Key points are not available for this paper at this time.
산불은 매우 일반적인 자연재해 또는 인위적인 재해로, 귀중한 산림 자원을 태우는 것뿐만 아니라 산림 생태계 구조와 기능, 그리고 지구 기후를 더욱 변화시킵니다. 따라서 과거 산불 사건에 대한 효과적인 정보 추출, 데이터 관리 및 모델링이 산불의 발생 및 진행을 예측하고 완화하는 데 필수적입니다. 전통적인 원격 감지 기반 산불 탐지 및 위험 예측은 픽셀 규모에서 작동하여 산불 행동의 완전성을 간과합니다. 또한, 화재 원인 기록은 일반적으로 현장 보고서에서 파생되어 고시간 해상도 열 적외선 원격 감지 제품의 장점을 충분히 활용하지 못합니다. 우리는 2001년부터 2020년까지의 사건을 실험하여 중국 북동부의 다싱안링 지역에서 산불 사건의 원인을 식별하기 위한 프레임워크를 제안했습니다. 처음에 Jenk-DBSCAN 모델을 사용하여 MODIS MCD64A1 제품에서 산불 사건을 대표하는 화재 흔적을 획득하고 점화 위치 및 시각과 같은 화재 사건 속성 정보를 수집했습니다. 이후 현장 조사와 일치하는 화재 흔적을 필터링하고, 화재 흔적의 기원과 중심점의 시공간적 차이를 고려하여 해당 환경 변수 데이터 세트(기상, 지형, 연료 및 인적 활동 요인 포함)가 도출되었습니다. 마지막으로, 두 데이터 세트의 최적 변수 조합을 세 가지 이진 분류 모델인 랜덤 포레스트(RF), 로지스틱 회귀(LR), 서포트 벡터 머신(SVM)에 각각 제공하여 자연 화재 또는 인간 유발 화재를 식별한 후 화재 원인 식별 모델의 정확성을 평가했습니다. 결과는 모델 추출과 현장 기록된 화재 사건 간의 일치한 화재 흔적의 높은 시공간적 일관성을 보여주었으며, 이는 이들의 면적 검증에서 도출된 전체 R2가 0.87임을 통해 입증되었습니다. 화재 흔적에서 추출된 점화 날짜는 종종 지역 기관에서 보고한 날짜보다 앞섰습니다. 화재 원인 식별을 위한 선택된 모든 변수 조합 중에서 기상 변수가 지배적이었으며, 일일 평균 이슬점(DEWP)과 일일 평균 가시성(VISIB)이 대부분의 모델에 의해 우선적으로 선택되었습니다. 여섯 개 모델에서 모델 학습 AUC 값은 거의 0.8 이상으로, LR 모델이 RF 및 SVM에 비해 높은 검증 정확도를 보여주었습니다. 특히, 원점 기반 데이터 세트를 사용하는 LR 모델의 정확도가 중심점 기반 데이터 세트의 정확도를 초과했습니다. 최상의 모델은 90.48%의 전체 정확도를 달성했으며, 인간 유발 화재와 자연 화재에 대한 사용자의 정확도는 각각 92.86% 및 85.71%였습니다. 제안된 프레임워크는 산불 관리 데이터베이스의 속성 정보를 풍부하게 하는 신뢰할 수 있는 방법을 제공합니다. 결과적으로 도출된 화재 흔적과 기원 점은 산불 사건의 진행을 더 잘 특징짓는 데 도움이 될 수 있습니다. 이러한 노력은 표적 산불 예방 규정을 고안하는 데 도움이 되어 지속 가능한 산림 관리를 촉진합니다.
Su et al. (Fri,)는 이 질문을 연구했습니다.