文摘

人类的生存依赖于生存的森林和他们支持的生态系统,然而每年野火摧毁全球数百万公顷的森林。大火发生在特定的条件下,在某些地区,可以通过适当的技术研究。各种各样的统计建模方法已被研究人员评估;然而,整体建模的野火易感性尚未进行。我们假设整体建模的野火磁化率比单一的建模技术。本研究模型野火的发生在澳大利亚的布里斯班集水,这是一项年度活动,利用熵指数(埃克斯波特学院),证据信念函数(EBF),逻辑回归(LR)集成技术。作为一个次要目标的研究,火灾风险的空间分布从城市化和生态系统等不同方面进行评估。最高的精度(88.51%)是通过使用合奏EBF和LR模型。本研究的结果可能有助于特定人群如规划者,以避免敏感的危险地区规划;模型建造者和合奏算法取代传统的单个方法; and geospatial users to enhance their knowledge of geographic information system (GIS) applications.

1。介绍

火灾,或者称为森林火灾、山火、森林火灾、火灾和植被,受到风和夏季气温高,能够摧毁整个森林的速度比他们可以得到控制1),导致不可逆的,不可估量的环境、经济和社会损害(2]。森林大火造成直接的森林退化(3]。像2020年澳大利亚森林大火4),各种森林植物(5和森林物种6]在很短的时间内被摧毁。土壤养分流失是一个持久的影响(7,8),大火可以使一个地区。生态系统和生物多样性(9)如鸟筑巢和栖息地(10,11)也因此容易受到野火现象。破坏水域(12和减少水质13,14)是这场灾难的破坏性影响。最后但并非最不重要,影响人居和健康(15,16)可以被认为是不能退还的野火灾难的负面影响。

自然灾害管理的基本要求是准确定位野火濒危地区(17),这意味着找到最高的地区潜在的未来的火灾发生。在适当的自然风险管理,可以控制火灾和损失最小化(18]。事实上,评估当地野火发生的易感性是基于一个特定的历史之间的相关性野火事件及其相关导致因素如地形、水文和地质19]。

许多方法和算法已被用于火灾风险映射(20.]。最近的研究利用遥感(例如,航拍照片,激光雷达数据和信号)和专题地图直接或间接结合地理信息系统(GIS),和他们有可能支持评估火灾风险等各种方面的载油量(21,22),烧伤严重程度(23),和强度测量24,25]。概率和易感性的基础领域的野火研究[26),是必不可少的风险,脆弱,响应和安全性研究[27]。作为一个实际的例子,野火时空分布可以来源于易感性在一段时间内28),为了建立趋势,可以监控和投射到未来。野火概率的映射中使用的现有方法涵盖了各种各样的算法。例如,定性层次分析法(AHP)和Mamdani模糊逻辑(漏)所使用的方法Pourtaghi et al。18]。他们的输出表示,定性分析可能不准确,因为它是一个以知识为基础的方法,不同于人的人。线性和二次判别分析,频率比率(FR), weights-of-evidence(悲哀)一起使用与十三致病因素的研究香港et al。27),曲线下的面积(AUC)森林火灾易感性映射不超过82.2%。Jaafari et al。29日]5决策树分类器使用野火映射和报道高水平的性能( )。然而,决策树模型往往需要大量的计算建模和敏感训练大数据(30.]。FR是已知的作为一个简单的和受欢迎的统计算法也是利用映射野火风险(31日]。然而,在这项研究中,FR性能( )是不太有效的比较香农熵模型( )。支持向量机(SVM)作为另一种流行的算法被天山Bui et al。32)检测最野火猫英航敏感地区国家公园地区(越南)产生的AUC的87.5%。Pourghasemi et al。33)生产的野火易感性地图基于证据的信念函数(EBF)和二元逻辑回归(BLR)模型。验证结果说明EBF的表现( )BLR ( )。野火易感性映射使用16调节因素,Gholamnia et al。34]利用机器学习(ML)方法(例如,人工神经网络(ANN), dmine回归(博士),数据挖掘(DM)的神经,至少角回归(LARS),多层感知器(MLP),随机森林(RF),径向基函数(RBF),自组织映射(SOM)、支持向量机、决策树(DT))和报告最高(88%),最低的准确性(65%)为射频和逻辑回归(LR),分别。Kalantar et al。35)使用3 ML算法绘制了森林大火易感性,即多元自适应回归样条函数(火星),支持向量机,提高了回归树(BRT)和重采样技术在训练阶段。他们报道了重采样过程提高了建模和BRT AUC 91%超过别人。在这种背景下,几毫升的方法,例如,DT,有一种内在的计算复杂度,需要大量的事前分析阶段,大量的处理时间36]。尽管上述研究获得了满意的AUC, AUC值都小于91%(多数在74% - -83%之间),它激励我们去调查其他算法和追求火灾预测的精度高。

事实证明等其他一些研究布朗et al。37)和Podschwit et al。38]合奏和multimodel方法可能导致更准确的结果。周(39)表示,整体建模提供了一种先进的学习方法,已成为一个焦点的建模研究自1990年代以来,已经被证明可以产生更精确的结果比使用一个方法(40- - - - - -43]。一项由Jaafari et al。44)进行检查和比较四种混合(人工智能)方法对单个模型映射的野火概率Hyrcanian ecoregion,伊朗。他们的发现证明了to18%增加使用混合模型的建模精度,而不是单个模型。很明显,任何个人的方法,无论它的优点,有一定的局限性。在整体建模通过适当选择两种方法,它火车多个算法,随后结合进行分析(45),那么一个可以减少或消除另一个限制,反之亦然(46]。因此,在目前的研究中,提出了整体模型,提高建模和性能更高的精度。

另外,EBF能够快速数据处理没有preassumptions [47]。应用到野火易感性映射,一个二元统计分析(BSA)方法是基于比较的野火库存地图作为因变量和单个输入影响地图(地质/野火,方面/野火,高度/野火,等等)(48]。在执行中,空间相关性野火库存地点和每个野火的每个类影响因素将被测量。例如,地质因素的权重派生代表每个地质类型对野火的影响发生在该地区。此外,多元统计分析(MSA)只在野火事件评估的影响因素,而不是每个类的影响。使用一个整体建模方法,类和分离的影响因素可以评估在一个单一的集成分析。EBF和埃克斯波特学院分为BSA方法和提取每个类的每个条件的影响因素。在各种执行LR分析的方法,它能够评估的影响因素本身的野火事件不分阶级的影响。因此,在这里,整体分析产生的潜在能力更加可靠和准确的结果比较个体的算法。虽然整体建模已经利用在野火域中,有一系列其他技术尚未进行整体分析。个别EBF的文学研究表明应用程序,熵指数(埃克斯波特学院),和LR建模,然而他们的可比性和应用在整体建模仍未测试,在炼油派生的野火易感性地图,我们可以确定。

为了这个目的,一个火灾建模方法使用埃克斯波特学院,EBF,介绍了LR算法和检查。选取了三种算法的基础上,相对快速的执行和可理解性,以及这样一个事实:他们不需要特定的专用软件49]。解决在布里斯班流域森林大火发生的重要因素,澳大利亚,我们评估和排名初始十四致病因素(即。,altitude, slope, aspect, curvature, topographic wetness index (TWI), topographic position index (TPI), rainfall, geology, soil, land use land cover (LULC), distance from rivers, distance from roads, wind, and normalized difference vegetation index (NDVI)). Especially, the study area faces midsummer heatwave triggering fire conditions, and this study could enlighten the sources of hazard for decision makers to protect the species threatened with extinction [50]。通过产生更可靠的易感性和风险地图,本研究将协助在野火管理、林业、当地居民和策略。我们认为,组合成一个整体的方法,精度可以超过个人输出。

2。研究区域

研究区(澳大利亚布里斯班排水)坐落在153°129.21227°E 1740.095年代和152°2231.14427°E 567.549年代(图1),它的LULC主要种植、林业种植、城市和农村地区。与两个季节的气候温暖,干燥的冬季和夏季炎热潮湿。平均温度范围从9到12°C和21 - 29.8°C,分别。研究ecoregion地区是温带阔叶和混交林。然而,温带森林的经验范围广泛的温度和降水的变化。全年在降雨的地区广泛分布,落叶树木混合物种的常青树。物种如桉树和金合欢代表温带阔叶和混交林的成分在澳大利亚。在澳大利亚,温带森林从昆士兰东南部延伸至南澳大利亚享受温和的气候和降雨量高,产生独特的桉树森林和林地。这在澳大利亚生物群系曾作为众多的植物和动物物种的避难所当干燥条件盛行在大多数的大陆。导致了一个非常不同的生物频谱与高水平的区域和当地的特有现象。最近,破纪录的高温和干旱等极端事件造成毁灭性的大火在澳大利亚,摧毁数百万英亩的物种和威胁人类生命(https://www.bloomberg.com/graphics/2020-australia-fires/),全球排名澳大利亚最倾向的国家野火(51]。因为有一个非常高的野火在旱季危险的可能性,我们使用地理数据的程度从2011年到2019年发生的森林大火。图1显示了研究区域的库存野火的程度。昆士兰州首府布里斯班,这种状态的东南角,是澳大利亚主要的野火的地区之一。

3所示。方法

野火易感性的映射算法应用个人和作为一个整体在这项研究中。逐步方法流程图如图2说明了本研究的不同阶段。实现这项研究的主要目的(整体建模),第一个四个步骤实施。随后,这些步骤的结果都进入到最后阶段,执行火灾风险的次要目标映射。森林火灾的分析开始随机选择库存分节中解释3.1。1。训练数据集作为初始输入,利用埃克斯波特学院和EBF的方法,以评估使用这两种方法与影响因素的相关性。对BSA的分析,第二个输入一组调节因素(3.1.2节)。部分3.2描述了使用多重共线性和皮尔逊相关分析来消除一些因素的数据集,以避免冗余。在第三步中,BSA使用埃克斯波特学院和EBF的方法进行,使用MSA和最后的易感性地图制作。曲线下面积(AUC)技术被用来评估结果的可靠性使用测试数据集(30%)(部分3.6)。随后,流程图的虚线箭头,派生的BSA权重与LR算法用于合奏。整体分析被用来生成最终的野火易感性地图。此后,研究发起的次要目标。最敏感的野火类覆盖在几个漏洞地图来自不同的来源。目的是证明风险地图可以不同的应用程序和目标分析的基础上。

3.1。数据使用

准确wildfire-influencing因素集和精确的检测概率野火wildfire-ravaged位置至关重要的敏感性分析。这两个数据集的精度直接影响最终的结果(52]。每个数据集的特征、来源和描述将在以下部分描述。

3.1.1。野火库存数据集

敏感性分析可以通过评估来进行类似的过去事件和他们的诱发因素。一系列的来源,如原位映射,历史记录,报告,遥感,航拍照片可以用来准备库存数据集(53]。在这个研究中,澳大利亚统计局编制的野火库存数据集农业与资源经济学和科学(abare)国家森林库存(NFI)。原始数据是在矢量格式交付。每个多边形包含位置的细节,日期和燃烧区域(表的大小1)。库存数据集涵盖了从2011年到2019年的火灾记录。根据表1,2016年发病率最高的野火占地674072平方米。在这个地区,大部分的野火事件是位于北部和东北部(图1)。因为库存数据在多边形的格式,一个随机点选择技术应用,然而,很少有创新如下所述。

不像大多数的先前的研究54- - - - - -56),库存点没有选择在整个盆地作为这忽略了燃烧区域的大小。准备阶段,四个领域感兴趣的定义(图3库存区域)。

在下一步中,野火多边形的面积(火)的重心在每个区测量。最后,野火随机点,对他们的地区,被选为列在表中2。我们旨在选择300库存点。根据每个区域的总面积,点来自它们的具体数字。例如,在区域1,森林火灾区域的百分比对整个火灾地区是12%。百分之十二的300点36分,已随机来自该区域。为每个火灾事件(多边形),生成一个缓冲区,以避免边际火灾区域。因此,300年无火灾样本随机提取剩余的领域建模的目的。

我们的训练和测试数据集创建使用健壮性的空间技术,将数据分为两类不考虑事件的日期(42]。

300库存点被收购后,300年无火灾点编译和数据除以随机选择的总库存点根据标准70%的训练,30%的测试(比例57- - - - - -59]。

3.1.2。影响因素

Pourtaghi et al。18这些因素的)提供了一个很好的复习。由于没有接受数据集创建框架,很多研究仅仅依靠数据可用性专家知识和文献[33,60]。在这项研究中,选择的主要影响因素是传统的完美方法。前主要分析、统计多重共线性分析进行选择的因素(部分3.2)。我们最初的选择影响因素数据集包括海拔、坡度、方面,曲率,双胞胎,TPI,降雨量、地质、土壤、LULC,距离河流,道路,距离风,和归一化植被指数。这些因素是最引用和相关文献[18,61年,62年]。的因素是来自各种来源,相应地将提到。原始数据集被用来推导出主要影响因素。这包含(a)与5米空间分辨率数字高程模型(DEM)(从激光雷达数据)被用来计算高度,斜坡,方面,曲率,双胞胎,和TPI;(b)土壤地图(1:250000规模)和地质地图(1:100000规模)从CSIRO获得澳大利亚政府网站;(c)陆地卫星图像是用来提供NDVI地图;(d)公路和河流网络;和(e)降雨和风来自气象监测站的信息。通过适当的方法和转换,每个因素是和导入GIS环境准备的。

地形是野火发生的最有影响力的因素之一。降水、温度、日照和风能都是与当地的地形63年]。地形可以以不同的方式影响野火。坡、方面和高度影响太阳辐射水平(64年和对燃料水分含量的影响65年]。野火蔓延方向通常是由地形因素决定和风力(66年]。地形、燃料、和气候是公认的三个主要元素在野火创建、传播、和强度(67年),与地形最稳定的因素。

高度影响火灾行为影响的程度和时间沉淀,季节性干燥的燃料和风力(68年]。更高的温度和更低的降雨量低土地导致燃料干得更快。斜率影响燃料预热,因此,传播的速度和方向69年]。燃料预热可以影响斜率。锋利的斜坡预热干燥上坡燃料,导致更快的燃烧(70年]。因此,在火灾事件,斜率定义的方向传播(71年]。斜坡位置和程度都是重要的因素在野火蔓延的程度。通常,最大的野火在斜坡的底部开始。此外,火灾往往传播速度比一斜坡(72年]。火会移动,根据该地区的地貌类型,它以各种方式转移73年]。例如,狭窄的峡谷是一个最危险的形式的土地在发生森林大火74年]。在这样的条件下,更大程度的斜率增加野火的破坏力。原因是这个地形创造强烈的上升气流的空气,预热上坡燃料,因此,增加传热的可能性。在某些情况下,如果山谷足够窄,可能启动的爆发对边开火。

方面定义了斜坡的方向。燃油温度和湿度的影响方面是明显的(75年]。方面控制接收到的太阳辐射,它间接影响植被类型和封面(76年]。在南半球,北坡还往往有较少的植被和打火机燃料负荷,特别是在低海拔森林(77年]。北斜坡接受更高水平的太阳辐射,因此温暖,所以燃料干得更快。另一方面,南山坡上含有更多的植被,因此,更大的燃料量。这些斜坡的干燥过程慢是因为阴影。在火灾发生的情况下,它们会引起更严重的火灾。曲率,显示地形的形态,是另一个野火发生的影响因素(78年]。正数、负数和零曲率值指定表面凸,凹,或平坦,分别79年]。的一个方法来评估地形的影响在该地区的水文特征80年是双胞胎。双胞胎显示流的数量积累在任何时候在流域水的下坡的趋势由重力的力量,它的措施和方向的斜率水文流(81年]。双胞胎的专题地图是使用系统自动生成geo-scientific分析(ArcGIS)。 在哪里累积了边坡区排水通过一个点,然后呢斜率是角点(46]。表3提供了详细的和通用的描述研究区域的土壤类型。这些信息是有用的土地管理和规划。

TPI定义或描述形状如峡谷和脊82年]。这个因素反映病灶细胞之间的高差和所有的细胞都在附近83年),这可以使一个简单的和有用的方法分类景观形态类。

研究区域的特征之一,对火灾事故有直接或间接的影响天气条件(63年]。因素如火点火潜力,严重性,传热,和强度都与天气条件(84年]。燃料水分和湿度与降水数量直接相关(85年),而风速影响传热和方向(86年]。

LULC火灾被认为是一个重要的影响因素,以及其他自然灾害,如洪水和山体滑坡87年]。在本研究中,LULC因素,包括56类,用于调查最具影响力的土地覆盖类型野火。

野火,地面植被可分为燃料(如根)88年),表面燃料(例如,草)89年),阶梯燃料(如小型树)90年),和皇冠燃料(例如,森林的树冠)[91年]。野火燃烧和行为是高度的影响大小、水分和化学内容的燃料92年]。关于燃料的化学成分,有些vegetation-like灌木含有挥发油,这让他们燃烧高强度(93年]。灌木有小分支也可以创建长的火焰长度。可燃生物质可以测量多种来源。的一个主要来源是归一化植被指数。这个因素决定了该地区植被密度使用遥感[94年]。如下所示,计算归一化植被指数近红外(NIR)和红色陆地卫星频道,使用图像。

3.2。多重共线性分析

正如所提到的,并不是所有的致病因素被选为最后的建模。虽然没有框架可用来定义最具影响力的因素,有许多的统计模型可以帮助研究人员在他们的数据选择95年]。这些方法可以统计评估因素和突出最重要的和/或重复的因素的影响。通过这些评估、冗余和数据集的有效因素可以消除减少计算时间和复杂性和增加功能。因素之间的相关性进行评估前主要分析使用皮尔逊相关系数(96年)和方差膨胀因子(VIF) [97年]排除多重共线性98年),导致错误的分析(99年]。

一个因素的程度与其他影响因素的相互关系可以计算使用VIF [One hundred.),代表相应影响因素的回归系数估计。VIF的平方根显示了标准误差的因素。VIF 5或10,更代表一个数据集[多重共线性问题95年]。

皮尔逊相关系数的方法计算相关系数的两个影响因素,例如,方面( )和地质( )在火灾发生101年]。相关值计算其协方差除以标准差的产品(Eq。3))。测量值大于0.7意味着高水平的共线性的数据集(95年]。 在哪里的意思是 。

当这两种方法达到阈值时,应减少消除共线性(一个或多个因素的分析97年]。

3.3。双变量统计分析(BSA)

这两个选择是埃克斯波特学院和EBF BSA方法。埃克斯波特学院的应用是基于提出的方法论Vlcko et al。102年),其中每个因素的权重值表示为一个熵指数。EBF的方法是基于Dempster-Shafer理论的证据(103年]。

3.3.1。熵指数模型(埃克斯波特学院)

熵是一个评估的障碍,不稳定,不平衡,和系统的不确定性104年),根据玻耳兹曼定律,熵的测量系统的描述了它的热力学状态的程度的障碍。香农的信息论熵模型被认为是取代玻耳兹曼定律(105年]。应用香农信息模型,加权指数的火灾风险,可以提炼出基于环境影响因素。 在哪里和分别是域和野火的百分比,表示发生的野火的密度为每一个类的每一个影响因素(例如,每种类型的地质),和表示熵值,是信息系数,代表了计算权重值的具体影响因素,没有考虑类。

最后的野火易感性地图生成了求和的加权产品二次参数映射。下面的方程被用来开发最终的野火易感性地图从埃克斯波特学院模型。 在哪里的值是野火敏感性指数。

3.3.2。证据的信念函数(EBF)

Dempster-Shafer理论的证据已经被法官介绍(106年),EBF方法已经应用于其他自然灾害如洪水(107年和滑坡108年]。其相关性在自然灾害建模是它可以接受不确定性和集成来自多个来源的信息的证据(109年]。用于评估的程度的概率一个假设的真实性,以及评估的近似的证据来证明事实(110年]。其功能参数是信仰的程度(贝尔),难以置信(Dis),不确定性(Unc)和合理性(Pls) (111年]。命题的上下极限的概率是用贝尔,请分别;Unc信仰和合理性的区别,描述了无知(112年];和基于相信命题是假的证据显示说, 或 ,前提是 。类情况的影响因素不包含任何火灾事件,贝尔等于零,说被重置为零。应用于火灾发生,EBF估计类之间的空间相关性的调节因素。库存地图在每个影响因素的叠加层显示像素包含火灾或nonwildfire影响因素。一系列的因素, ,它包含互斥和详尽的因素 ,在这项研究中使用。执行计算使用公式: 的重量(例如,体重高度的头等舱)表示并支持相信野火超过其缺失的存在。表示的重量支持这一信念野火缺席超过了它的存在。EBF计算需要几个阶段不解释。更详细的描述中可以找到Bui et al。113年]。

3.4。多元统计分析(MSA)

如上所述,BSA方法评估每个类的每个影响因素的影响发生野火的影响(例如,不同类型的地质野火)。而言,我们的研究目标,选择最准确的BSA方法将执行与LR整体建模。LR是其中一个最流行的MSA方法检查多元回归的相关因素之间的关系(例如,洪水)和几个独立影响因素(例如,高度和斜率)114年]。

对于我们的研究目的,LR是用来测量火灾概率在一个区域,基于一个特定的公式产生的影响因素和相关因素。该方法需要依赖因素由0和1的值,建立分别表示不存在或存在的野火。ArcGIS中创建的因素是使用库存数据集。创建这个数据集,最初的影响因素进行分类使用BSA权重来自最准确的方法(埃克斯波特学院或EBF)为了实现整体建模。随后,依赖和重新分类的影响因素从光栅转换为ASCII格式的要求SPSS。LR在SPSS V.19软件环境中被处决。物流系数推导出下面的方程和用作输入测量最后野火易感性地图。 在哪里是火灾概率范围在0到1的吗 - - - - - -形状的曲线。的线性组合,它遵循LR涉及以下表单数据的拟合方程: 在哪里是常数模型的拦截, 代表LR模型为每个因素的权重系数,和 代表了影响因素(47]。

3.5。整体建模

为目的的合奏,权重来自更准确的BSA方法(埃克斯波特学院或EBF)将用于重新分类每个火灾影响因素。随后,重新分类因素将进入LR为了执行MSA作为输入变量。派生的最终野火易感性地图将在此基础上整体建模。通过这种集成,BSA的弱点和MSA会解决,其结果将是一个集成的两个分析。

3.6。精度评估

模型验证是一个基本的步骤,任何自然灾害研究[115年]。著名的曲线下面积(AUC)技术已被用于许多自然灾害敏感性映射研究[116年- - - - - -118年),生产预测和成功率的综合定量方法(119年]。验证是通过比较野火库存数据和派生的概率地图。野火概率最初分区映射到类相同的区域,然后这些排名等级从最小到最大价值95年]。预测精度是评价定性,用AUC排序研究区成层次结构中的所有细胞的计算值,按降序排列,因此,每个预测排名。因此,细胞被分为100类的值积累区间为1%。在随后的步骤中,野火的存在在每个时间间隔测量利用ArcGIS“汇总区”的工具。成功和预测曲线表示在每个概率类野火的百分比。创建曲线是由绘图区域的累积百分比容易实现火灾概率(从最高到最低) - - - - - -轴和野火事件的累积百分比 - - - - - -轴。成功和预测曲线确定火灾发生概率为每个类别的百分比;越野火事件类别的更大的敏感性,AUC曲线越陡峭(95年]。一个完美的分类发生的地方 ,而不是一个偶然 。70%的训练,30%的测试点成功将用于生成和预测利率,分别作为中提到的部分3.1。1。210野火库存点被用于训练和剩下的90点进行测试。

4所示。结果与讨论

4.1。相关分析

多重共线性的野火影响因素已经实现了。表4和5列出了VIF和皮尔逊相关系数的值,分别。如前所述在方法部分,VIF可以计算为每个预测预测模型。VIF的值为1意味着野火影响因素与其他因素相关。VIF值越大,越大协会与其他因素的因素。VIF高于5显示数据集的多重共线性。表3显示最高VIF值9.22归一化植被指数为6.32,双胞胎高于阈值的因素。皮尔森相关的,值大于0.7表示高度共线性。对角线元素(粗体文本)是每个变量之间的相关性和本身。因此,它们的价值总是等于1。在表5双胞胎之间,0.9的最高价值和降雨量代表了一个相当大的共线性。第二个最高0.8检测LULC和归一化植被指数之间的共线性。VIF的结果和皮尔逊相关分析表明,包括双胞胎和归一化植被指数的分析,共线性可能出现的问题。这些结果表明,其他因素LULC和降雨的数据集已经提供了足够的信息,这将包括仅仅是重复的,如果我们的双胞胎和归一化植被指数。

最后选定的野火影响因素数据集包括高度(图4(一)),斜率(图4 (b)(图)方面4 (c)曲率(图)4 (d)),TPI(图4 (e)(图),下雨4 (f)),地质(图4 (g)土壤(图)4 (h)),LULC(图4(我)(图),距离河4 (j)(图),距离道路4 (k)),风速(图4(左))。图中可以看到4,所有规模影响因素分类由于BSA技术的要求。分位数法被用于分类(120年]。分位数的优点是,同样在每个类别进行分组(大小相同的细分),最少的外部影响。表6代表了统计相关火灾影响因素,如最小值,最大值,和标准偏差。例如,最高的位置在研究区海拔217米。所有的因素都转移到埃克斯波特学院和EBF为了提取他们的类和野火发生之间的相关性。

4.2。权重来自相关性分析

埃克斯波特学院和EBF都单独实现,推导出权重表中列出7。埃克斯波特学院被考虑的频率计算不同类型的影响因素,从而大幅度减少之间的不平衡因素,因此,提供一个现实的和准确的度量对野火发生的影响。埃克斯波特学院的二元分析的结果显示值在表6。

在EBF的情况下,双变量分析得到的权重每个类所代表的价值。有一些相似之处的计算埃克斯波特学院和EBF至此,这意味着的值和非常接近。然而,这并非如此的其余部分处理和最后的概率地图创建。从这一阶段,有特定的方程与每个方法有关。利用这些方程,相关评估应用于BSA的重量来自埃克斯波特学院EBF,和两个火灾概率地图生产。为了避免重复从埃克斯波特学院和EBF BSA值,只有埃克斯波特学院值将在下面讨论。

结果基于BSA值斜率(埃克斯波特学院和EBF)表示,在过去的两个范围9.58 - -14.97和14.97 - -76.38度,最高的值分别为0.296和0.164。现在已经知道,火在陡峭的斜坡上倾向于移动得更快,并导致更严重的燃烧。因此,这些类的斜率收到更高的权重。派生值最高(0.248)的降雨量是最小的类之间的降雨范围536.00 - -671.32毫米。很明显,野火易感性增加降雨量的减少(121年]。高降水量和相对湿度有助于燃料水分,这反过来又降低了点火的概率。关于高度,中产阶级似乎对野火发生最高的影响。46.76 - -57.95 m的类与BSA 0.338检测最具影响力的类别。野火发病率之间的空间相关性和高度显示,当高度增加,火灾的概率减少。这个结果支持先前的调查结果,低海拔地区更容易受到火灾发生(122年]。曲率和野火概率之间的关系显示凸类BSA最高0.548的价值。的方面,BSA值最高northeast-facing斜坡值为0.229。正如节中提到的3.1。2,北坡还获得更多的太阳辐射,因此温暖,所以燃料干得更快。这可能是一个合理的解释这方面类的派生的重量。结果表明,山脊地形TPI因素是相对有利(高度易感)火灾发生。野火在山脊可以燃烧任何方向和被风可以移动到马鞍和峡谷。水的陡坡运行更快,让一个小数量的水分含量和岭地区作为一个陡坡。因此,这些地区更倾向于火灾如果被植被覆盖。距离河流,野火概率最高的是在距离1416 - 2832 .51。在距离道路,240.99 - -481.99米的距离道路敏感性最高。距离河流和道路都被认为是积极因素在这项研究中,他们像壁垒对火势蔓延。有功能,如湖泊、道路和河流,充当障碍野火蔓延(123年),预防火灾的连续性。脊有相似的影响,像燃料休息,打断延续。一些地形类型可以影响盛行风模式通过将空气,风速,,因此,火灾强度(124年]。BSA权重土壤表现出明显的类“Mp6”最大的野火发生影响。这个类的主要土壤类型砂和粘土,水分含量通常很低。“花岗岩类岩石的地质类型”和“杂项疏松的沉积物”BSA权重最高的0.268和0.231,分别。关于LULC因素,裁剪得到的最高重量0.252 LULC类型住宅紧随其后。4.09 - -4.19的类风力因素值最高为0.335。最高的权重是派生的类,有一个非常高的影响引发森林大火由于明显的原因,一直说。

表7还列出了关于MSA的信息。埃克斯波特学院的情况,除了为每个类派生BSA权重,该方法也提供了有关重量为每个影响因素本身( )。LR权重代表每个影响因素的权重MSA源自LR的整体建模。这意味着LR的派生的权重是根据分类从BSA进口的影响因素分析。调查结果基于埃克斯波特学院透露,最重要的火灾影响因素影响火灾分布是土壤(1.251)和地质(0.623)。LR合奏MSA结果表明LULC和土壤得到权重最高的0.781和0.653,分别。土壤特性及其对森林火灾的影响进行了讨论(83年),与我们的发现是一致的。除了地形和地质因素(例如,TPI和土壤)影响该地区的森林大火,很明显,LULC触发因素发挥了重要作用。详细,因为它揭示了BSA权重值和易感性地图,裁剪和居民区获得更高的重量和更容易起火的原因,而不是其他LULC。它强调人类活动造成了危害。住宅面积的影响作为一个重要的因素是同意Tien Bui et al。32)和Kalantar et al。35]。因此,更详细的调查由管理委员会找到一些可取的原因(例如,香烟,研磨活动,和电线邻接)在居民区扩大森林大火。另一个发现人类活动在该地区种植,需要仔细探索根据作物和种植的过程。种植过程的某些部分可能导致恶化的火强度和速度故意点火等农业清算或串香蕉包装在塑料袋工厂以减少成熟时间,可以放大火作为燃料。这可以改善决策在修改这些敏感地区种植的过程。

埃克斯波特学院和LR方法演示了一些相似点和不同点在影响因素的分析结果。TPI和土壤被确定为可观的影响因素模型。笔者et al。125年)得出的结论是,在山脊上更高的TPI,闪电发动机是更高的概率与我们的结果一致。在埃克斯波特学院地质曲率是第二和第三最有影响力的因素。另外,LR, LULC之后,斜率是最有影响力的因素。Parente et al。63年]发现边坡的主要影响因素。LR的结果还显示,降雨具有很高的负相关与野火发生的重量-0.326,暗示随着降雨量的增加,火灾发生的概率降低。有冲突在MSA权重来自埃克斯波特学院和系综LR方面。转换后的值是0和0.781从埃克斯波特学院和LR,分别。众所周知,方面有相当大的影响一个地区的特征如暴露于阳光、风向、降水、干燥的风,形态结构,与火有关事件。在这里,埃克斯波特学院未能表明强烈的方面和野火发生之间的联系。这将是在AUC分析处理。

此外,为了有一个视觉的燃烧区域的位置、高度和野火的3 d地图库存是生产和呈现在图5。它可以清楚地看到,大多数的燃烧区域位于斜坡和的北部和东北部地区。

4.3。易感性地图和验证

个人埃克斯波特学院(图6(一))和EBF(图6 (b)建模和合奏LR(图)6 (c))建模实现了。三个火灾概率指数映射生成。为了创建一个易感性地图,地图概率指数应该分类。在这项研究中,概率地图使用分位数分类方法分类,分为相对类别的非常低,低,中,高,高敏感性的野火发生(图6)。

表8表明,埃克斯波特学院和EBF的比例非常高的野火易感性类别分别为10.25%和13.52%,分别比的LR (6.56%)。这意味着LR合奏模式产生更少的夸张的结果,相对于两个独立的方法。野火易感性映射来自整体模型分类总额的68.34%地区敏感性很低。然而,两个人方法,埃克斯波特学院EBF,检测到22.77%和51.21%,分别为“非常低。“关于LR合奏模式,其他区域,高,温和,低,极低,3.78%,9.23%,和12.09%,分别。

两个人的AUC预测精度方法和最终的整体模型由LR是显示在图7。最伟大的准确性(88.51%)被记录的整体方法,而最精度(75.32%)由个人埃克斯波特学院记录方法。AUC结果表明,整体分析的结果比个人更可靠的方法。因此,EBF技术的鲁棒性利用不同变量的处理证明。EBF模型的一个优势是一个度的计算预测的不确定性以及信仰和怀疑(表7)过程中生成概率质量函数(79年]。一个像素的程度的不确定性和合理性(分为火灾事件)可以测量定量,不能通过其他方法,它是一个没有沉重的计算和迭代快速算法(110年]。值越接近0.5记录,不确定性越高的类。通过查看不确定性值表7,一个可以找到可靠的测量是如何在每一个功能和证据。除此之外,三个算法不需要利用正态分布的假设,为复杂事件的建模提供了健壮的操作(110年]。EBF的简单性、埃克斯波特学院和LR使他们一个很好的选择为建模大数据而不是迭代ML。例如,LR少参数微调,而支持向量机模型需要优化核函数,点球,γ参数。

可以表现为不同的风险和脆弱性特征。布里斯班城市规划2014是一个巨大的未来发展计划的布里斯班市议会有多种方面。城市规划者把区域划分为不同的区域基于特定主题。类“非常高”的最后的野火易感性地图来自整体建模提取并覆盖在布里斯班城市规划专题层。这些层说明各种重要物种的空间分布特性,等等,在布里斯班。图8说明了不同的风险地图。单上的个人地图只占非常高的敏感地带。随后,每一对地图在每一行代表脆弱性图及其覆盖结果有很高的敏感性区域。七个地图与一般分区(a), (b)重要的树,(c)极度濒危物种,(d)遗产区域,(e)工业领域,(f)货运路线,(g)考拉栖息地。

下面的地图是由覆盖上述地图类的“非常高”的野火易感性地图来自整体建模(图8)。第一个野火风险可能性地图相关综合区划图。第一行(图中所示8(一个)),非常高的敏感性区域分布在一般居民区;因此,这将是有效和合理的防火策略和管理计划组织基于这些火灾风险区域。第二行(图8 (b))代表一个重要的树图。覆盖风险地图显示,很少部分的那些树位于很高的野火易感区域。因此,这些物种并不在非常高的风险。在第三排地图(图8 (c)),只有少数的极度濒危物种区位于很高的易感性。传统的区域(图8 (d)在第四行),有几个地区易感区域。易受影响的地区增加工业区(图8 (e))地图在第五行,许多工业地区非常高的野火易感区域。

货运航线(图8 (f)),通常用于运输和货运服务提出了在连续六个,只有红色路线发生在非常高的敏感地区。最轻微的中断这样的路线可以产生严重影响的总运输区域。最后一行显示了考拉栖息地(图8 (g))。这个物种很特别在澳大利亚和那些他们居住的地区排名很高的野火敏感性区域,根据我们的分析。

我们的研究表明,各种元素在野火风险有所不同。在某些情况下,风险地图给更多的信息比磁化率的地图,可能更多的用于政府机构、委员会、保险公司、风险地区的居民。野火管理是一项巨大的任务,许多方面是不切实际的。因此,地图类似如图8可以帮助组织和个人风险。最好的政策策略包括预防和减轻影响的措施。

5。结论

这项研究集中在增加野火易感性映射通过整体建模的准确性。此外,磁化率的应用映射的重要性在风险分析评价和说明。映射过程开始的构造和处理两个数据集:库存及影响因素。埃克斯波特学院、EBF和LR统计方法被用来执行BSA和MSA。每个野火的统计权重计算过程影响因素(如地质地图)和每个影响因素(即类。,地质类型)来产生最终的野火易感性地图。埃克斯波特学院和EBF每个影响因素的每一个类,而影响因素分类根据其使用LR BSA权重和进入整体建模。最后评估的准确性易感性地图显示,整体方法产生一个更可靠的结果88.51%的预测能力。AUC超过大多数以前的研究。这个推荐精度在原始数据集的构成是至关重要的,意识到的全部潜力增加一个整体模型的准确性。最具影响力的类和因素的选择有相当大的影响结果。

附加信息提取分析和导出权重证实特性,比如河流、岩石露出,道路网络和水体可以作为防火屏障(燃料优惠)。城市规划者可以利用这些自然和人造的特性在控制和最小化野火。使用地区的地形图,这些特性可以很容易地找到。TPI,斜率的影响因素和土壤产生重大影响的创造和位置野火敏感地区,而土地管理实践产生相当大的影响的大小和影响这一现象。所述,火灾风险分析是一个重要的实践保护森林环境,在可能的情况下。各种人口的分区地图,地形,和环境方面都覆盖到“非常高”野火易感性地图,生产替代风险信息。它可能提高人类的认知和对风险的理解。消防管理是至关重要的人类住宅和环境保护栖息地。森林火灾每年发生在昆士兰,准备预防和缓解是无价的。因此,准确识别的条件和触发因素在该地区的地图将增强风险缓解策略和计划,它可能会带来最小的损失和损害赔偿金。 Some strategies could be applied to replace the wood with fire resistance lumber or metals for building and construction in susceptible areas. In this study, irrigated cropping was classified as low and very low-prone area to bushfire. This finding might be investigated as future research and discussion over the potential and effect of irrigation system to keep standard moisture in the soil preventing the fuel source. Moreover, the vulnerable wildfire zones exhibiting with dry soil could raise the attention and need more inspection in terms of the groundwater sources and their quality. Our planned future research into modeling wildfire will focus on comprehensive risk and vulnerability assessment using a time series perspective of the trend and extent of wildfire in the region.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

硕士T H。O, F。年代,F.S.构思和设计实验。硕士T, F。H, F.H.进行实验。硕士T H。O, F。年代,F.S.分析数据。硕士T, H.Ö, M.R.H, F.S, and F.S. contributed reagents/materials/analysis tools. M.S.T, M.R.H, F.S, B.K, V.S, and F.S. wrote the paper. B.K, N.U, and V.S. edited, restructured, and professionally optimized the manuscript.

确认

由于澳大利亚研究委员会卓越中心将对澳大利亚生物多样性和遗产。这项研究是由澳大利亚研究委员会卓越中心为澳大利亚生物多样性和遗产(CE170100015;http://EpicAustralia.org/)。