Сухість атмосфери знімає перешкоди для розвитку великих лісових пожеж

Авторські посилання відкривають панель накладанняДжейн Г. Коусон а,Люк Коллінз c,Шон А. Паркс d,Рейчел Х. Нолан e,Трент Д. Пенман аПоказати більшеДодати до МенделеяПоділітьсяЦитувати

https://doi.org/10.1016/j.agrformet.2024.109990Отримайте права та контент

Основні моменти

  • •Мезичні ліси повільно висихають, що робить їх перешкодою для поширення вогню.
  • •Дефіцит тиску пари (VPD) є сильним прогнозом виникнення пожеж у лісах.
  • •Посушливість, рельєф і історія збурень також передбачають виникнення пожеж.
  • •Топографія та історія порушень не можуть протистояти впливу високого VPD.
  • •Зміна клімату послаблює здатність лісу обмежувати розвиток пожеж.

Анотація

Великі лісові пожежі мають далекосяжні наслідки для навколишнього середовища, здоров’я людей, інфраструктури та економіки. Лісові пожежі стають великими, коли всі типи лісу в ландшафті достатньо сухі, щоб горіти. Мезичні ліси найповільніше висихають і можуть служити перешкодою для розростання вогню, якщо вони занадто вологі для спалювання. Таким чином, визначення факторів, що впливають на виникнення пожеж у мексиканських лісах, є важливим для оцінки пожежної небезпеки на великих ландшафтах. Ми кількісно визначили ключові фактори, що впливають на ймовірність того, що активна лісова пожежа поширюватиметься через ліс. Ми проаналізували 35 великих лісових пожеж (> 2500 га), які сталися у штаті Вікторія, Австралія, де мексиканські та більш сухі евкаліптові ліси перемежовуються в гірській місцевості. Ми використали модель випадкового лісу, щоб оцінити 15 метеорологічних, топографічних і факторів збурювання як потенційних предикторів виникнення пожежі. Ці змінні були витягнуті для точок у спалених і незгорілих ділянках лісу. Імовірність поширення активної лісової пожежі серед лісів зросла на 65 %, оскільки дефіцит тиску пари (VPD, тобто сухість атмосфери) зріс з 2,5 до 7 кПа. Інші змінні мали суттєво менший вплив (< 20 % зміни у виникненні пожежі), і їхні ефекти були ще більше зменшені, коли VPD був дуже високим (> 6,5 кПа). Мезичні ліси менш ймовірно горіли в районах із меншою посушливістю, меншими схилами та більш захищеними топографічними положеннями. Мезичні ліси через 13–15 років після порушення насаджень мали на 6 % вищу ймовірність згоряння, ніж довгі непорушені ліси (50 років після порушення). Загалом, ми показуємо, що топографія та історія порушень не можуть суттєво протистояти впливу високого VPD. Таким чином, ефективність лісу як бар’єру для розвитку великих лісових пожеж слабшає з потеплінням клімату. Наш аналіз також визначає області з меншою ймовірністю горіння, навіть за умов високого VPD. Ці території можна назвати пріоритетними як притулки від лісових пожеж.

1 . Вступ

Великі лісові пожежі мають локалізований і далекосяжний вплив на здоров’я людей, навколишнє середовище та економіку ( Maditinos and Vassiliadis 2011 ; Stephens et al., 2014 ; Nolan et al., 2021 ). Отже, вони викликають серйозне занепокоєння для урядів, особливо враховуючи те, що їх поширеність зростає з потеплінням клімату ( Абрам та ін., 2021 ; Сенанде-Рівера та ін., 2022 ). Розуміння ключових факторів, що сприяють розвитку великих лісових пожеж, і моделей для прогнозування їхньої ймовірності є важливими для ефективного управління лісовими пожежами.

Висока просторова безперервність доступного палива є одним з важливих передвісників розвитку великої пожежі ( Miller and Urban 2000 ; Gill and Allan 2008 ; Bradstock et al., 2009 ; Caccamo et al., 2012 ; Sullivan and Matthews 2013 ). Паливо доступне, коли воно достатньо сухе, щоб спалахнути та підтримувати горіння. Великі лісові пожежі потребують доступного палива як у відкритих, так і в захищених топографічних місцях ( Sharples 2009 ; Boer et al., 2020 ; Resco de Dios et al. 2022 ). Мезичні ліси, що ростуть у захищених топографічних місцях і на територіях з високою середньорічною кількістю опадів, можуть служити перешкодою для розростання лісових пожеж, якщо вони занадто вологі (недоступні), щоб спалити ( Bradstock 2010 ). Розуміння того, коли ці ліси переходять у легкозаймистий стан, є обов’язковим для вимірювання ризику лісових пожеж у ширшому ландшафті ( Cawson et al., 2024 ; Gill and Allan 2008 ). Проте дослідження поведінки вогню історично зосереджувалися на більш сухих типах рослинності ( Cruz et al., 2015 ), залишаючи критичні прогалини в нашому розумінні великих лісових пожеж, розвиток яких залежить від займистості лісів ( Cawson et al., 2020 ).

Вважається, що виникнення пожеж у мексиканських лісах обмежується вологістю, а не паливом, тобто зазвичай достатньо палива для підтримки вогню, але його вміст вологи зазвичай занадто високий ( Meyn та ін., 2007 ; Бредсток 2010 ; Мерфі та ін. ., 2013 ; Коусон та ін., 2020 ). Це підтверджується польовими дослідженнями в мексиканських лісах, де змінні вологості мертвого палива перевершують структурні змінні палива як предиктори займистості ( Ray et al., 2005 ; Cawson et al., 2022 ). Існує достатня кількість мертвого дрібнодисперсного палива (товщиною менше 6 мм) для підтримки лісової пожежі в мексиканських лісах, за винятком пожежі, що виникає відразу після пожежі високої інтенсивності ( Cawson et al., 2018 ). Однак паливо зазвичай занадто вологе для спалювання ( Cawson et al., 2017 ). Це відображає високу середньорічну кількість опадів, низький попит на випаровування, захищене топографічне положення та високий прогнозований листяний покрив мексиканських лісів ( Nyman et al., 2014 ; Nyman et al., 2015 ). Історія порушень також може впливати на вологість палива в мексиканських лісах через вплив на структуру лісу та видовий склад, хоча існують суперечливі докази щодо напряму його впливу: деякі дослідження повідомляють про зменшення доступності палива з часом після порушення ( Burton et al., 2019 ; Furlaud ). et al., 2021 ; Wilson et al., 2022 ) та інші, які повідомляють про відсутність тривалого зв’язку між історією збурень і вологістю палива ( Cawson et al., 2017 ; Brown et al., 2021 ).

Широкомасштабний клімат і погода впливають на структуру вологості палива в ландшафтах ( Matthews 2014 ). Посуха є важливим передвісником великих лісових пожеж у всьому світі ( Littell та ін., 2016 ), оскільки вона впливає на наявність палива, висихаючи мертве паливо в основі підстилки та спричиняючи відмирання рослин ( Ruthrof та ін., 2016 ; Нолан та ін. , 2020 ). Вологість ґрунту впливає на вологість підстилки біля основи підстилки, особливо на глибоких підстилках, як-от у мексиканських лісах ( Zhao et al., 2022 ). Погодні умови визначають потребу у випаровуванні та різницю вологи між паливом і атмосферою, а отже, і швидкість обміну вологи ( Viney 1991 ; Matthews 2014 ), особливо для мертвого палива, яке піддається впливу атмосферних умов у верхній частині ложа підстилки та підвішене над землею. ( Реско де Діос та ін. 2015 ). Топографічне положення може впливати на умови вологи на лісовій підстилці з нижчим вмістом вологи на більш відкритих частинах і хребтах ( Nyman et al., 2015 ). Таким чином, слід враховувати вплив топографії при дослідженні взаємозв’язків між більш широкими метеорологічними умовами та поведінкою пожежі.

Наша мета полягала в тому, щоб визначити умови, за яких мексиканські ліси можуть діяти як бар’єр, а не сприяти поширенню лісової пожежі. Ми досліджували фактори, що впливають на ймовірність того, що активна лісова пожежа поширюватиметься через евкаліптовий ліс на південному сході Австралії. Ми припустили, що виникнення пожеж у мексиканських лісах залежатиме від поєднання погоди та клімату, топографії та історії порушень ( рис. 1 ). Зокрема, ми запитали:

  • •Яка комбінація змінних найкраще прогнозує виникнення лісових пожеж у лісах?
  • •Які порогові умови, пов’язані зі збільшенням кількості пожеж у мексиканських лісах?
Рис. 1

2 . Методи

2.1 . Навчальна зона

Дослідження проводилося в штаті Вікторія на південному сході Австралії. Лісові пожежі поширені в цьому регіоні, їх частота та інтенсивність змінюються залежно від типу лісу ( Murphy et al., 2013 ). Ми використовували картографування відділів екологічної рослинності (EVD) для визначення ділянок лісу ( Cheal 2010 ). EVD базуються на пожежній екології рослинності, а мезичний ліс представлений «високим туманним лісом» (EVD 12). Це австралійські корінні ліси з прогнозованим покриттям пологу 30–70 %, що складається з верхнього ярусу Eucalyptus regnans у гірських середовищах або E. delegatensis у субальпійських середовищах. Зрілі ліси мають висоту щонайменше 30 м і зазвичай досягають висоти 70 м ( Ashton and Attiwill 1994 ; Tng et al., 2013 ). Папороті, деревовидні папороті та широколистяні дерева та кущі зазвичай зустрічаються в підліску ( Ashton and Attiwill 1994 ; Florence 1996 ). На висотах (1000-1500 м), де переважає E. delegatensis , підлісок може бути трав’янистим. Високі туманні ліси зустрічаються переважно на височині центральної та східної Вікторії, а також у гірських місцях поблизу узбережжя в хребтах Отвей (на західному узбережжі Вікторії) та на мисі Вілсонса (найпівденніший край Вікторії) ( рис. 2 ).

Рис. 2

Пожежі трапляються нечасто в мезикових лісах порівняно з прилеглими сухими евкаліптовими лісами та рідколіссями. Допустимий пожежний інтервал для сильної пожежі в мексиканських лісах становить від 80 до 300 років (тобто відповідний пожежний інтервал для збереження флористичного складу) ( Cheal 2010 ). Домінуючі поверхневі види, E. regnans і E. delegatensis , є обов’язковими сіячами, тобто вони гинуть від сильного вогню та відновлюються з насіння через 25–30 років, щоб досягти зрілості ( Ashton and Attiwill 1994 ). Отже, ці ліси чутливі до пожеж високої частоти та сильної тяжкості ( Fairman et al., 2016 ). Навпаки, навколишній сухий склерофіловий ліс може витримувати більш часті пожежі високої інтенсивності, наприклад, мінімальний допустимий інтервал пожеж становить 15 років для трав’янистих/вересових сухих лісів і 25 років для високих змішаних лісів ( Cheal 2010 ).

Починаючи з 2003 року у штаті Вікторія виникли численні великі (> 2500 га) лісові пожежі, багато з яких охоплювали лісові масиви ( рис. 2 ). Найзначнішими сезонами пожеж за цей період були: 2003–2004 роки, коли «альпійські пожежі» спалили 1,3 мільйона га у високогірній місцевості Вікторії; 2006–07 рр., коли пожежі «Великого вододілу» спалили 1,2 мільйона га у східній Вікторії; 2009 рік, коли пожежі «Чорної суботи» згоріли 430 000 га, включаючи мексиканські ліси в водозбірних басейнах Мельбурна; 2019–20, коли пожежі «Чорного літа» спалили 1,5 мільйона га у східній Вікторії.

2.2 . Змінна реагування на пожежу

Ми використали двійкову змінну відповіді – burnt vs. незгорілі – для ділянок мезолісу в периметрі великих лісових пожеж (> 2500 га). Ми використали картографування інтенсивності пожеж з попереднього дослідження, яке охоплювало підмножину великих лісових пожеж у штаті Вікторія з 2000 по 2020 рік ( Collins et al., 2018 ; Collins et al., 2021 ). За картографуванням виділено 5 класів тяжкості пожежі: 1) негоріла; 2) низька підгорілість полога (<20 % підгорілості); 3) помірний підгоріл полога (20–80 % підгорілості); 4) висока опічність полога (>80 % опіку) та; 5) споживання навісу (>20 % споживання навісу). Клас 1 (не згоріли) було збережено в аналізі, тоді як інші класи інтенсивності пожежі були об’єднані (класи 2–5), щоб отримати двійковий набір даних (згоріли та не згоріли) точок у межах периметра пожежі. Ми наклали на зони лісових пожеж сітку точок вибірки, розташованих на відстані 400 м одна від одної (згідно з Price and Bradstock 2012 ), відстань, яка відповідає типовій відстані між хребтом і яром, і вилучили для кожної точки ліс високого туману (EVD 12). Ми встановили підмножину точок, щоб вибрати лише ті, що відбулися в межах великих (> 50 м радіусом) ділянок мезичного лісу. Ми усунули незгорілі точки, які перебували на відстані понад 200 м від горілого краю, що дозволило нам обґрунтовано припустити, що всі залишилися незгорілі точки мали можливість загорітися або через коротку відстань, або через основний фронт пожежі (зауважте, що плямистість є поширеним способом поширення вогню в евкаліптових лісах ( Cruz et al., 2012 )).

Багато лісових пожеж у наборі даних відбувалися протягом кількох днів. Ми використовували засоби виявлення пожежі MODIS і VIIRS і методологію, розроблену Парксом (2014), щоб відобразити щоденне прогресування кожної пожежі з роздільною здатністю приблизно 500 м. Це дозволило нам визначити ймовірну дату пожежі для кожної точки вибірки. Незгорілим точкам було присвоєно дату найближчої згорілої ділянки. У нашому остаточному наборі даних було 13 586 точок (11 393 спалених; 2193 незгорілих) у 35 лісових пожежах та 11 сезонах пожеж з 2002/03 по 2019/20 роки.

2.3 . Прогностичні змінні

Ми вибрали 15 предикторних змінних ( табл. 1 ), які характеризують компоненти концептуальної моделі, представленої на рис. 1 . Значення для змінних предиктора були витягнуті за допомогою пакета «terra» в R ( Hijmans et al., 2023 ). Для щоденних погодних змінних ми витягли значення для дати, коли кожна точка зразка найімовірніше згоріла, або для незгорілих точок ми використали дату для найближчої згорілої ділянки. Криві щільності ймовірності для кожної змінної ілюструють розподіл значень для спаленого проти незгорілі ділянки лісу в межах периметра пожежі в день пожежі (рисунок S1).

Посушливість ландшафту використовувалася для характеристики довгострокового водного балансу, пов’язаного з положенням ландшафту. Ми використовували Nyman et al. (2014) індекс посушливості (AI), безвимірна міра посушливості, яка враховує вплив дрібномасштабних (20 м) коливань рельєфу на сумарну сонячну радіацію. AI – це відношення потенційного випаровування до кількості опадів. Таким чином, вищі значення вказують на більш посушливе положення ландшафту. Розрахунок індексу посушливості базується на довгострокових кліматичних даних: 20-річний рекорд сонячної радіації (1990–2012); 30-річний рекорд опадів (1961–1990); 30-річний рекорд фракції хмар (1976–2005); 100-річний рекорд температури (1911–2012).

Посуха була зображена за допомогою стандартизованого індексу евапотранспірації опадів (SPEI), міри інтенсивності посухи, отриманої з опадів і потенційної евапотранспірації за визначене часове вікно ( Vicente-Serrano et al., 2010 ). Ми розрахували SPEI, використовуючи діапазон часових роздільних значень (3, 6, 12 і 24 місяці) за місяці, що передували пожежі, щоб визначити, чи вплинула тривалість посухи на виникнення пожеж у мексиканських лісах. Вхідні дані були отримані з SILO, 5-кілометрової щоденної кліматичної реконструкції для Австралії ( Jeffrey et al., 2001 ). SPEI було розраховано за допомогою пакета «SPEI» в R ( Beguería and Vicente-Serrano, 2023 #757). Ми взяли дані про вологість ґрунту у верхній частині та кореневій зоні з моделі водного балансу австралійського ландшафту ( Frost et al., 2018 ). Верхня вологість ґрунту (SM_up) — це добовий показник із 5-кілометровою сіткою, який представляє кількість води у верхньому (0–10 см) шарі ґрунту, виражену як частка доступної води, тоді як вологість ґрунту в кореневій зоні (SM_rz) являє собою суму води в верхній і нижній шари ґрунту (0–100 см).

Погода була зображена за допомогою безперервного індексу Хейнса (CHI), індексу небезпеки лісових пожеж (FFDI) і дефіциту тиску пари (VPD). CHI — це індекс стабільності атмосфери, більш високі значення якого пов’язані з більшою ймовірністю виникнення піроконвективних пожеж ( Mills and McCaw 2010 ). CHI було отримано з використанням щоденної максимальної температури та мінімальної точки роси на основі щоденних 5-кілометрових даних SILO ( Jeffrey et al., 2001 ). FFDI — це індекс пожежної погоди, який об’єднує показники вологості ґрунту, наявності палива (фактор посухи) та швидкості вітру ( McArthur 1967 ). FFDI було взято з австралійського набору кліматичних даних ( Jones et al., 2009 ). VPD — це максимальний добовий дефіцит між кількістю вологи в повітрі та кількістю, яку воно може утримувати при насиченні ( Monteith and Unsworth 2013 ). Це індикатор вологості палива ( Resco de Dios et al. 2015 ; Nolan et al., 2016b ), і численні дослідження демонструють тісний зв’язок між VPD та пожежною активністю (наприклад, Sedano and Randerson 2014 ; Williams et al., 2014 ; Cawson et al. ін., 2022 ). Ми розрахували добову 5-кілометрову VPD на основі максимальної добової температури та мінімальної добової відносної вологості, що наближається до максимальної добової VPD. Вхідні дані були отримані з бази даних кліматичних даних Австралії SILO ( Jeffrey et al., 2001 ).

Час з моменту збурення було визначено з використанням даних історії лісової пожежі та лісозаготівлі, причому остання подія визначена як останнє збурення ( Департамент навколишнього середовища, земель, води та планування 2020a , 2020b ). Прописані опіки були виключені, оскільки під час прописаних опіків мезичні ліси не підпадають під удар і зазвичай залишаються неспаленими або горять з дуже низькою інтенсивністю, коли обробляються сусідні ліси. Час з моменту збурення за замовчуванням становить 100 років для місць, де не було зареєстровано історії збурень.

Топографічне положення було зображено за допомогою чотирьох показників – індексу безперервного теплоізоляційного навантаження (CHILI), індексу топографічного положення (TPI), висоти та нахилу. Усі показники були отримані в результаті місії Shuttle Radar Topography ( Farr та ін., 2007 ) з використанням платформи Google Earth Engine ( Gorelick та ін., 2017 ). TPI виходить шляхом віднімання середньої висоти в радіусі 500 м від висоти фокального пікселя. Позитивні значення представляють відкриті топографічні положення (тобто хребти та верхні схили), а від’ємні значення представляють захищені місця (тобто яри та нижні схили). ЧІЛІ є сурогатом впливу інсоляції та топографічного затінення на випаровування з вищими значеннями, що вказують на вищий рівень сонячної інсоляції.

2.4 . Аналіз даних

Коефіцієнт кореляції рангу Спірмена було розраховано між усіма парами змінних предиктора за допомогою пакета corr ( Wei and Simko 2017 ) мовою програмування R ( R Core Team 2022 ) (рис. S2). Ми виключили одну змінну для пар, які були сильно корельовані ( r ≥ 0,6). Було виключено чотири змінні (SPEI06, SPEI12, CHI, FFDI). Вибираючи між сильно корельованими змінними, ми вибрали змінну, яка ширше використовувалася для глобального прогнозування пожежі (наприклад, VPD над FFDI та CHI). Решта 11 змінних були використані для побудови моделі випадкового лісу, щоб передбачити ймовірність того, що активна лісова пожежа поширюватиметься через ліс.

Ми використали алгоритм випадкового лісу в пакеті «randomForest» у R, щоб змоделювати виникнення пожежі (згоріла/не згоріла) у мексиканських евкаліптових лісах ( Liaw and Wiener 2002 ). Випадковий ліс — це алгоритм машинного навчання, який поєднує декілька дерев рішень ( Breiman 2001 ). Його все частіше використовують у пожежній науці, оскільки він має гарну здатність передбачати без переобладнання даних і може обробляти нелінійні реакції між змінними. Ми підібрали 500 класифікаційних дерев за ітерацію та перевірили чотири змінні предиктора на кожному вузлі (mtry = 4). Щоб врахувати незбалансовану кількість спалених і незгорілі точки вибірки, ми вказали 50/50 поділу згорілих/незгорілих точок вибірки для створення кожного дерева, встановивши розмір вибірки 500 для кожного. Це допомогло гарантувати, що підгонка моделі не віддає перевагу обгорілим ділянкам.

Точність моделі була визначена за допомогою підходу перехресної перевірки «залишити п’ять пожеж», де п’ять із 35 пожеж були витримані на кожній ітерації. Випадкова модель лісу була побудована з виключенням точок вибірки з п’яти пожеж, а потім перевірена точність моделі шляхом прогнозування ймовірності виникнення пожежі для точок вибірки в межах виключених пожеж. Це повторювалося для всіх комбінацій пожеж.

Ми використали поетапну процедуру перехресної перевірки, щоб визначити, які з 11 змінних, що залишилися ( Таблиця 1 ), включити в остаточну випадкову модель лісу, щоб зменшити надмірне оснащення та створити найбільш економну модель ( Parks et al., 2018 ). Це передбачало видалення змінних, якщо вони не надавали унікальної інформації, яка покращувала відповідність моделі. Зокрема, ми використали підхід перехресної перевірки (описаний вище), щоб побудувати повну модель із використанням усіх змінних і набору скорочених моделей із видаленням однієї пояснювальної змінної з кожної. Потім ми розрахували перехресно перевірену статистику площі під кривою (AUC) за допомогою пакета «pROC» у R ( Sing et al., 2005 ) для повної та скороченої моделей. Якщо AUC збільшилася , коли будь-яку задану змінну було вилучено (тобто AUC вища для зменшеної моделі порівняно з повною моделлю), це вказувало на те, що повна модель перевищувала відповідність, а змінна не надала жодної унікальної інформації. У цих випадках змінна, яка призвела до найбільшого збільшення AUC, була остаточно видалена, а процес повторювався з повною моделлю, яка мала одну змінну менше. Цей процес тривав до тих пір, поки всі змінні не призводили до зниження AUC після видалення з повної моделі. Таким чином, усі змінні в остаточній зменшеній моделі надали унікальну інформацію. Результати представлено лише для остаточної зменшеної моделі.

Таблиця 1 . Опис змінних, оцінених як предиктори. Середнє, мінімальне та максимальне – це значення для точок зразків, витягнутих на дату спалення точки зразків. Змінні, виділені жирним шрифтом, були збережені в остаточній моделі випадкового лісу після перевірки на мультиколінеарність і видалення змінних, які не мають пояснювальної сили, у процедурі покрокового відбору.

Змінні, оцінені як предикториСкорочення.роздільна здатністьІнтерпретаціяСереднійМін., Макс
Індекс посушливостіШІ20 м, середня багаторічнаВищі значення свідчать про більшу посушливість1.60,5, 3,1
Стандартизований індекс опадів, випаровування та транспірації для 3-, 6-, 12- та 24-місячних часових рамокSPEI03
SPEI06
SPEI12
SPEI24
5 км, щомісячноЕкстремальна посуха 〈 −2; Сильна посуха від −2 до −1,5; Помірна посуха від −1,5 до −1; Легка посуха від −1 до −0,5; Без посухи 〉 −0,5.−1,7
−1,6
−1,5
−1,5
−2,5, 0,4
−2,5, −0,3
−2,9, 0,6
−2,7, 0,6
Верхня вологість ґрунту (добова)SM_up5 км. щодняЧастка доступної води в ґрунті (глибина 0–10 см)0,020, 0,28
Вологість ґрунту в прикореневій зоні (добова)SM_rz5 км, щоденноЧастка доступної води в ґрунті (глибина 0–100 см)0,240,01, 0,8
Безперервний індекс ХейнсаCHI5 км, щоденноВищі значення вказують на більшу ймовірність піроконвективних пожеж8.8−4, 13,4
Індекс небезпеки лісових пожежFFDI5 км, щоденноНизька небезпека 0–5; Помірна небезпека 5–12; Висока небезпека 12–24; Дуже висока небезпека 24–50; Надзвичайна небезпека 50–100; Катастрофічна небезпека >100414, 141
Дефіцит тиску пари, кПаВПД5 км, щоденноВищі значення вказують на більш сухе повітря4.00,6, 8,7
Час з моменту порушення, роківТСД30 м, щорічноРоки з моменту останнього порушення; Немає записів = 100 років.550, 100
Індекс безперервного теплоізоляційного навантаженняЧІЛІ30 мДуже круто 0; Дуже теплий 25518048, 254
Індекс топографічного положенняTPI30 мВідкриті позиції > 0; Захищені місця < 0; Рівний або середній нахил = 0−4,9−129, 148
Висота над рівнем моря, мВисота30 мМетри над рівнем моря80842, 1560
Схил, оСхил30 мГрадієнт поверхні землі160, 52

Результати перехресної перевірки для остаточної зменшеної моделі використовувалися для визначення загальної точності моделі за допомогою пакета «caret» у R ( Kuhn 2008 ), щоб створити матрицю плутанини та отримати загальну точність і показник каппа. Крім того, ми розрахували середню статистику AUC. Щоб допомогти визначити найвпливовіші предиктори в остаточній моделі, ми витягли «точність зниження середнього значення» з результатів перехресної перевірки. Він обчислюється шляхом випадкового перетасування значень певної змінної, а потім обчислення зниження точності моделі, спричиненого збуренням. Чим більше зменшення, тим важливішою була змінна для прогнозування виникнення лісової пожежі.

Діаграми часткової залежності були отримані для дослідження зв’язку між окремими змінними прогнозу та ймовірністю виникнення пожежі. Для цих графіків усі змінні, крім змінної, що цікавить, залишалися постійними на їхньому середньому значенні. VPD була найвпливовішою змінною в моделі, тому для подальшого вивчення впливу інших змінних на виникнення пожежі ми тримали VPD постійними значеннями 10-го та 90-го процентиля (з діапазону значень у наборі даних), щоб обчислити додаткову часткову залежність криві для інших значень.

3 . Результати

Остаточна модель випадкового лісу (тобто остаточна скорочена модель, а не повна модель) мала загальну перехресно-перевірену точність 0,70, AUC 0,61 і показник Каппа 0,21. Він спрацював добре для правильного прогнозування точок згоряння (точність = 0,87; пригадування = 0,74; F1 = 0,80), але не так добре для правильного прогнозування неспалених точок (точність = 0,32; пригадування = 0,52; F1 = 0,39) ( Таблиця 2 ).

Таблиця 2 . Матриця плутанини для остаточної скороченої моделі випадкового лісу.

Порожня клітинкаСпостерігається
СпаленіНеспалений
ПередбачивСпалені27 182
Справді позитивно
4064
Помилковий результат
Неспалений9239
Помилковий негатив
4275
Справжній негатив

VPD був найважливішим предиктором із найвищою середньою точністю зниження в остаточній моделі ( рис. 3 ). SPEI03 також мав високу середню точність зменшення, тоді як SPEI12 був виключений з остаточної зменшеної моделі, оскільки він не покращив підгонку моделі. Подібним чином SM_rz, SM_up і elevation не покращили підгонку моделі та були виключені з остаточної зменшеної моделі. AI і TSD були помірно важливими, тоді як топографічні змінні (CHILI, TPI і нахил) мали відносно низьку середню точність зниження.

Рис. 3

Імовірність горіння в лісі зросла приблизно на 65 %, оскільки VPD піднявся з 2,5 до 7 кПа ( рис. 4 ). AI мав менший позитивний ефект, коли кількість пожеж зросла приблизно на 10 %, оскільки AI піднявся з 0,5 до 3, коли інші значення залишалися середніми. Здавалося, що SPEI03 також мав невеликий позитивний ефект загалом із збільшенням ймовірності опіку приблизно на 10 %, оскільки SPEI03 збільшився з –2,4 до –0,5 (а інші змінні залишалися середніми), але зв’язок був непостійним. Імовірність спалювання була найнижчою одразу після порушення, а потім зросла на 25 % до піку через 13–15 років, а потім поступово знизилася на 6 % через 50 років після порушення. Спостерігалося невелике підвищення ймовірності загоряння в більш відкритих топографічних положеннях і на крутіших схилах. Імовірність опіку зросла на: 7 %, коли CHILI збільшився з 80 до 220; 20 %, коли TPI збільшився з −0,90 до 45; і 20 % при збільшенні нахилу від 0 до 20°.

Рис. 4

Усі змінні мали більший вплив на ймовірність горіння, коли VPD підтримувався постійним на 10-му процентилі (1,42 кПа), ніж коли VPD підтримувався на 90-му значенні (6,73 кПа). Пожежі мали високу ймовірність (pr ≥ 0,7). ) поширення через мезичний ліс, коли VPD перевищує 4 кПа, особливо в поєднанні з AI, що перевищує 1,7, TSD 10–45 років, TPI більше -1,8, нахил перевищує 15° і CHILI перевищує 195 ( рис. 5 ). Поширення вогню спостерігалося лише в лісі, коли SPEI03 був меншим за −0,5.

Рис. 5

4 . Обговорення

Мезичні ліси створюють перешкоду для розвитку великих пожеж, коли вони занадто вологі для горіння. Однак, коли їх паливо висихає, вони стають легкозаймистими, і за таких умов існує високий ризик великих лісових пожеж. VPD, ключовий визначник вологості палива, був найсильнішим провісником лісової пожежі, що поширюється через ліс. Коли VPD перевищував 2,5 кПа, кількість пожеж швидко зростала в лісі, а коли VPD був дуже високим (> 6,5 кПа), це зменшувало вплив інших змінних. У міру потепління клімату та більш поширених днів з високим рівнем ВПД ( Clarke et al., 2022 ), ефективність лісу як бар’єру для розвитку великих лісових пожеж буде слабшати.

VPD є провідним фактором, що визначає здатність палива, виникнення пожежі та площу згоряння, якщо порівнювати його з іншими потенційними предикторами в різних типах лісу ( Williams et al., 2014 ; Mueller et al., 2020 ; Cawson et al., 2022 ; Resco de Dios et ін. 2022 ). Висока важливість VPD узгоджується з концептуальними моделями, які визначають вологість палива як обмеження виникнення пожеж у мексиканських лісах ( Bradstock 2010 ; Cawson et al., 2020 ). VPD сильно корелює з вмістом вологи у мертвому дрібнодисперсному паливі, особливо в паливі, що піддається впливу атмосфери ( Resco de Dios et al. 2015 ; Nolan et al., 2016b ), а також живого палива ( Griebel et al., 2023 ). У нашому моделюванні VPD також виступав як сурогат пожежної погоди, оскільки CHI та FFDI були сильно корельовані з VPD і були виключені з моделювання випадкового лісу, щоб уникнути мультиколінеарності. Таким чином, домінування VPD у моделі відображає важливість як вологості палива, так і короткочасної погоди як чинників виникнення пожеж у мексиканських лісах.

Порогове значення VPD (2,5 кПа) для збільшення пожежної активності було вищим за порогові значення, визначені в інших дослідженнях у лісах південно-східної Австралії для виникнення пожеж (1,86 кПа) ( Clarke та ін., 2022 ), великомасштабних лісових пожеж (1,2–2 кПа). ) ( Nolan et al., 2016a ) і займання (~1,5 кПа) ( Burton et al., 2023 ). Порогові значення VPD для цих досліджень відображають умови, необхідні для виникнення лісових пожеж у більш сухих евкаліптових лісах, які домінують у ландшафті. Навпаки, наше дослідження зосереджено саме на порогових значеннях для мексиканських лісів, де густа рослинність пом’якшує атмосферні умови більше, ніж у сухих лісах ( Nyman et al., 2018 ; Pickering et al., 2021 ). Отже, вищий VPD (при вимірюванні з роздільною здатністю 5 км на відкритому повітрі) необхідний для подолання цих ефектів пологів і викликання достатнього висихання для підтримки пожежі в мексиканських лісах. Більш інтенсивні лісові пожежі вимагають ще вищого порогу VPD, наприклад, Benyon et al. (2023) визначили поріг VPD приблизно 5,5 кПа для великих пожеж, що замінюють насадження, у вологих евкаліптових лісах. Вплив інших змінних зменшується, коли VPD є високим (наприклад, при значенні 90-го процентиля 6,73 кПа в нашому дослідженні), і тому умови сприяють широкому охопленню лісової пожежі (тобто кілька незгорілих ділянок). Відомо, що пожежна погода переважає вплив інших змінних на поведінку вогню в екстремальних умовах, коли кількість дрібнодисперсного палива не є обмеженням ( Leonard et al., 2014 ; Tolhurst and McCarthy 2016 ; Collins et al., 2019 ; Collins et al. , 2023 ).

Імовірність виникнення пожежі просторово змінювалась у мексиканських лісах залежно від положення ландшафту, особливо коли VPD була нижчою за середнє значення. Найбільший вплив мав дрібномасштабний індекс посушливості (роздільна здатність 20 м), який відображає вплив рельєфу на довгостроковий водний баланс. Ліси в менш посушливих частинах ландшафту демонструють більш густу рослинність і вологіший мікроклімат ( Nyman et al., 2014 ), тому для поширення вогню в цих місцях потрібна більша сухість атмосфери (вищий VPD) ( Burton et al., 2023 ; Cawson ). та ін., 2024 ). Ліси в більш захищених топографічних положеннях (негативний TPI) мали нижчу ймовірність спалювання через менший сонячний вплив і захист від найбільш висихаючих вітрів, що призвело до більш вологого мікроклімату; цей висновок узгоджується з іншими дослідженнями (наприклад, Leonard et al., 2014 ; Storey et al., 2016 ; Collins et al., 2019 ; Meigs et al., 2020 ; Bowman et al., 2021 ). Позитивний зв’язок між нахилом та ймовірністю горіння частково збігається з іншими дослідженнями ( Bradstock та ін., 2010 ; Krawchuk та ін., 2016 ). Однак ці дослідження також повідомляють про меншу кількість пожеж на дуже крутих схилах, пов’язаних зі скелястими уступами. Скелясті уступи не є типовою рисою лісів штату Вікторія. Навпаки, круті схили, як правило, пов’язані з більш інтенсивною поведінкою пожеж, оскільки пожежі поширюються швидше нагору ( Sullivan 2017 ).

Месічні ліси, які відновлювалися після нещодавнього порушення, яке замінило деревостан (тобто, < 6 років після порушення), мали найнижчу ймовірність пожежі порівняно з лісами в інший час після порушення, що узгоджується з іншими дослідженнями ( Taylor et al., 2014 ; Zylstra 2018 ). Це відображає початкову нестачу палива для розгоряння вогню в перші роки, а потім високу вологість у щільному відростанні, що перешкоджає займанню та поширенню вогню ( Cawson et al., 2017 ). Імовірність пожежі зросла на 25 % (від 0,5 до 0,75) від нуля до 13 років після збурення, коли всі інші змінні залишалися середніми, що узгоджується з іншими дослідженнями ( Taylor et al., 2014 ; Bowman et al . ., 2016 ; Zylstra 2018 ). Після цього піку ймовірність пожежі зменшилася приблизно на 6 % (з 0,75 до 0,69) від 15 до 50 років після збурення. Це зниження описано в «моделі вологості», теоретичній кривій, що відображає зміну горючості з часом після порушення в евкаліптових лісах, де переважає зола ( McCarthy et al., 2001 ). Зменшення займистості може відображати підвищену вологість палива в старих лісах через зміни в структурі лісу та видовому складі ( Burton et al., 2019 ; Furlaud et al., 2021 ; Wilson et al., 2022 ). Величина цього зниження була значно меншою, ніж повідомляють деякі дослідження ( Taylor et al., 2014 ; Zylstra 2018 ), але згідно з Bowman et al. (2016) . Незважаючи на це, пожежна погода (VPD) мала набагато більший вплив на ймовірність пожежі, ніж історія збурень ( Прайс і Бредсток 2012 ; Боуман та ін., 2021 ). При високому VPD вплив часу з моменту порушення був незначним, тоді як при низькому VPD вплив був більш вираженим.

Посуха (виміряна SPEI) і вологість ґрунту мали менший вплив, ніж очікувалося. Обидва часто називають важливими попередниками пожежі, особливо в лісах, де потрібне значне висихання ( Cawson et al., 2020 ). Зв’язок між SPEI03 та ймовірністю пожежі був суперечливим, що свідчить про те, що інтенсивність посухи не має постійного впливу на виникнення пожеж у мексиканських лісах. Тим не менш, наявність посухи в цілому здається важливою, оскільки всі пожежі в рамках дослідження виникли в умовах посухи (SPEI < -0,5). Відсутність зв’язку між інтенсивністю посухи (тобто SPEI03) та виникненням пожеж може відображати упередженість у нашій вибірці – ми обмежили наше дослідження великими лісовими пожежами (> 2500 га), які охоплювали мексиканські ліси в межах свого периметру, а великі лісові пожежі зазвичай збігалися з посушливі роки ( Collins et al., 2022 ). Вологість ґрунту була опущена під час поетапної процедури, оскільки це не покращило підгонку моделі. Цей результат суперечить іншим дослідженням, у яких було встановлено, що вологість ґрунту пов’язана з виникненням лісових пожеж у мексиканських лісах ( Cawson та ін., 2022 ; Benyon та ін., 2023 ).

Існувала значна кількість варіабельності, яка не пояснювалася нашим моделюванням (загальна точність 0,70; AUC 0,61), що свідчить про те, що одна або більше важливих пояснювальних змінних не були включені. Однією з таких змінних може бути сама пожежа в навколишньому ландшафті, яка може вплинути на подальшу поведінку пожежі ( Tolhurst and McCarthy 2016 ). Леонард та ін. (2014) виявили, що ймовірність того, що точка залишиться незгорілою, сильно залежить від інтенсивності пожежі в навколишньому ландшафті. Боумен та ін. (2021) включили просторову автокореляційну змінну в своє моделювання та виявили, що вона є найважливішим прогностичним показником серйозності пожеж для пожеж Австралійського чорного літа 2019/20. Вони описують цю змінну як дуже швидке поширення вогню за екстремальних погодних умов, що переважає вплив інших змінних, таких як рельєф. Включення змінної інтенсивності пожежі в нашу модель могло підвищити її точність, однак це обмежило б корисність моделі, запобігаючи її використанню як інструменту прогнозування, оскільки інтенсивність пожежі навколишньої території відома лише ретроспективно. Іншими потенційно важливими змінними, які не були включені в наш аналіз через обмежену доступність даних, були швидкість вітру та мікроклімат під пологом рослин, обидва з яких пов’язані з виникненням пожеж у мексиканських лісах.

Продуктивність моделі була особливо низькою для класу «незгорілих», що підкреслює складність визначення порогових умов для поширення пожежі в густих лісах, вкритих кронами, за допомогою широкомасштабних даних. Дрібномасштабні просторові (100 м) і часові (субденні) варіації мікроклімату субнавісу сильно впливають на ймовірність поширення пожежі в граничних умовах ( Cawson et al., 2022 ). Змінні, які використовувалися в нашому дослідженні, здебільшого представляли набагато більш грубу просторову (5 км) і часову (щоденну) роздільну здатність, що обмежувало їх здатність точно визначати пороги поширення пожежі. Навпаки, точність прогнозу була вищою для класу «спалених», оскільки цей клас включав численні дні сильних пожеж, коли пожежі поширювалися всіма типами лісів, у тому числі середніми. Зробити точні (істинно позитивні) прогнози виникнення пожежі за суворих пожежних погодних умов відносно легко, і це підвищило б справжній позитивний показник у нашій моделі. Низька точність прогнозування за погодних умов із незначними пожежами підкреслює важливість продовження проведення досліджень, які передбачають вимірювання мікроклімату на місцях та поведінки пожежі.

5 . Наслідки для управління пожежами

У міру потепління клімату ми очікуємо, що мезичні ліси частіше сприятимуть розвитку великих лісових пожеж, а не будуть перешкодою для їхнього зростання. Це пов’язано з вищою частотою прогнозованих днів із високим VPD за майбутніх кліматичних умов ( Clarke et al., 2022 ). Хоча топографічні фактори були менш важливими, ніж VPD, розуміння того, як рельєф впливає на частковість лісових пожеж, може бути корисним для боротьби з пожежами. Наше моделювання показує, що лісові пожежі з меншою ймовірністю поширюватимуться через мексиканські ліси в районах із низькою посушливістю, на неглибоких схилах і в більш захищених топографічних місцях, таких як яри та полярні схили. Ці топографічні положення з більшою ймовірністю стануть рефугіумами лісової пожежі – незгорілими плямами в межах лісової пожежі – особливо за менш суворої пожежної погоди. Рефугіуми від лісових пожеж важливі для виживання рослин і тварин, уразливих до частих пожеж ( Krawchuk et al., 2016 ). Пожежні служби могли б включити захист територій з високою ймовірністю стати притулком від лісових пожеж у свої плани запобігання та гасіння пожеж, щоб допомогти зберегти ключові екологічні активи. Приклад цього стався під час пожеж Чорного літа в Австралії 2019–2020 рр. для захисту насаджень стародавньої сосни Воллемі ( Nolan et al., 2021 ). Оскільки лісові пожежі стають частішими, рефугіуми лісових пожеж будуть критично важливими для виживання деяких видів, які не терплять високочастотних пожеж, у тому числі домінантів крони ( E. regnans і E. delegatensis ) у мексиканських лісах південно-східної Австралії ( Bowman et ін., 2014 р .; Ферман та ін., 2016 р .).

Заява про авторський внесок CrediT

Джейн Г. Коусон: Написання – рецензування та редагування, Написання – оригінальний проект, Візуалізація, Адміністрування проекту, Методологія, Залучення фінансування, Формальний аналіз, Концептуалізація. Люк Коллінз: Написання – рецензування та редагування, Методологія, Керування даними, Концептуалізація. Шон А. Паркс: Написання – перегляд і редагування, Методологія, Керування даними, Концептуалізація. Рейчел Х. Нолан: Написання – огляд і редагування, Методологія, Концептуалізація. Трент Д. Пенман: Написання – рецензування та редагування, отримання фінансування, концептуалізація.

Декларація про конкуруючий інтерес

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

Подяки

Ми хотіли б подякувати Хемішу Кларку (Університет Мельбурна) за надання набору даних CHaines, використаного в цьому аналізі. Це дослідження було профінансовано Програмою інтегрованих досліджень лісових екосистем, дослідницьким партнерством між Департаментом енергетики , навколишнього середовища та кліматичних заходів уряду Вікторії та Університетом Мельбурна . Крім того, це дослідження було частково підтримано лісовою службою Міністерства сільського господарства США , науково-дослідною станцією Скелястих гір , науково-дослідним інститутом дикої природи Альдо Леопольда . Висновки та висновки, наведені в цій публікації, належать авторам і не повинні розглядатися як офіційні рішення чи політика Міністерства сільського господарства США чи уряду США.

Додаток . Додаткові матеріали

Завантажити: завантажити документ Word (426 КБ)

Доступність даних

  • Дані будуть надані за запитом.

Список літератури


Abram et al., 2021

N.J. Abram, B.J. Henley, A. Sen Gupta, T.J.R. Lippmann, H. Clarke, A.J. Dowdy, J.J. Sharples, R.H. Nolan, T.R. Zhang, M.J. Wooster, J.B. Wurtzel, K.J. Meissner, A.J. Pitman, A.M. Ukkola, B.P. Murphy, N.J. Tapper, M.M. Boer

Connections of climate change and variability to large and extreme forest fires in southeast Australia

Commun. Earth Environ, 2 (2021)

Google ScholarAshton and Attiwill, 1994

D.H. Ashton, P.M. Attiwill

Tall open forests

RH Groves (Ed.), Australian Vegetation, Cambridge University Press, Cambridge (1994), pp. 157-196

Google ScholarBeguería and Vicente-Serrano, 2023

S. Beguería, S.M. Vicente-Serrano

SPEI: Calculation of the Standardized Precipitation-Evapotranspiration Index

R-Programming Language (2023)

https://github.com/sbegueria/SPEI

Google ScholarBenyon et al., 2023

R.G. Benyon, A. Inbar, G.J. Sheridan, P.N.J. Lane

Critical climate thresholds for fire in wet, temperate forests

For. Ecol. Manage., 537 (2023)

Google ScholarBoer et al., 2020

M.M. Boer, V. Resco de Dios, R.A. Bradstock

Unprecedented burn area of Australian mega forest fres

Nat. Clim. Chang, 10 (2020), pp. 171-172View at publisher 

CrossRefView in ScopusGoogle ScholarBowman et al., 2014

D. Bowman, B.P. Murphy, D.L.J. Neyland, G.J. Williamson, L.D. Prior

Abrupt fire regime change may cause landscape-wide loss of mature obligate seeder forests

Glob. Chang. Biol, 20 (2014), pp. 1008-1015View at publisher 

CrossRefView in ScopusGoogle ScholarBowman et al., 2016

D. Bowman, G.J. Williamson, L.D. Prior, B.P. Murphy

The relative importance of intrinsic and extrinsic factors in the decline of obligate seeder forests

Global Ecol. Biogeogr, 25 (2016), pp. 1166-1172 View at publisher 

This article is free to access.

CrossRefView in ScopusGoogle ScholarBowman et al., 2021

D.M.J.S. Bowman, G.J. Williamson, R.K. Gibson, R.A. Bradstock, R.J. Keenan

The severity and extent of the Australia 2019–20 Eucalyptus forest fires are not the legacy of forest management

Nat. Ecol. Evol, 5 (2021), pp. 1003-1010View at publisher 

CrossRefView in ScopusGoogle ScholarBradstock, 2010

R.A. Bradstock

A biogeographic model of fire regimes in Australia: current and future implications

Glob. Ecol. Biogeogr, 19 (2010), pp. 145-158 View at publisher 

This article is free to access.

CrossRefView in ScopusGoogle ScholarBradstock et al., 2009

R.A. Bradstock, J.S. Cohn, A.M. Gill, M. Bedward, C. Lucas

Prediction of the probability of large fires in the Sydney region of south-eastern Australia using fire weather

Int. J. Wildland Fire, 18 (2009), pp. 932-943

View in ScopusGoogle ScholarBradstock et al., 2010

R.A. Bradstock, K.A. Hammill, L. Collins, O. Price

Effects of weather, fuel and terrain on fire severity in topographically diverse landscapes of south-eastern Australia

Landsc. Ecol, 25 (2010), pp. 607-619View at publisher 

CrossRefView in ScopusGoogle ScholarBreiman, 2001

L. Breiman

Random forests

Mach. Learn, 45 (2001), pp. 5-32

Google ScholarBrown et al., 2021

T.P. Brown, A. Inbar, T.J. Duff, J. Burton, P.J. Noske, P.N.J. Lane, G.J. Sheridan

Forest Structure drives fuel moisture response across alternative forest states

Fire, 4 (2021), p. 48View at publisher 

CrossRefView in ScopusGoogle ScholarBurton et al., 2019

J. Burton, J. Cawson, P. Noske, G. Sheridan

Shifting states, altered fates: divergent fuel moisture responses after high frequency wildfire in an obligate seeder Eucalypt Forest

Forests, 10 (2019)

Google ScholarBurton et al., 2023

J.E. Burton, T.D. Penman, A.I. Filkov, J.G. Cawson

Multi-scale drivers of factors influencing moisture thresholds for litter bed flammability

Agric. For. Meteorol., 337 (2023), p. 109514

View PDFView articleView in ScopusGoogle ScholarCaccamo et al., 2012

G. Caccamo, L.A. Chrisholm, R.A. Bradstock, M.L. Puotinen

Using remotely-sensed fuel connectivity patterns as a tool for firedanger monitoring

Geophysc. Res. Lett, 39 (2012)

Google ScholarCawson et al., 2024

J.G. Cawson, J.E. Burton, B.J. Pickering, T.D. Penman

Moisture thresholds for ignition vary between types of eucalypt forests across an aridity gradient

Land. Ecol., 39 (70) (2024)

Google ScholarCawson et al., 2018

J.G. Cawson, T.J. Duff, M.H. Swan, T.D. Penman

Wildfire in wet sclerophyll forests: the interplay between disturbances and fuel dyanmics

Ecosphere, 9 (2018)

Google ScholarCawson et al., 2017

J.G. Cawson, T.J. Duff, K.G. Tolhurst, C.C. Baillie, T.D. Penman

Fuel moisture in Mountain Ash forests with contrasting fire histories

For. Ecol. Manage., 400 (2017), pp. 568-577

View PDFView articleView in ScopusGoogle ScholarCawson et al., 2020

J.G. Cawson, V. Hemming, A. Ackland, W. Anderson, D. Bowman, R. Bradstock, T.P. Brown, J. Burton, G.J. Cary, T.J. Duff, A. Filkov, J.M. Furlaud, T. Gazzard, M. Kilinc, P. Nyman, R. Peacock, M. Ryan, J. Sharples, G. Sheridan, K. Tolhurst, T. Wells, P. Zylstra, T.D. Penman

Exploring the key drivers of forest flammability in wet eucalypt forests using expert-derived conceptual models

Landsc. Ecol, 35 (2020), pp. 1775-1798View at publisher 

CrossRefView in ScopusGoogle ScholarCawson et al., 2022

J.G. Cawson, B.J. Pickering, A.I. Filkov, J. Burton, M. Kilinc, T.D. Penman

Predicting ignitability from firebrands in mature wet eucalypt forests

For. Ecol. Manage., 519 (2022)

Google ScholarCheal, 2010

D. Cheal

Growth Stages and Tolerable Fire Intervals For Victoria’s native Vegetation Data Sets

Department of Sustainability and Environment, East Melbourne (2010)

Google ScholarClarke et al., 2022

H. Clarke, R.H. Nolan, V. Resco de Dios, R. Bradstock, A. Griebel, S. Khanal, M.M. Boer

Forest fire threatens global carbon sinks and population centres under rising atmospheric water demand

Nat. Commun, 13 (2022)

Google ScholarCollins et al., 2019

L. Collins, A.F. Bennett, S.W.J. Leonard, T.D. Penman

Wildfire refugia in forests: severe fire weather and drought mute the influence of topography and fuel age

Glob. Chang. Biol, 00 (2019), pp. 1-15 View at publisher 

This article is free to access.

CrossRefGoogle ScholarCollins et al., 2021

L. Collins, R.A. Bradstock, H. Clarke, M.F. Clarke, R.H. Nolan, T.D. Penman

The 2019/2020 mega-fires exposed Australian ecosystems to an unprecedented extent of high-severity fire

Environmen. Res. Lett, 16 (2021)

Google ScholarCollins et al., 2022

L. Collins, H. Clarke, M.F. Clarke, S.C. McColl-Gausden, R.H. Nolan, T. Penman, R. Bradstock

Warmer and drier conditions have increased the potential for large and severe fire seasons across south-eastern Australia

Glob. Ecol. Biogeogr, 31 (2022), pp. 1933-1948 View at publisher 

This article is free to access.

CrossRefView in ScopusGoogle ScholarCollins et al., 2018

L. Collins, P. Griffioen, G. Newell, A. Mellor

The utility of Random Forests for wildfire severity mapping

Remote Sens. Environ, 216 (2018), pp. 374-384

View PDFView articleView in ScopusGoogle ScholarCollins et al., 2023

L. Collins, R. Trouvé, P.J. Baker, B. Cirulus, C.R. Nitschke, R.H. Nolan, L. Smith, T.D. Penman

Fuel reduction burning reduces wildfire severity during extreme fire events in south-eastern Australia

J. Environ. Manage., 343 (2023)

Google ScholarCruz et al., 2015

M.G. Cruz, J.S. Gould, M.E. Alexander, A.L. Sullivan, L.W. McCaw, S. Matthews

A Guide to Rate of Spread Fire Models For Australian vegetation

CSIRO Land and Water Flagship, Canberra, and AFAC Melbourne (2015)

Google ScholarCruz et al., 2012

M.G. Cruz, A.L. Sullivan, J.S. Gould, N.C. Sims, A.J. Bannister, J.J. Hollis, R.J. Hurley

Anatomy of a catastrophic wildfire: the Black Saturday Kilmore East fire in Victoria, Australia

For. Ecol. Manage., 284 (2012), pp. 269-285

View PDFView articleView in ScopusGoogle ScholarDepartment of Environment Land Water and Planning 2020a

Department of Environment Land Water and Planning

Fire History Records of Fires Across Victoria

Victorian State Goverment (data.vic.gov.au), Melbourne (2020)

Google ScholarDepartment of Environment Land Water and Planning 2020b

Department of Environment Land Water and Planning

Logging History Overlay of Most Recent Harvesting Activities

Victorian State Goverment (data.vic.gov.au), Melbourne (2020)

Google ScholarFairman et al., 2016

T.A. Fairman, C.R. Nitschke, L.T. Bennett

Too much, too soon? A review of the effects of increasing wildfire frequency on tree mortality and regeneration in temperate eucalypt forests

Int. J. Wildland Fire, 25 (2016), pp. 831-848

View in ScopusGoogle ScholarFarr et al., 2007

T.G. Farr, P.A. Rosen, E. Caro, R. Crippen, R. Duren, S. Hensley, M. Kobrick, M. Paller, E. Rodriguez, L. Roth, D. Seal, S. Shaffer, J. Shimada, J. Umland, M. Werner, M. Oskin, D. Burbank, D. Alsdorf

The shuttle radar topography mission

Rev. Geophys, 45 (2007)

Google ScholarFlorence, 1996

R.G. Florence

Ecology and Silviculture of Eucalypt Forests

CSIRO Publishing Collingwood, Victoria (1996)

Google ScholarFrost et al., 2018

A.J. Frost, A. Ramchurn, A. Smith

The Australian Landscape Water Balance model (AWRA-L v6). Technical description of the Australian water resources assessment landscape model version 6

Bureau Meteorol (2018)

Google ScholarFurlaud et al., 2021

J.M. Furlaud, L.D. Prior, G.J. Williamson, D.M.J.S. Bowman

Fire risk and severity decline with stand development in Tasmanian giant Eucalyptus forest

For. Ecol. Manage., 502 (2021)

Google ScholarGill and Allan, 2008

A.M. Gill, G. Allan

Large fires, fire effects and the fire-regime concept

Int. J. Wildland Fire, 17 (2008), pp. 688-695

View in ScopusGoogle ScholarGorelick et al., 2017

N. Gorelick, M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau, R. Moore

Google Earth Engine: planetary-scale geospatial analysis for everyone

Remote Sens Environ, 202 (2017), pp. 18-27

View PDFView articleView in ScopusGoogle ScholarGriebel et al., 2023

A. Griebel, M.M. Boer, C. Blackman, B. Choat, D.S. Ellsworth, P. Madden, B. Medlyn, V.R. de Dios, A. Wujeska-Klause, M. Yebra, N.Y. Cardenas, R.H. Nolan

Specific leaf area and vapour pressure deficit control live fuel moisture content

Funct. Ecol, 37 (2023), pp. 719-731View at publisher 

CrossRefView in ScopusGoogle ScholarHijmans et al., 2023

R.J. Hijmans, R. Bivand, E. Pebesma, M.D. Sumner

Terra package

R Programming Language (2023)

https://rspatial.org/

Google ScholarJeffrey et al., 2001

S.J. Jeffrey, J.O. Carter, K.B. Moodie, A.R. Beswick

Using spatial interpolation to construct a comprehensive archive of Australian climate data

Environmen. Modell. Softw, 16 (2001), pp. 309-330

View PDFView articleView in ScopusGoogle ScholarJones et al., 2009

D.A. Jones, W. Wang, R. Fawcett

High-quality spatial climate data-sets for Australia

Austral. Meteorol. Oceanogr. Jl, 58 (2009), pp. 233-248View at publisher 

CrossRefView in ScopusGoogle ScholarKrawchuk et al., 2016

M.A. Krawchuk, S.L. Haire, J. Coop, M.A. Parisien, E. Whitman, G. Chong, C. Miller

Topographic and fire weather controls of fire refugia in forested ecosystems of northwestern North America

Ecosphere, 7 (2016)

Google ScholarKuhn, 2008

M. Kuhn

Building Predictive Models in R Using the caret Package

J. Stat. Softw, 28 (2008), pp. 1-26

View in ScopusGoogle ScholarLeonard et al., 2014

S.W.J. Leonard, A.F. Bennett, M.F. Clarke

Determinants of the occurrence of unburnt forest patches: potential biotic refuges within a large, intense wildfire in south-eastern Australia

For. Ecol. Manage., 314 (2014), pp. 85-93

View PDFView articleView in ScopusGoogle ScholarLiaw and Wiener, 2002

A. Liaw, M. Wiener

Classification and regression by randomForest

R News, 2 (2002), pp. 18-22

Google ScholarLittell et al., 2016

J.S. Littell, D.L. Peterson, K.L. Riley, Y. Lui, C.H. Luce

A review of the relationships between drought and forest fire in the United States

Glob. Chang. Biol, 22 (2016), pp. 2353-2369View at publisher 

CrossRefView in ScopusGoogle ScholarMaditinos and Vassiliadis, 2011

Z. Maditinos, C. Vassiliadis

Mega fires: can they be managed effectively?

Disas. Prev. Manag, 20 (2011), pp. 41-52View at publisher 

CrossRefView in ScopusGoogle ScholarMatthews, 2014

S. Matthews

Dead fuel moisture research: 1991-2012

Int. J. Wildland Fire, 23 (2014), pp. 78-92

View in ScopusGoogle ScholarMcArthur, 1967

A.G. McArthur

Fire Behaviour in Eucalypt Forests

Department of National Development, Forestry and Timber Bureau, Canberra (1967)

Google ScholarMcCarthy et al., 2001

M.A. McCarthy, A.M. Gill, R.A. Bradstock

Theoretical fire-interval distributions

Int. J. Wildland Fire, 10 (2001), pp. 73-77

View in ScopusGoogle ScholarMeigs et al., 2020

G.W. Meigs, C.J. Dunn, S.A. Parks, M.A. Krawchuk

Influence of topography and fuels on fire refugia probability under varying fire weather conditions in forests of the Pacific Northwest, USA

Canad. J. For. Res., 50 (2020), pp. 636-647View at publisher 

CrossRefView in ScopusGoogle ScholarMeyn et al., 2007

A. Meyn, P.S. White, C. Buhk, A. Jentsch

Environmental drivers of large, infrequent wildfires: the emerging conceptual model

Prog. Phys. Geogr, 31 (2007), pp. 287-312View at publisher 

CrossRefView in ScopusGoogle ScholarMiller and Urban, 2000

C. Miller, D.L. Urban

Connectivity of forest fuels and surface fire regimes

Landsc. Ecol, 15 (2000), pp. 145-154

View in ScopusGoogle ScholarMills and McCaw, 2010

G.A. Mills, L. McCaw

Atmospheric stability environments and fire weather in Australia – extending the Haines Index. Centre of Australian weather and climate research Technical Report No. 20, CSIRO and the Bureau of Meteorology, Melbourne (2010)

Google ScholarMonteith and Unsworth, 2013

J.L. Monteith, M.H. Unsworth

Principles of Environmental physics. Plants, Animals and the Atmosphere

(4th edition), Elsevier, Oxford, United Kingdom (2013)

Google ScholarMueller et al., 2020

S.E. Mueller, A.E. Thode, E.Q. Margolis, L.L. Yocom, J.D. Young, J.M. Iniguez

Climate relationships with increases wilfire in the southweatern US from 1984 to 2015

For. Ecol. Manage., 460 (2020), Article 117861

View PDFView articleView in ScopusGoogle ScholarMurphy et al., 2013

B.P. Murphy, R.A. Bradstock, M.M. Boer, J. Carter, G.J. Cary, M.A. Cochrane, R.J. Fensham, J. Russell-Smith, G.J. Williamson, D.M.J.S. Bowman

Fire regimes of Australia: a pyrogeographic model system

J. Biogeogr., 40 (2013), pp. 1048-1058View at publisher 

CrossRefView in ScopusGoogle ScholarNolan et al., 2020

R.H. Nolan, C.J. Blackman, V.R. de Dios, B. Choat, B.E. Medlyn, X.M. Li, R.A. Bradstock, M.M. Boer

Linking forest flammability and plant vulnerability to drought

Forests, 11 (2020), p. 16

Google ScholarNolan et al., 2016a

R.H. Nolan, M.M. Boer, V.R. de Dios, G. Caccamo, R.A. Bradstock

Large-scale, dynamic transformations in fuel moisture drive wildfire activity across southeastern Australia

Geophys. Res. Lett, 43 (2016), pp. 4229-4238 View at publisher 

This article is free to access.

View in ScopusGoogle ScholarNolan et al., 2021

R.H. Nolan, D. Bowman, H. Clarke, K. Haynes, M.K.J. Ooi, O.F. Price, G.J. Williamson, J. Whittaker, M. Bedward, M.M. Boer, V.I. Cavanagh, L. Collins, R.K. Gibson, A. Griebel, M.E. Jenkins, D.A. Keith, A.P. McIlwee, T.D. Penman, S.A. Samson, M.G. Tozer, R.A. Bradstock

What do the Australian black summer fires signify for the global fire crisis?

Fire-Switzerl., 4 (2021)

Google ScholarNolan et al., 2016b

R.H. Nolan, V. Resco de Dios, M.M. Boer, G. Caccamo, M.L. Goulden, R.A. Bradstock

Predicting dead fine fuel moisture at regional scales using vapour pressure deficit from MODIS and gridded weather data

Remote Sens. Environ, 174 (2016), pp. 100-108

View PDFView articleView in ScopusGoogle ScholarNyman et al., 2018

P. Nyman, C.C. Baillie, T.J. Duff, G.J. Sheridan

Eco-hydrological controls on microclimate and surface fuel evaporation in complex terrain

Agric. For. Meteorol, 252 (2018), pp. 49-61

View PDFView articleView in ScopusGoogle ScholarNyman et al., 2015

P. Nyman, D. Metzen, P.J. Noske, P.N.J. Lane, G.J. Sheridan

Quantifying the effects of topographic aspect on water content and temperature in fine surface fuel

Int. J. Wildland Fire, 24 (2015), pp. 1129-1142

View in ScopusGoogle ScholarNyman et al., 2014

P. Nyman, C.B. Sherwin, C. Langhans, P.N.J. Lane, G.J. Sheridan

Downscaling regional climate data to calculate the radiative index of dryness in complex terrain

Austral. Meteorol. Oceanogr. J, 64 (2014), pp. 109-122View at publisher 

CrossRefView in ScopusGoogle ScholarParks, 2014

S.A. Parks

Mapping day-of-burning with coarse-resolution satellite fire-detection data

Int. J. Wildland Fire, 23 (2014), pp. 215-223

View in ScopusGoogle ScholarParks et al., 2018

S.A. Parks, L.M. Holsinger, M.H. Panunto, W.M. Jolly, S.Z. Dobrowski, G.K. Dillon

High-severity fire: evaluating its key drivers and mapping its probability across western US forests

Environmen. Res. Lett, 13 (2018)

Google ScholarPickering et al., 2021

B.J. Pickering, T.J. Duff, C. Baillie, J.G. Cawson

Darker, cooler, wetter: forest understories influence surface fuel moisture

Agric. For. Meteorol, 300 (2021)

Google ScholarPrice and Bradstock, 2012

O.F. Price, R.A. Bradstock

The efficacy of fuel treatment in mitigating property loss during wildfires: insights from analysis of the severity of the catastrophic fires in 2009 in Victoria, Australia

J. Environ. Manage., 113 (2012), pp. 146-157

View PDFView articleView in ScopusGoogle ScholarR Core Team 2022

R Core Team

R: A language and Environment For Statistical Computing

R Foundation for Statistical Computing, Vienna, Austria (2022)

https://www.R-project.org/

Google ScholarRay et al., 2005

D. Ray, D. Nepstad, P. Moutinho

Micrometeorological and canopy controls of fire susceptibility in a forested Amazon landscape

Ecolog. Applic, 15 (2005), pp. 1664-1678View at publisher 

CrossRefView in ScopusGoogle ScholarResco de Dios et al., 2022

V. Resco de Dios, A.C. Camprubi, N. Perez-Zanon, J.C. Pena, E.M. del Castillo, M. Rodrigues, Y.N. Yao, M. Yebra, C. Vega-Garcia, M.M. Boer

Convergence in critical fuel moisture and fire weather thresholds associated with fire activity in the pyroregions of Mediterranean Europe

Sci. Total Environ, 806 (2022)

Google ScholarResco de Dios et al., 2015

V. Resco de Dios, A.W. Fellows, R.H. Nolan, M.M. Boer, R.A. Bradstock, F. Domingo, M.L. Goulden

A semi-mechanistic model for predicting the moisture content of fine litter

Agric. For. Meteorol, 203 (2015), pp. 64-73

View PDFView articleView in ScopusGoogle ScholarRuthrof et al., 2016

K.X. Ruthrof, J.B. Fontaine, G. Matusick, D.D. Breshears, D.J. Law, S. Powell, G. Hardy

How drought-induced forest die-off alters microclimate and increases fuel loadings and fire potentials

Int. J. Wildland Fire, 25 (2016), pp. 819-830

View in ScopusGoogle ScholarSedano and Randerson, 2014

F. Sedano, J.T. Randerson

Multi-scale influence of vapour pressure deficit on fire ignition and spread in boreal forest ecosystems

Biogeosciences, 11 (2014), pp. 3739-3755View at publisher 

CrossRefView in ScopusGoogle ScholarSenande-Rivera et al., 2022

M. Senande-Rivera, D. Insua-Costa, G. M-M

Spatial and temporal expansion of global wildland fire activity in response to climate change

Nat. Commun, 13 (2022)

Google ScholarSharples, 2009

J.J. Sharples

An overview of mountain meteorological effects relevant to fire behaviour and bushfire risk

Int. J. Wildland Fire, 18 (2009), pp. 737-754

View in ScopusGoogle ScholarSing et al., 2005

T. Sing, O. Sander, N. Beerenwinkel, T. Lengauer

ROCR: visualising classifier performance in R

Bioinformatics, 21 (2005), p. 7881

Google ScholarStephens et al., 2014

S.L. Stephens, N. Burrows, A. Buyantuyev, R.W. Gray, R.E. Keane, R. Kubian, S. Liu, F. Seijo, L. Shu, K.G. Tolhurst, J.W. van Wagtendonk

Temperate and boreal forest mega-fires: characteristics and challenges

Front. Ecol. Environ., 12 (2014), pp. 115-122View at publisher 

CrossRefView in ScopusGoogle ScholarStorey et al., 2016

M. Storey, O. Price, E. Tasker

The role of weather, past fire and topography in crown fire occurrence in eastern Australia

Int. J. Wildland Fire, 25 (2016), pp. 1048-1060

View in ScopusGoogle ScholarSullivan, 2017

A.L. Sullivan

Inside the inferno: fundamental processes of wildland fire behaviour. Part 2: heat transfer and interactions

Curr. Forest. Reports, 3 (2017), pp. 150-171View at publisher 

CrossRefView in ScopusGoogle ScholarSullivan and Matthews, 2013

A.L. Sullivan, S. Matthews

Determining landscape fine fuel moisture content of the Kilmore East ‘Black Saturday’ wildfire using spatially-extended point-based models

Environmen. Modell. Softw, 40 (2013), pp. 98-108

View PDFView articleView in ScopusGoogle ScholarTaylor et al., 2014

C. Taylor, M.A. McCarthy, D.B. Lindenmayer

Nonlinear effects of stand age on fire severity

Conserv. Lett, 7 (2014), pp. 355-370 View at publisher 

This article is free to access.

CrossRefView in ScopusGoogle ScholarTng et al., 2013

D.Y.P. Tng, G.J. Williamson, G.J. Jordan, D.M.J.S. Bowman

Giant eucalypts – globally unique fire-adapted rain-forest trees?

New Phytol, 196 (2013), pp. 1001-1014

Google ScholarTolhurst and McCarthy, 2016

K.G. Tolhurst, G. McCarthy

Effect of prescribed burning on wildfire severity: a landscape-scale case study from the 2003 fires in Victoria

Austral. Forest, 79 (2016), pp. 1-14View at publisher 

CrossRefView in ScopusGoogle ScholarVicente-Serrano et al., 2010

S.M. Vicente-Serrano, S. Beguería, J.L. López-Moreno

A Multi-scalar drought index sensitive to global warming: the standardized precipitation evapotranspiration index – SPEI

J. Clim, 23 (2010), pp. 1696-1718

View in ScopusGoogle ScholarViney, 1991

N.R. Viney

A review of fine fuel moisture modelling

Int. J. Wildland Fire, 1 (1991), pp. 215-234

View in ScopusGoogle ScholarWei and Simko, 2017

T. Wei, V. Simko

R package “corrplot”: visualisation of a correlation matrix (Version 0.84)

(2017)

https://github.com/taiyun/corrplot

Google ScholarWilliams et al., 2014

A.P. Williams, R. Seager, A.K. Macalady, M. Berkelhammer, M.A. Crimmins, T.W. Swetnam, A.T. Trugman, N. Buenning, D. Noone, N.G. McDowell, N. Hryniw, C.I. Mora, T. Rahn

Correlations between components of the water balance and burned area reveal new insights for predicting forest fire area in the southwest United States

Int. J. Wildland Fire, 24 (2014), pp. 14-26

Google ScholarWilson et al., 2022

N. Wilson, R. Bradstock, M. Bedward

Disturbance causes variation in sub-canopy fire weather conditions

Agric. For. Meteorol, 323 (2022)

Google ScholarZhao et al., 2022

L. Zhao, M. Yebra, A.I.J.M. van Dijk, G.J. Cary, D. Hughes

Controlled field experiment clarifies the influence of soil moisture on litter moisture content

Agricul. For. Meteorol, 314 (2022)

Google ScholarZylstra, 2018

P.J. Zylstra

Flammability dynamics in the Australian Alps

Austral. Ecol, 43 (2018)

Google Scholar

https://www.sciencedirect.com/science/article/pii/S0168192324001059