Моделювання виникнення лісових пожеж на південному заході Туреччини за допомогою техніки машинного навчання MaxEnt

Меріх Гьолтас  (1) , Хаміт Айберк  (1) , Омер Кюкюк  (2)

iForest – Biogeosciences and Forestry, том 17 , випуск 1 , сторінки 10-18 (2024)
doi: https://doi.org/10.3832/ifor4321-016
Опубліковано: 2 лютого 2024 р. – Авторське право © 2024 SISEF

Вступ 

Останніми роками лісові пожежі зросли на глобальному та регіональному рівнях ( [9] , [11] ). Глобальна річна площа горіння становить близько 420 мільйонів гектарів ( [28] , [30] ). У Туреччині середня річна випалена площа (з 1988 по 2020 рік) становила 10 806 га, тоді як у 2021 році вона становила 139 503 га, тобто в 13 разів більше середньорічного показника ( [27] ). У зв’язку зі зміною клімату та збільшенням антропогенного тиску лісові пожежі, за оцінками, зростуть у майбутньому ( [9] , [11] ). Розуміння рушійних сил загоряння та оцінка місць, де ймовірно можуть виникнути пожежі, є критичними факторами в розробці ефективніших планів пом’якшення ініціювання лісових пожеж і визначення зон ризику ( [37] ).

Лісові пожежі запалюють люди або природні причини. Пожежі не виникають випадково, незалежно від того, спричинені вони людьми чи природними процесами, а залежать від постійних і змінних факторів навколишнього середовища ( тобто складу палива, рельєфу, погодних умов і діяльності людини) ( [43] , [44] , [ 37] , [47] ). Оцінка виникнення пожежі вимагає комплексного часового та просторового аналізу ( [31] , [44] , [8] , [46] , [32] ).

Моделі виникнення лісових пожеж були розроблені в різних регіонах світу, що характеризуються різними паливними та кліматичними умовами ( [43] , [44] , [37] , [47] , [7] , [5] ). Моделі виникнення пожеж розробляються на основі поточних і минулих записів про пожежі, щоб надати інформацію, яка допоможе в підготовці та плануванні майбутніх сезонів пожеж. Отже, важливість моделювання та картографування випадків пожежі очевидна.

Різноманітні математичні моделі, такі як моделі регресії ( [12] , [40] ) і моделі штучних нейронних мереж ( [45] , [34] , [33] ), використовуються для визначення впливу факторів навколишнього середовища при моделюванні лісових пожеж . Однак ці моделі мають свої обмеження щодо застосування. Регресійні моделі повинні відповідати таким статистичним припущенням, як нормальність, однорідність і незалежність. Порушення цих припущень може призвести до серйозних проблем в оцінці параметрів регресії, і, отже, прогнози статистичної та біологічної поведінки можуть показати невідповідності в дослідженнях пожеж ( [53] ). У цьому типі статистичних проблем можна використовувати авторегресійні моделі зі змішаними ефектами, хоча ці моделі вимагають глибоких теоретичних знань ( [50] ). З іншого боку, у випадку невеликої кількості спостережень регресійні моделі можуть мати тенденцію давати великі оцінки та негативні значення для біологічних зв’язків ( [24] , [48] ). Моделі нейронних мереж можуть бути перепідготовлені до даних, і це може призвести до найвищого рівня оманливого успіху для навчання ( [35] , [36] ). Дійсно, неправильні висновки можуть бути отримані, якщо модель підігнана до набору даних перевірки не помічена. Хоча класичні підходи до моделювання можуть бути корисними для невеликих наборів даних, їх недостатньо для великих наборів даних. У цих випадках потрібні нові та нові методи моделювання, такі як машинне навчання.

Максимальна ентропія (MaxEnt) — це алгоритм машинного навчання для моделювання розподілу ймовірностей видів на основі відомих точок появи шляхом порівняння незалежних змінних, пов’язаних із точками вхідних координат ( [19] ). Принцип MaxEnt базується на теорії, згідно з якою розподіл ймовірностей, який найкраще відображає поточну ситуацію інформації про систему, має найбільшу ентропію ( [42] ). MaxEnt може регулювати дуже складні функції відповіді шляхом злиття різних форм функцій (лінійних, добуткових, квадратичних, порогових і шарнірних) і робити точні прогнози з обмежених наборів даних ( [39] ). MaxEnt може адаптувати нерівні та різко переривчасті реакції, які неможливо змоделювати навіть у найбільш гнучких моделях регресії ( [13] ).

Модель MaxEnt часто використовується для прогнозування географічного розподілу на основі спостережень присутності видів за допомогою пояснювальних змінних середовища. Моделювання розподілу видів концептуально та методологічно подібне до моделювання виникнення пожеж ( [37] , [13] ). Модель MaxEnt може використовувати дані про виникнення пожеж ( [6] ), на додаток до параметрів навколишнього середовища, таких як температура та опади, щоб передбачити потенційне поширення видів або пожежі. Було проведено небагато досліджень для моделювання виникнення пожежі відповідно до даних про виникнення пожежі та змінних навколишнього середовища ( [41] , [13] , [10] , [16] , [1] , [6] ). Дікі ( [16] ) досліджував просторовий зв’язок між людською діяльністю та спричиненими людиною лісовими пожежами в національному лісі Вілламетт в Орегоні, США, а також те, чи була ця діяльність причиною багатьох пожеж. Акюз ( [1] ) розробив модель оцінки ймовірності пожежі, використовуючи лише біокліматичні дані та місця лісових пожеж з 2013 по 2017 рік у дослідженні, проведеному в Бурсі, на північному заході Туреччини. Бекар та ін. ( [6] ) використовували підхід MaxEnt для моделювання виникнення пожеж у Середземноморському басейні (в Туреччині та Іспанії) та Альпах з використанням біокліматичних змінних, антропогенних факторів, щільності доріг і типу лісу в двох просторових роздільних здатностях.

Важливість моделювання та картографування виникнення пожеж є очевидною; це може допомогти у запобіганні пожежам, плануванні зусиль з гасіння пожежі, швидкому прийнятті рішень і впровадженні надзвичайних заходів. Виникнення пожеж зазвичай оцінюється шляхом оцінки певних даних без дослідження минулих пожеж і зважування цих даних відповідно до експертної думки ( [49] ). У цьому дослідженні ми прагнемо заповнити цю прогалину в літературі та спробувати оцінити ймовірність пожежі, використовуючи набори даних про минулі пожежі, а також змінні навколишнього середовища (властивості палива, метеорологічні параметри, топографічні фактори), на відміну від інших досліджень. Дійсно, існує потреба в нових підходах, які враховують невизначеність і встановлюють зв’язки між різноманітними довгостроковими впливами факторів.

Методи машинного навчання виявилися корисними для досягнення вищезазначених цілей. У цьому дослідженні ми використовували машинне навчання, яке є одним із методів штучного інтелекту, який став все більш популярним в останні роки та почав використовуватися в різних дисциплінах. Техніка машинного навчання MaxEnt була обрана в цьому дослідженні з трьох ключових причин. По-перше, ми використовували просторові та часові ( тобто місячні) оцінки, оскільки ймовірність пожежі змінюється зі зміною метеорологічних факторів. По-друге, деякі змінні важко включити безпосередньо в моделі, такі як час і звички відпусток ( наприклад , щорічно повторювана поведінка, як-от використання вогню для приготування барбекю під час національних або релігійних свят) і традиційні сільськогосподарські практики ( наприклад , спалювання стерні в осінь), які, як відомо, збільшуються в певну пору року. По-третє, очевидно, що змінні, які впливають на ймовірність пожежі, можуть відрізнятися протягом року через вищезазначені причини. Тому ми вважали за краще оцінювати кількість пожеж щомісячно.

Завданнями цього дослідження є: (i) визначити чинники поширення лісових пожеж; (ii) змоделювати та відобразити місячну кількість пожеж за допомогою техніки машинного навчання MaxEnt; та (iii) порівняти місячну ймовірність пожежі на південному заході Туреччини. Результати цього дослідження можуть бути використані для моделювання пожежного потенціалу, планування та впровадження заходів із запобігання лісовим пожежам. Крім того, модель може бути легко застосована в різних регіонах світу після адаптації до місцевих умов навколишнього середовища.

Матеріали та методи 

Навчальна зона

Дослідження проводилося в Регіональній дирекції лісового господарства Мугли (RDF), яка займає площу 2 051 212 га на південному заході Туреччини ( рис. 1 ). П’ятдесят шість відсотків (1 158 925 га) території RDF Мугла вкрито лісами. Рослинність складається з сосни калабрійської ( Pinus brutia Ten.), сосни чорної анатолійської ( Pinus nigra Arnold), кедра ( Cedrus libani A. Rich.), сосни кам’яної ( Pinus pinea L.), дубів ( Quercus spp.) , турецького дерева солодкої камеді (Liquidambar orientalis Mill.) і евкаліпта ( Eucalyptus camaldulensis Dehn.), а також кілька кущів маквісу, які утворюють щільний мертвий і живий покрив, що збільшує ймовірність пожежі та потенційну небезпеку ( [26] ). Шістдесят сім відсотків лісів на досліджуваній території розташовані нижче 500 м над рівнем моря. Людська діяльність активна в цих лісах і поблизу них, оскільки регіон включає кілька найпопулярніших туристичних визначних пам’яток Туреччини, численні видобувні ділянки та вітряні турбіни, кількість яких дедалі зростає. Збільшення людської діяльності збільшило ризик антропогенних лісових пожеж. У 2019, 2020 та 2021 роках Туреччина зіткнулася з найбільшими лісовими пожежами у своїй історії. У 2021 році на досліджуваній території спалахнуло 369 пожеж, а ліси площею 52 219 га були пошкоджені вогнем ( [ 27] ).

Рис. 1 – Карта досліджуваної території та місця пожеж, що виникли з 2008 по 2018 роки.

 Збільшити/Зменшити  Завантажити  Відкрити в програмі перегляду

Територія дослідження розташована в середземноморській кліматичній зоні ( рис. 1 ) і має високі температури повітря та сильні посухи влітку. Ця ситуація впливає на виникнення мегалісових пожеж, які вражають значні території влітку ( тобто пожежонебезпечний сезон), і на розмір шкоди лісовим масивам. Мугла RDF має не тільки найбільшу кількість пожеж, але й другий за кількістю пошкоджень регіон у Туреччині.

Модель максимальної ентропії (MaxEnt).

У цьому дослідженні MaxEnt v. 3.4.1 використовувався для моделювання просторового розподілу виникнення пожеж у південно-західній Туреччині. Два типи даних необхідні як вхідні дані програмного забезпечення: (i) координати точок виникнення пожежі; та (ii) карти змінних навколишнього середовища. Крім того, потрібні деякі калібрування моделі, такі як відсоток випадкового тестування, множник регулярізації, кількість повторень, тип повторюваного циклу та вихідний формат (див. нижче в розділі «Моделювання та ефективність моделі»).

Процес моделювання складається з 4 частин ( рис. 2 ): збір даних, підготовка даних, моделювання та перевірка, вихід і оцінка, які описані нижче.

Рис. 2 – Блок-схема процесу моделювання.

 Збільшити/Зменшити  Завантажити  Відкрити в програмі перегляду

Змінні та збір даних

Дані про лісові пожежі

Дані були отримані для 2743 осередків лісових пожеж протягом пожежонебезпечних сезонів з 2008 по 2018 рік у RDF Мугла. Місця лісових пожеж змінювалися щомісяця та використовувалися як дані про виникнення (залежна змінна) у моделюванні. Для підтвердження розробленої моделі ми також використали дані про місце пожежі з 2019 по 2020 рік, які були визначені польовими спостереженнями. Прогнози моделі також порівнювали з цими місцями пожежі.

Породний склад дерев

Різні породи дерев мають різний ступінь сприйнятливості до вогню. Відомо, що особливо калабрійська сосна, анатолійська чорна сосна та деякі види маквісу мають високу ймовірність пожежі та потенціал горіння в лісах Туреччини ( [2] ). Таким чином, карту породного складу дерев (типу палива) з бази даних управління лісами Мугла RDF було доповнено польовими спостереженнями на території дослідження. Карти видового складу потім були перетворені з векторного формату на растровий у ArcGIS ® v. 10.5 ( [20] ).

Аспект

Аспект є одним із постійних факторів, що впливають на займання. У північній півкулі південні аспекти більше піддаються впливу вищих температур, сильніших вітрів і нижчої вологості повітря, ніж північні аспекти. З цих причин вміст вологи в паливі зменшується в південних аспектах, завдяки чому паливо легше запалюється. Аспектні карти були створені з цифрової моделі рельєфу (DEM) в ArcGIS ® і безпосередньо перевірені за допомогою польових спостережень на території дослідження.

Максимальна температура

Висока температура призводить до висихання палива. Крім того, у міру підвищення температури паливу потрібно менше тепла, щоб досягти температури займання. Найвища температура і найнижча відносна вологість спостерігаються опівдні, тому в цей час пожежонебезпека найвища. Тому ми використовували максимальну температуру замість середньої температури як незалежну змінну. Ми отримали місячні максимальні температури з роздільною здатністю 1 км для досліджуваного періоду з набору даних відкритого доступу CRU-TS 4.06 ( [29] ), зменшеного за допомогою WorldClim 2.1 ( [23] ), який є у вільному доступі за адресою ⇒ https:// www.worldclim.org/data/monthlywth.html , і використовувався для створення карт місячних максимальних температур у досліджуваній області.

Опади

Опади підвищують вологість палива і тим самим знижують ймовірність пожежі. Ми отримали місячні дані про кількість опадів із набору даних CRU-TS 4.06 ( [29] ). Дані про кількість опадів були отримані для місць лісових пожеж, а карти місячної кількості опадів у досліджуваній області були підготовлені за допомогою ArcGIS ® .

Сонячна радіація

Зі збільшенням сонячної радіації збільшується й ймовірність пожежі. Щомісячні дані про сонячне випромінювання для досліджуваної території були отримані з набору даних CRU-TS 4.06 ( [29] ) та імпортовані в ArcGIS ® .

Діяльність людини

Ранні спроби змоделювати виникнення антропогенних пожеж базувалися на непрямих оцінках людської діяльності за допомогою демографічних показників або даних про доступність лісів ( [17] ). Пізніші спроби досліджували просторові чисті фактори, такі як відстань від доріг, відстань від сільськогосподарських територій або відстань від населених пунктів у своїх оцінках ( [25] , [46] , [47] ).

Згідно зі статистикою лісових пожеж з 1988 по 2021 рік, 90% пожеж у Туреччині були спричинені антропогенними факторами ( [27] ). Щоб відобразити вплив людської діяльності на спричинення займання, ми створили буферну зону на основі відстані лісових масивів від доріг, сільськогосподарських угідь та населених пунктів. Буферні зони були класифіковані на 5 груп відповідно до відстані від лісу: екстремальна (<100 м), висока (101-200 м), середня (201-300 м), низька (301-400 м), дуже низька (> 400 м).

Підготовка даних

Ми підготували CSV-файл із місячними значеннями координат із попередніх записів про пожежі за 2008–2018 роки протягом пожежонебезпечного сезону. Базові карти змінних навколишнього середовища, які будуть використовуватися як незалежні змінні, були підготовлені у форматі ASCII з такою ж роздільною здатністю (1 × 1 км) і в тій самій системі координат (WGS 84).

Моделювання та виконання моделі

Ми вибрали початковий метод вибірки для нашого моделювання, перевага якого полягає в тому, що він автоматично дозволяє емпіричну оцінку функції розподілу шляхом повторної вибірки спостережуваних даних, таким чином на найкращу обрану модель не впливає автокореляція ( [ 3] ). Для формату виводу моделі ми використовували формат логістики, який оцінює ймовірність присутності в усіх зонах з характерними умовами для пожежі ( [19] ).

Модель MaxEnt було підігнано до нашого набору даних із використанням 75% контрольних точок для навчання та 25% для перевірки. Прогон моделі повторювався 20 разів, а множник регуляризації був прийнятий за «1». Множник регуляризації визначає, наскільки реалістичним є прогнозований розподіл.

Щоб оцінити точність прогнозів моделі, ми використовували площу під кривою робочої характеристики прийому (ROC) або площу під кривою (AUC – [19] ). AUC вказує на істинно позитивну частоту порівняно з хибнопозитивною частотою, таким чином забезпечуючи міру точності прогнозування моделі та інструмент для порівняння моделей. Точність прогнозування моделі може бути вказана на основі AUC як ( [51] ): відмінна (0,9-1,0), дуже добра (0,8-0,9), добра (0,7-0,8), середня (0,6-0,7) або погана (<0,6) ).

Ми використовували нативну метрику та тест Jackknife, щоб визначити важливість змінної в моделях виникнення пожежі. По-перше, значення змінної було визначено за допомогою нативної метрики, яка є регуляризованим приростом навчання ( [37] ). Крім того, тест Jackknife використовувався для вимірювання змінної важливості на основі зміни AUC з використанням даних тестування ( [19] ). Різниця в AUC, отримана за допомогою повної моделі (включаючи всі змінні) і часткової моделі (без змінної), вказує на внесок кожної змінної в модель ( [37] ), таким чином оцінюючи відносний вплив кожної вхідної змінної на загальна продуктивність моделі ( [19] ).

Вихід і оцінка

Ми генерували карти прогнозування ймовірності пожежі для кожної моделі (щомісяця) у форматі ASCII за допомогою програмного забезпечення MaxEnt. Потім ці карти були перетворені в растровий формат і перекласифіковані на 5 категорій (FPC) на основі ймовірності виникнення пожежі таким чином: (i) дуже низька: P(пожежа) < 0,2; (ii) низький: P(пожежа) = 0,2 до < 0,3; (iii) помірний: P(пожежа) = 0,3 до < 0,5; (iv) високий: P(пожежа) = 0,5 до < 0,7; та (v) надзвичайно високий: P(пожежа) ≥ 0,7 ( [14] ). Для оцінки моделі ми порівняли місця пожеж з 2019 по 2020 роки з тими, що на перекласифікованих картах ймовірності пожежі, а потім порівняли фактичну кількість пожеж у кожній категорії зі значеннями ймовірності пожежі.

 Результати 

Моделювання та картографування лісових пожеж

У цьому дослідженні ми змоделювали щомісячну кількість лісових пожеж протягом пожежонебезпечного сезону, використовуючи минулі місця пожеж з 2008 по 2018 роки як залежні змінні та змінні навколишнього середовища ( наприклад , клімат, рельєф, тип палива, діяльність людини) як незалежні вхідні змінні. Крім того, ми склали місячну ймовірність пожежі за допомогою програмного забезпечення MaxEnt.

Як і очікувалося, райони з високою середньомісячною максимальною температурою більш схильні до пожеж. Крім того, місця, розташовані поблизу дороги та сільськогосподарських угідь з точки зору діяльності людини, та території, вкриті Pinus brutia , маквісом та сосновими насадженнями з точки зору видового складу, були більш схильні до пожеж.

На місячній карті ймовірності лісових пожеж теплі кольори (червоні) тони вказують на високу ймовірність пожежі, тоді як холодні кольори (сині) тони вказують на низьку ймовірність пожежі ( рис. 3 ). Прогнози ймовірності пожежі на картах базувалися на ймовірності виникнення (P(пожежа)-значення), як описано раніше. Категорії пожежоімовірності (КВВ) на території дослідження наведені в табл. 1 . Результати моделі показали, що ймовірність пожежі змінювалася щомісяця. Імовірність пожежі була високою або надзвичайною у травні, червні, липні та серпні та дещо нижчою у вересні та жовтні ( табл. 1 ).

Рис. 3 – Карти ймовірності лісових пожеж та пожеж з 2019 по 2020 роки.

 Збільшити/Зменшити  Завантажити  Відкрити в програмі перегляду

вкладка 1 – Категорії пожежоімовірності (КПП) лісових масивів. P(fire): ймовірність пожежі; (дуже низький): P (пожежа) < 0,2; (Низький): 0,2 ≤ P (пожежа) < 0,3; (Середній): 0,3 ≤ P (пожежа) < 0,5; (Високий): 0,5 ≤ P (пожежа) < 0,7; (Екстремальний): P (пожежа) ≥ 0,7

місяцьFPCЗагальна площа лісівмісяцьFPCЗагальна площа лісів
га%га%
МожеДуже низький108447,19.4серпеньДуже низький125580,610.8
Низький141812,412.2Низький158828,313.7
Середній21630618.7Середній215874,718.6
Високий508517,143.9Високий320989,227.7
Екстрім183803,315.9Екстрім33761329.1
червеньДуже низький145262,612.5ВересеньДуже низький43696437.7
Низький126992,111Низький163925,214.1
Середній217913,518.8Середній197290,517
Високий540706,246.7Високий242182,720.9
Екстрім128011,411Екстрім118523,310.2
липеньДуже низький23524,32жовтеньДуже низький660405,757
Низький29483,82.5Низький108133,49.3
Середній308482,126.6Середній97116,188.4
Високий532119,845.9Високий186390,916.1
Екстрім265275,822.9Екстрім106839,69.2

 Збільшити/Зменшити  Відкрити в програмі перегляду

Внесок змінних у модель MaxEnt

вкладка 2 показані оцінки відносних внесків змінних середовища в місячну модель MaxEnt. Згідно з результатами, внесок опадів у модель був обмеженим, тоді як максимальна температура та відстань від сільськогосподарських угідь були змінними, які внесли найбільший внесок у модель ( табл. 2 ). Однак опади були змінною, яка внесла найбільший внесок у модель у жовтні ( табл. 2 ).

вкладка 2 – Внесок змінних (VC, %) у модель MaxEnt та їх важливість перестановки (PI) за кожен місяць (M). (СК): видовий склад; (MaxTemp): максимальна температура; (Srad): сонячна радіація; (Prec): опади; (DFR): відстань від дороги; (DFA): відстань від сільськогосподарських угідь; (DFS): відстань від населеного пункту.

МзміннаVCПІ
травня (05)SC34.417.2
MaxTemp_0515.114.7
DFR14.114.8
Prec_058.123.4
Аспект7.96.3
ДФС7.67.8
DFA6.84.3
Srad_056.111.4
Червень (06)SC21.98.5
MaxTemp_0619.726.5
DFA18.38.0
DFR10.315.4
Prec_068.717.8
Srad_067.86.6
ДФС7.49.4
Аспект5.97.8
Липень (07)Максимальна температура _0722.415.3
Srad_0720.922.4
SC19.58.7
Аспект11.312.9
DFA8.811.1
DFR6.710.4
ДФС5.79.4
Prec_074.79.9
Серпень (08)DFA31.819.2
Максимальна температура _0823.421.6
SC11.39.8
DFR10.713.8
Prec_087.017.1
Srad_086.55.7
Аспект5.25.9
ДФС4.17.0
Вересень (09)Максимальна температура _0938.347.3
Srad_0932,039.5
ДФС10,01.2
Аспект5.83.6
ДФС3.81.1
DFR3.62.2
SC3.50,7
Prec_093.14.4
жовтень (10)Prec_1065.246.9
Максимальна температура _1011.018.8
Srad_109.825.4
DFR4.04.2
SC3.00,5
Аспект2.71.2
DFA2.31.3
ДФС2.01.8

 Збільшити/Зменшити  Відкрити в програмі перегляду

Продуктивність моделі MaxEnt

Ми використовували AUC для оцінки точності прогнозу моделі. Результати моделей виникнення пожежі показали, що значення AUC змінювалися між 0,71 і 0,87 залежно від місяців протягом пожежонебезпечного сезону, а середнє значення AUC становило 0,79 ( рис. 3 ). Іншими словами, хоча показники моделі відрізнялися протягом пожежонебезпечного сезону, вони були високими або дуже високими. Ці результати були цілком задовільними з точки зору надійності моделі.

Ми також використовували тест Jackknife, щоб визначити важливість змінних і оцінити моделі. Хоча MaxEnt надає відсотковий внесок кожної змінної в загальну модель, тест Jackknife надає інформацію про ефективність кожної змінної в моделі з точки зору важливості кожної змінної як для пояснення розподілу видів, так і для надання унікальної інформації ( [4] ) . . Результати тесту Jackknife показують, що змінними навколишнього середовища з найбільшим приростом при окремому використанні були видовий склад у травні та червні, максимальна температура у липні та вересні, відстань від сільськогосподарських угідь у серпні та кількість опадів у жовтні. Крім того, змінною навколишнього середовища, яка в основному зменшує приріст, якщо її опустити, були опади в травні та жовтні, відстань від дороги в червні та серпні, максимальна температура в липні та вересні ( рис. 4 ).

Рис. 4 – Результати тесту Jackknife для оцінки відносної важливості змінних середовища.

 Збільшити/Зменшити  Завантажити  Відкрити в програмі перегляду

Крім того, ми порівняли розрахункові місячні карти ймовірності пожеж з даними про пожежі за пожежонебезпечні сезони 2019 та 2020 років, щоб перевірити точність моделі ( табл. 3 ). Сімдесят п’ять відсотків травневих пожеж, 80% червневих пожеж, 78% липневих пожеж, 84% серпневих пожеж, 57% вересневих пожеж і 55% жовтневих пожеж виникли на територіях з високою або надзвичайною пожежоімовірністю ( табл. 3 ). Класи ймовірності пожежі, передбачені моделлю, і місця минулих пожеж, що спостерігалися, значно збігалися.

вкладка 3 – Порівняння місць пожеж у 2019 та 2020 роках з місцями пожеж на картах розрахункової місячної ймовірності лісових пожеж.

Ймовірність лісової пожежіКількість лісових пожеж (%)
РівеньДіапазонМожечервеньлипсерпвержовт
Дуже низькийP (пожежа) < 0,251910
Низький0,2 ≤ P(пожежа) < 0,33721516
Середній0,3 ≤ P(пожежа) < 0,5251710122020
Високий0,5 ≤ P(пожежа) < 0,7436048263226
ЕкстрімP(пожежа) ≥ 0,7322030582529

 Збільшити/Зменшити  Відкрити в програмі перегляду

 Обговорення 

Підхід MaxEnt широко використовувався в просторовому моделюванні в останні роки, і його ефективна здатність передбачати невідомі розподіли на основі відомої інформації була доведена дослідженнями на різні теми ( [42] , [21] , [6] , [ 52] ). Підхід MaxEnt задовольняє всі обмеження просторових факторів і підвищує ефективність пошуку наближеного розподілу з максимальною ентропією завдяки алгоритмам машинного навчання ( [52] ). Моделі MaxEnt прості та точні, тому їх легко використовувати та зрозуміти, і їх можна застосовувати до широкого діапазону даних ( [19] ).

Ми використовували підхід MaxEnt для моделювання та прогнозування ймовірності лісових пожеж у різні місяці, використовуючи зв’язок між пожежами з 2008 по 2018 роки з їх місцем розташування та факторами навколишнього середовища ( тобто топографією, типом палива, кліматичними параметрами та діяльністю людини). Ми вирішили оцінювати кількість пожеж на місячній основі, а не на річній. Подібно до деяких попередніх досліджень ( [38] , [22] ), наші результати демонструють, що застосований метод є корисним інструментом для прогнозування пожеж на основі зв’язку між минулими пожежами та місячними параметрами клімату.

Значення AUC наших моделей вказують на високу або дуже високу точність прогнозування ( рис. 5 ). Порівняно з попередніми дослідженнями ( [13] , [16] ) точність прогнозу була дуже подібною. Однак точність прогнозу, про яку повідомив Akyüz ( [1] ), була нижчою, ніж наша. Причиною цього може бути те, що в той час як Akyüz ( [1] ) використовував лише кліматичні змінні, ми також враховували додаткові фактори в моделі, такі як рельєф, паливо та діяльність людини.

Рис. 5 – Місячні значення AUC як показники ефективності моделі.

 Збільшити/Зменшити  Завантажити  Відкрити в програмі перегляду

Як місцеві результати, так і результати Jackknife продемонстрували, що хоча внесок опадів у пояснення лісових пожеж обмежений (за винятком жовтня), внески максимальної температури, складу деревних порід і відстані від людської діяльності ( тобто відстань від доріг, поселень і сільськогосподарських районів) були явно високими, особливо в сухі місяці (місячна кількість опадів < 25 мм) з травня по вересень ( табл. 2 , рис. 4 ). Згідно з тестом Jackknife, змінними, які зменшували приріст більше, якщо виключати їх, були відстань від доріг, максимальна температура та опади. Іншими словами, ці змінні надають моделі унікальну інформацію, яка не надається жодною іншою змінною ( рис. 4 ). Подібно до попередніх досліджень ( [37] , [15] ), наші результати підтвердили, що лісові пожежі спричинені діяльністю людини та сприяють паливним і кліматичним умовам.

Для польової перевірки моделей ми використали історичні місця пожеж пожежних сезонів 2019-2020 років і порівняли їх із картою ймовірності пожеж. Обґрунтування вибору аномального пожежонебезпечного сезону 2019-2020 років для перевірки моделі полягає в тому, щоб перевірити модель у гіршому сценарії. Згідно з прогнозами нашої моделі, пожежі відбувалися переважно в лісових масивах, де ймовірність загоряння висока та екстремальна.

Ми щомісяця детально аналізували результати цього дослідження, виявивши, що найважливіші прогнозні змінні можуть бути різними для кожного місяця. Змінні породного складу дерев, максимальної температури та відстані від дороги пояснюють 63,6% лісових пожеж у травні. З початком туризму в регіоні в травні щільність доріг спричиняє пожежі, спричинені людиною, а також паливо та кліматичні умови. Тим часом породний склад дерев, максимальна температура, відстань від сільськогосподарських угідь і доріг пояснюють 70,2% лісових пожеж у червні. Активність людини вища в сільськогосподарських районах у червні через збирання врожаю (пшениця, ячмінь), тому відстань від сільськогосподарської території була однією з важливих змінних на додаток до травневих змінних. Оскільки серпень є часом спалювання стерні для підготовки до посіву, найважливішим визначальним фактором у нашій моделі була відстань від сільськогосподарської території. Оскільки опади впливають на вміст вологи в паливі та, як наслідок, на спалахування вогню, одна змінна кількості опадів пояснила 65,2% пожеж у жовтні, на початку сезону дощів, коли середня кількість опадів становить 75 мм ( [7] ) . У подібних дослідженнях також виявилося, що опади є найважливішою змінною ( [13] , [10] ). Цікаво, що визначальною змінною є максимальна температура в сухі місяці та кількість опадів у дощові місяці. У подібному дослідженні Bekar et al. ( [6] ), найважливішою змінною у всіх регіональних моделях, крім Туреччини, була середньорічна температура, тоді як кількість опадів була найважливішою змінною в моделі Туреччини. Ця різниця може бути результатом ігнорування сезонних відмінностей у дослідженні, яке проводилося на щорічній основі.

Менеджери лісів можуть пом’якшити шкоду, спричинену лісовими пожежами, розподіляючи свої ресурси для гасіння пожеж на ліси, які є більш схильними до пожеж. Слід щомісяця та в просторі вживати запобіжних заходів проти безвідповідальних дій, таких як недбале куріння та розведення багать, спалювання стерні для ведення сільського господарства та управління рухом за допомогою карти ймовірності лісових пожеж. Крім того, люди, які живуть у зонах з високою ймовірністю пожежі, можуть бути поінформовані про вплив їх діяльності на виникнення лісових пожеж.

 Висновок 

Результати цього дослідження показали, що метод моделювання MaxEnt із використанням змінних навколишнього середовища ( тобто топографії, типу палива, клімату та діяльності людини) може бути корисним інструментом для прогнозування виникнення пожежі. Крім того, це дослідження продемонструвало, що кількість пожеж змінюється щомісяця і що найважливіші прогнозні змінні можуть бути різними для кожного місяця. Вихідні дані моделей виникнення пожежі можна вважати надійними і є хорошими індикаторами для просторової оцінки виникнення пожежі, тим самим допомагаючи запобігти пожежі, передбачити ймовірність пожежі та організувати зусилля з гасіння пожежі. Вони також можуть полегшити оцінку ситуації після пожежі. Результати цього дослідження можуть бути основою для майбутніх досліджень інших аспектів протипожежного захисту, таких як системи рейтингу пожежної небезпеки, плани протипожежного захисту та дослідження управління пожежами.

 Подяки 

Це дослідження є частиною Ph.D. дисертація під назвою «Моделювання та картографування потенціалу лісових пожеж на основі підходу MaxEnt на південному заході Туреччини» Меріха Голтаса. Ми вдячні Регіональній дирекції лісового господарства Мугли.

 Список літератури

(1)

Akyüz T (2019). Bursa Orman Bölge Müdürlügü’nde Yangin Tehlikesinin Modellenmesi ve Haritalanmasi [Fire hazard modeling and mapping in Bursa Forest Directorate]. Master Thesis, Kastamonu University, Graduate School of Natural and Applied Sciences, Kastamonu, Turkey, pp. 41. [in Turkish]
Gscholar

(2)

Aricak B, Kücük O, Enez K (2014). Determining a fire potential map based on stand age, stand closure and tree species, using satellite imagery (Kastamonu Central Forest Directorate Sample). Croatian Journal of Forest Engineering 35: 101-108.
Gscholar

(3)

Austin PC, Tu JV (2004). Bootstrap methods for developing predictive models. The American Statistician 58: 131-137.
CrossRef | Gscholar

(4)

Baldwin RA (2009). Use of maximum entropy modeling in wildlife research. Entropy 11 (4): 854-866.
CrossRef | Gscholar

(5)

Baysal I (2021). Vertical crown fuel distributions in natural Calabrian pine (Pinus brutia Ten.) stands. Croatian Journal of Forest Engineering: Journal for Theory and Application of Forestry Engineering 42: 301-312.
CrossRef | Gscholar

(6)

Bekar I, Tavsanoglu C, Pezzatti GB, Vacik H, Pausas JG, Bugmann H, Petter G (2020). Cross-regional modelling of fire occurrence in the Alps and the Mediterranean Basin. International Journal of Wildland Fire 29 (8): 712-722.
CrossRef | Gscholar

(7)

Bilgili E, Coskuner KA, Usta Y, Goltas M (2019a). Modeling surface fuels moisture content in Pinus brutia stands. Journal of Forestry Research 30: 577-587.
CrossRef | Gscholar

(8)

Bilgili E, Coskuner KA, Usta Y, Saglam B, Kücük O, Berber T, Goltas M (2019b). Diurnal surface fuel moisture prediction model for Calabrian pine stands in Turkey. iForest – Biogeosciences and Forestry 12: 262-271.
CrossRef | Gscholar

(9)

Bilgili E, Kücük O, Saglam B, Coskuner KA (2021). Büyük Orman Yanginlari: Sebepleri, Organizasyonu ve Idaresi [Mega forest fires: causes, organization and management]. In: “Orman Yanginlari” [“Forest Fires”]. Turkish Academy of Sciences, Ankara, Turkey, pp. 23. [in Turkish]
Gscholar

(10)

Brooke CT (2017). Identifying the environmental controls on wildland fire in the South-Central United States. Master Thesis, The Office of Graduate and Professional Studies of Texas A&M University, College Station, TX, USA, pp. 93.
Gscholar

(11)

Bustillo Sánchez M, Tonini M, Mapelli A, Fiorucci P (2021). Spatial assessment of wildfires susceptibility in Santa Cruz (Bolivia) using Random Forest. Geosciences 11 (5): 224.
CrossRef | Gscholar

(12)

Chang Y, Zhu Z, Bu R, Chen H, Feng Y, Li Y, Hu Y, Wang Z (2013). Predicting fire occurrence patterns with logistic regression in Heilongjiang Province, China. Landscape Ecology 28: 1989-2004.
CrossRef | Gscholar

(13)

Chen F, Du Y, Niu S, Zhao J (2015). Modeling forest lightning fire occurrence in the Daxinganling Mountains of Northeastern China with MAXENT. Forests 6: 1422-1438.
CrossRef | Gscholar

(14)

Coskuner KA (2019). Turkish national forest fire danger rating decision support system (TOYTOS). Doctoral Thesis, Karadeniz Technical University, Graduate School of Natural and Applied Science, Trabzon, Turkey, pp. 126.
Gscholar

(15)

Devisscher T, Anderson LO, Aragão LE, Galván L, Malhi Y (2016). Increased wildfire risk driven by climate and development interactions in the Bolivian Chiquitania, Southern Amazonia. PLoS One 11 (9): e0161323.
CrossRef | Gscholar

(16)

Dickey W (2018). Spatial analysis of human activities and wildfires in the Willamette National Forest. Master Thesis, University of Southern California, Faculty of the USC Graduate School, Los Angeles, CA, USA, pp. 91.
Online | Gscholar

(17)

Donoghue LR, Main WA (1985). Some factors influencing wildfire occurrence and measurement of fire prevention effectiveness. Journal of Environmental Management 20: 87-96.
Gscholar

(18)

Elith J, Leathwick JR (2009). Species distribution models: ecological explanation and prediction across space and time. Annual Review of Ecology, Evolution and Systematics 40: 677-697.
CrossRef | Gscholar

(19)

Elith J, Phillips SJ, Hastie T, Dudík M, Chee YE, Yates CJ (2011). A statistical explanation of MaxEnt for ecologists. Diversity and Distributions 17: 43-57.
CrossRef | Gscholar

(20)

ESRI (2017). ArcMAP 10.5. Get started with ArcMap. Web site.
Online | Gscholar

(21)

Evcin O, Kücük O, Akturk E (2019). Habitat suitability model with maximum entropy approach for European roe deer (Capreolus capreolus) in the Black Sea Region. Environmental Monitoring and Assessment 191: 1-13.
CrossRef | Gscholar

(22)

Flannigan MD, Logan KA, Amiro BD, Skinner WR, Stocks BJ (2005). Future area burned in Canada. Climatic Change 72 (1-2): 1-16.
CrossRef | Gscholar

(23)

Fick SE, Hijmans RI (2017). WorldClim 2: new 1km spatial resolution climate surfaces for global land areas. International Journal of Climatology 37 (12): 4302-4315.
CrossRef | Gscholar

(24)

Fuchs H, Magdon P, Kleinn C, Flessa H (2009). Estimating aboveground carbon in a catchment of the Siberian forest tundra: combining satellite imagery and field inventory. Remote Sensing of Environment 113: 518-531.
CrossRef | Gscholar

(25)

Garcia CV, Woodard PM, Titus SJ, Adamowicz WL, Lee BS (1995). A logit model for predicting the daily occurrence of human caused forest-fires. International Journal of Wildland Fire 5: 101-111.
CrossRef | Gscholar

(26)

GDF (2021). General Directorate of Forestry, Forestry Official Statistics in Turkey. Web site. [in Turkish]
Online | Gscholar

(27)

GDF (2022). General Directorate of Forestry, Forestry Official Statistics in Turkey. Web site. [in Turkish]
Online | Gscholar

(28)

Giglio L, Boschetti L, Roy DP, Humber ML, Justice CO (2018). The collection 6 MODIS burned area mapping algorithm and product. Remote Sensing of Environment 217: 72-85.
CrossRef | Gscholar

(29)

Harris I, Osborn TJ, Jones PD, Lister DH (2020). Version 4 of the CRU TS monthly high-resolution gridded multivariate climate dataset. Scientific Data 7: 109.
CrossRef | Gscholar

(30)

Jain P, Coogan SC, Subramanian SG, Crowley M, Taylor S, Flannigan MD (2020). A review of machine learning applications in wildfire science and management. Environmental Reviews 28 (4): 478-505.
CrossRef | Gscholar

(31)

Kücük O, Bilgili E (2008). Crown fuel characteristics and fuel load estimates in young Calabrian pine (Pinus brutia Ten.) stands in northwestern Turkey. Fresenius Environmental Bulletin 17: 2226-2231.
Online | Gscholar

(32)

Kücük O, Goltas M, Demirel T, Mitsopoulos I, Bilgili E (2021). Predicting canopy fuel characteristics in Pinus brutia Ten., Pinus nigra Arnold and Pinus pinaster Ait. forests from stand variables in North-Western Turkey. Environmental Engineering and Management Journal 20 (2): 309-318.
CrossRef | Gscholar

(33)

Li Y, Feng Z, Chen S, Zhao Z, Wang F (2020). Application of the artificial neural network and support vector machines in forest fire prediction in the Guangxi Autonomous Region, China. Discrete Dynamics in Nature and Society 2020: e5612650.
CrossRef | Gscholar

(34)

Liang H, Zhang M, Wang H (2019). A neural network model for wildfire scale prediction using meteorological factors. IEEE Access 7: 176746-176755.
CrossRef | Gscholar

(35)

Maier HR, Dandy GC, Burch MD (1998). Use of artificial neural networks for modelling cyanobacteria Anabaena spp. in the River Murray, South Australia. Ecological Modelling 105: 257-272.
CrossRef | Gscholar

(36)

Marier HR, Dandy GC (2000). Neural networks for the prediction and forecasting of water resource variables: a review of modeling issues and application. Environmental Modeling and Software 15: 101-124.
CrossRef | Gscholar

(37)

Massada AB, Syphard AD, Stewart SI, Radeloff VC (2013). Wildfire ignition-distribution modelling: a comparative study in the Huron-Manistee National Forest, Michigan, USA. International Journal of Wildland Fire 22 (2): 174-183.
CrossRef | Gscholar

(38)

McKenzie D, Gedalof ZE, Peterson DL, Mote P (2004). Climatic change, wildfire, and conservation. Conservation Biology 18 (4): 890-902.
CrossRef | Gscholar

(39)

Moreno R, Zamora R, Molina JR, Vasquez A, Herrera MA (2011). Predictive modeling of microhabitats for endemic birds in South Chilean temperate forests using maximum entropy (MaxEnt). Ecological Informatics 6: 364-370.
CrossRef | Gscholar

(40)

Musabašić M, Mušić D, Babović E (2021). Fire prediction with logistic regression on territory of Bosnia and Herzegovina. IOP Conference Series: Materials Science and Engineering 1208: 012033.
CrossRef | Gscholar

(41)

Parisien MA, Moritz MA (2009). Environmental controls on the distribution of wildfire at multiple spatial scales. Ecological Monographs 79 (1): 127-154.
CrossRef | Gscholar

(42)

Phillips SJ, Anderson RP, Schapire RE (2006). Maximum entropy modeling of species geographic distributions. Ecological Modelling 190: 231-259.
CrossRef | Gscholar

(43)

Preisler HK, Brillinger DR, Burgan RE, Benoit JW (2004). Probability based models for estimation of wildfire risk. International Journal of Wildland Fire 13 (2): 133.
CrossRef | Gscholar

(44)

Saglam B, Bilgili E, Dincdurmaz B, Kadiogulari AI, Kücük O (2008). Spatio-temporal analysis of forest fire risk and danger using LANDSAT imagery. Sensors 8: 3970-3987.
CrossRef | Gscholar

(45)

Satir O, Berberoglu S, Donmez C (2016). Mapping regional forest fire probability using artificial neural network model in a Mediterranean forest ecosystem. Geomatics, Natural Hazards and Risk 7: 1645-1658.
CrossRef | Gscholar

(46)

Sevinc V, Kücük O, Goltas M (2020). A Bayesian network model for prediction and analysis of possible forest fire causes. Forest Ecology and Management 457: 117723.
CrossRef | Gscholar

(47)

Sivrikaya F, Kücük O (2022). Modeling forest fire risk based on GIS-based analytical hierarchy process and statistical analysis in Mediterranean region. Ecological Informatics 68 (3): 101537.
CrossRef | Gscholar

(48)

Sun H, Wang Q, Wang G, Lin H, Luo P, Li J, Zeng S, Xu X, Ren L (2018). Optimizing kNN for mapping vegetation cover of arid and semi-arid areas using Landsat images. Remote Sensing 10: 1248.
CrossRef | Gscholar

(49)

Tshering K, Thinley P, Shafapour Tehrany M, Thinley U, Shabani F (2020). A comparison of the qualitative analytic hierarchy process and the quantitative frequency ratio techniques in predicting forest fire-prone areas in Bhutan using GIS. Forecasting 2 (2): 36-58. doi:
CrossRef | Gscholar

(50)

Wang M, Borders BE, Zhao D (2008). An empirical comparison of two subject-specific approaches to dominant heights modeling: the dummy variable method and the mixed model method. Forest Ecology and Management 255: 2659-2669.
CrossRef | Gscholar

(51)

Yesilnacar EK (2005). The application of computational intelligence to landslide susceptibility mapping in Turkey. University of Melbourne, Australia, pp. 395.
Gscholar

(52)

Zhang B, Wang H (2022). Exploring the advantages of the maximum entropy model in calibrating cellular automata for urban growth simulation: a comparative study of four methods. GIScience and Remote Sensing 59: 71-95.
CrossRef | Gscholar

(53)

Zuur AF, Ieno EN, Elphick CS (2010). A protocol for data exploration to avoid common statistical problems. Methods in Ecology and Evolution 1 (1): 3-14.
CrossRef | Gscholar

http://www.sisef.it/iforest/contents/?id=ifor4321-016