Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
So sánh hiệu suất của các mô hình học máy trong việc dự đoán nguy cơ xảy ra cháy rừng tại khu vực Liên Bang Brasil
Environment Systems and Decisions - Trang 1-18 - 2023
Tóm tắt
Tần suất cháy rừng và tổng diện tích bị cháy ở Brasil đã gia tăng theo thời gian. Tuy nhiên, tại Đặc khu Liên bang, nguy cơ cháy rừng đã tăng do các vụ cháy rừng đã lan đến nhiều khu vực được bảo vệ. Nguy cơ xảy ra cháy rừng/ tần suất xảy ra cháy rừng đề cập đến khả năng hoặc xác suất xảy ra một sự kiện cháy rừng trong một khu vực địa lý nhất định. Nguy cơ này thường được xác định bởi các yếu tố như điều kiện thời tiết, địa hình, thảm thực vật và hoạt động của con người và thường được đo lường thông qua phân tích dữ liệu lịch sử về cháy rừng và các mô hình dự đoán ước tính khả năng xảy ra các sự kiện cháy rừng trong tương lai. Các khu vực có nguy cơ xảy ra cháy rừng cao là những khu vực có khả năng cao trải qua sự cố cháy rừng, trong khi các khu vực có nguy cơ thấp ít bị ảnh hưởng hơn. Nghiên cứu này so sánh 8 mô hình học máy dự đoán nguy cơ xảy ra cháy rừng trên toàn cầu để có thể áp dụng tại Brasil. Các nghiên cứu đã xem xét mối tương quan giữa các điều kiện khí hậu, vị trí địa lý, đặc điểm địa hình, các yếu tố giải thích do con người gây ra và sự xuất hiện của lửa, với một tập dữ liệu được làm phong phú từ dữ liệu mở của chính phủ Brasil được gồm các quan sát về 16 đặc điểm khí hậu của 5 trạm theo dõi và dữ liệu vệ tinh về các vụ cháy xảy ra trong hai thập kỷ qua và các đặc điểm địa hình, thuỷ văn, và do con người tạo ra, như Chỉ số Khác biệt Thực vật Chuẩn hóa (NDVI), chỉ số đô thị hóa và khoảng cách đến các con sông/đường bộ. Theo các kết quả, nguy cơ cháy có thể được dự đoán với độ chính xác 0.99 và các mô hình cho thấy nhạy cảm hơn với NDVI, áp suất không khí, và độ ẩm tương đối, như đã được chứng minh bởi một nghiên cứu về tác động của các đặc điểm.
Từ khóa
#cháy rừng #học máy #nguy cơ xảy ra #mô hình dự đoán #BrasilTài liệu tham khảo
Azevedo JA, Valdujo PH (2016) Biogeography of anurans and squamates in the Cerrado hotspot: coincident endemism patterns in the richest and most impacted savanna on the globe. J Biogeogr 43(12):2454–2464
Balch JK, Bradley BA, Abatzoglou JT, Nagy RC, Fusco EJ, Mahood AL, Williams AP, Cattau ME, Lutz JA, Hegewisch KC (2017) Human-started wildfires expand the fire niche across the United States. Proc Natl Acad Sci USA 114(11):2946–2951
Coelho MP, Alvarado EC, Fidelis A, Lima J, Vieira S (2016) Fire management for conservation in Brazilian savannas: a review. Int J Wildland Fire 25(7):711–722
Davis J, Goadrich M, “The relationship between precision-recall and roc curves,” in Proceedings of the 23rd international conference on machine learning, 2006, pp. 233–240.
de Bem PP, de Carvalho Junior OA, Matricardi EAT, Guimaraed RF, Gomes RAT (2019) Predicting wildfire vulnerability using logistic regression and artificial neural networks: a case study in Brazil’s Federal District. Int J Wildland Fire 28(1):35–45
de Souza G, “Monitoramento sazonal e recupera¸c˜ao p´os-fogo da vegeta¸c˜ao do Cerrado usando dados do sensor MODIS,” http://jbb.ibict.br//handle/1/1070. Accessed 2020-01-13, 2014.
de Jesus SC, Setzer AW, Morelli F (2011) Valida¸c˜ao de focos de queimadas no Cerrado em imagens TM/Landsat-5. Simp´osio Brasileiro De Sensoriamento Remoto 15:1
Didan K, “MOD13Q1 MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid V006 . NASA EOSDIS Land Processes DAAC.” https://doi.org/10.5067/MODIS/MOD13Q1.006, Accessed 2020-01-06, 2015.
dos Santos Ju´nior CA, Bittencourt OO, Morelli F, Santos R, “Classifica¸c˜ao de ´areas queimadas por machine learning usando dados de sensoriamento remoto,” https://proceedings.science/sbsr-2019/papers/classificacao-de-areas-queimadas- por-machine-learning-usando-dados-de-sensoriamento-remoto. Accessed 2020-02-06, 2019.
Du M, Liu N, Hu X (2019) Techniques for interpretable machine learning. Commun ACM 63(1):68–77
Efron B (1986) Bootstrap methods: another look at the jackknife. Ann Stat 7(1):1–26
French NH, de Groot WJ, Jenkins LK, Rogers BM, Alvarado E, Amiro B, Weintraub G (2019) Model benchmarking with machine learning reveals reduced predictability in wildfire spread simulation due to changing winds. Environ Modell Software 111:430–440
Galizia LFDC, Rodrigues M (2019) Modeling the influence of eucalypt plantation on wildfire occurrence in the Brazilian savanna biome. Forests 10(10):844
Gholamnia K, Gudiyangada Nachappa T, Ghorbanzadeh O, Blaschke T (2020) Comparisons of diverse machine learning approaches for wildfire susceptibility mapping. Symmetry 12(4):604
Ghorbanzadeh O, Blaschke T, Gholamnia K, Aryal J (2019a) Forest fire susceptibility and risk mapping using social/infrastructural vulnerability and environmental variables. Fire 2(3):50
Ghorbanzadeh O, Valizadeh Kamran K, Blaschke T, Aryal J, Naboureh A, Einali J, Bian J (2019b) Spatial prediction of wildfire susceptibility using field survey GPS data and machine learning approaches. Fire 2(3):43
Gomes L, Miranda HS, da Cunha Bustamante MM (2018) How can we advance the knowledge on the behavior and effects of fire in the Cerrado biome? For Ecol Manag 417:281–290
Governo do Distrito Federal (GDF), “GEOPortal,” https://www.geoportal.seduh.df.gov.br/mapa/. Accessed 2020-01-06, 2020.
Guedes BJ, Massi KG, Evers C, Nielsen-Pincus M (2020) Vulnerability of small forest patches to fire in the Paraiba do Sul River Valley, southeast Brazil: implications for restoration of the Atlantic Forest biome. For Ecol Manag 465:118095
He HS, Bu R, Chang Y, Liang Y, Zhuang Y, Li X (2021) A comprehensive review of wildfire sectorization. Forests 12(3):335
Hoffmann WA, Franco AC, Moreira AG, Haridasan M, Carvalho GM, Silva J, Nascimento M (2003) Ecology of fire-prone areas. In: Smith J (ed) Ecology and management of Neotropical savannas. Springer, New York, pp 15–34
Instituto Nacional de Meteorologia (INMET), “Banco de Dados Meteorol´ogicos do INMET,” http://www.inmet.gov.br/portal/index.php?r=informacoes/ cartaProdutoServic- oCidadaoViewid=45. Accessed 2020-01-06, 2020.
Instituto Nacional de Pesquisa Espacial (INPE), “Banco de dados de queimadas,” http://queimadas.dgi.inpe.br/queimadas/bdqueimadas/. Accessed 2020–01–06, 2020.
Instituto Nacional de Pesquisa Espacial (INPE), “Banco de dados geomorfom´etricos do Brasil,” http://www.dsr.inpe.br/topodata/dados.php. Accessed 2020-01-06, 2020.
Jaafari A, Termeh SVR, Bui DT (2019a) Genetic and firefly metaheuristic algorithms for an optimized neuro-fuzzy prediction modeling of wildfire probability. J Environ Manag 243:358–369
Jaafari A, Zenner EK, Panahi M, Shahabi H (2019b) Hybrid artificial intelligence models based on a neuro-fuzzy system and metaheuristic optimization algorithms for spatial prediction of wildfire probability. Agric for Meteorol 266:198–207
Junior ACP, Oliveira SL, Pereira JM, Turkman MAA (2014) Modelling fire frequency in a Cerrado savanna protected area. PLoS ONE 9:7
Keane RE, Karau EC, Hessburg PF (2018) Exploring the complexity of wildfire management: a review of wildfire policy and management in the united states. J Environ Manag 219:173–182
Kim D-H, Lee H, Kwak J (2017) Standards as a driving force that influences emerging technological trajectories in the converging world of the internet and things: an investigation of the M2M/IoT patent network. Res Policy 46(7):1234–1254
Kim SJ, Lim C-H, Kim GS, Lee J, Geiger T, Rahmati O, Son Y, Lee W-K (2019) Multi-temporal analysis of forest fire probability using socio-economic and environmental variables. Remote Sensing 11(1):86
Koutsias N, Xanthopoulos G, Founda D, Nioti F (2018) Analysis of wildfire likelihood and its driving factors in Greece. Sci Total Environ 621:570–581
Linkov I, Galaitsi S, Trump BD, Keisler JM, Kott A (2020) Cybertrust: From explainable to actionable and interpretable artificial intelligence. Computer 53(9):91–96
Liu C, Wulfmeyer V (2019) Identifying potential wildfire spread corridors using the maximum flow algorithm. Nat Hazard 19(6):1279–1294
Meng J (2021) Raster data projection transformation based-on kriging interpolation approximate grid algorithm. Alex Eng J 60(2):2013–2019
Miller C, Ager AA (2013) A review of recent advances in risk analysis for wildfire management. Int J Wildland Fire 22(1):1–14
Miranda H, Bustamante M, Miranda A, Carvalho D, Santos J, Silva C (2013) Effects of fire frequency on the composition and diversity of woody vegetation in the Brazilian Cerrado. Plant Ecol 214(3):335–346
Nami M, Jaafari A, Fallah M, Nabiuni S (2018) Spatial prediction of wildfire probability in the Hyrcanian ecoregion using evidential belief function model and GIS. Int J Environ Sci Technol 15(2):373–384
Nembrini S, Konig IR, Wright MN (2018) The revival of the gini importance? Bioinformatics 34(21):3711–3718
N. I. F. Center, “Fire causes,” https://www.nifc.gov/fire-information/statistics/ fire-causes, Accessed 2022-10-05, 2021.
Pereira AA, Pereira J, Libonati R, Oom D, Setzer AW, Morelli F, Machado- Silva F, De Carvalho LMT (2017) Burned area mapping in the Brazilian Savanna using a one-class support vector machine trained by active fires. Remote Sensing 9(11):1161
Rihan W, Zhao J, Zhang H, Guo X, Ying H, Deng G, Li H (2019) Wildfires on the Mongolian Plateau: identifying drivers and spatial distributions to predict wildfire probability. Remote Sensing 11(20):2361
Rodrigues M, de la Riva J (2014) An insight into machine-learning algorithms to model human-caused wildfire occurrence. Environ Model Softw 57:192–201
Rubí JN, de Carvalho PH, Gondim PR (2022) Forestry 4.0 and industry 4.0: use case on wildfire behavior predictions. Comput Electr Eng 102:108200
Santana NC, de Carvalho Junior OA, Gomes RAT, Guimaraes RF (2018) Burned-area detection in Amazonian environments using standardized time series per pixel in MODIS data. Remote Sensing 10(12):1904
Sayad YO, Mousannif H, Al Moatassime H (2019) Predictive modeling of wildfires: a new dataset and machine learning approach. Fire Saf J 104:130–146
Silva LGD, “Comportamento e efeito do fogo sobre os ecossistemas do bioma Cer- rado: modelos baseados em processos,” https://repositorio.unb.br/handle/10482/32603. Accessed 2020-03-06, 2018.
Tavares MDFD, Nakagomi B, Soares V, Botega LC, de Almeida Neris VP (2019) Paisagens protegidas e incˆendios florestais em Bras´ılia: produ¸c˜ao volunt´aria de informa¸c˜oes geogr´aficas e sistema de alerta. Territorium 26:63–86
Tonini M, D’Andrea M, Biondi G, Degli Esposti S, Trucchia A, Fiorucci P (2020) A machine learning-based approach for wildfire susceptibility mapping. The case study of the Liguria region in Italy. Geosciences 10(3):105
Wang Q, Xia X, Zhao Y (2016) Simulation of the forest fire spreading pattern based on cellular automata: a case study in northeast china. Ecol Complex 27:16–24
Zhang B, Zhu J, Su H (2023) Toward the third generation artificial intelligence. Science China Inf Sci 66(2):1–19