公共文化服务平台

搜索到121篇“ 林火发生“的相关文章

甘肃省林火发生的驱动因子与火险区划: 2025年; 【目的】探明甘肃省森林火灾发生的主要影响因素和全省林火危险性地理分区,为甘肃省林火预测提供理论依据并为森林防火提供重要参考。【方法】以甘肃省2000—2021年的历史火灾数据为基础,运用ArcGIS10.8提取地形、气象、植被、人为活动、社会经济等因素的空间信息,运用Logistic回归模型筛选甘肃省林火发生的主要驱动因子;使用标准化回归系数检验各驱动因子对林火发生的相对重要性,并利用ROC曲线对模型拟合效果进行检验;根据模型预测结果对林火发生概率进行等级区划。【结果】1)建立的空间Logistic森林火灾风险模型拟合效果较好,5个训练样本的AUC值都大于0.970,预测准确率为89.6%~90.6%,全样本的AUC值为0.972,预测准确率为89.1%。2)海拔、坡度、月均气温、植被覆盖度、到铁路距离与林火发生概率呈正相关,月均降水量、到公路距离、到居民点距离与林火发生概率呈负相关。3)标准化回归系数结果显示,各驱动因子对甘肃省林火发生的重要性表现为植被覆盖度(15.31)>月均气温(4.647)>坡度(1.055)>到铁路距离(1.015)>海拔(1.007)>到公路距离(0.985)>到居民点距离(0.852)>月均降水量(0.808)。4)依据林火发生概率等间距地将甘肃省森林火险划分为5个等级:极低火险区(0~0.2)、低火险区(0.2~0.4)、中火险区(0.4~0.6)、高火险区(0.6~0.8)和极高火险区(0.8~1),其对应的森林面积分别为462640、850160、1611550、1715680和705050 hm2。【结论】植被覆盖度、月均气温、坡度、到铁路距离、海拔、到公路距离、到居民点距离、月均降水量为甘肃省林火发生的主要驱动因子。林火发生概率总体呈东南高、西北低的空间分布特征,其中极高火险区主要分布在甘南藏族自治州、临夏回族自治州、兰州以及陇南部分地区,高火险区主要分布在陇南和天水东南部、平凉西部、兰州和临夏回族自治州部分�; 逯真佳罗永忠王旭虎王康锋马立鹏张存焘郭鹏马婧赵亮生; 关键词：LOGISTIC回归模型自然因素火险区划

贵州省林火发生驱动因子及预测模型被引量：6: 2024年; 中国西南林区火源复杂,人为干扰大,多为喀斯特地貌和农林交错区,山形复杂,是中国林火发生的重灾区。分析该区域林火发生驱动因子,并进行火险区划,对于该地区合理的林火管理工作具有重要意义。本研究以西南地区的贵州省为对象,基于2011—2020年的森林火点数据、地理空间数据、气象数据、植被数据和人类活动数据等,利用ArcGIS 10.7的空间分析和R Studio等软件分析贵州省近10年林火分布时空格局,得到林火发生的驱动因子和概率预测模型,分别绘制春夏秋冬4个季节的贵州省林火发生概率和森林火险区划图。结果表明:近10年,贵州省火点数量逐年呈下降趋势,每年主要集中在1—3月,占全年火点数量的61%;距居民点距离、距铁路距离、人口密度、逐月平均空气温度、逐月平均相对湿度和逐月累计降雨量对贵州省林火发生概率有显著影响,得到模型的预测准确率为81.9%,曲线下面积为0.904;贵州省春季林火发生概率高于其他季节,且春、秋和冬季的森林火灾高火险区主要集中在贵州省西部,而夏季则主要是贵州东部的林火发生概率较高。研究得到贵州省林火发生驱动因子和基于季节火险区划图,对于该地区科学林火管理具有重要意义,贵州西部林火发生概率主要在偏远地区,应该增加瞭望塔和视频监控等设备,加强巡护,提高监测范围和时效,对于贵州东部夏季,应该加强防火宣传和人为活动管控,减少火源出现概率。; 张运林田玲玲丁波张延威刘讯武燕; 关键词：LOGISTIC回归火险区划

应用机器学习算法分析广西林火发生驱动因素及林火预测: 2024年; 森林火灾对生态环境和人类社会构成了严重威胁,当前全球气候不断变化、人类活动日益频繁,森林火灾的影响也日益凸显。以广西壮族自治区为研究区,根据2006—2020年研究区的卫星监测森林火点数据,结合气象数据、地形数据、植被数据和人为活动数据,应用反向传播神经网络(BPNN)、梯度增强决策树(GBDT)、随机森林(RF)、支持向量机(SVM)和极限梯度提升模型(XGBoost)等机器学习算法对广西地区的森林火灾建模,对林火发生概率进行预测;利用最优模型绘制了季节性森林火险区域图,分析森林火灾发生的驱动因素和潜在的森林火灾风险。结果表明:(1)XGBoost模型在预测广西地区森林火灾风险方面表现最佳,其准确率为92.33%,精确度为92.89%,召回率为91.88%,F_(1)值为92.38%,A_(UC)值为97.68%。(2)广西地区森林火灾的主要驱动因素为气象条件与植被因素,主要因素为潜在蒸发量(Pes)、大气压(Sfp)、总初级生产力(GPP)和增强型植被指数(Evi)等。(3)广西地区的春季和冬季是森林火灾的高发季节,中高风险区主要集中在桂东、桂中南和桂西地区。; 周鹏飞王艳霞

基于裁判文书的中国人为林火发生特征研究: 李可

广西林火发生动态及气象影响因素研究被引量：4: 2024年; 了解森林火灾的时空分布格局,定量分析其统计学规律,能够为该地区的火源管理与森林火灾科学预防提供基础支撑。根据广西1990—2020年的森林火灾数据、气象数据和基础地理数据,分析广西大尺度下的森林火灾时空分布趋势,同时构建零膨胀负二项回归模型,探讨气象因素对森林火灾的影响。结果表明,在年际变化上,广西林火数量呈“M”形波动,2005年以后森林火灾波动较大,季节上多发于冬季和春季,每年10月至次年4月累计发生13 249起,占比80%;森林火灾的发生具有明显的地域聚集性,主要发生在海拔0~400 m和斜坡为25°以下的平原低山地区;气象因子对森林火灾的发生具有重要影响,其中降雨量和平均风速对广西森林火灾的影响最为显著。未来广西应加大防火期,尤其是重要节假日前后的野外火源管控力度与应急处置能力,同时完善火险天气预警,以应对极端天气带来的森林火灾隐患。; 巨文珍韩斐扬彭泊林李常诚何珊潘婷; 关键词：森林火灾时间序列空间分布特征

内蒙古大兴安岭林火发生概率及驱动因素在1987年森林大火重大历史事件前后的差异: 2024年; [目的]分析内蒙古大兴安岭林火发生概率及驱动因素在1987年森林大火前后的差异,了解重大历史事件对林火防控的影响,为未来重大事件发生背景下的林火管理与防火资源合理配置优化提供理论支撑。[方法]基于1980-2018年(39年)内蒙古大兴安岭历史火灾数据,以对我国森林火灾防控有重大影响的1987年森林大火为分界线,采用逻辑斯蒂回归(LR)和增强回归树(BRT)2种林火预测模型对1987年森林大火发生前、发生后和所有年份3个时期的林火发生概率和驱动因素进行分析和比较,同时计算各旗(县)低、中、高3个火险等级的面积,判读不同时期的林火驱动因素和火险变化差异。[结果]1)无论用所有年份还是用1987年前和1987年后的数据建模,BRT模型预测精度均高于LR模型,虽然LR模型预测精度略低,但也可以满足预测需求;2)2种林火预测模型对3个时期的预测准确率均表现为所有年份>1987年后>1987年前,说明在样本数据量足够的情况下,以1987年森林大火为分界线并未提高预测精度,利用所有年份数据建模具有较高可信度;3)气候因素在不同时期均为影响林火发生的主导因素,尤其要关注火灾发生前一年秋季防火期的相关气象指标(平均/最高气温、平均/最高地表温度、日照时数);4)3个时期的火灾中高风险区发生明显变化,内蒙古大兴安岭东部(鄂伦春自治旗东南部、莫力达瓦达斡尔族自治旗大部及阿荣旗中部)3个时期均有较高火灾风险,北部原始林区(额尔古纳市北部)1987年前中高风险区很少,1987年后中高风险区显著增多。导致火灾发生的原因1987年前主要是人为因素,1987年后有关政策和法规的制定使人为因素引发的森林火灾减少,但雷击火次数有所增加。[结论]1987年森林大火重大历史事件的发生使我国森林防火政策发生巨大变化,影响内蒙古大兴安岭林火发生概率及驱动因素的主导�; 周庆张恒赵鹏武赵鹏武周勇章林王嘉夫赵梦玉杨泽华; 关键词：重大历史事件

基于MODIS的云南省2001-2020年林火发生时空特征分析被引量：6: 2023年; 【目的】研究森林火灾发生的时空特征,掌握云南省林火发生的时空分异特征,定量分析林火发生规律,识别林火高发区和易发区,以进行森林火险分布科学区划。【方法】基于云南省2001—2020年中分辨率成像光谱仪(MODIS)火灾位置/热异常产品数据(MCD14DL),利用火位置信息中所具有的关联性与异质性等,采用统计分析、中心点分析、标准差椭圆法、Ripley’s K函数、核密度等方法,分析云南省林火发生的时空分布特征。【结果】①云南省2001—2020年间林火发生的年际波动较大,2010年出现火点高峰值;季节变化显著,林火主要集中在冬、春两季,春季火点最多且在3月出现高峰值。②林火发生具有显著的区域性特征,林火高发区主要分布在云南省西南部,其次是东南和西北部,东北部林火发生数最少。普洱市是林火发生的中位数中心,其西北部森林火点分布密度最高,核密度值约为0.43;其次是西双版纳州中西部区域,核密度值约为0.34;再者是大理州西北部和文山州东北部区域,这两处核密度值均约为0.26,这4个区域为云南省森林火点分布的热点区。③20年间,林火空间分布的方向性明显,云南省森林火点的总体重心位置正逐步由普洱一带向大理—楚雄—玉溪—红河州一带偏移。④云南省林火的整体空间分布类型为凝聚模式,但聚集程度不高且在逐渐分散。【结论】2001—2020年云南省林火发生不是完全随机分布的,而是呈现一定的时空分布规律。该特征规律有助于强化区域火情管理,增强重点防火区域的防火建设与宣传,科学安排防火工作,降低林火发生率,实现森林可持续发展。; 张文文王劲王秋华张曦妍曹恒茂龙腾腾; 关键词：林火发生

基于随机森林算法的中国西南地区林火发生预测模型构建及驱动因子被引量：8: 2023年; 林火直接破坏森林资源,改变森林的结构与功能,影响局地甚至全球气候状况并威胁人类生命和财产安全,在气候变暖背景下林火将更加频发,因此开展林火预测/预报研究至关重要。利用MODIS(Moderate-resolution Imaging Spectroradiometer)的温度异常/火产品(MOD14A1)获取逐日林火数据,分析了2001—2018年中国西南地区林火时空分布特征;采用随机森林算法,综合考虑气象、地形、可燃物状况及植被等林火驱动因子,构建了中国西南地区干、湿季林火发生预测模型,系统分析了西南地区干湿季林火发生的主要驱动因子。结果表明:(1)中国西南地区林火主要集中分布于云南大部、四川西南部及贵州南部地区,并呈集聚分布特征;林火多发于干季,占林火发生总次数的96.5%,年林火发生次数呈阶段性变化特征,2001—2014年呈现显著增加趋势,随后表现为不显著减少趋势;(2)构建的干、湿季林火发生预测模型能较准确地模拟林火发生状况:训练期模型准确率分别处于82.94%—83.99%与85.12%—90.31%之间,AUC(Area Under Curve)值分别处于0.908—0.914与0.922—0.965之间;测试期模型准确率分别为79.73%和83.27%,AUC值分别为0.886和0.855;(3)海拔是西南地区林火发生最关键的限制因子,林火多集中于中海拔区,而在低海拔和高海拔地区林火不易发生,这与人类活动密切相关。当日的气象条件是干季林火发生次重要的驱动因子,可燃物的温湿度状况则是湿季林火发生次重要的驱动因子。FWI系统指标(Fire Weather Index)在西南地区有较好的适用性且对于区域干湿季林火发生均有重要的影响,因此在西南地区林火预测/预报工作中有必要引入FWI系统指标。; 何锐陆恒晋子振秦艳杨弘毅刘治银杨广睿徐进滢龚雪赵求东

林火发生预报模型研究进展被引量：6: 2022年; 森林火灾直接影响森林生态环境质量,严重威胁人类生命财产安全,还会造成病虫害频发、群落退化等次生灾害。由于综合考虑了各类影响林火发生的因子,林火发生预报模型是目前预报结果最为准确的林火预报预测方法。文中从林火驱动因子、林火发生预报模型构建、模型检验方法等3个方面综述国内外林火发生预报模型的发展现状和研究成果,讨论各类林火发生预报模型的优缺点,梳理目前研究中存在的问题,对其研究前景进行展望,并结合我国实际情况提出开展更大空间尺度林火预报的研究建议,以期为相关研究和林火管理工作提供参考。; 朱政赵璠王秋华邓小凡高仲亮; 关键词：林火预防模型构建

基于气象因子的黑龙江黑河林火发生概率预测被引量：6: 2022年; 基于Logistic回归模型分析黑龙江黑河地区林火发生与气象因子间的关系,确定影响林火发生主要气象因子并建立林火发生概率预测模型。以1981—2015年黑河地区日历史林火数据和日气象数据为基础,随机划分80%的建模数据和20%的校验数据。使用R软件,通过Logistic逐步回归建立5组中间模型并筛选出显著气象因子(P<0.05)。运用Logistic回归模型建立全样本林火发生概率预测模型,分析主要气象因子。结果表明:日最大风速、日最高气温、日平均相对湿度、日平均水汽压和日降水量是影响林火发生的主要显著气象因子(P<0.05),其中日最大风速和日最高气温与林火发生呈正相关,日平均相对湿度、日平均水汽压和日降水量与林火发生呈负相关;基于Logistic回归的各样本模型预测准确率为82.83%~86.12%,受试者工作特征(ROC)曲线的线下面积(AUC)值在0.884~0.920之间,模型具有较高的预测准确率和拟合度,适用于该地区基于气象因子的林火发生概率预测。; 高超林红蕾胡海清宋红; 关键词：林火气象因子 LOGISTIC回归

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈