Технологічні основи розуміння пожеж у всьому світі

Рафаель Колль ДельгадоЦентр біологічних і природничих наук, Федеральний університет Акко (UFAC), Ріо-Бранко 69920-900, AC, Бразилія

Ліси 2024 ,  15 (2), 301; 

https://doi.org/10.3390/f15020301

Опубліковано: 4 лютого 2024 р

Анотація

Видання «Прогнозування та виявлення лісових пожеж» підкреслює важливість досліджень пожеж у всьому світі. В останні роки збільшення частоти пожеж, спричинених зміною клімату, зробило планету непридатною для життя. Було підготовлено та опубліковано декілька робіт з метою підвищення обізнаності громадянського суспільства та державних органів щодо важливості розробки нових технологій для моніторингу територій, схильних до масштабних пожеж. Цей спецвипуск включає дев’ять важливих робіт з різних країн. Мета полягає в тому, щоб краще зрозуміти вплив на найрізноманітніші регіони світу, екосистеми та фітофізіономію лісів. Були використані нові геотехнології та пожежні моделі, обидва з яких є важливими та можуть бути використані в майбутньому для покращення короткострокового та довгострокового планування пожежогасіння.

Тут ми представляємо дев’ять опублікованих робіт з різних регіонів світу. Очікується, що їхній основний результат допоможе нам зрозуміти наслідки зміни клімату та допоможе запобігти цим впливам і контролювати їх за допомогою виявлення закономірностей, застосування нових технологій, моделей короткострокового прогнозу та майбутніх прогнозів виникнення та запобігання пожежам у всьому світі.У бореальних лісах Аляски та західної Канади [ 1 ] автори змогли змоделювати, використовуючи модель FlamMap, земний покрив до 2054 року. Це регіони, де є два легкозаймисті види: чорна ялина ( Picea mariana (Mill. ) BSP) і сосна польова ( Pinus contorta Dougl. ex Loud. var. latifolia Engelm.). Моніторинг росту цих видів може допомогти зрозуміти ризик лісових пожеж для місцевих громад, а також зробити внесок у іншу роботу, яка може використовувати ту саму ідею в інших регіонах та фітофізіономії лісів.У Китаї дослідники [ 2 ] розробили новий гібридний алгоритм машинного навчання на основі випадкового лісу (RF), дерева рішень із посиленням градієнта (GBDT), опорної векторної машини (SVM) та інших моделей машинного навчання для покращення прогнозування лісових пожеж. Автори виділяють модель, розроблену для покращення моніторингу та прогнозування пожеж у цьому регіоні [ 2 ]. На рисунку 1 можна побачити, що регіони з високою ймовірністю виникнення лісових пожеж зосереджені переважно в північно-східних, південно-західних та південно-східних областях [ 2 ].

Ліси 15 00301 g001

Рисунок 1. Зонування лісових пожеж у Китаї. Адаптовано з Shao et al. [ 2 ].

Інші роботи також були розроблені в Китаї з використанням даних з Himawari-8 для виявлення диму, впровадження неконтрольованої адаптації домену (UDA) і використання моделі рекурсивної двонаправленої пірамідальної мережі (RBiFPN) для виявлення диму [ 3 , 4 ]. , 5 ].У Південній Америці (Бразилія) та Європі (Португалія) автори [ 6 ] використовували зображення з датчиків супутника Landsat-8 OLI/TIRS для аналізу спектральної роздільності при виявленні спалених ділянок у Бразилії (суха екосистема) та Португалії (ліси помірного клімату). ). На малюнку 2 видно, що в Бразилії контрольна вигоріла площа досягла 8,88 км 2 , тоді як у Португалії вона перевищила значення 93 км 2 ( рис. 2 ).

Ліси 15 00301 g002

Рисунок 2. Площа згоряння з використанням бази даних пожеж для Бразилії ( a ) з просторовою роздільною здатністю 30 м і геопросторової бази даних пожеж із просторовою роздільною здатністю 10 м для Португалії ( b ). Адаптовано з Pacheco et al. [ 6 ].В іншому регіоні Бразилії автори розробили нову модель для оцінки ризику пожежі в районі Атлантичного лісу в національному парку Ітатіая [ 7 ]. Автори використовували мікрометеорологічні дані та дистанційне зондування, щоб створити модель ризику під назвою Fire Risk Atlantic Forest (FIAF). Автори також створили симуляцію майбутнього, починаючи з 2022 року до 2050 року; для цього використовували сценарій SSP2-4.5 і японську модель MRI-ESM2-0 [ 8 ].У штаті Піауі в Бразилії, в біомі Серрадо, автори [ 9 ] використовували дані з датчика температури поверхні моря і землі (SLSTR) супутника Sentinel-3B і спектрорадіометра з помірною роздільною здатністю (MODIS) Terra супутник для аналізу тематичної точності карт вигорілої території та їх чутливості в різних спектральних роздільних здатностях. Автори використовували методологію навчання та класифікатор Support Vector Machine (SVM) і виявили, що основні проблеми, пов’язані зі спектральним змішуванням, датою реєстрації та просторовою роздільною здатністю 500 м, були основними факторами, які призвели до помилок комісії в діапазоні від 15% до 72% і помилки пропуску від 51% до 86% для обох датчиків.На великій території, такій як регіон, відомий як транскордонна територія між Китаєм, Північною Кореєю та Росією, автори [ 10 ], використовуючи модель логістичної регресії (LR), стандартизовані коефіцієнти та інтерполяцію Крігінга, виявили, що в цих регіони, клімат, рельєф і тип рослинності більше впливають на виникнення пожеж, ніж дії людини. Кліматичні фактори були найважливішими факторами, що впливали на ймовірність лісових пожеж, потім йшли рельєф і фактори рослинності, а фактори діяльності людини мали найменший вплив ( рис. 3 ).

Ліси 15 00301 g003

Рисунок 3. Розмір частково стандартизованого коефіцієнта логістичної регресії для кожної змінної в процесі коригування моделі LR. Адаптовано з Quan et al. [ 10 ].Насамкінець я хотів би подякувати всім авторам за їхній науковий внесок у цей спецвипуск. Я хотів би подякувати всім залученим рецензентам, редакційній колегії та особливо колективу редакції МДПІ за підтримку.

Фінансування

Це дослідження не отримало зовнішнього фінансування.

Заява про доступність даних

Не застосовується.

Конфлікт інтересів

Автори заявляють про відсутність конфлікту інтересів.

Список літератури

  1. Calef, M.P.; Schmidt, J.I.; Varvak, A.; Ziel, R. Predicting the Unpredictable: Predicting Landcover in Boreal Alaska and the Yukon Including Succession and Wildfire Potential. Forests 202314, 1577. [Google Scholar] [CrossRef]
  2. Shao, Y.; Feng, Z.; Cao, M.; Wang, W.; Sun, L.; Yang, X.; Ma, T.; Guo, Z.; Fahad, S.; Liu, X.; et al. An Ensemble Model for Forest Fire Occurrence Mapping in China. Forests 202314, 704. [Google Scholar] [CrossRef]
  3. Li, X.; Zhang, G.; Tan, S.; Yang, Z.; Wu, X. Forest Fire Smoke Detection Research Based on the Random Forest Algorithm and Sub-Pixel Mapping Method. Forests 202314, 485. [Google Scholar] [CrossRef]
  4. Yan, Z.; Wang, L.; Qin, K.; Zhou, F.; Ouyang, J.; Wang, T.; Hou, X.; Bu, L. Unsupervised Domain Adaptation for Forest Fire Recognition Using Transferable Knowledge from Public Datasets. Forests 202314, 52. [Google Scholar] [CrossRef]
  5. Li, A.; Zhao, Y.; Zheng, Z. Novel Recursive BiFPN Combining with Swin Transformer for Wildland Fire Smoke Detection. Forests 202213, 2032. [Google Scholar] [CrossRef]
  6. Pacheco, A.d.P.; da Silva, J.A., Jr.; Ruiz-Armenteros, A.M.; Henriques, R.F.F.; de Oliveira Santos, I. Analysis of Spectral Separability for Detecting Burned Areas Using Landsat-8 OLI/TIRS Images under Different Biomes in Brazil and Portugal. Forests 202314, 663. [Google Scholar] [CrossRef]
  7. Delgado, R.C.; Wanderley, H.S.; Pereira, M.G.; Almeida, A.Q.d.; Carvalho, D.C.d.; Lindemann, D.d.S.; Zonta, E.; Menezes, S.J.M.d.C.d.; Santos, G.L.d.; Santana, R.O.d.; et al. Assessment of a New Fire Risk Index for the Atlantic Forest, Brazil. Forests 202213, 1844. [Google Scholar] [CrossRef]
  8. Yukimoto, S.; Kawai, H.; Koshiro, T.; Oshima, N.; Yoshida, K.; Urakawa, S.; Tsujino, H.; Deushi, M.; Tanaka, T.; Hosaka, M.; et al. The Meteorological Research Institute Earth System Model version 2.0, MRI-ESM2.0: Description and basic evaluation of the physical component. J. Meteorol. Soc. Jpn. 201997, 931–965. [Google Scholar] [CrossRef]
  9. da Silva Junior, J.A.; Pacheco, A.d.P.; Ruiz-Armenteros, A.M.; Henriques, R.F.F. Evaluation of the Ability of SLSTR (Sentinel-3B) and MODIS (Terra) Images to Detect Burned Areas Using Spatial-Temporal Attributes and SVM Classification. Forests 202314, 32. [Google Scholar] [CrossRef]
  10. Quan, D.; Quan, H.; Zhu, W.; Lin, Z.; Jin, R. A Comparative Study on the Drivers of Forest Fires in Different Countries in the Cross-Border Area between China, North Korea and Russia. Forests 202213, 1939. [Google Scholar] [CrossRef]

https://www.mdpi.com/1999-4907/15/2/301

Loading