Підхід до оптимізації FLAM
Хен-Ву Джо 1, 2© , Андрій Красовський 2© , Міна Хонг 3© , Шелбі Корнінг 2 , Віджін Кім 1© , Флоріан Кракснер 2© та Ву-Кюн Лі 1, *©
- 1 Департамент науки про навколишнє середовище та екологічної інженерії, Корейський університет, Сеул 02841, Республіка Корея
- 2 Група сільського господарства, лісівництва та екосистемних послуг (AFE), Програма біорізноманіття та природних ресурсів (BNR), Міжнародний інститут прикладного системного аналізу (IIASA), Schlossplatz 1, A-2361 Laxenburg, Австрія
- 3 Інститут стійкості OJEong (OJERI), Корейський університет, Сеул 02841, Республіка Корея
* Листування: leewk@korea.ac.kr ; Тел.: +82-2-3290-3016
Цитата: Jo, H.-W.; Красовський А.;
Гонг, М.; Корнінг, С.; Кім, В.;
Кракснер, Ф.; Лі, В.-К. Моделювання історичних та майбутніх лісових пожеж у
Південна Корея: FLAM
Оптимізаційний підхід. Remote Sens. 2023 , 15 , 1446. https://doi.org/ 10.3390/rs15051446
Академічний редактор: Кармен Кінтано
Отримано: 26 січня 2023 року
Переглянуто: 3 березня 2023 р
Прийнято: 3 березня 2023 р
Опубліковано: 4 березня 2023 р
Copyright: © 2023 за авторами. Ліцензіат MDPI, Базель, Швейцарія. Ця стаття є статтею відкритого доступу , яка розповсюджується згідно з умовами ліцензії Creative Commons Attribution (CC BY) (https://creativecommons.org/licenses/by/ 4.0/).
Анотація: Теплові хвилі, спричинені зміною клімату, збільшують глобальний ризик лісових пожеж, посилюючи спалювання біомаси та прискорюючи зміну клімату в замкнутому колі. Це створює проблему для системи реагування в густо лісистій Південній Кореї, збільшуючи ризик більш частих і масштабних спалахів пожеж. Це дослідження спрямоване на оптимізацію моделі кліматичних впливів та адаптації диких пожеж (FLAM) IIASA — обробленої моделі, що об’єднує біофізичні та людські впливи — для Південної Кореї для прогнозування моделі та масштабу майбутніх лісових пожеж. Розробки, виконані в цьому дослідженні, включають: (1) оптимізацію ймовірнісних алгоритмів у FLAM на основі національних даних ГІС, зменшених до 1 км.1 2 з додатковими факторами, введеними для національного специфічного моделювання; (2) покращення обчислення вологості ґрунту шляхом коригування коду тонкої вологості палива (FFMC) для представлення зворотного зв’язку рослинності шляхом підгонки вологості ґрунту до щоденних даних дистанційного зондування; і (3) прогноз майбутньої частоти лісових пожеж і площі горіння. Наші результати показують, що оптимізація значно покращила моделювання сезонних моделей частоти лісових пожеж. Коефіцієнт кореляції Пірсона між щомісячними прогнозами та спостереженнями національної статистики за 2016-2022 роки було покращено з 0,171 у неоптимізованому до 0,893 у оптимізованому FLAM. Ці висновки означають, що основні алгоритми FLAM для інтерпретації біофізичного та антропогенного впливу на лісові пожежі в глобальному масштабі застосовні лише до Південної Кореї після оптимізації всіх модулів, а зміна клімату є основною рушійною силою нещодавнього збільшення лісових пожеж. Прогнози лісових пожеж були складені на чотири періоди до 2100 року на основі плану управління лісами, який включав три сценарії управління (поточний, ідеальний та надмірний захист). Ідеальне управління призвело до зменшення на 60-70% як частоти пожеж, так і площі горіння порівняно зі сценарієм надмірного захисту. Це дослідження повинно супроводжуватися дослідженнями для розробки стратегій адаптації, що відповідають прогнозованим ризикам майбутніх лісових пожеж. Ідеальне управління призвело до зменшення на 60-70% як частоти пожеж, так і площі горіння порівняно зі сценарієм надмірного захисту. Це дослідження повинно супроводжуватися дослідженнями для розробки стратегій адаптації, що відповідають прогнозованим ризикам майбутніх лісових пожеж. Ідеальне управління призвело до зменшення на 60-70% як частоти пожеж, так і площі горіння порівняно зі сценарієм надмірного захисту. Це дослідження повинно супроводжуватися дослідженнями для розробки стратегій адаптації, що відповідають прогнозованим ризикам майбутніх лісових пожеж.
Ключові слова: лісова пожежа; моделювання ризиків; оптимізація моделі; Лісові пожежі в Південній Кореї за сценаріями зміни клімату, що демонструє зв’язок між підвищенням температури та посухою, а також підвищеним ризиком лісових пожеж [6,7 ] . Північний регіон середніх широт (MLR), який визначається як між 30 ° і 60 ° північної широти, зараз є одним із найбільш сприйнятливих до пожеж регіонів: його напівпосушливі ландшафти зазнають усе більш сухих умов [8] і швидкого заселення регіону ріст збільшує вразливість лісів до людської діяльності [9] , посилюючи ризик лісових пожеж на межі дикої місцевості та міста (WUI) [10] .
Південна Корея, розташована в MLR, відчуває підвищений ризик лісових пожеж. Понад 60% землі країни вкрито лісами, 11% з яких розташовані в густонаселених районах, що характеризуються міським землекористуванням, що призводить до великої WUI. Загалом 29% лісових пожеж із січня 2016 року по березень 2022 року сталися на території ВУІ. Щоб бути стійким до цієї небезпеки, необхідно враховувати як короткострокові відповіді, так і довгострокові цілі [11] . Однак, незважаючи на те, що багато досліджень щодо реагування призвели до створення добре встановленої короткострокової системи прогнозування лісових пожеж у Південній Кореї — з тригодинними інтервалами прогнозування [12] — небагато досліджень розглядали довгострокову перспективу. Одна стаття під керівництвом Сунга [13]проаналізовано закономірність виникнення лісових пожеж з урахуванням метеорологічних факторів. Дослідження показало, що частота лісових пожеж зросла частково через зниження вологості та опадів, які стають все частіше через зміну клімату та урбанізацію. Інша стаття під керівництвом Вона [14] змоделювала ймовірність лісових пожеж навесні за допомогою множинної логістичної регресії метеорологічних факторів, тоді як Лім [4]застосував модель максимальної ентропії (MaxEnt) для прогнозування ймовірності лісової пожежі з використанням як біофізичних, так і людських факторів, таких як щільність населення та відстань від дороги. Обидва ці дослідження представили ймовірність лісової пожежі відповідно до зміни клімату та просторової неоднорідності. Однак вони явно не моделювали частоту лісових пожеж; ймовірний термін не вказував на ймовірність займання в даних умовах, а скоріше передбачав відносний ризик пожежі. Крім того, використані моделі не містили алгоритмів або структур для інтерпретації ролі людини та біофізичних факторів у лісових пожежах. Загальні підходи до моделювання, які використовуються в цих дослідженнях, значною мірою покладаються на навчальні вибірки та можуть створювати упереджені прогнози.3.1) .
Тим часом алгоритми, засновані на процесах лісових пожеж, широко застосовуються в різних регіонах і в глобальному масштабі з більш складною інтерпретацією механізмів лісових пожеж. Арора та ін. [15]запропонував базову структуру моделювання лісових пожеж на основі процесів, яка включала ймовірність займання внаслідок людської діяльності в поєднанні з біофізичною моделлю, яка була застосована в глобальному масштабі з роздільною здатністю 3,75 кутових градусів. Хоча додавання людського впливу на ймовірність займання було значним, через відсутність антропогенного впливу в більшості попередніх моделей, алгоритм залишався зосередженим головним чином на біофізичних факторах, таких як клімат і паливо. Імовірність займання внаслідок людської діяльності була змодельована з використанням константи, що підкреслило потребу в покращеному моделюванні для фіксації складної взаємодії між природними та людськими факторами під час лісових пожеж. Наступна стаття під керівництвом Клостера [16], запропонував удосконалений алгоритм для оцінки ймовірності неподавленого займання людьми шляхом розгляду окремих впливів щільності населення на займання та придушення. Стаття мала на меті змоделювати глобальні лісові пожежі з роздільною здатністю 1,9 x 2,5 кутових градусів. Однак ці алгоритми вимагають оптимізації при застосуванні до конкретного регіону з урахуванням соціальних та біофізичних характеристик, які суттєво впливають як на просторові, так і на часові закономірності динаміки регіональних лісових пожеж [17-19 ] . Тому пізніші дослідження були зосереджені на розробці та оптимізації алгоритмів на основі процесів для моделювання лісових пожеж у певних регіонах, таких як Європа [20,21 ] та Індонезія [22]. Ці вдосконалення в основному були зроблені в оцінці вигорілої площі за допомогою розрахованої частоти лісових пожеж. Останній прогрес був досягнутий у моделі диких пожеж кліматичних впливів та адаптації (FLAM), розробленій Міжнародним інститутом прикладного системного аналізу (IIASA), яка калібрує згорілу площу шляхом розрахунку ефективності придушення кожної просторової одиниці [ 21,22 ] . Тим не менш, на відміну від постійних удосконалень, які були зроблені для оцінки вигорілої площі, алгоритм частоти лісових пожеж залишився незмінним після [16] . Крім того, найбільш точне застосування цих алгоритмів було на площі 25 х 25 км 2 [22], чого може бути недостатньо для побудови стратегії адаптації локального масштабу на основі прогнозу. Таким чином, існує необхідність вдосконалення алгоритму частоти лісових пожеж, що також впливає на розрахунок площі горіння. Крім того, розробка національно оптимізованої моделі необхідна для пояснення динаміки лісових пожеж у масштабі вищої точності, що може бути досягнуто шляхом інтеграції даних дистанційного зондування, які надають цінну інформацію про навколишнє середовище на поверхні суші, що має вирішальне значення для підвищення точності та точності прогнозів катастроф [23] .
У цьому контексті це дослідження спрямоване на розробку моделі лісових пожеж у Південній Кореї на основі IIASAs FLAM, яка вже містить основні алгоритми для інтерпретації людського та біофізичного впливу на лісові пожежі. Щоб представити конкретні закономірності лісових пожеж у Південній Кореї та сприяти встановленню локальних цілей із точними прогнозами, це дослідження було спрямоване на подальший розвиток FLAM, включаючи наступні цілі: (1) оптимізація ймовірнісних алгоритмів у FLAM, включаючи умовні ймовірності займання про щільність населення, частоту блискавок і паливо, а також запровадження нового алгоритму для інтерпретації відстані до ріллі на основі національних даних ГІС, зменшених до 1 км 2; (2) покращення обчислення вологості ґрунту шляхом коригування коду тонкої вологості палива (FFMC), який використовується FLAM для представлення зворотного зв’язку рослинності шляхом підгонки вологості ґрунту до щоденних даних дистанційного зондування; та (3) прогноз майбутньої частоти лісових пожеж і вигорілої площі на основі запропонованого розрахунку частоти лісових пожеж.
Оскільки понад 60% її території вкрито лісами, Південна Корея стикається з частими лісовими пожежами, з 562 лісовими пожежами, що випалювали в середньому 1863 га щорічно протягом останніх 5 років [24 ] . Розташована на півострові в середній широті Східної Азії, Південна Корея перебуває під впливом теплого мусонного клімату, що призводить до великих сезонних коливань клімату. Суха погода триває від зими до весни, під час якої відсутність опадів і теплі весняні температури сприяють тому, що ліси надзвичайно вразливі до пожеж, тоді як понад 60% із 1200 мм річних опадів припадає на спекотний дощовий літній сезон [4 ]. Таким чином, більшість лісових пожеж трапляються з лютого по квітень через поєднання клімату (суха, тепла погода) і людських факторів, особливо поблизу Сеула та південно-східних столичних районів (рис. 1 ) . Крім того, на вологість впливає гірський ланцюг, що простягається з півночі на південь у східній частині Корейського півострова. Вітер, що дме з північно-східного континенту навесні, стає набагато сухішим, коли він проходить через гірський ланцюг і викликає масштабні лісові пожежі в східній прибережній зоні [25] . На основі кореляції між історичною метеорологією та зареєстрованими лісовими пожежами очікується, що частота та масштаби лісових пожеж у Південній Кореї зростуть через зміну клімату [13] .
Набір даних про лісові пожежі, створений Лісовою службою Кореї, включає вигорілу площу, дати початку та закінчення, джерело займання та інформацію про адресу для кожної лісової пожежі. У цьому дослідженні всі лісові пожежі з набору даних, які сталися протягом періоду дослідження з січня 2016 року по березень 2022 року, були відібрані для загальної кількості 3511 лісових пожеж. Ми додатково підготували набір даних для використання, геолокуючи кожну подію. Щільність населення 1 км на 1 км була зібрана з Національного інституту географічної інформації Кореї, а інші набори даних були скориговані відповідно до цієї роздільної здатності. Просторовий розподіл сільськогосподарських угідь, який було отримано з Карти господарства, виготовленої Міністерством сільського господарства, продовольства та сільських справ, також було скориговано до роздільної сітки 1 км на 1 км.

Рисунок 1. Закономірності частоти та масштабу лісових пожеж у Південній Кореї (з січня 2016 року по березень 2022 року).
Щоденні метеорологічні дані завантажувалися через службу API від трьох різних державних установ: Корейського метрологічного агентства (KMA), Корейського лісового науково-дослідного інституту та Агентства сільського розвитку (таблиця A1 ) . Дані були зібрані з 1209 станцій, причому кожна станція охоплювала в середньому приблизно 88 км 2 землі, і інтерполювали середню та максимальну температуру, кількість опадів, швидкість вітру та відносну вологість. Для розрахунку частоти блискавок використовувався набір даних спостереження за блискавками, створений KMA. Обробка даних блискавки описана в розділі 3.1.
Паливне навантаження було розраховано шляхом множення надземної біомаси (AGB, т/га) на співвідношення компонентів підстилки ( R l , Ct/га) і валежної деревини ( R d , Ct/га) згідно з наступними рівняннями: де AGB – множник об’єму запасу ( V , м 3 /га), базової щільності деревини (WD, т/м 3 ) та приросту біомаси (BEF):
Паливо = AGB * Rt l + + Rd) ,
(1)
(2)
AGB = V * WD t * BEF t
де t позначає групу основних видів дерев, таких як P inus dens iflora (Gangwon), Pi nus densiflora (Midland), Pinu s koraien sis , Larix kaempferi , Quercus variabi lis , Q uercus mong lica , Q uercus varia bilis з Pinu s den siflora , і Q uercus monglica з Pinu s den siflora . Набір просторових даних об’єму запасу (V) було отримано з дослідження під керівництвом Хонга [26] , включаючи маркування видів дерев і параметри WD, BEF, R l і R dбули посилання на попередні літератури [27,28 ] . Розрахунок паливного навантаження базувався на припущенні, що кожен 1 км 2 сітки повністю зайнятий одним або двома з вищезгаданих основних видів дерев у Південній Кореї. Це припущення було зроблено тому, що індекс ділянки, міра продуктивності ділянки для даного лісового насадження, оцінюється на основі домінуючих дерев за рівнянням Чепмена-Річардса [29], яке було використано для створення набору даних V.
Крім того, були зібрані дані спостереження за поверхнею землі на основі дистанційного зондування для температури поверхні землі (LST) та індексу рослинності з продуктів NASA Medirate Resolution Imaging Spectroradiometer (MODIS) за допомогою Google Earth Engine. Щоденний LST був отриманий від MOD11A1 і замаскований для безхмарних областей за допомогою діапазону якості. Оскільки індекс рослинності змінюється відносно повільно порівняно з температурою, нормалізований індекс різниці рослинності (NDVI) був отриманий від MOD13A2 за допомогою 16-денного композитного зображення, щоб мінімізувати шум у наборі даних часових рядів; потім його було реконструйовано до щоденних даних за допомогою алгоритму, запропонованого Ченом [30] . Доступні посилання для використаного набору даних можна знайти в таблиці A1.
FLAM — це модель, заснована на процесі, розроблена IIASA, яка містить алгоритми параметризації для фіксації впливу клімату, населення та наявності палива на частоту лісових пожеж і вигоряну площу в глобальному масштабі (рис. 2 ) . FLAM розраховує ймовірність займання від людських і природних джерел. Імовірність виникнення пожежі розраховується з використанням добових погодних умов і наявності палива в кожній комірці сітки. FLAM використовує кліматичні дані для наступних змінних — температури, опадів, швидкості вітру та відносної вологості — для обчислення вмісту вологи в паливі на основі коду тонкої вологості палива (FFMC) канадського індексу погоди лісових пожеж (FWI) [31 ]. Паливо, доступне для спалювання, визначається як комбінація підстилки та грубого деревного сміття (CWD) з надземної біомаси, за винятком стовбурової біомаси. Для територій з позитивною ймовірністю пожежі очікувана площа пожежі розраховується шляхом моделювання поширення пожежі через швидкість вітру, вологість палива та ефективність пожежогасіння, яка реалізується як ймовірність гасіння пожежі в певний день.

Рисунок 2. Архітектура моделі FLAM. Зазначені розділи відповідають розділу статті, де пояснюється кожна частина моделі: розділ 3.2 для ймовірності займання, розділ 3.3 для розрахунку вологості палива та розділ 3.4 для ймовірності пожежі. Кожен компонент блок-схеми пофарбовано відповідно до його вдосконалення в порівнянні з оригінальним FLAM, як зазначено в легенді внизу праворуч.
Однією з ключових особливостей FLAM є процедура калібрування просторової ефективності пожежогасіння для кращого фіксування міжрічної динаміки спалених історичних територій. Просторову мінливість ефективності придушення можна пояснити впливом інфраструктури та управління на оброблені біофізичні впливи та ймовірність пожежі.
Раніше FLAM мав на меті змоделювати вигорілу територію та продемонстрував хорошу узгодженість з історичними вигорілими територіями, про які повідомлялося в Європі та Індонезії [22,32 ] . Конкретне моделювання частоти лісових пожеж у зв’язку з регіональними факторами навколишнього середовища є важливим [33] , оскільки це допоможе оцінити вплив інфраструктури та управління на згорілу територію.
Нашою метою було покращити моделювання частоти лісових пожеж і вигорілої території в Південній Кореї. Таким чином, це дослідження оптимізувало алгоритми інтерпретації антропогенних та біофізичних факторів для покращення розрахунку ймовірності займання та загальної ймовірності пожежі. Щоб покращити просторові деталі розрахунку вологості палива, у цьому дослідженні також було введено рослинний покрив на основі дистанційного зондування та скориговано алгоритм для представлення динаміки вологості ґрунту, що спостерігається за супутниковими даними. Вплив близькості до сільськогосподарських угідь було введено в FLAM для моделювання сезонних моделей частоти лісових пожеж у Південній Кореї.
Наш аналіз створеного набору даних про лісові пожежі показує, що 61,98% лісових пожеж виникли внаслідок діяльності людини протягом досліджуваного періоду: 10,08% від спалювання сільськогосподарських відходів, 12,33% від спалювання відходів, 32,64% від недбалості, 0,17% від підпалу, і 6,75% поширення від забудови. Лише 0,06% лісових пожеж були спричинені блискавкою, а причина (причини) решти 37,67% пожеж не була зафіксована. Частота лісових пожеж експоненціально зростає з наближенням до великих міст, де висока щільність населення поєднується з нижчою вологістю в результаті кількох факторів, таких як урбанізація, сезонні коливання та зміна клімату [ 14,34 ] . У цьому Південна Корея схожа на Європу, де діяльність людини є основною причиною лісових пожеж [35]. Проте столичні міста Південної Кореї, такі як Сеул і Пусан, мають набагато вищу щільність населення, ніж міста Європи: 15 699 і 4320 осіб на км 2 на площах 605,2 і 770 км 2 відповідно.
Таким чином, ми покращили ймовірність займання FLAM шляхом оптимізації параметрів людських факторів займання, щоб представити домінуючу частоту займання поблизу густонаселених міст. У FLAM вплив людини моделюється як комбінація ймовірності займання людиною ( P h ) та ймовірності придушення ( F supp ) наступним чином:
P h

(3)
F supp — 1 (( 1 Supp max ) + exp ( C supp * p )) , (4)
де p u p , Supp max і C su pp вказують на верхній поріг щільності популяції, максимальну ймовірність миттєвого придушення та коефіцієнт придушення щільності популяції відповідно. Таким чином, P h не збільшується далі, коли щільність популяції перевищує p up , а F supp досягає Supp max , оскільки щільність популяції збільшується, тоді як її швидкість контролюється C supp .
У цьому дослідженні P h було скориговано шляхом збільшення p від стандартного значення 300 осіб на км 2 до 2000 осіб на км 2 . Це значення було збільшено, тому що значення за замовчуванням було перевищено в більшості міст, на які припадає 7,7% території та мають максимальну щільність населення 45 739 осіб на км 2 . Тим часом Supp max і C supp були збільшені, щоб представити систему швидшого реагування, яка існує в Південній Кореї, яка має вищий стандарт, якого слід дотримуватися порівняно з іншими країнами світу [36,37 ] .
На додаток до людського фактору, ймовірність природного займання ( P l ) обчислюється в FLAM на основі місячних даних про частоту блискавок ( L f ) і поєднується з ймовірністю людського займання P h для оцінки загальної ймовірності займання ( P i ) відповідно до наступне
рівняння:
B L — макс
P l —
0, хв
L f – L f , низький L f , вгору – L f , l ow
Б Л
B L + досвід ( 1,5 – 6 B L )
(5)
(6)
P i =( P l + ( 1 – P l ) P h ) (1 – F sup p) , (7)
де B l являє собою нормалізоване значення місячних ударів блискавки Lf- на км 2 до значення від 0 до 1 на основі L f,low і L f,up, для яких встановлено 0,02 і 0,85 відповідно як значення за замовчуванням. Однак поточний розрахунок блискавки з місячним кроком у часі неминуче переоцінює кількість лісових пожеж, спричинених блискавкою, оскільки інші біофізичні фактори, зокрема, вміст вологи в паливі, обчислюються з добовим кроком. Як описано вище, більше 50% річної кількості опадів у Південній Кореї припадає на літо. Місячна частота блискавок досягає максимуму в дощовий літній сезон, рідко переростаючи в лісову пожежу через велику кількість опадів. Проте враховуючи щоденну вологість палива, яка, ймовірно, включає сухі літні дні, ймовірність пожежі переоцінюється, як показано на малюнку 3.
Аномально висока ймовірність пожежі
Опади (»Вологість палива) Частота блискавок (щомісяця) Частота блискавок (щодня)
час
Рисунок 3. Концептуальна ілюстрація потенційних переоцінок пожежі, спричинених місячною частотою блискавок і щоденною погодою.
Враховуючи, що лише 0,06% історичних лісових пожеж були спричинені блискавкою, нехтування запалюванням блискавки навряд чи суттєво вплине на результати в поточних умовах. Однак, оскільки кінцевою метою моделювання є прогнозування лісових пожеж у майбутньому, які супроводжуватимуться значними змінами навколишнього середовища, це дослідження також оптимізувало ймовірність займання блискавки. Щоб виправити завищене займання від блискавки, алгоритм частоти блискавок було змінено з місячного на щоденний часовий крок, а параметри L f ,low і L f ,upбули оптимізовані таким чином, що щоденна ймовірність зберігає розподіл місячної ймовірності. Оскільки набір даних про блискавку збирається для кожної події блискавки в точному місці, частота блискавки була розрахована за допомогою інструменту фокальної статистики в програмному забезпеченні ArcGIS із фокусним радіусом 17 841,24 м, що еквівалентно 1000 км 2 , такого ж масштабу, як і алгоритм FLAM ( дивіться розділ 3.4) . Крім того, для оптимізації параметрів нормалізації було використано кількість історичних лісових пожеж, спричинених ударами блискавки. Хоча лише дві лісові пожежі були зареєстровані як такі, що були спричинені блискавкою, параметри були оптимізовані, щоб повернути незначне переоцінку, означаючи, що деякі лісові пожежі з невідомою причиною в базі даних могли бути спричинені блискавкою.
Тепла і суха погода протягом весняного сезону в Південній Кореї призводить до особливої моделі лісових пожеж, причому понад 60% зосереджено в чверті року, з лютого по квітень. Однак пожежонебезпечний сезон виникає не лише через суху погоду, а й через національний звичай спалювати сільськогосподарські відходи, такі як сільськогосподарські пластикові відходи та залишки рослин після збору врожаю. Відповідно до набору даних, 10,08% лісових пожеж у досліджуваний період були безпосередньо спричинені спалюванням сільськогосподарських відходів, і ця частка зросла до 22,42%, коли було включено зареєстроване джерело запалювання «горіння відходів». Обидва джерела запалювання експоненціально збільшуються протягом весняного сезону, коли сільськогосподарські угіддя очищаються для подальшого посіву,4) .
Рисунок 4. Кількість і співвідношення лісових пожеж, що виникли внаслідок спалювання (сільськогосподарських) відходів.
Таким чином, спалювання сільськогосподарських відходів було введено в FLAM як новий фактор займання, щоб відповідати специфічній моделі лісових пожеж у Південній Кореї. Нещодавно введена ймовірність займання, залежна від спалювання сільськогосподарських відходів ( P a ), була розрахована як функція межі лісу, що примикає до сільськогосподарського поля. Оскільки розрахунок обробляється у форматі сітки, кількість сіток з роздільною здатністю 10 м, розташованих на межі лісу та сусіднього сільськогосподарського поля в межах 200 м з інтервалом 50 м, було отримано для кожної площі 1 км 2 (рис . 5 ) . Потім P a для кожного 1 км 2 пікселя розраховується згідно з наступним рівнянням:
P a = 1 – ( 1 — W m * r <50 ) N <50 * ( 1 – W m * r <100 ) N <100
* ( 1 — W m * r <150 ) N < 1 S 0 * ( 1 —
W m * r <200 ) N <200
(8)
де N < 50 , N <100 , N <150 і N <200 представляють кількість 10-метрових сіток в межах 200 м для інтервалу 50 м, а r <50 , r <100 , r <150 і r <200 це ваги для кожної дистанції. Нещодавно визначена ймовірність займання P i після включення сільськогосподарського горіння розширюється з рівняння (7) наступним чином:
P i = ( P l + ( 1 — P l ) P h + ( 1 — P l — P h ) Pa + PM ) ( 1 — F supp), (9)
■ Педді
Межа лісу до Педді (м)
< 50 100 150 200
Рисунок 5. Кількість меж лісових сіток біля сільськогосподарського поля.
Добовий вміст вологи в паливі ( м ) розраховується за допомогою FFMC ( V FFMC ), який є одним із ключових факторів у FLAM для прогнозування як частоти лісових пожеж, так і площі горіння в умовах зміни клімату. Як компонент FWI, FFMC оцінює підстилку та затверділий шар дрібнодисперсного палива у верхніх 1,2 см ґрунту на відносну легкість займання та займистість дрібнодисперсного палива [38] . FFMC розраховується за добовою температурою, опадами, швидкістю вітру, відносною вологістю та м за попередній день. FFMC коливається від 0 до 100, причому більш високі значення означають більшу займистість, тоді як m коливається від 0 до 250% (докладну формулу FFMC можна знайти в Додатку B) .
m = f m ( V FFMC ) =
0,01 ( 59,5 * 250 – 147,2 * В FFMC )
(10)
V FFMC + 59,5
У цьому дослідженні щоденний FFMC розраховувався з використанням внутрішнього набору метеорологічних даних з роздільною здатністю 1 км, що дозволило точніше представити регіональні варіації параметра m . Однак поточний алгоритм FFMC має обмеження, оскільки він використовує лише метеорологічну інформацію та ігнорує явну взаємодію між погодою та середовищем поверхні землі.
Щоб подолати обмеження суто метеорологічного моделювання, була запропонована основа для порівняння результатів метеорологічного моделювання зі спостереженнями на поверхні суші для виявлення та використання емпіричних відмінностей [23] . У цьому дослідженні ми також мали на меті покращити процес розрахунку FFMC шляхом підгонки щоденних значень параметра m до дистанційно вимірюваної вологості ґрунту та отримання емпіричного рівняння їх різниці, поясненої характеристиками поверхні землі.
Ми порівняли вміст вологи m з індексом температурних умов рослинності (VTCI), супутниковим індексом, який представляє вологість верхнього шару ґрунту шляхом інтерпретації простору ознак LST-NDVI [39] . VTCI розраховується на основі співвідношення LST, нормалізованого NDVI між верхньою (сухий край) і нижньою (мокрий край) межею даних (рис. 6 ) . VTCI коливається від 0 до 1 для сухого та вологого dge відповідно, що відповідає мінімальному та максимальному випаровуванню. Подібно до FFMC, який оцінює вміст вологи в паливі у верхньому 1,2-сантиметровому поверхневому шарі, VTCI має позитивну кореляцію з вмістом вологи в ґрунті в поверхневому шарі [40] .
Рисунок 6. Концепція індексу температурних умов рослинності (VTCI) у просторі ознак LST-NDVI.
Оскільки вміст вологи m розраховується на основі значень метеорологічних умов поточного дня ( M t ) і попереднього дня ( m t -1 ), m і VTCI порівнювали шляхом заміни попереднього m на попередній VTCI (рівняння (11) )). Оскільки m і VTCI не можна порівнювати в одному масштабі, лінії ізо-значення VTCI були оптимізовані між двома краями. Лінія ізо-значення може регулювати масштаб VTCI та визначати спосіб інтерпретації простору ознак LST-NDVI, щоб значення VTCI могло краще відображати вологість у певному шарі [41], наприклад паливо в поверхневому шарі. .
m = f m ( V FFMC , t ) = f m ( f FFMC ( m t -1 , M t )); f m ( f FFMC ( f iso ( V VTCI , t – 1 ) , M t )) (11)
Крім того, як середньодобову температуру, так і максимальну денну температуру було перевірено для розрахунку FFMC, щоб визначити, який метод краще представляє щоденну структуру лісових пожеж, тоді як оригінальний алгоритм для розрахунку FFMC використовує метеорологію опівдні.
Імовірність займання була розрахована в Розділі 3.2 за людськими та природними джерелами, і в поєднанні з біофізичними факторами, такими як наявність палива та вологість палива, була визначена ймовірність пожежі.
У FLAM ймовірність займання, залежна від наявності палива ( P b ), була розрахована шляхом нормалізації кількості палива ( B ) наступним чином:
P b = макс
0, хв 1,
B – B l
B u – B l
(12)
де B u і B l — максимальна та мінімальна межі ймовірності, встановлені на рівні 200 гКл/м 2 і 1000 гКл/м 2 як базова лінія відповідно. У цьому дослідженні параметри B u та B l були оптимізовані для розширення межі нормалізації, оскільки розподіл B збільшується в даних із вищою просторовою роздільною здатністю з більш точним представленням неоднорідності навколишнього середовища в локальному масштабі.
Добова ймовірність займання залежно від вологості палива ( P m ) розраховується за наступним рівнянням:
м 2
(13)
P m = 1 – tanh 1,75 * m e
де m e – вологість екстинкції, встановлена на 0,35 як базова лінія. У цьому дослідженні m e було оптимізовано для відтворення сезонної моделі частоти лісових пожеж у Південній Кореї.
Тоді загальна ймовірність пожежі ( P ) розраховується множенням умовного згідно з наступним рівнянням:
P = P i * P b * P m
(14)
Однак слід зазначити, що рівняння ймовірності пожежі спочатку було розроблено для масштабу 1000 км 2 і екстрапольовано при застосуванні до більшої просторової роздільної здатності [15] . Екстраполяція до більшої роздільної здатності може бути виконана шляхом множення роздільної здатності націлювання, поділеної на 1000 км 2 , що дає P для включених підзон площею 1000 км 2 ; наприклад, якщо більша площа становить 5000 км 2 , то потрібно помножити на 5, тобто 5000/1000. Однак, коли P потрібно інтерполювати до більш високої роздільної здатності, просте множення більше не застосовуватиметься, тому що не буде підзон менше ніж 1000 км 2 . Тому процес оптимізації в масштабі 1 км 2було запропоновано в цьому дослідженні. Враховуючи, що початкова ймовірність пожежі ( P L ) вказує на ймовірність більш ніж 1 пожежі на 1000 км 2 , це може бути виражено додатковою подією відсутності лісових пожеж на кожні 1000 ділянок площею 1 км 2 всередині пікселя 1000 км 2 . Це можна виразити так:
P S = 1-10 q i – ( P i * P b * P m ) . _ _ (15)
Таким чином, зниження масштабу ймовірності пожежі до 1 км 2 ( P S ) може бути статистично отримано за допомогою рівняння, коли всі підпорядковані території мають усереднені фактори навколишнього середовища площею 1000 км 2 . Однак у практичному застосуванні P S змінюється для кожного місця
оскільки зменшений набір даних може представляти різнорідні середовища. P S має бути відкалібрований для відображення динаміки лісових пожеж у масштабі 1 км 2 на додаток до статистичного зменшення масштабу, описаного вище. У цьому дослідженні мультиплікатор калібрування ( C calib ) і просторово-часова залежність між суміжними областями були введені для моделювання тліючих пожеж і горизонтальних потоків, які можуть виникати наступним чином:
Крок 1: P S = 1 – 100 ^/ 1 – ( C calib * P i * P b * P m ) ,
Крок 2: P S
E j ( w j * P S , j ) jj
Крок 3: P S , t = 1 – 1 – P S , t * 1 – C recur * P S , t – 1 ,
(16)
(17)
(18)
де j і t позначають 9 суміжних пікселів із роздільною здатністю 1 км 2 і прогнозований час у щоденному часовому кроку, відповідно, а C recur — швидкість повторення лісової пожежі протягом одного дня. Просторова вага ( w ) виводиться на основі суміжності з використанням алгоритму середнього зваженого за відстанню:
1
w j = E M’ ()
де k — розташування сусідніх дев’яти пікселів, відмінних від j і d j , k — відстань між j і k .
У таблиці 1 представлені вихідні та оптимізовані параметри FLAM для Південної Кореї, які були отримані шляхом дослідження коефіцієнта кореляції Пірсона (r) між FLAM і даними спостереження за період між січнем 2016 року та груднем 2019 року. Інший набір даних не враховувався під час процесу оптимізації для запобігання та аналізу переобладнання. Відповідно до результатів, отриманих під час оптимізації, антропогенний вплив на займання лісової пожежі було збільшено в густонаселених районах шляхом підвищення верхнього порогу щільності населення, тоді як ймовірність неподавленого займання в малонаселеній місцевості була зменшена шляхом збільшення ймовірності миттєвого виникнення пожежі. придушення (Малюнок 7) .
Таблиця 1. Параметри FLAM, оптимізовані в Південній Кореї.
Людина | Блискавка | паливо | Вогонь | |||||||
P вгору | Підтримка макс | C доп | L f, низький | L f, вгору | B l | B u | я _ | C калі | C повторюватися | |
Світовий масштаб | 300 | 90 | 0,025 | 0,02 | 0,85 | 200 | 1000 | 0,35 | – | – |
Оптимізовано | 2000 рік | 94 | 0,100 | 0,02 | 0,55 | 0 | 2000 рік | 0,32 | 30 | 0,0067 |
P up : верхній поріг щільності населення (осіб на км 2 ), Supp max : максимальна ймовірність миттєвого придушення. C supp : коефіцієнт придушення населення, B l і B u : нижня та верхня межі палива (гКл/м 2 ). L f ,low & L f ,up : нижня та верхня межі місячних ударів блискавки (ударів на км 2 ). M e : вологість екстинкції, C cali : мультиплікатор калібрування, C recur: швидкість повторення лісових пожеж протягом однієї доби.
Імовірність займання P l була оптимізована шляхом зміни L f зі значення 0,85 до 0,55. Не було внесено жодних змін до значення L f ,low . Навіть незважаючи на те, що ця оптимізація зберегла початковий розподіл P l , як показано на малюнку 8, частота лісових пожеж, викликаних блискавкою, змінилася з 1874,61 до 6,53 разів протягом періоду дослідження. Це точно відображає зареєстровану кількість лісових пожеж, спричинених блискавками.
Нещодавно введену ймовірність P a було розраховано шляхом встановлення ваги для зон між кордоном лісу та сільськогосподарським полем з інтервалами 50 м від 0 до 200 м на основі співвідношення лісових пожеж у кожній зоні та ваги для кожного місяця на основі історична закономірність частоти лісових пожеж. Були встановлені ваги відстані r <50 , r < 100 , r <150 і r < 200
до 0,46845, 0,42829, 0,18948 і 0,13902 відповідно [42] . Місячна вага w m була встановлена на 0,00035 для січня та 0,0012 для лютого та марок.
Ймовірність
( а )
( б )

Рисунок 7. Оптимізація ймовірності займання людським фактором: ( а ) вихідні ймовірності в глобальному масштабі, ( б ) оптимізовані ймовірності для Південної Кореї.
( c )
( б )
( г )
Рисунок 8. Оптимізація ймовірності займання залежно від частоти блискавок: ( a ) початкові ймовірності в глобальному масштабі, ( b ) оптимізовані ймовірності для Південної Кореї, ( c ) розподіл ймовірностей, розрахований за місячним набором даних і вихідними параметрами, ( d ) ймовірність розподіл, розрахований за щоденним набором даних і оптимізованими параметрами.
Підбираючи лінії ізо-значення VTCI за допомогою рівняння (11), масштаб m і VTCI були узгоджені таким чином, щоб добова зміна вологості палива в обох індикаторах відповідала одна одній (Малюнок 9) . Оскільки два різних індикатори використовують різні типиданих, невідповідність на місцевому рівні неминуча. Однак, коли різниця між m і VTCI спроектована в просторі даних A m — фракційний рослинний покрив (Fr), де Fr обчислюється за нормалізованим квадратом NDVI [43] , приріст вологості палива був більшим в алгоритмі FFMC порівняно з до VTCI, особливо коли Fr нижчий, а величина зміни більша (Малюнок 10) ; отже, швидкість зміни вологості палива в FFMC має бути сповільнена, щоб бути сумісною з дистанційним вимірюванням вмісту вологи.

Рисунок 9. Порівняння добового приросту вологості палива, розрахованого FFMC та VTCI.

Малюнок 10. Різниця вологості палива між FFMC і VTCI в А м — частка даних про рослинний покрив.
Таким чином, оптимізація алгоритму FFMC була досягнута шляхом відображення впливу Fr та коригування загального приросту вологості палива. Щоб відобразити вплив Fr на приріст вологості палива, тонкий рівноважний вміст вологи в паливі (EMC) був відкалібрований за рівнянням першого порядку Fr. Після оптимізації вищий Fr знизив EMC для сушіння та збільшив EMC для змочування, що призвело до більшого приросту при вищих значеннях Fr. На цій стадії вологість палива FFMC змінюється швидше, ніж VTCI як в умовах низького, так і високого Fr. Потім загальне збільшення вологості палива FFMC було скориговано до 43% від початкового алгоритму, щоб відповідати швидкості VTCI. Завдяки оптимізації алгоритму за допомогою Fr, яке є репрезентативним середовищем земної поверхні з простим розрахунковим рівнянням,
Крім того, виявилося, що використання максимальної температури для обчислення m краще відображає історичну схему частоти лісових пожеж порівняно з використанням середньої температури. Це відповідає посібнику з розрахунків FFMC, який заохочує використовувати метеорологічні дані опівдні, значення, яке часто дорівнює або подібне до максимальної температури, а не до середньої температури. У подібному контексті зменшення m e можна пояснити завищеною оцінкою m через використання середньодобового значення відносної вологості. C recur було встановлено на 0,0067 відсотком історичних повторів лісової пожежі протягом дня в сусідніх пікселях .
Щоб підтвердити продуктивність оптимізації, історичну частоту лісових пожеж і згорілу територію було змодельовано за допомогою набору даних із січня 2016 року по березень 2022 року. W використовував стандарт із FLAM без калібрації ефективності гасіння [22 ] . Щоб оцінити продуктивність, було обчислено коефіцієнт кореляції Пірсона (r) між симуляціями FLAM і даними спостережень, причому набір даних розділено на два періоди: період A, який використовувався для оптимізації (до 2020 року), і період B (після 2020 року) для перевірити узагальнення моделі з часом.
Згідно з результатами моделювання, часова оцінка місячної частоти лісових пожеж у періоди A та B покращила значення r з 0,050 та 0,447 до 0,919 та 0,896, відповідно, коли умова оптимізації ws змінилася після застосування будь-якої статистичної шкали вниз у рівнянні (15 ) до повної оптимізації (рис. 11) . Тимчасова оцінка вигорілої площі була виконана лише для лісових пожеж із вигорілою площею менше ніж 1000 га при одиночній пожежі, оскільки це дослідження було зосереджено на оптимізації частоти та застосувало метод оптимізації загального масштабу для вигоряння, що має обмеження в умовах моделювання випадкових великих -масштабні лісові пожежі на території місцевого масштабу. Моделювання згорілої площі для th періодів A і B призвело до rзначення 0,657 і 0,315 відповідно (рис. 12) .
l luti частоти лісових пожеж, змодельованих оптимізованою FLAM.
Площа горіння (га) Частота
Рисунок 12. Часова оцінка спаленої площі, змодельована оптимізованою FLAM.
Моделювання частоти лісових пожеж також було оцінено в просторовому масштабі шляхом агрегування значення частоти до сітки 25 км на 25 км. На рисунку 13 показано просторову оцінку в періодах A і B з сітками в межах 95% рівня довіри, що записує r0,8066 і 0,7052 відповідно. Результати оцінки показують, що оптимізований FLAM здатний відтворити схему лісових пожеж у Південній Кореї, демонструючи хорошу кореляцію з історичними даними, зокрема щодо частоти лісових пожеж. Результати оцінювання не показали суттєвої різниці між періодами A та B. Таким чином, очікується, що модель буде надійною щодо періодів часу, включаючи можливі прогнози майбутніх пожеж. Однак під час просторової оцінки було виявлено кілька викидів, і всі викиди зазвичай були заниженими в регіоні, де спостерігалася висока частота лісових пожеж.

(б)
. f est частота пожежі, змодельована оптимізованою FLAM: ( a ) період A
з січня 2016 року по грудень 2019 року, ( b ) період B з січня 2020 року по березень 2022 року.
фі
розрахункова кількість лісових пожеж (рис. 14) . У моделюванні FLAM очікувана частота лісових пожеж була розрахована як кумулятивна сума P . Очікувана частота спостережень була отримана шляхом інтерполяції точок розташування лісових пожеж.
Результат оптимізованого FLAM представляє менший масштаб нерозподілених гарячих точок поблизу міст, випущених для спостережень, що вказує на те, що недооцінені викиди були на околицях міст. Крім того, прогноз показав відносно вищу цінність через лінійну структуру основних гірських ланцюгів і поблизу міст, створюючи різноманітну групу гарячих точок.
( а )
( б )
Рисунок 14. Очікувана кількість лісових пожеж протягом періоду дослідження: ( а ) моделювання оптимізованого FLAM, ( б ) спостереження.
o далі досліджувати вплив P m , тенденцію оптимізованого P m ne srin сезону за рік і місяць було перевірено або спостерігайте за вухами . c-відповідно до результату, середнє P m за 7 років було відносно високим поблизу столичного району Сеула та східного узбережжя, де зараз відбуваються часті та сильні лісові пожежі. Крім того, P m на східному узбережжі значно збільшився, що означає, що ризик лісової пожежі в майбутньому зросте в цій зоні, яка вже постраждала від масштабних лісових пожеж. Незважаючи на те, що нам може знадобитися довший період спостереження, щоб підтвердити ці результати, ми впевнені, що ризик лісових пожеж зростає як прямий результат зміни клімату, що призводить до більш сухого палива в деяких регіонах Південної Кореї.
( а )
( б )
Рисунок 15. Тренди ймовірності займання залежно від вологості палива ( P m ) у весняний сезон: ( a ) середнє P m , ( b ) нахил часового ряду P m , ( c ) коефіцієнт кореляції Пірсона часового ряду P м .
( c )
В результаті оптимізації FLAM можна використовувати для проектування моделей лісових пожеж у майбутньому, використовуючи різноманітні набори даних сценаріїв, які можуть надати корисну інформацію для розробки стратегій адаптації для зменшення ризику лісових пожеж. Тому ми додатково перевірили його застосовність для майбутніх прогнозів, використовуючи сценарій управління лісами, створений Хонгом [26] . Відповідно до прогнозу, зображеного на малюнку 16, очікується, що як частота лісових пожеж, так і вигоріла площа збільшаться через збільшення кількості палива за всіма трьома майбутніми сценаріями: збереження поточного управління, надмірний захист і застосування ідеального плану управління, заснованого на шостий базовий лісовий план Південної Кореї [44]. Тим не менш, застосування ідеального плану управління лісами, який активно збирає деревину з перезрілих лісів, може зменшити частоту лісових пожеж до 63-81% сценарію надмірного захисту та до 77-92% поточного управління. Площа горіння може бути зменшена до 61-72% від сценарію надмірного захисту та до 85-96% від поточного управління.

Рисунок 16. Майбутнє прогнозування лісових пожеж за допомогою оптимізованого FLAM на основі сценарію управління лісами [26] : ( а ) частота лісових пожеж на рік, ( б ) вигоріла площа на рік.
У цьому дослідженні ймовірнісні алгоритми в FLAM, розроблені для глобального застосування, були оптимізовані та зменшені до середовища Південної Кореї для прогнозування лісових пожеж у місцевому масштабі. Оптимізацію було виконано з використанням набору даних із січня 2016 року по березень 2022 року, більшість із яких було зібрано з вітчизняних джерел і спрямовано на коригування ключових параметрів для інтерпретації антропогенного та біофізичного впливу на лісові пожежі. Це включає такі параметри, як щільність населення, частота блискавок, вологість палива та кількість палива. Попередні дослідження FLAM були зосереджені на моделюванні спаленої території. Через обмеження, пов’язані з використанням глобальних наборів даних, які часто не мають інформації про частоту пожеж, це дослідження забезпечило глибший погляд на частоту лісових пожеж. Частота пожеж важлива для інтерпретації моделей займання лісових пожеж і як проміжний процес для подальшого вдосконалення прогнозів вигорілої території. Результати моделювання показали, що моделювання частоти лісових пожеж було значно покращено шляхом оптимізації субоптимальної оцінки з коефіцієнтом кореляціїr 0,050 і 0,447 до коефіцієнта кореляції r понад 0,89 при тестуванні для двох різних періодів часу. Моделювання горіння, виконане без оптимізації алгоритму поширення пожежі, показало надійну кореляцію лише для невеликих пожеж, яка пропорційна частоті лісових пожеж.
Оскільки процес оптимізації включав коригування значної кількості параметрів для інтерпретації різних факторів, зменшення масштабу та введення нових рівнянь, найкращі варіанти оптимізації вибиралися крок за кроком за допомогою методу проб і помилок, спрямованого на відтворення історичних моделей лісових пожеж. У цьому контексті C calibє одним із найважливіших факторів у поточному процесі оптимізації для компенсації впливу накопиченої помилки на кожному кроці оптимізації, але водночас він представляє обмеження поточного процесу оптимізації. Навіть незважаючи на те, що процес може ефективно впоратися з кількома завданнями оптимізації та запропонує загальні рамки оптимізації, підкріплені фоновими дослідженнями, рекомендується подальше вдосконалення кожного рівняння для розробки більш ефективних форм рівнянь на основі статистичного аналізу моделей лісових пожеж. Наприклад, потрібно покращити ймовірність займання від людських джерел, щоб інтерпретувати дисперсію людської діяльності, щоб зменшене застосування FLAM могло відтворювати великомасштабні гарячі точки поблизу міст. Займання внаслідок технічних несправностей, таких як вугілля, що утворюється від ліній електропередач,
Крім того, поточна структура FLAM включає обмеження щодо відображення динаміки лісових пожеж у кількох просторових контекстах, оскільки вона була розроблена для розрахунку ймовірності лісових пожеж у заданому масштабі. Це вказує на те, що зменшення масштабу алгоритму за допомогою фреймворку має ризик втрати точності, коли масштаб надто малий, щоб охопити значні екологічні фактори лісової пожежі. Таким чином, структура моделювання потребує особливого вдосконалення
для цілей зменшення масштабу, тому він може включати міжмасштабну взаємодію, яка відбувається в природних явищах [45] .
Незважаючи на те, що процес оптимізації можна вдосконалити, результати оптимізованого FLAM були багатообіцяючими та особливо цікавими, оскільки вони продемонстрували узгодженість між ймовірністю P m , яка залежить від вмісту вологи в паливі, та шаблонами часових рядів частоти лісових пожеж у Південній Кореї (рис. 11). . Ці результати показують важливість P mна прогноз частоти лісових пожеж і може бути інтерпретовано як доказ успішної оптимізації алгоритму FFMC. Крім того, основна гіпотеза оптимізації FFMC полягала в тому, що швидкість зміни вологості ґрунту стає більш пропорційною Fr. Ця гіпотеза узгоджується з літературними даними про те, що як зміни вологості ґрунту, так і випаровування з ґрунту були швидшими в лісах порівняно з луками [46 , 47] , і що вміст вологи у верхньому шарі ґрунту більш змінювався з часом, коли трав’яне покриття було вищим [48] .
Це дослідження показало, що P mу весняний сезон протягом спостережуваних 7 років значно збільшився в східному прибережному районі, який вже схильний до частих і сильних лісових пожеж. Отримані дані свідчать про те, що ризик лісових пожеж зростає через зміну клімату, що має важливі наслідки для управління лісовими пожежами та стратегії адаптації в Південній Кореї. У зв’язку зі зростанням ризику виникнення лісових пожеж в окремих регіонах необхідно розробляти та впроваджувати ефективні заходи запобігання та гасіння лісових пожеж. Це може включати збільшення доступності ресурсів для гасіння пожеж, удосконалення систем раннього попередження та впровадження практик землеустрою, які можуть зменшити ризик займання, наприклад, зменшення палива за допомогою відповідного плану управління лісами. Крім того, важливо продовжувати контролювати P mта інші фактори навколишнього середовища, які впливають на ризик виникнення лісових пожеж, щоб визначити території, які особливо вразливі до майбутніх пожеж. Експерименти на оптимізованому FLAM, зменшеному до 1 км 2 у цьому дослідженні, з останніми спостереженнями за навколишнім середовищем можуть бути використані для розробки стратегій адаптації, які пристосовані до конкретних ризиків і проблем, з якими стикаються різні регіони.
У цьому дослідженні ми оптимізували FLAM для навколишнього середовища Південної Кореї на основі національних даних ГІС, зменшених до роздільної здатності 1 км 2 із додатковими алгоритмами, запровадженими для відтворення національних специфічних моделей частоти лісових пожеж, таких як займання від спалювання сільськогосподарських відходів. Для агрегованої частоти лісових пожеж у Південній Кореї ми отримали коефіцієнт кореляції Пірсона r 0,893 для тимчасової оцінки та 0,802 для просторової оцінки. Це показало, що оптимізований FLAM здатний фіксувати як просторові, так і часові шаблони частоти лісових пожеж із достовірним відтворенням історичних моделей лісових пожеж. Враховуючи, що алгоритми попередньої оптимізації дали неоптимальні результати з r0,171, FLAM застосовний до Південної Кореї лише після оптимізації всіх його модулів. Його основні алгоритми для інтерпретації біофізичного та людського впливу на лісові пожежі в глобальному масштабі були недостатніми без оптимізації. Крім того, це дослідження подолало обмеження попередніх досліджень FLAM: неможливість більш ретельно вивчити частоту лісових пожеж через обмежену доступність даних, тобто використання великомасштабних наборів даних. Це робить оптимізацію, виконану в цьому дослідженні, цінною для розробки моделі та її застосування в інших регіонах світу.
Алгоритм для FFMC було вдосконалено шляхом підгонки вмісту вологи m до вологості ґрунту, що визначається дистанційно, для включення середовища поверхні землі в FLAM для кращого представлення коливань вологості місцевого палива, пов’язаних із рослинністю. З удосконаленими алгоритмами для Південної Кореї модель часового ряду ймовірності P m , залежна від вмісту вологи, показала хорошу узгодженість із сезонними моделями частоти лісових пожеж. Між тим, на основі змодельованої частоти лісових пожеж було показано, що щільне населення в урбанізованій території в поєднанні з іншими факторами призводить до експоненціального збільшення ймовірності пожежі. У цьому контексті P mвидається найбільш вірогідним фактором вибуху лісових пожеж у майбутньому, оскільки тенденція до зростання P m додає додаткову загрозу для вже постраждалих територій, що можна інтерпретувати як результат зміни клімату.
Оскільки за допомогою оптимізації вдалося відтворити національну специфічну модель лісових пожеж у Південній Кореї, за нею мають супроводжуватися дослідження щодо розробки стратегій адаптації для зменшення ризиків лісових пожеж із різноманітним застосуванням набору даних майбутніх сценаріїв. У цьому дослідженні вже представлено майбутні прогнози з використанням сценаріїв управління лісами та показано ефект ідеального управління лісами, який зменшує частоту лісових пожеж приблизно на чверть. Таким чином, наступне завдання має на меті виявити найкращий сценарій адаптації шляхом інтеграції наборів даних сценаріїв зміни клімату з кількома варіантами адаптації з урахуванням здійсненності, економічної ефективності, регіонального пріоритету тощо.
У цьому контексті ітерація FLAM, яка зараз працює з ймовірностями, може бути модифікована на модель на основі агентів (ABM), щоб краще визначити переломну точку або поріг, який провокує екстремальні лісові пожежі. Наприклад, якщо алгоритм розповсюдження вогню FLAM перетворити на ПРО та відобразити обмежену здатність придушення в алгоритмах, вигорілу площу, спричинену масштабними лісовими пожежами, можна краще оцінити як непогашене поширення вогню між сусідніми пікселями та змоделювати за допомогою взаємодії між агентами. І навпаки, ідеальні можливості гасіння зводять до мінімуму шкоду від лісових пожеж або, принаймні, не перевищують поріг, що призводить до екстремальних пожеж, у різних сценаріях зміни клімату.
Оптимізація покращила загальну точність FLAM у контексті Південної Кореї завдяки включенню регіональних факторів і мінливості, які відображають роль клімату та дій людини у виникненні лісових пожеж. Представлені результати є відправною точкою для моделювання майбутньої спаленої території за різних сценаріїв зміни клімату. Вони підкреслюють необхідність і ефективність інтенсивного управління лісовими пожежами для пом’якшення зростаючого ризику та зменшення ймовірності екстремальних лісових пожеж у Кореї в умовах зміни клімату.
Авторські внески: Концептуалізація, H.-WJ, AK, FK та W.-KL; методологія, H.-WJ, AK, FK і SC; програмне забезпечення, H.-WJ; перевірка, H.-WJ, WK і AK; формальний аналіз, H.-WJ, MH і AK; курація даних, H.-WJ, MH і WK; письмо—оригінал чернетки, H.-WJ; написання — перегляд і редагування, H.-WJ, WK, AK і SC; візуалізація, H.-WJ; нагляд, AK, FK та W.-KL Усі автори прочитали та погодилися з опублікованою версією рукопису.
Фінансування: це дослідження було проведено за підтримки Програми досліджень і розробок лісової наукової технології (проект № 2021345B10-2223-CD01), наданої Корейською лісовою службою (Корейський інститут сприяння лісовому господарству). Це дослідження було профінансовано проектом «Інтегроване картографування майбутніх гарячих точок лісових пожеж для Австрії (Austria Fire Futures)» номер C265157, що фінансується Фондом клімату та енергії та виконується в рамках Австрійської програми дослідження клімату (ACRP).
Заява про доступність даних: не застосовується.
Подяка: це дослідження було розроблено в рамках літньої програми для молодих вчених Міжнародного інституту прикладного системного аналізу, Лаксенбург (Австрія) за фінансової підтримки Національного дослідницького фонду Кореї. Крім того, ми хотіли б відзначити Міжнародну асоціацію досліджень бореальних лісів (IBFRA, www.ibfra.org (переглянуто 16 січня 2023 р.) та дію COST (грант № CA18135) «Пожежа в системі Землі: наука та суспільство» ( FireLinks), за підтримки COST (Європейське співробітництво в галузі науки і технологій).
Конфлікт інтересів: автори заявляють про відсутність конфлікту інтересів.
Додаток А
Таблиця A1. Джерело набору даних.
Набір даних | Джерело (дата доступу: 25 січня 2023 р.) |
Набір даних про лісові пожежі | https://www.data.go.kr/data/3062614/openapi.do |
Щільність населення в сітці | http://map.ngii.go.kr/ms/map/NlipMap.do?tabGb=total |
Набір метеорологічних даних(Корейське метрологічне агентство) (Корейський інститут лісових досліджень) (Агентство сільського розвитку) | https://data.kma.go.kr/data/grnd/selectAsosRltmList.do?pgmNo=36 https://know.nifos.go.kr/know/service/list/mtWeatherInfo.do http://weather. rda.go.kr/w/weather/observation.do |
Таблиця A1. продовження | |
Набір даних | Джерело (дата доступу: 25 січня 2023 р.) |
Карта ферми | http://data.nsdi.go.kr/dataset/20210707ds00001 |
MOD11A1 | https://developers.google.com/earth-engine/datasets/catalog/MODIS_061_ MOD11A1 |
MOD13A2 | https://developers.google.com/earth-engine/datasets/catalog/MODIS_061_ MOD13A2 |
Список літератури | Додаток Б Алгоритми FFMC описали, що r o , T , H і W відповідно вказують кількість опадів, температуру, відносну вологість і швидкість вітру. F o — значення FFMC за попередній день, а E d і E w відповідно вказують EMC для висихання та EMC для змочування. Рівняння, що починаються з символу, працюють лише для оптимізації, тоді як рівняння, що починаються з символу, не застосовуються до оптимізації. Параметри оптимізації w 1 , w 2 , w 3 і w 4були, відповідно, встановлені на 0,621, 0,338, 0,994 і 0,43 шляхом мінімізації помилки підгонки, і вони можуть не відповідати природному явищу; тому їх слід обережно застосовувати до інших наборів даних.m o = 47,2 ( 101 – F o ) / ( 59,5 + F o )r f = r o – 0,5, якщо r o > 0,5m r = m 0 + 42,5 r f ( e – 100/ ( 251 – m o ) ) ( 1 – e – 6,93 / r f ) , якщо m 0 < 150m r = m o + 42,5 r f e – 100/ ( 251 – mo ) 1 – e – 6,93/ rf + 0,0015 ( m o – 150 ) 2 r 0 f ,5 якщо m o > 150m o = m rE d = 0,942 H 0,679 + 11 e ( H – 100 ) /10 + 0,18 ( 21,1 – T ) ( 1 – e – 0,115 HE w = 0,618 H 0,753 + 10 e ( H – 100 ) /10 + 0,18 ( 21,1 – T ) ( 1 – e – 0,115 HE d = E d – ( w 1 Fr w 2 + w 3 )E w = E w + ( w 1 Fr w 2 + w 3 )k o = 0,424 h 1 – ( H /100 ) 1,7 i + 0,0694 W 0,5 h 1 – ( H /100 ) 8 ik d = k o * 0,581 e 0 ‘ 0365 Тk l = 0,424 h 1 – (( 100 – H ) /100 ) 1,7 i + 0,0694 W 0,5 h 1 – (( 100 – H ) /100 ) 8 ik w = k l * 0,581 e 0,0365 Тm = E d + ( m o – E d ) * 10 – kd якщо m o > E d ще ,m = E w + ( E w – m o ) * 10 – kw ifm o < E w else ,m = ( 1 – w 4 ) m o + w 4 E d + ( m o – E d ) * 10 – kd якщо m o > E d else ,m = ( 1 – w 4 ) m o + w 4 E w + ( E w – m o ) * 10 – kw , якщо m o < E w інше ,m = m o |
1. Сутанто, SJ; Вітоло, К.; Ді Наполі, К.; Д’Андреа, М.; Ван Ланен, Г. А. Хвилі спеки, посухи та пожежі: вивчення складних і каскадних небезпек посухи в загальноєвропейському масштабі. Навколишнє середовище. Міжн. 2020 , 134 , 105276. [CrossRef] [PubMed]
2. Кларк, Дж.С.; Роял, П.Д.; Чамблі, С. Роль вогню під час зміни клімату в східному листяному лісі в Devil’s Bathtub, Нью-Йорк. Екологія 1996 , 77 , 2148-2166. [CrossRef]
- 3. Рандерсон, Дж. Т.; Лю, Х.; Фланер, М.Г.; Чемберс, SD; Джин, Ю.; Гесс, П.Г.; Пфістер, Г.; Мак, MC; Треседер, К.К.; Велп, Л.Р.; та ін. Вплив бореальних лісових пожеж на потепління клімату. Наука 2006 , 314 , 1130-1132. [CrossRef]
- 4. Лім, CH; Кім Ю.С.; Вон, М.; Кім, SJ; Лі, В. К. Чи можуть супутникові дані замінити дані опитування для прогнозування просторової ймовірності лісової пожежі? Геостатистичний підхід до лісових пожеж у Республіці Корея. Геомат. Нац. Ризик небезпеки 2019 , 10 , 719-739. [CrossRef]
- 5. Мунанг, Р.; Тіав, І.; Алверсон, К.; Лю, Дж.; Хан, З. Роль екосистемних послуг в адаптації до зміни клімату та зниженні ризику катастроф. Curr. Опін. Навколишнє середовище. Сустейн. 2013 , 5 , 47-52. [CrossRef]
- 6. Варела, В.; Vlachogiannis, D.; Сфецьос, А.; Карозис, С.; Політи, Н.; Жиру, Ф. Прогноз небезпеки лісових пожеж через зміну клімату у Середземноморському регіоні Франції. Sustainability 2019 , 11 , 4284. [CrossRef]
- 7. Ядміко С.Д.; Murdiyarso, D.; Факіх, А. Прогноз зміни клімату для оцінки ризику земельних і лісових пожеж у Західному Калімантані. IOP Conf. Сер. Навколишнє середовище Землі. Sci. 2017 , 58 , 012030. [CrossRef]
- 8. Ван, SW; Кім, В.; Пісня, C.; Парк, Е.; Джо, HW; Кім, Дж.; Lee, WK Взаємозв’язки між водою, їжею, енергією та екосистемами в регіоні середніх широт у контексті цілей сталого розвитку. Навколишнє середовище. Ред. 2022 , прийнято. [CrossRef]
- 9. Пісня, C.; Pietsch, SA; Кім, М.; Ча, С.; Парк, Е.; Швиденко А.; Щепащенко Д.; Кракснер, Ф.; Lee, WK Оцінка лісових екосистем поперек вертикального краю екотону середніх широт за допомогою біогеохімічної моделі управління (BGC-MAN). Ліси 2019 , 10 , 523. [CrossRef]
- 10. Моріц, М.А.; Батлорі, Е.; Бредсток, РА; Гілл, AM; Хендмер, Дж.; Хессбург, П.Ф.; Леонард, Дж.; Маккефрі, С.; Одіон, округ Колумбія; Шеннагель, Т.; та ін. Вчимося співіснувати з лісовою пожежею. Nature 2014 , 515 , 58-66. [CrossRef] [PubMed]
- 11. Енгл, Нідерланди; де Бремонд, А.; Мелоун, Е.Л.; Мосс, Р. Х. На шляху до системи індикаторів стійкості для прийняття рішень щодо адаптації до зміни клімату. пом’якшити адаптуватися. Стратег. Глоб. Чанг. 2014 , 19 , 1295-1312. [CrossRef]
- 12. Лісова служба Кореї. Система прогнозування ризику лісових пожеж. Доступно онлайн: https://forest.go.kr/newkfsweb/html/HtmlPage.do? pg=/fgis/UI_KFS_5002_030203.html&orgId=fgis&mn=KFS_02_04_03_05_02 (дата доступу: 12 грудня 2022 р.).
- 13. Сунг, М.К.; Лім, GH; Чой, EH; Лі, YY; Вон, М.С.; Ку, К. С. Зміна клімату в Кореї та її зв’язок із виникненням лісових пожеж. Атмосфера 2010 , 20 , 27-35.
- 14. Вон, М.; Юн, С.; Джанг, К. Розробка моделі ймовірності корейської лісової пожежі, що відображає зміну клімату навесні 2000-х років. кореєць Дж. Агрік. для. Метеорол. 2016 , 18 , 199-207. [CrossRef]
- 15. Арора В.К.; Boer, GJ Вогонь як інтерактивний компонент динамічних моделей рослинності. J. Geophys. рез. Biogeosci. 2005 , 110 , G02008. [CrossRef]
- 16. Клостер, С.; Маховальд, Н.М.; Рандерсон, JT; Торнтон, П.Е.; Гофман, Ф.М.; Левіс, С.; Лоуренс, PJ; Феддема, Дж. Дж.; Олесон, KW; Лоуренс, Д. М. Динаміка пожеж протягом 20-го століття, змодельована за допомогою моделі місцевої землі. Biogeosciences 2010 , 7 , 1877-1902. [CrossRef]
- 17. Гевін, Д.Г.; Халлетт, ді-джей; Ху, FS; Лерцман К.П.; Прічард, SJ; Браун, К. Дж.; Лінч, Дж.А.; Бартлайн, П.; Петерсон, Д. Л. Лісова пожежа та зміна клімату в західній частині Північної Америки: інформація з осадових вугільних записів. Фронт. Ecol. Навколишнє середовище. 2007 , 5 , 499-506. [CrossRef]
- 18. Фернандес-Анес, Н.; Красовський А.; Мюллер, М.; Вачик, Г.; Baetens, J.; Гукіч, Є.; Капович Соломун, М.; Атанасова, І.; Глушкова М.; Богунович, І.; та ін. Сучасні моделі лісових пожеж і виклики в Європі: синтез національних перспектив. Повітря Грунт Вода Рез. 2021 , 14 , 11786221211028185. [CrossRef]
- 19. Цімдінс, Р.; Красовський А.; Кракснер, Ф. Регіональна мінливість і рушійні сили лісових пожеж у Швеції. Remote Sens. 2022 , 14 , 5826. [CrossRef]
- 20. Мільявакка, М.; Досьо, А.; Клостер, С.; Уорд, Д.С.; Камія, А.; Houborg, R.; Х’юстон Даррант, Т.; Хабаров Н.; Красовський А.А.; Сан Мігель-Аянз, Дж.; та ін. Моделювання спаленої території в Європі за допомогою моделі землі громади. J. Geophys. рез. Biogeosci. 2013 , 118 , 265-279. [CrossRef]
- 21. Хабаров Н.; Красовський А.; Оберштайнер, М.; Сварт, Р.; Досьо, А.; Сан-Мігель-Аянз, Дж.; Дюррант, Т.; Камія, А.; Мільявакка, М. Лісові пожежі та варіанти адаптації в Європі. реєстр. Навколишнє середовище. Чанг. 2016 , 16 , 21-30. [CrossRef]
- 22. Красовський А.; Хабаров Н.; Піркер, Дж.; Кракснер, Ф.; Йоваргана, П.; Щепащенко Д.; Оберштайнер, М. Моделювання спалених територій в Індонезії: підхід FLAM. Ліси 2018 , 9 , 437. [CrossRef]
- 23. Парк, Е.; Джо, HW; Лі, В. К.; Лі, С.; Пісня, C.; Лі, Х.; Парк, С.; Кім, В.; Кім, Т. Г. Розробка діагностичної моделі прогнозування посухи на основі спостереження Землі для калібрування регіональної помилки: приклад сільськогосподарської посухи в Киргизстані. GIsci. Remote Sens. 2022 , 59 , 36-53. [CrossRef]
- 24. Лісова служба Кореї. Щорічник статистики лісових пожеж ; Асоціація Разом з інвалідами: Сеул, Республіка Корея, 2022. Доступно в Інтернеті: https://www.forest.go.kr/kfsweb/cmm/fms/FileDown.do?atchFileId=FILE_000000020067170&fileSn=1& dwldHistYn=Y&bbsId=BBSMSTR_1008 ( доступ 25 січня 2023 р.).
- 25. Лі, Дж. Г.; In, SR. Чисельний експеримент із чутливістю шторму на схилі над регіоном Yeongdong по відношенню до інверсійного шару температури. Атмосфера 2009 , 19 , 331-344.
- 26. Гонг, М.; Пісня, C.; Кім, М.; Кім, Дж.; Лі, С.Г.; Лім, CH; Чо, К.; Син, Ю.; Лі, В. К. Застосування інтегрованої моделі динаміки росту корейських лісів для досягнення цілі NDC шляхом розгляду сценаріїв управління лісами та бюджету. Керування вуглецевим балансом 2022 , 17 , 1-18. [CrossRef] [PubMed]
- 27. Лі, SJ; Їм, JS; Син, Ю.М.; Син, Ю.; Кім, Р. Оцінка запасів вуглецю в лісах для звітності про національний кадастр парникових газів у Південній Кореї. Ліси 2018 , 9 , 625. [CrossRef]
- 28. Парк, Е. Оцінка варіантів лісонасадження з особливим наголосом на продуктивності лісів і накопиченні вуглецю в Північній Кореї. 2021. Доступно в Інтернеті: https://pure.iiasa.ac.at/id/eprint/17471/ (дата перегляду 25 січня 2023 р.).
- 29. Річардс, Ф. Дж. Гнучка функція зростання для емпіричного використання. J. Exp. Бот. 1959 , 10 , 290-301. [CrossRef]
- 30. Чень, Дж.; Йонссон, П.; Тамура, М.; Гу, З.; Мацушіта, Б.; Еклунд, Л. Простий метод реконструкції високоякісного набору часових рядів NDVI на основі фільтра Савіцького-Голея. Дистанційний датчик навколишнього середовища. 2004 , 91 , 332-344. [CrossRef]
- 31. Ван Вагнер, CE; Pickett, TL Equations and Fortran Program for Canadian Forest Fire Weather Index System System ; Служба лісового господарства Канади: Оттава, Онтаріо, Канада, 1985 р.; Том 33.
- 32. Красовський А.; Хабаров Н.; Мільявакка, М.; Кракснер, Ф.; Оберштайнер, М. Регіональні аспекти моделювання згорілих територій у Європі. Міжн. J. Wildland Fire 2016 , 25 , 811-818. [CrossRef]
- 33. Бержерон Ю.; Фланіган, М.; Готьє, С.; Ледук, А.; Лефорт, П. Минула, поточна та майбутня частота пожеж у бореальних лісах Канади: наслідки для сталого управління лісами. АМБІО Дж. Хум. Навколишнє середовище. 2004 , 33 , 356-360. [CrossRef] [PubMed]
- 34. Кім, SJ; Лім, CH; Кім, Г.С.; Лі, Дж.; Гейгер, Т.; Рахматі, О.; Син, Ю.; Lee, WK Багаточасовий аналіз ймовірності лісової пожежі з використанням соціально-економічних і екологічних змінних. Remote Sens. 2019 , 11 , 86. [CrossRef]
- 35. Ганто, А.; Камія, А.; Джаппіот, М.; Сан-Мігель-Аянз, Дж.; Лонг-Фурнель, М.; Lampin, C. Огляд основних рушійних факторів спалаху лісових пожеж у Європі. Навколишнє середовище. кер. 2013 , 51 , 651-662. [CrossRef] [PubMed]
- 36. Кім, Дж. Х.; Lee, HJ Дослідження випадків системи пріоритетних сигналів світлофора для транспортних засобів екстрених служб: на основі випадків пілотної експлуатації міста в провінції Чхунчхонбукдо. Пожежна наука інж. 2020 , 34 , 121-126. [CrossRef]
- 37. Scandella, F. Firefighters: Feeling the Heat ; Європейський інститут профспілок: Брюссель, Бельгія, 2012.
- 38. Лоусон, Б. Д.; Армітаж, О.Б. Метеорологічний посібник для канадської системи оцінки небезпеки лісових пожеж ; Лісова служба Канади: Едмонтон, Альберта, Канада, 2008.
- 39. Ван, PX; Li, XW; Гонг, JY; Song, C. Індекс температурного стану рослинності та його застосування для моніторингу посухи. У матеріалах IGARSS 2001. Сканування сьогодення та вирішення майбутнього. Праці. IEEE 2001 Міжнародний симпозіум з геонауки та дистанційного зондування, Сідней, Новий Південний Уельс, Австралія, 9-13 липня 2001 р.; Том 1, С. 141-143.
- 40. Патель, Н.Р.; Мукунд, А.; Parida, BR Отриманий із супутника індекс температурного стану рослинності для визначення вологості ґрунту кореневої зони в напівпосушливій провінції Раджастан, Індія. Geocarto Int. 2022 , 37 , 179-195. [CrossRef]
- 41. Sun, H. Двоступенева трапеція: нова інтерпретація температури поверхні суші та часткового простору покриття рослинністю. IEEE J. Sel. Топ. апл. Обзор Землі Remote Sens. 2015 , 9 , 336-346. [CrossRef]
- 42. Лі, С.Й.; An, SH; Вон, М.С.; Лі, М.Б.; Лім, Т.Г.; Shin, YC Класифікація регіонів ризику виникнення лісових пожеж за допомогою ГІС. J. Korean Assoc. Геогр. Інф. Дослідження 2004 , 7 , 37-46.
- 43. Гілліс, RR; Кустас, В.П.; Хьюмс, К. С. Перевірка методу «трикутника» для отримання вмісту води на поверхні ґрунту та потоків енергії за допомогою дистанційних вимірювань нормалізованого індексу різниці рослинності (NDVI) і поверхні e. Міжн. J. Remote Sens. 1997 , 18 , 3145-3166. [CrossRef]
- 44. Лісова служба Кореї. 6-й Базовий лісовий план (2018~2037) ; Корейська лісова служба: Теджон, Республіка Корея, 2018; стор. 151.
- 45. Тернер, М.Г.; Гарднер, Р. Х. Вступ до ландшафтної екології та масштабу. У ландшафтній екології в теорії та практиці: закономірності та процеси ; Springer: Нью-Йорк, Нью-Йорк, США, 2015; С. 1-32.
- 46. P e rez-Corona, ME; P e rez-Hern a ndez, MDC; Медіна-Віллар, С.; Андівія, Е.; Берм у дез де Кастро, Ф. Видовий склад крони визначає сезонні характеристики ґрунту в середземноморському прибережному лісі. Євро. Ж. Для. рез. 2021 , 140 , 1081-1093. [CrossRef]
- 47. Рагозар, М.; Шах, Н.; Росс, М. Оцінка евапотранспірації та компонентів водного балансу за допомогою одночасного моніторингу вологості ґрунту та рівня грунтових вод. Міжн. Sch. рез. Повідомлення 2012 , 2012 , 726806. [CrossRef]
- 48. Ян В.; Ван, Ю.; Він, Ч.; Тан, X.; Хан, З. Вміст води в ґрунті та динаміка температури в умовах деградації пасовищ: безперервне багатоглибинне вимірювання сільськогосподарського пасовищного екотону в північно-західному Китаї. Sustainability 2019 , 11 , 4188. [CrossRef]
Відмова від відповідальності/Примітка видавця: Твердження, думки та дані, що містяться в усіх публікаціях, належать виключно окремим авторам(ам) і співавторам(ам), а не MDPI та/або редакторам(ам). MDPI та/або редактор(и) відмовляються від відповідальності за будь-яку шкоду людям або майну, спричинену будь-якими ідеями, методами, інструкціями чи продуктами, згаданими у вмісті.
Як частина міжнародних зусиль щодо нульових чистих викидів, збереження лісів — ключових глобальних поглиначів вуглецю — як ніколи важливо. Однак ризик лісових пожеж зріс через теплові хвилі, спричинені зміною клімату [1] , і ці лісові пожежі створюють порочне коло прискорення зміни клімату через спалювання біомаси та, як наслідок, викид величезної кількості вуглецю [2] . ,3] . Окрім викидів вуглецю, лісові пожежі суттєво впливають на загальні функції та процеси лісової екосистеми, яка відіграє вирішальну роль у адаптації до зміни клімату [ 4,5] .
Таким чином, перспективи лісових пожеж з огляду на зміну клімату стали глобальним джерелом інтересу. Були проведені різноманітні дослідження, щоб спрогнозувати виникнення





















