Картографирование и оценка риска лесных пожаров с использованием методов дистанционного зондирования и ГИС: тематическое исследование в провинции Нгеан, Вьетнам

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В работе представлены результаты моделирования риска возникновения лесных пожаров на западе провинции Нгеан (северо-центральная часть Вьетнама), полученные на основе данных дистанционного зондирования и ГИС. С помощью методов машинного обучения: случайного леса (Random Forest), опорных векторов (Support Vector Machine), деревьев классификации и регрессии (Classification and Regression Trees) были построены модели возникновения лесных пожаров. В моделях учитывались девять основных факторов, определяющих вероятность возникновения лесных пожаров, среди них: количество фитомассы растительного покрова, поверхностная эвапотранспирация, высота местности над уровнем моря, наклон и экспозиция склона, скорость ветра, температура земной поверхности, среднемесячное количество осадков, плотность населения на территории. Различные значения параметров в алгоритмах машинного обучения были исследованы для выбора модели, наиболее точно предсказывающей возникновение лесных пожаров. Установлено, что метод случайного леса со значением параметра “количество деревьев решений”, равным 100, имеет наибольшую точность прогнозирования риска лесных пожаров на исследуемой территории.

Полный текст

Доступ закрыт

Об авторах

Т. Н. Ф. Доан

Ханойский горно-геологический университет

Email: trinhlehung@lqdtu.edu.vn

исследовательская группа “Геоматика в науках о Земле”

Вьетнам, Ханой

Л. Х. Чинь

Технический университет им. Ле Куй Дон

Автор, ответственный за переписку.
Email: trinhlehung@lqdtu.edu.vn
Вьетнам, Ханой

В. Р. Заблоцкий

Московский государственный университет геодезии и картографии

Email: trinhlehung@lqdtu.edu.vn
Россия, Москва

В. Ч. Нгуен

Ханойский горно-геологический университет

Email: trinhlehung@lqdtu.edu.vn

исследовательская группа “Геоматика в науках о Земле”

Вьетнам, Ханой

С. Ч. Чан

Ханойский горно-геологический университет

Email: trinhlehung@lqdtu.edu.vn

исследовательская группа “Геоматика в науках о Земле”

Вьетнам, Ханой

Т. Т. Х. Фам

Ханойский горно-геологический университет

Email: trinhlehung@lqdtu.edu.vn

исследовательская группа “Геоматика в науках о Земле”

Вьетнам, Ханой

Т. Т. Х. Ле

Ханойский горно-геологический университет

Email: trinhlehung@lqdtu.edu.vn

исследовательская группа “Геоматика в науках о Земле”

Россия, Ханой

В. Ф. Ле

Технический университет им. Ле Куй Дон

Email: trinhlehung@lqdtu.edu.vn
Вьетнам, Ханой

Список литературы

  1. Бондур В.Г., Гордо К. А., Кладов В. Л. Пространственно-временные распределения площадей природных пожаров и эмиссий углеродсодержащих газов и аэрозолей на территории северной Евразии по данным космического мониторинга // Исследование Земли из космоса. 2016. № 6. С. 3–20. doi: 10.7868/S0205961416060105.
  2. Бондур В. Г., Гордо К. А. Космический мониторинг площадей, пройденных огнем, и объемов эмиссий вредных примесей при лесных и других природных пожарах на территории Российской Федерации // Исследование Земли из космоса. 2018. № 3. С. 41–55. doi: 10.7868/S020596141803003X.
  3. Бондур В. Г. Космический мониторинг эмиссий малых газовых компонент и аэрозолей при природных пожарах в России // Исследование Земли из космоса. 2015. № 6. С. 21–35. doi: 10.7868/S0205961415060032.
  4. Бондур В. Г., Гинзбург А. С. Эмиссия углеродсодержащих газов и аэрозолей от природных пожаров на территории России по данным космического мониторинга // Доклады академии наук. 2016. Т. 466. № 4. С. 473–477. doi: 10.7868/S0869565216040186.
  5. Arpaci A., Malowerschnig B., Sass O., Vacik H. Using multi variate data mining techniques for estimating fire susceptibility of Tyrolean forests // Applied Geography. 2014. V. 53. P. 258–270.
  6. Beals E. A. Weather forecasts in the problem of protecting forests from fire // Monthly Weather Review. 1914. V. 42. P. 111–119.
  7. Bui T. D., Bui Q. T., Nguyen Q. P., Pradhan B., Nampak H., Phan T. T. A hybrid artificial intelligence approach using GIS-based neural-fuzzy inference system and particle swarm optimization for forest fire susceptibility modeling at a tropical area, Agricultural and Forest Meteorology. 2017. V. 233. P. 32–44.
  8. Bui T. D., Le T. K.T., Nguyen V. C., Le H. D., Revhaug I. Tropical Forest Fire Susceptibility Mapping at the Cat Ba National Park Area, Hai Phong City, Vietnam, Using GIS-Based Kernel Logistic Regression // Remote Sensing. 2016. V. 8. P. 347. doi: 10.3390/rs8040347.
  9. Chowdhury H., Hassan K. Use of remote sensing derived variables in developing a forest fire danger forecasting system // Natural Hazards. 2013. V.67. P. 321–334.
  10. Dang N. B.T. Study on the risk and warning of forest fire in Son La province based on the application of geoinformation technology // Geography Doctoral Thesis, Hanoi National University. 2021.
  11. Doan H. P. Developing algorithms for determining land surface temperature in forest fire warning monitoring based on MODIS satellite images (TERRA and AQUA) in the territory of Vietnam. Hanoi: Vietnam. Thesis of Doctor of Engineering. Hanoi University of Mining and Geology. 2007.
  12. Dong X. Forest fire risk zone mapping from satellite images and GIS for Baihe Forestry Bureau, Jilin, China // Journal of Forestry Research. 2005. V. 16(3). P. 169–174.
  13. Fernandez J., Chuvieco E., Koutsias N. Modelling long-term fire occurrence factors in Spain by accounting for local variations with geographically weighted regression // Natural Hazards Earth System Sciences. 2012. V. 12. P. 1–17.
  14. Enoh M., Okeke U., Narinua N. Identification and modelling of forest fire severity and risk zones in the Cross – Niger transition forest with remotely sensed satellite data // The Egyptian Journal of Remote Sensing and Space Science. 2021. V. 24(3). P. 879–887.
  15. Hererra V., Soon W., Moreno C., Hererra G., Dubois R., Cruz L., Fedorov V., Estrada S., Bongelli E., Zuniga E. Past and future of wildfires in Northern Hemisphere’s boreal forests // Forest Ecology and Management. 2022. V. 504. 119859.
  16. Hoang V. T., Chou T., Fang Y., Nguyen N. T., Nguyen Q. H., Pham X. C., Dang N. B.T., Nguyen X. L., Meadows M. Mapping forest fire risk and development of early warning system for NW Vietnam using AHP and MCA/GIS methods // Applied Sciences. 2020. V. 10(12). 4348.
  17. Jaiswal R., Mukherjee S., Raju K., Saxena R. Forest fire risk zone mapping from satellite imagery and GIS // International Journal of Applied Earth Observation and Geoinformation. 2002. V. 4(1). P. 1–10.
  18. Iban M., Sekertekin A. Machine learning based wildfire susceptibility mapping using remotely sensed fire data and GIS: A case study of Adana and Mersin provinces, Turkey // Ecological Informatics. 2022. V. 69. 101647.
  19. Nguyen N. T., Dang N. B.T., Pham X. C., Nguyen T. H., Bui T. H., Hoang D. N., Bui T. D. Spatial pattern assessment of tropical forest fire danger at Thuan Chau area (Vietnam) using GIS-based advanced machine learning algorithms: A comparative study // Ecological Informatics. 2018. V. 46. P. 74–85.
  20. Oliveira S., Oehler F., Ayanz J., Camia A., Pereira J. Modeling spatial patterns of fire occurrence in Mediterranean Europe using Multiple Regression and Random Forest // Forest Ecology and Management. 2012. V. 275. P. 117–129.
  21. Pham N. H. Developing a method to predict forest fires Pinus merkusii J. in Quang Ninh province // Thesis of Doctor of Agricultural Science. Hanoi (in Vietnamese). 1988.
  22. Pourghasemi H. GIS-based forest fire susceptibility mapping in Iran: A comparison between evidential belief function and binary logistic regression models // Scandinavian Journal of Forest Research. 2015. P. 40. doi: 10.1080/02827581.2015.1052750.
  23. Rouse, J.W., R. H. Haas, J. A. Schell, and D. W. Deering. Monitoring Vegetation Systems in the Great Plains with ERTS. // Third ERTS Symposium. 1973. NASA SP-351. P. 309–317.
  24. Ruano A., Jolly W., Freeborn P., Nieva D., Vega N., Herrera C., Rodrigues M. Spatial Predictions of Human and Natural-Caused Wildfire Likelihood across Montana (USA) // Forests 2022. V. 13(8). 1200.
  25. Sivrikaya F., Kucuk O. Modeling forest fire risk based on GIS-based analytical hierarchy process and statistical analysis in Mediterranean region // Ecological Informatics. 2022. V. 68. 101537.
  26. Tran Q. B., Phung N. T., Le N. H. Research on designing new software for early detection of forest fires from MODIS satellite image. // Journal of Agriculture and Rural Development. 2016. V. 21. P. 114–120.
  27. Tran V. H., Vo Q. M., Vo T. G. Geographic information system (GIS) approach in forest fire warning methodology development for U Minh Ha national park // Science Journal of Can Tho University. 2010. V. 14. P. 97–106.
  28. Trinh L. H., Zablotskii V. R. The application of Landsat multi-temporal thermal infrared data to identify coal fire in the Khanh Hoa coal mine, Thai Nguyen province, Vietnam // Izvestiya. Atmospheric and Oceanic Physics. 2017. V. 53(9). P. 1181–1188.
  29. Trinh L. H. Studies of land surface temperature distribution using multispectral image Landsat // Vietnam Journal of Earth Sciences. 2014. V. 36(1). P. 82–89.
  30. Valor E., Caselles V. Mapping land surface emissivity from NDVI. Application to European African and South American areas // Remote Sensing of Environment. 1996. V. 57. P. 167–184.
  31. Vasilakos C., Kalabokidis K., Hatzopoulos J., Matsinos T. Identifying wildland fire ignition factors through sensitivity analysis of a neural network // Natural Hazards. 2009. V. 50. P. 125–143.
  32. Vo D. T. Methods of forecasting, mapping and zoning the key areas of forest fires in Binh Thuan // Forestry Journal. 1995. V. 10. P. 11–14 (in Vietnamese).
  33. Vuong V. Q. Research and develop solutions to prevent and overcome the consequences of forest fires for the U Minh and Central Highlands regions // Summary report of topic KC08.24. 2005.
  34. Yassemi S., Dragicevic S., Schmidt M. Design and implementation of an integrated GIS-based cellular automata model to characterize forest fire behavior // Ecological Modelling. 2008. V. 210. P. 71–84.
  35. Williams M. Remote sensing, GIS and wildland fire management: A global perspective // Proceedings of the International Workshop on Satellite Technology and GIS for Mediterranean Forest Mapping and Fire Management. 1983.
  36. Wimberly M., Reilly M. Assessment of fire severity and species diversity in the southern Appalachians using Landsat TM and ETM+ imagery // Remote Sensing of Environment. 2007. V. 108(2). P. 189–197.
  37. https://www.worldclim.org/. Accessed April 12. 2023.
  38. https://data.worldpop.org/. Accessed April 12. 2023.
  39. https://www.usgs.gov/landsat-missions/landsat-8-data-users-handbook. Accessed March 8. 2023.
  40. https://effis.jrc.ec.europa.eu/apps. Accessed April 15. 2023.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Местоположение исследуемой территории. Справа вверху – административная карта, внизу – Landsat изображение провинции Нгеан.

Скачать (697KB)
Метаданные
3. Рис. 2. Изображения Landsat 8 и Sentinel 2 района исследования.

Скачать (343KB)
Метаданные
4. Рис. 3. Блок-схема методики картографирования риска лесных пожаров с использованием данных дистанционного зондирования и ГИС.

Скачать (533KB)
Метаданные
5. Рис. 4. Цифровая модель рельефа SRTM исследуемой территории.

Скачать (315KB)
Метаданные
6. Рис. 5. Информационные слои – входные данные для моделей прогнозирования лесопожарной опасности: а – вы- сота местности; б – наклон склона; в – экспозиция склона; г – поверхностная эвапотранспирация; д – вегетаци- онный индекс NDVI; е – температура поверхности; ж – скорость ветра; з – среднемесячное количество осадков; и – плотность населения.

Скачать (859KB)
Метаданные
7. Рис. 6. Картосхема пожарной опасности леса (западная часть провинции Нгеан). Черные треугольники – место- положение бывших пожаров, синие треугольники – очаги возгорания, не переросшие в лесные пожары благодаря своевременному предупреждению.

Скачать (602KB)
Метаданные

© Российская академия наук, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».