижче 0⁰ C (DD0), весняними опадами (PPT), різницею температур (TD; різниця між середньою температурою влітку та взимку) та весною (березень – травень) максимальна температура (Tmax). Весна була обрана як період часу, який представляє інтерес для температури та опадів, оскільки було показано, що цей сезон помітно впливає на сезони пожеж у північноамериканських бореальних лісах ( Ali et al., 2012 ). Для кожної з п’яти змінних значення кожного року було нормалізовано до значення 30-річного кліматичного періоду і, отже, являло собою різницю між поточним роком і середнім значенням з 1991 по 2020 рік.

3 . методи

Робочий процес, використаний у цьому аналізі, проілюстровано на рис. 2 . По-перше, топографічні, біотичні та кліматичні дані для досліджуваної території були згенеровані та зібрані з даних дистанційного зондування. Змінні місцевості представляли топографічні атрибути та були згенеровані з версії 3 продукту GDEM супутника ASTER ( Tachikawa та ін., 2011 ). Біотичні змінні, що представляють наявність і тип потенційного палива, були отримані з продуктів NTEMS, отриманих Landsat з 1984 по 2020 рік, і Канадської національної бази даних про пожежі (CNFDB). Кліматичні змінні, що представляють річні відхилення від 30-річних кліматичних норм, були створені за допомогою ClimateNA ( Wang et al., 2016 ) і вхідної DEM. Далі зразки в кожній плитці розміром 150 × 150 км, на яку було поділено досліджувану територію ( рис. 1 ), були зібрані та використані для моделювання ймовірності приналежності до спаленого класу за всі роки з 1994 по 2020 роки за допомогою топографічних, біотичних і кліматичні змінні. Період 1994–2020 рр. було використано через наявність спектральних даних, оскільки 10-річний нахил трьох спектральних індексів, отриманих Landsat, використовувався як вхідні змінні. Моделі оцінювали на предмет їх ефективності, а вимірювання змінної важливості використовували для визначення рушійних факторів ймовірності опіків у лісистих екозонах. Нарешті, оцінки ймовірності опіку були використані для характеристики змін у ймовірності опіку для лісистих плиток протягом періоду дослідження.

3.1 . Моделювання

3.1.1 . Відбір проб

Імовірність опіку була змодельована на основі всіх деревних пікселів у екозонах Канади, де переважають ліси. Щоб уможливити моделювання, область дослідження була розподілена на сітку 150 × 150 км. Ця система плитки, розроблена Hermosilla та ін. (2022b) розглядає питання моделювання в широких просторових масштабах шляхом призначення зразків калібрування на основі місцевих умов. Загалом 354 плитки містили оброблені пікселі та зазнали опіку протягом періоду аналізу (1994–2020 рр.; рис. 1 ). Серед усіх пікселів-кандидатів у мозаїці за певний рік одиниці вибірки були випадковим чином відібрані зі згорілих і незгорілих пікселів, як зазначено продуктом змін NTEMS, таким чином, щоб вони не знаходилися на краю лісу, а мінімальна відстань між зразками була встановіть 45 м (приблизно 1 піксель у будь-якому напрямку), щоб уникнути проблем просторової автокореляції, як було реалізовано в попередніх дослідженнях ( Hermosilla та ін., 2022b ). Незалежно від обсягу лісистої або спаленої території, для кожного року та плитки було взято максимум 500 одиниць вибірки з кожного спаленого та незгореного пікселя. Якщо плитка мала менше 500 згорілих одиниць зразків за певний рік, кількість незгорілих одиниць зразків за цей рік відповідала кількості спалених одиниць зразків.

3.1.2 . Генерація моделей ймовірності опіку

Для кожної плитки та кожного року (1994–2020) була створена річна модель ймовірності згоряння за допомогою класифікатора випадкових лісів ( Breiman, 2001 ), який включав зразки з сусідніх плиток у вікні 5 × 5, використовуючи підхід, зважений на обернену відстань, щоб збільшити використання даних калібрування, розташованих ближче до області, що моделюється. Вагові коефіцієнти до частки одиниць навчальної вибірки в кожній ітерації моделі призначалися таким чином, щоб вони були обернено пропорційні відстані від плитки вибірки до плитки, що цікавить, за допомогою параметра case.weights . Таким чином, щоб побудувати модель для даної плитки, частка навчальних зразків, які будуть використовуватися з цієї плитки (тобто, центральної плитки вікна 5 × 5), отримала вагу 0,4, кількість навчальних зразків із плиток, що знаходяться безпосередньо поруч, отримано вага 0,4, а кількість навчальних зразків із плиток, розділених іншою плиткою (тобто, зовнішніх плиток вікна 5 × 5), отримала вагу 0,2 (подібно до вагових показників Hermosilla та ін., 2022a ).

Модель ймовірності спалювання для кожної плитки була створена з вибраних навчальних зразків за допомогою класифікатора Random Forests і наступних параметрів: кількість змінних, відібраних у кожному параметрі розділення ( mtry ), було встановлено на квадратний корінь (округлений до найближчого цілого числа) з загальна кількість змінних (20або 4 змінних), параметр кількості дерев рішень ( ntree ) було встановлено на 500, параметр мінімального розміру термінального вузла ( nodesize ) було встановлено на п’ять, а частка доступних зразків, використаних для навчання моделі ( sample.fraction ), була встановлено на 0,632. Вибрані значення параметрів були або функціями за замовчуванням, або такими, що узгоджувалися зі значеннями, які раніше використовувалися для характеристики лісистих екозон Канади ( Hermosilla та ін., 2022b ). Вхідні змінні для даного року, y , були отримані наступним чином: біотичні змінні були взяті з року y -1, щоб отримати навчальну інформацію, що стосується умов, які виникли під час лісової пожежі; кліматичні змінні були взяті з року y для представлення погодних умов протягом року y , а топографічні змінні представляли рельєф і, отже, були однаковими для всіх років. Для кожної ітерації моделі пікселям призначається голосування до записаного або незгорілого класу. Результатом імовірнісного моделювання була загальна частка голосів для спаленого класу, виражена значенням від 0 до 1 (включно). Вибірку та моделювання випадкових лісів було виконано в R ( R Core Team, 2023 ) з використанням пакетів terra ( Hijmans, 2023 ) і ranger ( Wright і Ziegler, 2017 ), відповідно.

Щоб зрозуміти чинники ймовірності спалювання в канадських лісах, було оцінено важливість умовної змінної для кожної плитки. Важливість (виміряна як середнє зниження точності за класифікатором Random Forests; Breiman, 2001 ) для кожної змінної була розрахована, і змінним було присвоєно ранг на основі порядку спадання, в якому вони з’являлися як міра важливості, таким чином, щоб найважливіші змінна отримала ранг 1, а найменш важлива отримала ранг 20. Ранги важливості змінної були нанесені на карту, щоб показати просторові моделі екологічних рушійних сил пожежі. Крім того, змінні ранги важливості були підсумовані за екозонами.

3.1.3 . Оцінка ефективності моделі ймовірності опіку

Імовірність загорання не є прогнозом наявності чи відсутності лісової пожежі; скоріше це вказівка ​​на те, що змінні, присутні для певного пікселя (і включені в модель), вказують на те, що ймовірність горіння змінюється в просторі та часі, може бути інтегрована з іншою інформацією (наприклад, ймовірність займання) або переглядатися у відносній формі. Однак, щоб оцінити відображені ймовірності, оцінка точності класифікації моделей вимагає двійкової категоризації пікселя як згорілого або неспаленого. Тому необхідно було призначити порогове значення ймовірності, вище якого піксель класифікували як спалений, щоб уможливити оцінку продуктивності моделі.

Території, які фактично горять протягом певного року, залежать від процесів, які є або стохастичними, або такими, що важко змоделювати, такими як удари блискавки (найчастіші) та антропогенні причини (підпали або випадкові займання, які є порівняно рідкісними), пожежні погодні умови на даному день, і усвідомив ефективність придушувальних заходів. Крім того, присутність цих процесів та їхній вплив на вогонь можуть відрізнятися географічно (тобто як у плитках, так і в екозонах). Таким чином, замість вибору єдиного порогового значення для всієї досліджуваної області, порогові значення були встановлені плитками з використанням кривих характеристик оператора приймача (ROC), які використовуються для визначення оптимального значення безперервного набору даних при застосуванні до бінарної класифікації ( Habibzadeh та ін., 2016 ). Для всіх можливих порогових значень (0–1, із збільшенням на 0,01) для кожної плитки була побудована крива ROC і обрано оптимальне порогове значення, щоб різниця між показниками справжніх і хибних позитивних результатів була максимальною.

Оцінка кожної плитки базувалася на підході щорічної перехресної перевірки. Кожен рік рекурсивно виключався з навчальних даних, модель навчалася з використанням даних усіх інших років ( рис. 2 ), а потім модель застосовувалася до виключеного року. Ефективність моделей ймовірності опіку оцінювалася за такими показниками: частота справжніх позитивних результатів (TPR), частота помилкових позитивних результатів (FPR) і площа під кривою ROC (AUC). TPR і FPR використовувалися для вказівки ступеня відповідності річних значень ймовірності опіків вигорілим площам, як визначено продуктом змін NTEMS, а не показником точності прогнозу. TPR для спалених пікселів у кожній плитці розраховувався як відношення кількості справжніх позитивних результатів до кількості справжніх позитивних і хибно-негативних результатів, а FPR був відношенням кількості хибних позитивних результатів до кількості хибних позитивних і справжніх негативних результатів. AUC використовувався, щоб вказати ступінь, до якого моделі ймовірності згоряння змогли охарактеризувати пікселі, які зазнали згорання, і порівняти продуктивність моделей одна з одною. AUC є показником здатності моделі розрізняти двійкові класи, де AUC 0,5 представляє модель, яка не відрізняється від випадкової випадковості ( Mandrekar, 2010 ). TPR, FPR та AUC були оцінені як сума цих показників за всі роки для всіх плиток.

3.2 . Характеризує тенденції ймовірності опіків

Річне моделювання ймовірності опіків дозволило охарактеризувати тенденції ймовірності опіків у часі. Ця характеристика може дати цінну інформацію про часову динаміку ймовірності опіків і може бути використана, щоб зрозуміти, які області можуть мати вищу чи нижчу ймовірність у наступні роки. Для цього тенденцію середньої ймовірності вигоряння вигорілих пікселів у кожній плитці характеризували за допомогою лінійної регресії, де середню ймовірність вигоряння моделювали як функцію року протягом періоду дослідження. Тенденції були створені лише для плиток, які зазнавали пожежі протягом принаймні половини років досліджуваного періоду (тобто мінімум 14 років, n=260 плиток). Характеристики трендів включали значимість (р-значення, α ≤ 0,1) і напрямок нахилу (позитивний або негативний). Щоб контекстуалізувати ці зміни, тенденції вигорілої площі в кожній плитці протягом періоду часу були узагальнені за допомогою того самого методу, згаданого вище, за винятком того, що відсоток лісистих пікселів, які зазнали вигоряння, був регресований як функція року.

4 . Територія горіння NTEMS

Загалом продукт зміни NTEMS виявив приблизно 40 Мга класів деревного покриву як спалених з 1994 по 2020 рік ( Таблиця 2 ), що становить 9,4 % деревних пікселів у лісистих екосистемах Канади. У середньому майже 1,5 млн га деревних пікселів згоряло на рік, причому найбільша площа припадала на захід Бореального щита (384 050 га), а найменша – в Атлантичному морі (349 га). З усіх лісистих екозон Західний тайговий щит мав найбільшу щорічну вигоряну площу у відношенні до загальної площі лісів (1,34 %), тоді як у Атлантичному Примор’ї цей показник становив менше 0,01 % щорічно. Хоча ці суми дещо відрізняються від тих, про які повідомляють Hermosilla et al. (2019a) , використані тут кількості відображають лише класи лісового покриву, а також пікселі, які демонструють вогонь як єдиний фактор порушення (тобто відсутність врожаю, доріг або порушення, пов’язані з заміною насаджень).

Таблиця 2 . Розподіл спаленої території в екозонах Канади, де переважають ліси. «Площа вкритої лісом» базується на середній кількості оброблених пікселів з 1994 по 2020 рр. «% лісистої території» означає відсоток оброблених пікселів, спалених з 1994 по 2020 р.

ЕкозонаЛісиста площа (га)Середньорічна вигоряна площаЗагальна площа горіння
гектарів% лісистої територіїгектарів% лісистої території
Атлантичний морський18,401,901349< 0,019,4280,05
Бореальні Кордильєри28,317,86799,7640,412,693,6399.51
Бореальні рівнини53,353,109182 9490,444,939,6159.26
Бореальний щит Схід84,184,411107,3610,142,898,7433.44
Бореальний щит Захід60 776 384384 0500,7510,369,34817.06
Гудзонові рівнини19 912 56042,4880,271,147,1705.76
Монтанські Кордильєри37,218,31863,2650,191,708,1634.59
Тихоокеанський морський12 671 54417390,0146 9450,37
Тайга Кордильєри7,616,79027 8940,45753,1499,89
Тайгові рівнини40 544 889226,7360,686,121,87415.10
Тайговий щит сх34 466 66166 6580,231 799 7575.22
Тайга Щит Зах26,662,262278,1391.347,509,75828.17
Лісисті екосистеми Канади424,126,6961,481,3920,4139 997 5909.43

5 . Результати

5.1 . Щорічна ймовірність спалювання в лісових екосистемах Канади

Результати показали, що ймовірність опіку змінюється щороку та в залежності від екозони ( табл. 3 , рис. 3 , рис. 4 ). Загалом середня ймовірність згоряння спалених пікселів (0,54) була більшою, ніж незгорілих пікселів (0,26). Співвідношення між значеннями ймовірності опіку та площами, які фактично згоріли, варіюється залежно від екозони, причому нижчі значення ймовірності опіку пов’язані з вигорілими територіями в Атлантично-морській та тихоокеанській морських екозонах (∼0,3), а вищі значення ймовірності опіку, пов’язані з вигорілими територіями в екозонах Тайговий щит Захід і бореальні рівнини (~0,6, рис. 4 , рис. 6 ). Екозони з менш частими пожежами, такі як Атлантичне морське та Тихоокеанське морське, показали великі варіації міжрічної ймовірності спалювання серед згорілих пікселів. І навпаки, екозони з більшою щорічною вигоряною площею мали більш узгоджені значення ймовірності згоряння для спалених пікселів (наприклад, Бореальний щит Захід, Тайговий щит Захід; рис. 4 ). Для більшості екозон імовірність згоряння пікселів була відносно стабільною протягом усього періоду дослідження.

Таблиця 3 . Середнє значення та стандартне відхилення (SD) ймовірності згорання, обчислене для спалених і незгорілих пікселів дерева в екозоні за всі роки. Загальні значення, обчислені з усіх плиток, які зазнали пожежі протягом періоду дослідження (n = 344).

ЕкозонаСередня ймовірність опіку (SD)
НеспаленийСпалений
Атлантичний морський0,14 (0,13)0,31 (0,19)
Бореальні Кордильєри0,26 (0,12)0,42 (0,24)
Бореальні рівнини0,26 (0,17)0,52 (0,23)
Бореальний щит Схід0,22 (0,16)0,46 (0,24)
Бореальний щит Захід0,30 (0,18)0,59 (0,23)
Гудзонові рівнини0,25 (0,16)0,57 (0,27)
Монтанські Кордильєри0,28 (0,15)0,44 (0,23)
Тихоокеанський морський0,18 (0,13)0,33 (0,21)
Тайга Кордильєри0,27 (0,15)0,52 (0,25)
Тайгові рівнини0,27 (0,17)0,56 (0,24)
Тайговий щит сх0,24 (0,17)0,57 (0,26)
Тайга Щит Зах0,23 (0,21)0,65 (0,22)
Загалом0,26 (0,17)0,54 (0,25)

5.2 . Оцінка ефективності моделі ймовірності опіку

Ефективність моделі наведена в таблиці 4 і представлена ​​просторово на рис. 5 . В екозонах з дуже невеликою кількістю пожеж, таких як зони з вологим кліматом або поблизу великих населених пунктів (наприклад, Бореальний щит Схід, Атлантичне море), оптимальні порогові значення ROC були відносно низькими (<0,2), тоді як у зонах з більшою частотою горіння ( наприклад, Бореальний щит Захід, Тайговий щит Захід) були вищими (≥0,4; рис. 4 , рис. 6 ). Значення AUC були відносно однаковими в усіх екозонах, причому Тайга Шилд Захід мала найвищий середній AUC (0,90; рис. 7 ). Загалом, моделі точно характеризують ймовірність опіку як функцію змінних середовища, що використовуються. Загалом, найсильніші показники моделі спостерігалися на Тайговому щиті Захід (TPR = 0,86 і FPR = 0,19; рис. 7 , таблиця 4 ), де також був найвищий відсоток щорічної спаленої площі ( табл. 2 ). І навпаки, FPR був вищим в екозонах Атлантичного моря та Тихоокеанського моря, де менше опіків (0,34–0,4; рис. 7 , таблиця 4 ).

Таблиця 4 . Показники продуктивності моделі Площа під кривою (AUC), частота справжніх позитивних результатів (TPR) і частота помилкових позитивних результатів (FPR), представлені як середнє значення для всіх плиток у кожній екозоні.

ЕкозонаAUCTPRFPR
Атлантичний морський0,790,760,34
Бореальні Кордильєри0,700,460,16
Бореальні рівнини0,820,770,32
Бореальний щит Схід0,790,750,33
Бореальний щит Захід0,830,720,20
Гудзонові рівнини0,840,700,16
Монтанські Кордильєри0,730,600,27
Тихоокеанський морський0,710,690,40
Тайга Кордильєри0,790,580,14
Тайгові рівнини0,830,670,18
Тайговий щит сх0,830,690,14
Тайга Щит Зах0,900,860,19
Загалом0,860,700,20

5.3 . Тенденції річної ймовірності спалювання з 1994 по 2020 рік

Тенденції ймовірності горіння в областях, які фактично горіли, були розраховані для всіх плиток протягом періоду дослідження ( рис. 8 ). З 260 плиток, які згоріли принаймні за половину (≥14 років) років досліджуваного періоду, 13,5 % продемонстрували суттєве (α < 0,1) зниження ймовірності згоряння пікселів, які фактично згоріли, тоді як 3,4 % продемонстрували суттєве зниження ймовірності згоряння. (α < 0,1) тенденції до зростання ( табл. 6 ). Більшість плиток, що демонструють тенденції до зниження ймовірності горіння на згорілих територіях, були в північних екозонах, де переважають ліси (наприклад, Східний тайговий щит), тоді як тенденції до збільшення ймовірності горіння для згорілих територій були в основному виявлені в Монтанних Кордильєрах (рис. 8 A) . . Порівняно з іншими екозонами Атлантично-морська, Тайга-Кордильєри та Тайга-Шилд-Схід мали найбільший відсоток плиток із зниженою ймовірністю горіння на вигорілих ділянках. Протягом 27-річного періоду більшість придатних плиток не показали значних (α < 0,1) змін вигорілої площі; однак багато плиток у Монтанських Кордильєрах (38 % придатних плиток) мали значну тенденцію до збільшення вигорілої площі ( рис. 8 B). Більшість плиток зі значною тенденцією до зменшення вигорілої площі було знайдено в північних екозонах, а саме на Гудзонових рівнинах і Тайзі Шилд Захід. У сукупності ці тенденції ймовірності опіку та площі спалення висвітлюють два цікавих сценарії ( рис. 8 C). Перший сценарій, за яким спостерігаються тенденції до збільшення ймовірності горіння, але тенденції до зменшення площі горіння, висвітлює зони збільшення паливних навантажень на ландшафт, які можуть піддаватися більшому ризику майбутніх пожеж, якщо сприятливі умови (наприклад, пожежна погода) (сценарій ii) у таблиці 5 ). Другий сценарій висвітлює зони з тенденціями до зменшення ймовірності спалювання в поєднанні зі збільшенням або відсутністю змін у вигорілих площах, що може вказувати на території, де відбуваються зміни в екологічних умовах, де горить (сценарій iii. у таблиці 5 ).

Таблиця 5 . Описи сценаріїв, наведених на рис. 8 C.

Сценарійопис
i.Очікувана залежність – збільшення ймовірності опіків у поєднанні зі збільшенням спаленої площі
ii.Більший майбутній ризик – збільшення або відсутність змін у ймовірності горіння зі зменшенням спаленої площі може свідчити про збільшення навантажень палива, яке ще не згоріло
iii.Зміна умов пожежі – зменшення ймовірності горіння зі збільшенням або без зміни площі горіння може свідчити про зміну типів палива та кліматичних умов, які горять
iv.Очікувана залежність – зменшення ймовірності опіків у поєднанні зі зменшенням спаленої площі

Таблиця 6 . Тенденції середньої ймовірності згоряння пікселів, які вигоряють протягом періоду дослідження, виражені як відсоток придатних плиток у кожній екозоні, які демонструють значне (α < 0,1) збільшення або зменшення нахилу. Плитка, яка вигоріла менше ніж за половину років досліджуваного періоду, була виключена з цього аналізу.

ЕкозонаСередня ймовірність згорання згорілих пікселів
Зменшення (%)Збільшення (%)
Атлантичний морський33.30,0
Бореальні Кордильєри13.64.6
Бореальні рівнини12.56.3
Бореальний щит Схід7.17.1
Бореальний щит Захід18.95.4
Гудзонові рівнини20,05.0
Монтанські Кордильєри0,028.6
Тихоокеанський морський0,00,0
Тайга Кордильєри27.30,0
Тайгові рівнини7.10,0
Тайговий щит сх27.30,0
Тайга Щит Зах8.312.5
Загалом13.53.4

5.4 . Змінна важливість

Покриття куполи було найважливішою змінною для прогнозування ймовірності опіків із середнім рангом 2 ( рис. 9 , рис. 10 ). Найменш важливими змінними були історичні відомості про пожежі, надані CNFDB та TSRI, кожен із середнім рангом 19. Загалом, топографічні змінні були одними з найменш важливих (середній ранг 16), тоді як біотичні та кліматичні змінні мали відносно високу важливість, з медіанні ранги 11 і 7 відповідно ( рис. 9 ). Найбільша варіація в ранзі важливості була залежно від типу ґрунтового покриву, який коливався від 1 до 20 із середнім рейтингом 14. Тип ґрунтового покриву мав найвищу важливість в екорегіонах Атлантичного моря, Бореальних рівнин і Бореального щита Схід (рис. 10 ). Топографічні змінні (наприклад, нахил) мали відносно більшу важливість в екозонах з більшою топографічною мінливістю (наприклад, Монтанні Кордильєри), ніж в екозонах з відносно низькою топографічною мінливістю ( рис. 10 ).

Імовірність опіку також оцінювали за різними біотичними змінними за допомогою графіків часткової залежності ( рис. 11 ). На рис. 11 A показано зміну ймовірності опіку для взаємодії між висотою (P95) і змінністю висоти (CV), тоді як на рис. 11 B показано взаємодію між об’ємом і покриттям куполи (CC). Кожна з цих характеристик є критично важливими компонентами інвентаризації лісів, і ними також можна керувати за допомогою обробок зі зменшення палива. Імовірність опіку загалом була однорідною для значень CV вище 0,4. Однак для лісів з меншою структурною змінністю (CV < 0,4) нижчі ліси мали вищу ймовірність згоряння, ніж вищі (P95 > 10 м). Загалом, відносно вищі значення покриття куполи (>~80 %) призвели до нижчих значень ймовірності опіків, тоді як нижчі значення покриття куполи (<25 %) призвели до більшої ймовірності опіків. Зміни об’єму не завжди відповідали змінам значень ймовірності опіку; однак вищі значення ймовірності опіків спостерігалися в областях з відносно меншим об’ємом. Еліпси на рис. 11 , що представляють загальний діапазон значень, що спостерігаються в трьох прикладах екозон, демонструють варіацію значень ймовірності опіку в кожній екозоні на додаток до порівняння значень у екозонах. Наприклад, Тихоокеанська морська (PM) екозона, яка зазвичай характеризується відносно високими значеннями CC, Vol і P95, має, як правило, нижчі значення ймовірності опіку, ніж екозона Тайгового щита Захід (TSW), яка має відносно нижчі CC, Vol, і значення P95.

6 . Обговорення

6.1 . Річне моделювання ймовірності опіку

Імовірність горіння вказує на вразливість території до лісової пожежі та зазвичай моделюється та наноситься на карту за допомогою моделювання ( Parisien et al., 2019 ). Тут ми змоделювали річну ймовірність опіку за 27-річний період (1994–2020 рр.), використовуючи часові ряди топографічних, біотичних і кліматичних прогнозів, отриманих із даних дистанційного зондування. Загалом ми виявили, що ділянки, які фактично горіли протягом періоду, мали в середньому вищу ймовірність опіків (0,54), ніж ділянки, які не горіли (0,26). Застосований річний часовий крок і просторова природа наших даних дозволили нам визначити часову та просторову мінливість ймовірності опіків.

У районах із високою частотою виникнення пожеж, таких як Тайговий щит Захід, значення ймовірності опіків для територій, де фактично горіли (0,65) і оптимальні порогові значення ROC (0,38) були відносно високими ( табл. 3 , рис. 4 , рис. 6 ). Навпаки, екозони з менш частими пожежами, такі як Атлантичне морське та Тихоокеанське морське, мали відносно нижчі значення ймовірності згоряння для пікселів, які фактично згоріли (0,31–0,33) та нижчі оптимальні порогові значення ROC (0,15–0,20). Coops та ін. (2018) описав 30-річну оцінку вигорілої площі канадських лісів, у якій Атлантична морська зона була єдиною екозоною зі значною негативною тенденцією загальної спаленої площі (зменшення на 2,4 % на рік), тоді як Тайга Шилд Захід зазнала значного тенденція до зростання (зростання на 12,7 % на рік). Морські екозони Тихого океану та Морського Атлантичного океану характеризуються вологими лісами ( Робоча група з екологічної стратифікації, 1996 ) і низьким рівнем щорічної спаленої площі ( Таблиця 2 ). Крім того, ці ліси зазвичай розташовані ближче до людської інфраструктури та населених пунктів, ніж в інших екозонах, і, як наслідок, зазвичай мають більше ресурсів, що виділяються на гасіння пожеж і встановлення протипожежних смуг.

6.2 . Оцінка ефективності моделі

Важливість створення моделей ймовірності горіння для лісових територій, схильних до лісових пожеж, супроводжується проблемою оцінки їх ефективності. Виникнення лісових пожеж частково залежить від наявності джерел займання (наприклад, блискавки) і можливостей поширення (наприклад, вітру). Однак такі фактори є стохастичними, і їх важко моделювати. Замість створення двійкового прогнозу щодо пікселів, які, як очікується, згорятимуть чи не згорятимуть, заявленою метою моделювання ймовірності згоряння (і поточного дослідження) є розробка характеристик ймовірності згоряння та оцінка їх відповідності областям, які виявлені як зазнали опік ( Parisien et al., 2005 , Paz et al., 2011 ). З цієї причини значення ймовірності спалювання, що перевищують оптимальне порогове значення ROC для плитки ( рис. 4 , рис. 6 ), не слід розглядати як оцінку кількості пікселів, які очікуються, що згорять, а скоріше значення високої ймовірності спалювання слід розглядати як області, які топографічні, біотичні та кліматичні умови подібні до умов спалених пікселів в інші роки. У поточному дослідженні річна ймовірність згоряння була вищою для пікселів, які вигоряли, ніж ті, які не вигоряли ( Таблиця 3 , Мал. 6 , ), що демонструє міцність створених моделей. Таким чином, просторово зосереджені території з відносно високою ймовірністю горіння можуть використовуватися лісовими менеджерами та державними установами для розуміння пріоритетних регіонів для втручання в управління паливом або потенційного розгортання ресурсів активного пожежогасіння ( Lyon et al., 2017 ). Крім того, використання наборів даних, таких як NTEMS і ClimateNA, дозволяє тимчасово оновлювати карти ймовірності опіків, які використовуються для підтримки рішень щодо управління пожежею. Якщо дані для поточного року недоступні, значення ймовірності опіків за попередньо нанесені на карту роки можна використовувати як проксі, за умови, що вони відносно подібні як біологічно, так і кліматологічно.

Наші моделі ймовірності опіку на основі плиток загалом показали хороші результати для характеристики вигорілих і не обгорілих ділянок із середнім значенням AUC 0,86 для всіх плиток ( таблиця 4 ). Продуктивність моделі змінювалася залежно від екозони, причому Taiga Shield West мала найсильніші показники моделі (0,90 і 0,86 AUC і TPR відповідно), а Бореальні Кордильєри мали найслабші характеристики моделі (0,70 і 0,46 AUC і TPR відповідно). Shang та ін. (2020) генерували оцінки ймовірності опіків для лісистих змінних у Саскачевані, Канада, і досягли вищої продуктивності моделі (92,1 % TPR), ніж у поточному дослідженні. Однак область дослідження Shang et al. (2020) , який зосереджувався на лісистих екозонах у Саскачевані, Канада, описує екозони, які є одними з тих, що мають найбільшу кількість пожеж ( табл. 2 , рис. 1 ). Крім того, Shang et al. (2020) оцінювали продуктивність моделі за один рік, тоді як поточне дослідження генерувало та оцінювало річні значення ймовірності опіку за 27-річний період. Крім того, поточне дослідження представляє ширший просторовий масштаб у більш різноманітному за структурою та композицією градієнті лісів. Ці фактори могли сприяти зниженню продуктивності моделі, про яку йдеться тут; однак інші стохастичні фактори, такі як швидкість вітру або джерела займання, також могли вплинути. Продуктивність нашої моделі була подібною до продуктивності Hawbaker та ін. (2013) , який оцінив виникнення пожеж на основі змінних навколишнього середовища в Сполучених Штатах. Hawbaker та ін. (2013) повідомляють про значення AUC в діапазоні від 0,60 до 0,82 в широкому екологічному градієнті, що може свідчити про те, що коли умови навколишнього середовища більш мінливі, продуктивність моделі також може бути більш мінливою.

Варіації в продуктивності моделі можна пояснити екологічними відмінностями між екозонами. В екозонах з більшою кількістю пожеж на рік пожежі зазвичай мають більшу кількість можливих джерел займання (наприклад, удари блискавки) і менше перешкод для поширення вогню. Для порівняння, екозони з меншою кількістю щорічних пожеж, як правило, мають ліси, які є просторово розривнішими, що обмежує можливість поширення вогню на великі території. Наприклад, Тайговий щит на заході, який має відносно хороші характеристики моделі ( Таблиця 4 ), є відносно плоскою екозоною з великими площами суцільних лісів і обмеженою людською інфраструктурою та придушенням пожеж ( Tymstra et al., 2020 ). І навпаки, ефективність моделі була нижчою в Бореальних Кордильєрах, які характеризуються сильно фрагментованими лісовими територіями з численними географічними обмеженнями для поширення пожежі, такими як альпійські райони та водойми ( Hermosilla et al., 2018 ). Таким чином, на причину того, чому конкретне місце горіло або не горіло в певній місцевості, може більше впливати його просторовий зв’язок з іншими рослинними ділянками, а менше – умови навколишнього середовища ( Hawbaker et al., 2013 ). Майбутні підходи до моделювання ймовірності горіння за допомогою даних дистанційного зондування можуть включати просторову безперервність паливних плям, оскільки вони, ймовірно, впливатимуть на розмір і характер пожеж. Наприклад, моделі можуть включати змінну розміру плями, яка представляє кількість безперервних пікселів у класах ґрунтового покриву, пов’язаних з різними типами палива чи поведінкою вогню.

Незважаючи на те, що плитки з найменшою кількістю пожеж (і, отже, меншою кількістю навчальних зразків) мали найнижчу продуктивність моделі, не було загального зв’язку між річною вигоряною площею та продуктивністю моделі ( рис. 5 ), що вказує на надійність підходу до моделювання. Проте загалом спостерігався позитивний зв’язок між кількістю площі, що спалюється щорічно, та оптимальним пороговим значенням ( табл. 2 , рис. 6 ). І навпаки, нижчі порогові значення можуть відповідати територіям, у яких пожежі відбуваються або з більшою стохастичністю, або зі змінними, які не використовуються в поточному дослідженні, наприклад, наявність або відсутність діяльності з гасіння пожеж (наприклад, Бореальні Кордильєри). Вплив людини на пожежі значно варіюється на великих просторах залежно від присутності, діяльності та методів управління, причому такі впливи особливо складно моделювати в часі ( Hawbaker та ін., 2006 , Radeloff та ін., 2005 ). Це підкреслює важливість щорічних рамок моделювання пожежі, оскільки протягом року зміна умов навколишнього середовища може різко змінити ймовірність займання.

6.3 . Характеризує тенденції ймовірності опіків

Часові тенденції ймовірності згоряння пікселів, які зазнали згоряння протягом періоду дослідження, оцінювали за нахилом цих тенденцій ( рис. 8 , таблиця 6 ). Тенденції до значного (α ≤ 0,1) зниження середньої ймовірності згоряння вигорілих пікселів спостерігалися в 13,5 % плиток, переважно в екозонах Тайга Шилд Схід і Тайга Кордильєри (в екозоні Атлантичного моря був високий відсоток зменшення плиток, оскільки було лише 3 придатні плитки). Одним із тлумачень тенденцій до зниження середньої ймовірності загорянь може бути те, що канадські ліси стають менш сприйнятливими до пожеж. Однак, якби це було правдою, загальна річна випалена площа, ймовірно, також продемонструвала б відповідне зменшення, чого не можна сказати про більшість лісистих екозон ( Coops et al., 2018 ). Зменшення середньої ймовірності спалювання спалених пікселів у цих екозонах могло бути результатом зміни умов навколишнього середовища протягом досліджуваного періоду, наприклад зменшення частоти подій тривалого сезону пожеж ( Jolly et al., 2015 ). Біотичні умови, пов’язані з наявністю палива, також могли вплинути на цю зміну. Три з найбільших зареєстрованих пожежних років у Канаді припали на період, який безпосередньо передував та на початку періоду дослідження (1989, 1994 та 1995; Stocks et al., 2002 ). Таким чином, у цей період мала бути висока частка лісів на ранніх стадіях розвитку насаджень. Це може пояснити нижчу середню ймовірність спалювання, оскільки ліси на ранніх стадіях розвитку, як правило, мають високий покрив і нижчий потенціал висихання наземного палива, ніж більш відкриті насадження. Дослідження в інших лісових екозонах (наприклад, Bernier et al., 2016 , Taylor et al., 2014 , Thompson et al., 2011 ) показали, що в той час як серйозність лісових пожеж є найбільшою в середній та пізній сукцесійних фазах розвитку деревостану, молоді насадження, як правило, мають найменший вплив пожежі.

Монтанські Кордильєри були екорегіоном з найбільшою часткою плиток, які показали значне збільшення середньої ймовірності вигоряння вигорілих пікселів (23,8 %). Coops та ін. (2018) виявили, що у Монтанних Кордильєрах спостерігалося значне збільшення відсотка річної вигоряної площі з періоду 1985–2015 років. Збільшення спаленої площі відповідно до збільшення ймовірності згоряння згорілих пікселів може вказувати на те, що пожежі згоріли більше пікселів із високою ймовірністю згоряння, ніж сусідні з низькою ймовірністю, особливо тому, що умови навколишнього середовища в цьому екорегіоні ставали все більш сприятливими для спалювання. Наприклад, після 2000 року в цьому екорегіоні спостерігаються тенденції до зниження рівня вологи, і очікується, що вони триватимуть за подібною схемою протягом решти століття ( Wang et al., 2014 ). Крім того, аналіз умов протягом цього періоду показав, що зниження вологи ускладнилося збитками, спричиненими широкомасштабними спалахами жука гірської сосни, що, у свою чергу, збільшило вразливість лісів у цій екозоні до широкомасштабних пожеж ( Bourbonnais et al. ., 2014 ), які, як очікується, матимуть помітне збільшення майбутніх поставок деревини для керованих частин цієї екозони ( Boucher та ін., 2018 ).

Підсумок змін і ймовірності опіку, і площі спалення наведено на рис. 8 C. Зміни BP або BA були звичайними для всієї країни; проте приблизно 67 % лісових екосистем Канади були стабільними протягом усього періоду аналізу. Області з імовірністю горіння та згорілою площею, які демонструють однакову тенденцію змін (наприклад, обидві зростають або обидва зменшуються; i. та ii., відповідно), можуть не вказувати на екологічні зміни, як показують моделі ймовірності горіння в цих плитках, наприклад, збільшення умов горіння у поєднанні зі збільшенням площі горіння. Проте плитки з протилежними тенденціями щодо ймовірності опіку та спаленої площі протягом досліджуваного періоду можуть демонструвати або накопичення високоймовірних умов (ii.), або зміну умов навколишнього середовища, що зазнає опіку (iii.). У сценарії ii., якщо пожежі відбуваються зі зниженою або подібною частотою, але ймовірність горіння в областях, які горять, зростає, існує підвищений ризик того, що багато пікселів з високою ймовірністю залишаються з року в рік, а навколишнє середовище умови з високою ймовірністю опіків зберігаються в кінці періоду дослідження. Плитки підпадають під сценарій iii. представляють ті з можливою зміною умов місцевості, які горять. Якщо частота пожеж відбувається з підвищеною або подібною частотою, але ймовірність спалювання зменшується, це вказує на те, що пожежі горять в інших екологічних умовах (нижча ймовірність) наприкінці періоду дослідження, ніж на початку. Результати цього дослідження подібні до результатів Hanes et al. (2019) , які описують зміну пожежного режиму на більшій частині країни, але переважно на заході, півночі та північно-східній частині лісистої території країни.

Широкі екологічні та кліматичні градієнти канадських лісів призводять до широкого діапазону умов, які викликають горіння. Описаний тут метод ( рис. 2 ) описує підхід до моделювання, який можна повторювати на початку кожного пожежонебезпечного сезону на основі наявних даних про погоду та прогнозів, таким чином дозволяючи проактивне планування управління або розподіл активних пожежних ресурсів між різними регіонами на основі місцевих умов. підвищена ймовірність опіків. Карти, що характеризують тенденції щодо ймовірності опіку та площі згоряння, як, наприклад, на рис. 8 , можуть бути використані агентствами з боротьби з лісовими пожежами для впровадження належних заходів реагування в районах, де змінюються умови навколишнього середовища ( Parisien et al., 2019 ).

6.4 . Драйвери ймовірності опіку

Біотичні та кліматичні змінні зазвичай мають вищі ранги важливості, ніж топографічні змінні. Як для поточного дослідження, так і для Shang et al. (2020) , покриття навісу було найважливішою змінною для всіх плиток. Подібно до наших результатів ( рис. 11 ), Shang et al. (2020) виявили сильну негативну кореляцію між покриттям пологів і ймовірністю опіків. Сукцесійна стадія може вплинути на відкритість крони та доступність палив підліску ( Whitman et al., 2018 ). Навіс також може впливати на мікроклімат різних територій, оскільки більш відкриті навіси (нижній навіс) дозволяють більшій кількості сонячного світла досягати лісової підстилки, що може призвести до того, що наземне паливо висихає швидше, ніж у закритих навісах ( рис. 10 ; Сміт-Тріпп). та ін., 2022 ). У той час як структурні змінні лісу, такі як обсяг і CV, мали високу загальну важливість, ранги важливості змінних для цих вхідних даних були загалом вищими в центральній і північній Канаді (Тайговий щит на заході, Бореальні рівнини, Бореальний щит на заході, Гудзонові рівнини, Бореальний щит на Сході), де частішають пожежі. Більш мінливі структури насаджень (високий CV) можуть вказувати на наявність проміжків у пологах або більший вертикальний розподіл палива в насадженнях ( Andersen et al., 2005 , Erdody and Moskal, 2010 ), і, таким чином, сприятимуть вищій ймовірності спалювання ( рис . 11 ). У районах з обмеженою людською інфраструктурою, наприклад вздовж північної частини канадських лісів, пожежі можуть спалахувати без гасіння, тому найважливіші змінні у визначенні ймовірності горіння можуть бути більш тісно пов’язані з наявністю палива ( Gaboriau et. ін., 2020 , Tymstra та ін., 2020 ).

Тип лісу (LC) був одним із найважливіших змінних на Бореальних рівнинах, Східному Бореальному щиті та Західному Бореальному щиті ( рис. 10 ). Це підтверджено результатами Marchal et al. (2017) , який припускає, що тип лісу був домінуючим рушієм розміру пожежі в Південному Квебеку (на сході Бореального щита), ймовірно, через пожежі, в яких горіли переважно хвойні, а не листяні дерева. Відносно висока змінна важливість ґрунтового покриву в моделях у цих екозонах може бути пов’язана з тим, що ці екозони демонструють відносно великі варіації типів лісів порівняно з іншими екозонами ( Робоча група з екологічної стратифікації, 1996 ), що вказує на те, що в районах зі змінним складом лісів, тип лісу мав більший вплив на ймовірність спалювання ( Bernier et al., 2016 , Kafka et al., 2001 , Shang et al., 2020 ).

Максимальна температура мала високий змінний ранг важливості в західних екозонах (Тихоокеанська морська, Монтанна Кордильєра та Бореальна Кордильєра), можливо, через те, що ці екозони демонструють більшу варіацію максимальних температур, ніж інші екозони. Shang та ін. (2020) не включили кліматичні змінні в свою модель ймовірності опіків. Включення річних кліматичних змінних має велике значення для щорічного моделювання ймовірності опіків, оскільки клімат демонструє більше міжрічних коливань, ніж біотичні чи топографічні змінні. На ймовірність опіків можуть впливати кліматичні характеристики, які охоплюють діапазон часових масштабів, наприклад погодинний режим вітру або міжрічні посухи. Хоча обмеження поточного аналізу змінними, що представляють річні (наприклад, CMD) і сезонні (наприклад, PPT) умови, могло зменшити вплив міжрічних відмінностей у цих змінних, наші результати демонструють, що вони були придатними для характеристики річної ймовірності спалювання в лісистих екозонах Канади . У майбутніх роботах можна розглянути змінні пожежної погоди (температура, атмосферна вологість, вітер, опади) або фенологію рослинності в більш тонких просторових і часових масштабах, що може забезпечити безперервний моніторинг ймовірності спалювання протягом пожежонебезпечного сезону на території ( Flannigan et al., 2013 , Pickell et ін., 2017 ). Ми зосередилися на кліматичних даних, щоб охарактеризувати весну року, для якого проводили моделювання. Зимові та весняні умови пояснюють до 53 % міжрічної мінливості та 58 % тенденцій до збільшення спостережуваної спаленої площі на заході Сполучених Штатів ( Abolafia-Rosenzweig et al., 2022 ). Весняні умови також охоплюють період, коли відбувається танення снігу, що має сильний вплив на пожежну активність у цьому році ( Abatzoglou and Kolden, 2013 , Westerling et al., 2006 ). Оскільки більша частина Канади деяку частину зими має сніговий покрив, характеристика періоду весняного танення снігу є ключовою для розуміння можливої ​​вологості палива протягом літа, коли погода є більш сприятливою для займання та поширення вогню.

Найважливішою топографічною змінною, яка використовувалася в моделях, була висота, яка може безпосередньо впливати на поведінку пожежі, а також впливати на градієнти біотичних змінних ( Estes et al., 2017 ). Демонстрацією цього є те, що висота має більшу змінну важливість у більш топографічно різноманітних екозонах, таких як Монтанські Кордильєри ( рис. 10 ). Рельєф впливає на місцеві режими вітру та джерела займання, такі як удари блискавки ( Wierzchowski та ін., 2002 ). Крім того, рельєф може накладати обмеження на людську діяльність (наприклад, будівництво поселень або доріг і стежок у топографічно сприятливих районах), що також обмежує потенційні антропогенні джерела займання певним діапазоном висоти в кожній екозоні або плитці ( Gralewicz et al., 2011 ). Джерела помилок у складових продуктах (наприклад, NTEMS або ClimateNA) можуть впливати на результати моделювання ймовірності опіку; однак ці продукти мають достатню якість, щоб відобразити закономірності в широких екологічних, просторових і часових масштабах, які зустрічаються в лісистих екозонах Канади. Крім того, усі ці продукти даних підтримуються рецензованими науковими дослідженнями.

7 . Висновок

Важливим компонентом моніторингу лісових пожеж та їхнього впливу на лісові екосистеми є розуміння того, що їх стимулює та де вони ймовірно виникнуть. У цьому дослідженні ми використовували вільно доступні інформаційні продукти, отримані з даних дистанційного зондування, щоб охарактеризувати ймовірність опіків у великому та змінному просторово-часовому масштабі. Біотичні змінні, такі як покрив пологу, і кліматичні змінні, такі як максимальна весняна температура, були одними з найважливіших предикторів ймовірності опіків. Протягом досліджуваного періоду (1994–2020 рр.) у деяких лісах Канади ймовірність горіння фактично згорілих ділянок значно знизилася (α ≤ 0,1). Зменшення ймовірності опіків у поєднанні з відсутністю одночасного зменшення площі фактичного горіння може вказувати на зміну того, що спричиняє виникнення лісової пожежі, зі зміною покриття та структурними факторами та можливим збільшенням важливості кліматичних змін для річна температура і кількість опадів. Крім того, тут було продемонстровано важливість щорічного моделювання ймовірності опіків, що дозволяє зрозуміти тенденції в часі, а також врахувати міжрічні зміни кліматичних змінних, які, як правило, є більш динамічними, ніж інші біотичні чи топографічні фактори. Таке щорічне моделювання ймовірності опіків також дозволяє покращити підходи до валідації та уточнення моделі. Ці моделі також можна використовувати для прогнозування ймовірності спалювання за майбутніх кліматичних сценаріїв і слугувати для інформування про стале управління лісами, особливо стосовно взаємодії між управлінням лісами та пом’якшенням ризику лісових пожеж.

Декларація про конкуруючий інтерес

Автори заявляють, що у них немає відомих конкуруючих фінансових інтересів або особистих стосунків, які могли б вплинути на роботу, про яку йдеться в цій статті.

Подяки

Це дослідження було проведено та частково підтримано Канадською лісовою службою (CFS) Управління природних ресурсів Канади (NRCan). Це дослідження було підкріплено комп’ютерною підтримкою, наданою Альянсом цифрових досліджень Канади . Автори дякують доктору Емі Вотерспун і Майклу Бернетту за попередні вказівки щодо визначення кліматичних змінних. Дані NTEMS доступні за адресою: https://opendata.nfis.org/mapserver/nfis-change_eng.html    

Список літератури

https://www.sciencedirect.com/science/article/pii/S0924271624000510

https://www.sciencedirect.com/science/article/pii/S0924271624000510/pdfft?md5=83dd02c2a490cbda75359821fedf2812&pid=1-s2.0-S0924271624000510-main.pdf