文摘

建模火敏感性易燃地区森林生态系统是必不可少的实现提供指导森林火灾的预防和控制措施。传统模型开发的基础上随机选择的数据(即。,nonfire data from unburned areas), which could bring uncertainties to modeling results. Here, a new model with the genetic algorithm for Rule-set Production (GARP) algorithm and 10 environmental layers was proposed to process presence-only data in the susceptibility modeling of forest fires in Chongqing city. To do this, 70% of 684 fire occurrence data (479) during the period of 2000–2018 were applied to train the proposed model. And, 30% of these fire occurrence data (205) and the same amount of no-fire data (205) were emerged as validation dataset. The results showed that, for some environmental layers (i.e., distance to the nearest road, land cover, precipitation, distance to the nearest settlement, aspect, relative humidity, elevation, wind speed, and temperature), their值小于0.05,这表明这些9环境层产生重大影响火敏感性的空间分布在重庆的城市。相反,更高值(即。,0.126), the slope layer has an insignificant effect on fire susceptibility in the study area. Furthermore, the results of receiver operating characteristic analysis (ROC) showed that the proposed model has a good performance with an AUC value of 0.869, an accuracy value of 0.732, a sensitivity value of 0.59, a specificity value of 0.873, a positive predictive value of 0.823, and a negative predictive value of 0.681. This study revealed the validity of the proposed model in modeling the susceptibility of forest fires.

1。介绍

和日益增长的城市化与密集的全球变暖,近年来世界各地的森林火灾频繁发生,导致严重影响森林生态系统的安全(1,2]。火易感性的地理分布是迫切需要实现足够的管理行为3- - - - - -6]。它是重要的执行建模森林火灾的易感性的研究7,8]。

气象因素(如相对湿度、风速、气温、降水)被认为是重要的贡献者火灾发生,那些已经被用来预测火灾风险的操作系统(9- - - - - -12]。然而,森林火灾的发生也由于其他环境因素(例如,土地覆盖、地形和人类活动)(13,14]。因此,涉及多个因素的综合模型发展的新兴建模火敏感性[15,16]。

类似的领域的发展也见过滑坡敏感性映射(17]。一些研究报道,机器学习算法(例如,随机森林18,19),支持向量机(18),提高了回归树(18),朴素贝叶斯分类器(20.),和极端的梯度增加19,20.)可用于构建综合模型。

因此,最近的进展主要集中在利用机器学习算法在火敏感性建模开发综合模型。例如,绘制火敏感性在伊朗,Pourtaghi、文学(21)提出了香农熵和频率比模型结合几个环境因素(即。,topography data, soil texture, proximity data, normalized difference vegetation index, land use map, and meteorological data). Following that, literature [22]应用提高了回归树、广义相加模型和随机森林调查15条件因素对森林火灾的重要性和模型火敏感性。从10点火的因素考虑,文献[23)建立了一个火敏感性模型使用神经模糊推理系统在热带地区。此后,文献[15)建立了一个进化优化梯度提高了决策树模型,将18点火森林火灾的因素。2019年,文献[2410]利用相关制约因素和事件数据之前的火灾训练LogitBoost ensemble-based决策树映射火机器学习方法在越南老街地区的易感性。基于历史火灾数据和8个风险因素,文献[16)提出了一种新的运营模式与ant-miner算法来预测森林火灾的风险cloud-rich中国西南地区。最近,涉及12个影响因素,文献[25]采用加权的方法来整合不同的机器学习技术的森林火灾易感性输出在印度南部的forest-agriculture马赛克景观。

由于上述模型不能直接处理你们那里的数据,一定数量的缺失数据(即。,无战火未燃烧区域)的数据通常是必需的。然而,地区缺乏记录火灾发生可能不能真正代表火灾隐患的区域没有(26,27]。因此,选择无战火数据将建模结果的不确定性。最近,据报道,遗传算法对规则集生产(GARP)可能是一个健壮的模型,可以有效地处理你们那里数据(28- - - - - -30.]。在这里,我们试图应用GARP提出一种新的模型建模火敏感性。

因此,主要目标是提出一种遗传算法模型,可以处理你们那里数据映射森林大火的易感性。此外,森林大火的易感性在中国西南山区映射,然后使用接受者操作特征分析是评估。此外,我们试图调查环境层产生重大影响易感性的研究地区森林火灾。作为一种新的尝试来处理你们那里火灾发生数据,该模型有可能被应用于其他中国西南地区和可以提供指导的实施森林火灾预防和控制措施。

2。研究区域

面积约82402公里²,重庆市在本研究被选为研究区域(见图1)。这是位于中国西南,有界的105°03′110°02′E经度和28°02′32°03′N纬度。这个地区主要是由高山和深谷,海拔从73到2797米。它具有大陆属亚热带季风性湿润气候,平均相对湿度为71 - 81%,年降雨量1000 - 1350毫米,年均温度16°C。常绿阔叶林是研究地区主要植被类型。

由于其地形、地质和气候特点,重庆城市经历了更频繁发生森林火灾。这个地区是一个典型的区域进行建模的易感性的研究在中国西南山区森林火灾。

3所示。材料和方法

3.1。输入火灾发生数据

授权访问、火灾发生数据在2000 - 2018年期间申请进一步的研究。这些火灾地点都来自一个运行监测系统,是基于MODIS图像和实地调查。火灾发生数据包括属性的经度,纬度,从森林火灾和点火时间,访问控制重庆和森林防火办公室网络在中国重庆市。总的来说,火灾发生数据的数量是684。

684火灾数据,479(70%)随机选择的训练样本,其余205(30%)保持验证的目的。自GARP属于那里的方法,它不需要无战火的存在数据在训练阶段,只有相同数量的停火数据(205)随机抽样模型验证(31日]。最后,本研究中使用的数据总数是889(即。,training sample: 479 and validation sample: 410), which is plotted in Figure1。

3.2。环境层

四组的环境层影响火灾发生(即。,annual weather, land cover, topographic, and human activity data) were used in the GARP approach (see in Table1)。

每天天气数据在12个国家站在整个研究区得到首先从中国国家气象网络(https://data.cma.cn)。每年的天气数据(即。,relative humidity, wind speed, temperature, and precipitation) were then calculated using daily weather observations during 2000–2018. Finally, annual weather data were interpolated to a grid of 1 km spatial resolution using the inverse distance weight method. Interpolations of annual relative humidity, annual wind speed, annual temperature, and annual precipitation were regarded as environmental layers in the following GARP approach.

土地覆盖是火灾发生的重要因素,因为它可以提供特定的信息类型和植被的分布。土地覆盖数据用于本研究获得的资源和环境数据云平台(https://www.resdc.cn/)。这些数据有1公里的空间分辨率,这是一个2015年版本的更新土地覆盖数据基于2018年8陆地卫星遥感图像。土地覆盖被视为另一个环境层以下GARP方法,见图2(e)。

地形层被认为是其它原因造成的森林火灾。在这个研究中,20 (ASTGTM2)数字高程模型图像空间分辨率为30米从地理空间数据云下载网站(https://www.gscloud.cn/)。提取高程层,ASTGTM2数据预处理使用图像马赛克和剪切操作在ArcGIS空间分析工具软件(版本10.2)。此外,其他环境的空间分辨率匹配层,双线性插值用于重新取样高程数据的空间分辨率(30米)1公里。基于重新取样数据,“表面”的工具ArcGIS软件被用来提取其他两个地形层(即。方面,坡)。

此外,两个其他环境层(即。,distance to the nearest settlement and distance to the nearest road) were used to assess the influence of human activity on fire occurrence. Based on settlement distribution and road network data in Chongqing city, we calculated the distance to the nearest settlement and the distance to the nearest road using a buffer analysis tool of ArcGIS software. These calculated layers were then discretized into equal intervals (i.e., distance to the nearest settlement: 0-1 km, 1-2 km, 2-3 km, 3-4 km, and >4 km and distance to the nearest road: 0–200 m, 200–400 m, 400–600 m, 600–800 m, and >800 m), according to our previous experience in this area [16]。

3.3。发展GARP模型

通过DesktopGARP计划(版本1.1.6)遗传算法规则集预测(GARP)进行本研究模型火敏感性(见图3)。作为一个专家系统和机器学习算法,该算法可以开发一套规则与火灾发生数据环境层。这些规则可以投射到火敏感性[景观和应用模型32]。

发展GARP模型之前,折裂过程进行,以确定哪些环境层是更重要的。这个过程是实现使用一个在DesktopGARP图层面板“环境”,从而产生一系列的任务环境层的各种组合。运行这些任务后,多元线性回归是理解运行环境层产生重大影响产生的错误(https://www.nhm.ku.edu/desktopgarp/PrinterUM.html)。基于分析结果,重大环境层被指定为后续实验。

优化的参数可能的方法,200模型与最大1000次迭代的收敛极限0.01建立DesktopGARP(见表2)。在模型建立的过程中,训练样本(即。,479data mentioned above) was internally divided into a 70%/30%. Then, 20 best models under 10% hard omission threshold and 50% commission threshold were selected using a subset approach in DesktopGARP. Finally, based on commission errors of these 20 subset models, output maps of 10 optimal models were imported into ArcMap software and summated using a raster calculator tool of spatial analyst extension. In the summated map, a higher pixel value means a greater potential of forest fires.

3.4。评估模型的性能

基于验证样本(即。,410 data mentioned above), the performance of the proposed model was evaluated using a receiver operating characteristic analysis (ROC). Area under curve (AUC) was measured and additional metrics could be calculated using the following formulas[24,33]: TP是真阳性,FP是假阳性,FN假阴性,TN是真正的负面

4所示。结果

4.1。显著影响层火敏感性

最初,10环境层选择影响火灾发生发展GARP算法。然而,为了提高模型的有效性,多元线性回归分析结果的一个环境层(即。坡)。具体地说,可以被环境影响的层价值观的多元线性回归分析。一个更小的环境层的价值意味着更多的意义在建模火敏感性(34]。

结果在表3显示,这些层的值分别如下:距离最近的路( ),土地覆盖( ),降水( ),距离最近的协议( ),方面( ),相对湿度( ),立面图( ),风速( ),和温度( )。所有这些环境层的值小于0.05,表明森林火灾在重庆城市的易感性明显受到人类活动的影响,土地覆盖,和天气因素。

然而,表3进一步表明,斜坡层更高值(即。,0.126 > 0.05). This means that slope has an insignificant impact on the susceptibility of forest fires in Chongqing city. As a result, the susceptibility of forest fires was mapped using 9 environmental layers (i.e., distance to the nearest road, land cover, precipitation, distance to the nearest settlement, aspect, relative humidity, elevation, wind speed, and temperature), followed by performance evaluation.

4.2。易感性森林火灾的地图

运行DesktopGARP子集的方法后,10个最优模型开发和累加使用ArcMap软件。之后,一个复合映射生成说明火敏感性的空间分布,在更高的像素值意味着更大的模型的有关协定,也接受一个更高的火灾风险的水平。最后,火敏感性地图分为6类:非常低,低,温和,高,非常高,非常高的风险。

从图4可以看到,森林火灾(即风险很高。,model agreements were higher than 8) primarily distributed in southwestern, central, and northeastern parts of the study area. This distribution was similar to that of human activity factors (i.e., distance to the nearest road in Figure2(我)和距离最近的解决在图2(j)),验证事实表2距离最近的路,距离最近的协议层影响火敏感性更重要。

相反,图4显示,森林火灾的风险很低重庆东南部地区,人类活动是高,植被丰富。很明显,该地区降水量高(见图2(d))导致森林火灾分布的变化。同时,表中的结果2证实沉淀层是一个重要的层影响火灾发生。

森林火灾的易感性地图(图4),与每个风险级别相关的面积和比例可以在表中找到4。具体来说,11.44%和8.44%的整个研究区域位于极高,高火敏感地区。此外,9.36%和6.74%位于高和温和的火灾敏感地区,分别。此外,4.39%和59.64%都位于非常低,低火敏感地区,分别。

4.3。模型的性能

作为一个有效的技术来测量模型的性能18),ROC分析应用于本研究评估该模型的性能。特别是,基于上述验证数据集,绘制ROC曲线说明了该模型的假阳性分数x设在和真阳性比例的模型y设在。如果该模型没有影响着火易感性建模、ROC曲线接近左上角(即。1:1线)及其AUC值将0.5 [11]。一个值在0.85和0.95之间拟议的模型(意味着良好的性能31日]。

结果在图5表明,AUC值为0.869,这表明GARP模型具有良好的性能。此外,图5展示了其他5个指标来测量模型的性能,即准确性、敏感性,特异性,阳性预测值,阴性预测价值,分别。图5表明,精度为0.732,敏感性为0.59,特异性为0.873,PPV为0.823,净现值为0.681。这些额外的量化指标进一步表明该模型的有效性。

5。讨论

5.1。结果分析

与传统的模型(16,21,22,24),该模型不需要停火的输入数据。这意味着额外的不确定性引起的停火的选择数据不会影响建模的结果,因为森林地区缺乏记录火灾发生可能不能真正代表火灾隐患的区域没有(26,27]。我们的结果也进一步验证了该模型具有良好的性能的AUC值0.869和精度值为0.732,是接近我们的先前的研究成果在这一领域(即。,精度值从0.58到0.79)[16]。

然而,对于该模型,建模的任务在这研究可能更具挑战性。具体来说,由于DesktopGARP输入限制,每年天气数据被应用作为模型输入。相比,每日天气数据用于(16),每年的天气数据可能不准确的天气状况指标在火灾发生。因此,如果每日气象数据应用在未来的研究中,有进一步改善的空间模型的准确性。

(即相对于最大熵模型。,你们那里不同模型(35]),该模型在这项研究中有更高的精度。特别是,最大熵模型(Maxent)被用来开发一个新的每日火灾危险指数(36),预测lightning-caused火灾发生的可能性(37),检查森林火灾发生的空间分布和时间变化(38]。精度这些研究的AUC值是0.752到0.85236),0.866 (37),0.816到0.847 (38]。这些报道的研究进一步验证GARP模型建模的有效性森林火灾的易感性。

此外,在表的结果2表明,斜坡层有一个微不足道的影响火灾发生在这个研究中,尽管斜率可能影响火蔓延速率(21,24]。这是由尼(与结果一致26]。主要原因可能是重庆城市的地形(即。,a famous mountain city in China) was dominated by high mountains and deep valleys (see Figure2(h))。图1展品,火灾发生数据主要是分布在山区陡峭的山坡。在这些火灾数据位置较低的变化(26),坡度因素会有微不足道的影响建模的结果。

结果在图2,图4和表2表明人类活动显著影响森林火灾的易感性。高风险的空间分布相似的空间分布距离最近的道路图2(我)和距离最近的解决在图2(j)。这样的山城重庆城市道路网络和结算分布指的是一个简单的可访问性的设施和服务39]。因此,这两个因素可以有效地反映人类活动的强度,从而对火灾发生显著的影响。

类似于一些报道的研究结果(5,16,23),结果在图4和表2表明土地覆盖和天气因素大大影响火敏感性。的主要原因是土地覆盖和天气因素燃料水分和加载(影响很大26]。

5.2。改进策略

基于DesktopGARP程序,使用遗传算法提出了一种新的模式在这项研究中模型森林火灾的易感性。作为一种新的尝试过程那里火灾发生数据,该模型将不会带来不确定性建模的结果。,我们的研究结果表明,该模型具有良好的性能在建模森林火灾的易感性。然而,这些研究结果应该谨慎的解释。

该方法取得更好的结果在中国西南的山区。为了进一步验证其有效性,更多的研究需要进行更大范围的森林生态系统。与此同时,本研究中使用(即超出环境层。,annual weather, land cover, topographic, and human activity factors), more factors influencing the occurrence of forest fires should be considered in the building of the susceptibility model in future research.

此外,准确的天气数据是提高模型的性能的关键(16]。在这项研究中,由于输入DesktopGARP算法的局限性,提出了模型只能处理年度天气数据。这将阻碍该模型的性能。因此,还需要更多的努力致力于未来的研究提高该模型的性能在处理每日的天气数据。

此外,你们那里模型缺失数据时显示出很大的优势物种是不可用的31日,32]。它已经成功地应用在空间建模的疾病(28,40,41],栖息地的物种分布预测[42- - - - - -44),和自然灾害风险的映射45- - - - - -47]。因为野火也有类似的概念和数学规则与植物或动物,生态位建模将是一个归纳的方法来计算野火点火和传播可能性(48]。因此,在未来的研究中,更多的生态位建模可以进一步考虑建模火敏感性。

6。结论

作为一个非常具有破坏性的自然灾害,森林火灾经常发生在中国西南的山区。无数火敏感性模型,提出了模型,可以方便的实现有效的预防和控制措施。然而,由于一定的缺失数据需要训练传统模型,可以引入不确定性建模的结果。因此,一种新的模式使用GARP方法是利用数据在你们那里建模过程在重庆城市森林火灾的易感性。最初,479火灾发生数据被应用到训练该模型与10环境层。此外,205年的大火发生数据和205年停火数据作为验证数据集。在他们的基础上,提出模型评估使用AUC的接受者操作特征分析与度量,准确性,敏感性,特异性,阳性预测值和阴性预测值。结果表明,距离最近的路,土地覆盖、降水、距离最近的结算方面,相对湿度、海拔高度、风速、温度和层明显影响火敏感性的空间分布在重庆的城市。相反,斜率层有一个微不足道的影响建模结果,以来值超过0.05。此外,中华民国结果表明,AUC为0.869,精度为0.732,敏感性为0.59,特异性为0.873,阳性预测值为0.823,和阴性预测值为0.681。这些指标显示该模型具有良好的性能。为了进一步验证模型的有效性,需要进行更多的研究更广泛的森林生态系统。此外,该模型的性能可以提高在未来的研究中使用准确的气象数据。

数据可用性

数据用于支持本研究的发现可以从相应的作者。

的利益冲突

所有的作者没有任何可能的利益冲突。

确认

作者要感谢重庆林业局的森林消防办公室,重庆市气象局,资源和环境科学数据中心的中国科学院和中国森林消防网络使他们的数据可用。