李史欣,張福全,林海峰

(南京林業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院,江蘇 南京 210037)

研究森林火災(zāi)驅(qū)動(dòng)因素,建立火災(zāi)預(yù)測(cè)模型,生成火災(zāi)風(fēng)險(xiǎn)圖對(duì)林火防護(hù)具有重要意義[1]。森林火災(zāi)的驅(qū)動(dòng)因素包括氣候、植被燃料、地形等自然驅(qū)動(dòng)因素和人為驅(qū)動(dòng)因素。

氣候因素與可燃物的含水量有直接關(guān)系[2],當(dāng)氣溫較低時(shí),可燃物的水分蒸發(fā)較慢,不易著火。歸一化植被指數(shù)在一定程度上反映了地表植被等可燃物的分布情況。地形因素包括海拔、坡向、坡度等[3]。坡度陡緩影響著火災(zāi)強(qiáng)度,是分析火災(zāi)強(qiáng)弱的重要因素,坡度越陡,降水流失越嚴(yán)重,可燃物易干燥,植被易燃性更高[4]。 海拔高低和坡向差異導(dǎo)致可燃物溫濕度、植被的干燥程度都有差異[5]。地形濕度指數(shù)在一定程度上量化了地形徑流流向和蓄積的影響[6],許多火災(zāi)發(fā)生于地形濕度比較低的條件下[7],地表可燃物的含水率低,更易助長火災(zāi)的燃燒。

火災(zāi)發(fā)生很大程度上與道路和居民點(diǎn)相關(guān)[8]。道路修建和居民不經(jīng)意間丟擲的煙頭都有可能作為火源引起森林火災(zāi)。與無人居住和無道路地區(qū)相比,道路和靠近人類居住的區(qū)域發(fā)生火災(zāi)的概率會(huì)更高。

機(jī)器學(xué)習(xí)在林火預(yù)測(cè)方面具有較好的性能[9]。周振偉等[10]采用層次分析法(analytic hierarchy process,AHP)和地理信息系統(tǒng)(geographic information system,GIS)方法,通過獲得森林火險(xiǎn)因子確定權(quán)重引入AHP,達(dá)到森林火險(xiǎn)預(yù)測(cè)的目標(biāo);許志卿等[11]利用支持向量回歸機(jī)的方式進(jìn)行森林火險(xiǎn)預(yù)測(cè);崔亮等[12]利用呼倫貝爾草原火災(zāi)的相關(guān)數(shù)據(jù),建立了邏輯回歸模型來預(yù)測(cè)草原空間上的火險(xiǎn)情況。邏輯回歸根據(jù)林火發(fā)生的驅(qū)動(dòng)因素和歷史火災(zāi)數(shù)據(jù),預(yù)測(cè)林火發(fā)生的風(fēng)險(xiǎn)[13]。邏輯回歸模型具有實(shí)現(xiàn)速度快、輸出結(jié)果簡單的優(yōu)點(diǎn),在林火預(yù)測(cè)方面具有較好的適用性[14],但它在處理非線性和復(fù)雜關(guān)系的時(shí)候容易受限。而隨機(jī)森林模型是一種靈活評(píng)估變量之間復(fù)雜關(guān)系的非參數(shù)型方法[15],可以自行選擇更為重要的變量。不同決策樹之間沒有關(guān)聯(lián),輸入數(shù)據(jù)樣本時(shí),每棵決策樹對(duì)輸入數(shù)據(jù)判斷分類,輸出對(duì)應(yīng)的分類結(jié)果,依據(jù)分類結(jié)果的眾數(shù)決定隨機(jī)森林結(jié)果,在具有多種變量的林火預(yù)測(cè)方面具有適用性[16]。

安徽省滁州市韭山擁有著許多珍貴的動(dòng)植物資源,近年來,林火發(fā)生有逐漸增加的趨勢(shì),更新和優(yōu)化消防管理方法顯得尤為重要。然而,韭山目前依然依靠傳統(tǒng)的巡護(hù)方式進(jìn)行林火防護(hù),并沒有對(duì)應(yīng)的火災(zāi)風(fēng)險(xiǎn)圖,如果能結(jié)合火災(zāi)風(fēng)險(xiǎn)圖進(jìn)行防火資源分配和重點(diǎn)區(qū)域監(jiān)測(cè),則會(huì)顯著降低人力防護(hù)成本,提高林火監(jiān)測(cè)能力。本研究通過提取韭山林火的驅(qū)動(dòng)因素,建立邏輯回歸和隨機(jī)森林模型,進(jìn)行相關(guān)性分析,利用混淆矩陣和接受者操作特性曲線(ROC)進(jìn)行準(zhǔn)確性評(píng)估,繪制韭山林火風(fēng)險(xiǎn)圖,幫助消防管理員制定林火防護(hù)策略,提升防火能力。

1 材料與方法

1.1 研究區(qū)概況

韭山位于安徽省滁州市境內(nèi),地處鳳陽縣南部山區(qū)(117°19′～117°48′E,32°37′～32°46′N),地貌以丘陵為主,地勢(shì)相對(duì)平緩,占地面積達(dá)249.12 km2。韭山所屬北亞熱帶季風(fēng)氣候,地處冷暖氣團(tuán)交匯區(qū),年均氣溫14.9 ℃,年均降水量876 mm。在季風(fēng)盛行時(shí)期,最熱月平均氣溫高于22 ℃,最冷月氣溫為0～5 ℃。韭山地處南北植物區(qū)系過渡地帶,林分結(jié)構(gòu)以殼斗科的落葉闊葉樹和松科的常綠針葉樹為主[17],著名的旅游景點(diǎn)韭山國家森林公園坐落其中,每年的11月到翌年4月屬于韭山的防火期。

1.2 研究方法與數(shù)據(jù)處理

通常林火建模基于“假設(shè)歷史火災(zāi)法”[18-19],通過對(duì)數(shù)據(jù)的初始化分析,選擇影響火災(zāi)發(fā)生位置的相關(guān)因素。本研究將林火的相關(guān)因素?cái)?shù)據(jù)作為模型的輸入數(shù)據(jù),使用ROC曲線和混淆矩陣統(tǒng)計(jì)指標(biāo)對(duì)模型結(jié)果進(jìn)行評(píng)估分析,結(jié)合兩種模型預(yù)測(cè)火險(xiǎn)結(jié)果繪制火災(zāi)風(fēng)險(xiǎn)圖,火災(zāi)風(fēng)險(xiǎn)預(yù)測(cè)流程如圖1所示。

圖1 火災(zāi)風(fēng)險(xiǎn)預(yù)測(cè)Fig. 1 Fire risk prediction

林火相關(guān)數(shù)據(jù)可分為自變量數(shù)據(jù)和因變量數(shù)據(jù)[20],自變量數(shù)據(jù)包括地形、人類活動(dòng)、植被和氣象因素,因變量數(shù)據(jù)包括火點(diǎn)數(shù)據(jù)。本研究采用的是2019年3月地理空間數(shù)據(jù)云90 m分辨率數(shù)字高程模型(DEM)數(shù)據(jù)和2019年3月的30 m分辨率Landsat8OLI的數(shù)據(jù),研究數(shù)據(jù)如表1所示。

表1 模型自變量

1.3 模型自變量計(jì)算

1)坡度

在ArcGis10.2中,采用公式(1)計(jì)算研究區(qū)域的坡度。

(1)

式中:s為坡度;dz/dx為中心像元水平方向上的變化率,dz/dy為中心像元垂直方向上的變化率[21]。依據(jù)式(1)得到坡度,將其分為5類[22],如圖2a所示。

圖2 林火相關(guān)因素分類Fig. 2 Classifications of forest fire related factors

2)坡向

南坡光照時(shí)間長,植被比較干燥,含水率低,容易發(fā)生火災(zāi);其次是西坡[23];北坡受到太陽輻射能量少,植被含水率大,發(fā)生火災(zāi)可能性小。因此,南坡和西坡更容易發(fā)生火災(zāi)。通常坡向分為9類[24],如圖2b所示。

3)海拔

海拔和火災(zāi)有著密切關(guān)系。地勢(shì)越高,地表植被含水率越高,相對(duì)濕度增大,不易燃燒。提取DEM數(shù)據(jù),將海拔分為圖2c所示的5類[25]。

4)地形濕度指數(shù)

地形濕度是DEM數(shù)據(jù)的水文分析。考慮地形和土壤特性對(duì)土壤水分的分布作用,首先填滿研究區(qū)域內(nèi)的凹陷地形,然后計(jì)算水流方向和水量,基于上述數(shù)據(jù)依據(jù)公式(2)[26]計(jì)算地形濕度指數(shù)。將研究區(qū)域地形濕度指數(shù)分為圖2d中5類[24]。

(2)

式中:ITW為地形濕度指數(shù);S為單位等高線上地表水流經(jīng)的面積,m2,可以通過匯流累積量的面積與流向?qū)挾扔?jì)算得到;β代表了地形的坡度。

5)到道路的距離

相對(duì)無道路區(qū)域,林區(qū)道路邊緣發(fā)生火災(zāi)的可能性相對(duì)較高。下載并提取道路路網(wǎng),利用ArcGis10.2軟件的空間分析工具,根據(jù)到道路的距離,將研究區(qū)域內(nèi)到道路的距離劃分為圖2e所示的5類[27]。

6)到居民點(diǎn)的距離

和無人居住區(qū)域相比,靠近居民點(diǎn)區(qū)域發(fā)生火災(zāi)的可能性相對(duì)較高。如圖2f所示,根據(jù)居民點(diǎn)經(jīng)緯度進(jìn)行標(biāo)注,將研究區(qū)域到居民點(diǎn)距離劃分為5類[27]。

7)歸一化植被指數(shù)

歸一化植被指數(shù)是監(jiān)測(cè)植被生態(tài)環(huán)境的有效指標(biāo)[28]。通過NDVI歸一化來消除結(jié)果差距過大而導(dǎo)致的波動(dòng),其范圍為-1～1。提取Landsat8 OLI圖像中近紅外波段和紅光波段,在ENVI5.3里依據(jù)公式(3)[29]得到歸一化植被指數(shù),通常NDVI植被指數(shù)分為5類[27],如圖2g所示。

INDV=(RNI-R)/(RNI+R)。

(3)

式中:INDV表示歸一化植被指數(shù);RNI表示近紅外波段,R表示紅外波段。

8)溫度

采用大氣校正法的溫度反演方式獲得研究區(qū)域內(nèi)的2019年3月春季的日均氣溫[29]。溫度反演流程:

①輻射定標(biāo)。

②基于NDVI計(jì)算植被覆蓋度(vegetation cover,式中記為Vc);

(4)

式中:INDV,Soil為土壤的植被指數(shù);INDV,Veg為植被覆蓋像元最大值的NDVI。

③基于黑體輻射亮度計(jì)算地表溫度。

T=1 321.08/ln(774.89/b1+1)-273。

(5)

式中:T表示地表溫度;b1為計(jì)算出的黑體輻射亮度值。最終將溫度分為以下5類[25],如圖2h所示。

1.4 模型因變量計(jì)算

由于缺乏實(shí)際的火災(zāi)記錄數(shù)據(jù),所以選擇提取火點(diǎn)作為歷史火災(zāi)數(shù)據(jù)對(duì)火災(zāi)風(fēng)險(xiǎn)圖進(jìn)行驗(yàn)證。從哥白尼數(shù)據(jù)中心(https://scihub.copernicus.eu/)下載時(shí)間分辨率為10 d、空間分辨率為60 m的哨兵2號(hào)數(shù)據(jù),通過波段運(yùn)算提取2018—2020年火點(diǎn)共396個(gè)。為了匹配其他數(shù)據(jù)的空間分辨率,使用歐州航天局(European Space Agency)的SNAP軟件作為預(yù)處理工具,將下載的數(shù)據(jù)重采樣為30 m×30 m的柵格,提取近紅外波段(NIR,式中記為RNI)和短波紅外波段(SWIR,式中記為RSWI),最后使用公式(6)的歸一化火燒指數(shù)法(NBR,式中記為INBR)進(jìn)行波段運(yùn)算[30]。

(6)

利用過火區(qū)光譜反射率在SWIR上升和在NIR下降的特征,有效分離過火區(qū)與其他地物。本研究采用哨兵數(shù)據(jù)的時(shí)間分辨率是10 d,當(dāng)火災(zāi)發(fā)生時(shí),被燃燒的區(qū)域在一定時(shí)間內(nèi)其狀態(tài)不會(huì)改變,所以使用哨兵2號(hào)數(shù)據(jù),并不會(huì)對(duì)提取火點(diǎn)的數(shù)據(jù)產(chǎn)生較大影響。

1.5 模型建立

1.5.1 邏輯回歸模型

邏輯回歸(LR)算法用來描述自變量X和因變量Y之間的關(guān)系,對(duì)因變量Y進(jìn)行預(yù)測(cè)。本研究通過分析各類驅(qū)動(dòng)變量與火點(diǎn)發(fā)生概率之間的相關(guān)性,進(jìn)而預(yù)測(cè)韭山內(nèi)各個(gè)柵格發(fā)生火災(zāi)的概率。模型使用算法條件概率分布的形式來表示G(Y|X);隨機(jī)變量X,表示影響火點(diǎn)發(fā)生火災(zāi)概率的驅(qū)動(dòng)變量;因變量Y,表示火災(zāi)發(fā)生的概率。當(dāng)預(yù)測(cè)概率≥50%時(shí),Y值為1;當(dāng)預(yù)測(cè)概率<50%時(shí),Y值為0。

邏輯回歸算法計(jì)算式為:

(7)

(8)

1.5.2 隨機(jī)森林模型

隨機(jī)森林(RF)算法基于多個(gè)決策樹分類器實(shí)現(xiàn),結(jié)果取決于決策樹分類結(jié)果的眾數(shù)[13]。當(dāng)森林火點(diǎn)發(fā)生概率≥50%時(shí),編碼標(biāo)注為1,認(rèn)為是著火點(diǎn);當(dāng)森林火點(diǎn)發(fā)生概率<50%時(shí),編碼標(biāo)注為0,認(rèn)為是非著火點(diǎn)。著火點(diǎn)和非著火點(diǎn)是二元分類,火點(diǎn)編碼表示因變量。

為后續(xù)結(jié)論對(duì)比分析,對(duì)數(shù)據(jù)進(jìn)行統(tǒng)一性劃分,訓(xùn)練樣本占數(shù)據(jù)集的70%,驗(yàn)證樣本占數(shù)據(jù)集的30%。模型將原始數(shù)據(jù)集隨機(jī)分為訓(xùn)練樣本和驗(yàn)證樣本進(jìn)行擬合。最后,提取森林火災(zāi)相關(guān)因子的值,計(jì)算變量重要性。

1.6 性能評(píng)價(jià)指標(biāo)

混淆矩陣和接受者操作特征曲線(ROC)作為特定的指標(biāo)來衡量模型的好壞,是兩種廣泛用于精度評(píng)估的方式[31]。

1.6.1 混淆矩陣

混淆矩陣是一種總結(jié)分類模型預(yù)測(cè)結(jié)果,展示分類學(xué)習(xí)算法的性能矩陣。一般針對(duì)二分類的問題,依據(jù)真陽性(TP)、真陰性(TN)、假陽性(FP)、假陰性(FN)4個(gè)基礎(chǔ)指標(biāo)得到混淆矩陣。

基于混淆矩陣,延伸出5個(gè)統(tǒng)計(jì)指標(biāo)評(píng)估:總體準(zhǔn)確率、靈敏度、特異性、陽性和陰性預(yù)測(cè)值[32]。

1.6.2 ROC曲線

接受者操作特征曲線(ROC)是反映靈敏性和特異性連續(xù)變量的綜合指標(biāo)[31]。曲線下方面積(AUC)是評(píng)估分類器分類精度的常用參數(shù),AUC值越大,表明模型準(zhǔn)確性越高。在ROC曲線上,越接近坐標(biāo)圖左上方,靈敏度和特異性越高。

2 結(jié)果與分析

2.1 森林火災(zāi)驅(qū)動(dòng)因素相關(guān)性

8種森林火災(zāi)影響變量在森林火災(zāi)敏感性預(yù)測(cè)中所顯示的預(yù)測(cè)能力見表2。由表2可知,6種影響變量的P<0.001,相關(guān)性極顯著,2種影響變量的P<0.05,相關(guān)性顯著,所以在本次分析中無須排除任何因素,變量均為相關(guān)因素。相關(guān)性程度最高的是到道路的距離,其次是NDVI,相關(guān)程度較差的是地形濕度和坡向。

表2 森林火災(zāi)驅(qū)動(dòng)因素相關(guān)性

2.2 混淆矩陣精度評(píng)價(jià)結(jié)果

兩種模型混淆矩陣精度評(píng)價(jià)結(jié)果見表3,結(jié)果顯示邏輯回歸模型的準(zhǔn)確率為71.07%,隨機(jī)森林模型的準(zhǔn)確率為84.91%。

表3 RF和LR模型的混淆矩陣精度評(píng)估結(jié)果

由表3可知,在邏輯回歸模型中,驗(yàn)證數(shù)據(jù)的陽性預(yù)測(cè)值,即該模型正確地對(duì)森林火點(diǎn)分類的概率為65.22%;陰性預(yù)測(cè)值,即該模型正確分類非火點(diǎn)的概率為79.10%。

在隨機(jī)森林模型中,該模型正確對(duì)森林火點(diǎn)分類的概率為82.05%;該模型正確分類非火點(diǎn)的概率為87.65%。

2.3 ROC評(píng)估結(jié)果

使用ROC曲線和AUC面積檢測(cè)邏輯回歸模型和隨機(jī)森林模型的全局性能。在邏輯回歸模型下,AUC為0.717 2,表明該模型與訓(xùn)練數(shù)據(jù)集有略高的擬合優(yōu)度,模型的預(yù)測(cè)能力為71.07%;在隨機(jī)森林模型下,AUC為0.850 1,表明該模型與訓(xùn)練數(shù)據(jù)集有較高的擬合優(yōu)度,模型的預(yù)測(cè)能力為84.91%。兩種模型的ROC曲線如圖3所示。當(dāng)AUC指標(biāo)大于0.5,指標(biāo)越接近1,表明模型擬合效果好。因此隨機(jī)森林模型的預(yù)測(cè)準(zhǔn)確性高于邏輯回歸模型。

圖3 邏輯回歸(LR)和隨機(jī)森林(RF)模型的ROC曲線Fig. 3 ROC curves for LR and RF models

2.4 模型火險(xiǎn)預(yù)測(cè)結(jié)果

根據(jù)邏輯回歸模型和隨機(jī)森林模型,生成韭山的火災(zāi)風(fēng)險(xiǎn)圖。將火險(xiǎn)分為5個(gè)等級(jí):極低(0,0.2]、較低(0.2,0.4]、中等(0.4,0.6]、較高(0.6,0.8]、極高(0.8,1.0][33]。

提取出的火點(diǎn)如圖4所示,從圖4中可以發(fā)現(xiàn),火點(diǎn)主要集中在區(qū)域的西部和南部區(qū)域,該區(qū)域的路網(wǎng)密集,人類行為可能造成火災(zāi)。

圖4 研究區(qū)火點(diǎn)提取結(jié)果Fig.4 Extract the fire point of the study area

本研究的LR和RF生成的火災(zāi)風(fēng)險(xiǎn)預(yù)測(cè)圖見圖5,邏輯回歸模型預(yù)測(cè)下的高和極高等級(jí)火險(xiǎn),占總體的20.27%;隨機(jī)森林模型預(yù)測(cè)下,占總體的11.91%(29.36 km2)。邏輯回歸的火險(xiǎn)預(yù)測(cè)圖上,其高風(fēng)險(xiǎn)等級(jí)點(diǎn)的個(gè)數(shù)遠(yuǎn)遠(yuǎn)多于隨機(jī)森林模型。通過對(duì)比發(fā)現(xiàn),相比于LR,RF的分類更加精準(zhǔn),邏輯回歸預(yù)測(cè)準(zhǔn)確率不高導(dǎo)致的低火險(xiǎn)等級(jí)點(diǎn)被劃分為高等級(jí)火險(xiǎn)。

圖5 邏輯回歸及隨機(jī)森林模型火險(xiǎn)預(yù)測(cè)結(jié)果Fig.5 Logistic regression and random forest model fire risk prediction results

植被因素是造成火災(zāi)的重要因素之一。火災(zāi)風(fēng)險(xiǎn)等級(jí)高、極高區(qū)域在植被覆蓋度高的地區(qū)更易發(fā)生火災(zāi)。從圖2g可以看到,植被覆蓋度較高區(qū)域占比超過了50%,所以韭山地區(qū)的火災(zāi)風(fēng)險(xiǎn)較高。

人類行為活動(dòng)是林火發(fā)生的重要原因之一。進(jìn)奉的香火、靠近道路邊行人無意間丟棄未熄滅的煙頭等都可能會(huì)引起意外的森林大火,所以靠近馬路和居民點(diǎn)的林區(qū)都會(huì)增加森林火災(zāi)發(fā)生的風(fēng)險(xiǎn)。在本研究中,簡單劃分了森林到道路和居民點(diǎn)的距離,圖2e將森林到道路的距離劃分為了5個(gè)等級(jí),越靠近道路的行人和人類行為活動(dòng)越多,越容易造成森林火災(zāi)。依據(jù)韭山區(qū)域內(nèi)的實(shí)際道路情況,選擇400 m作為劃分道路距離的間隔,大多數(shù)人類活動(dòng)范圍不會(huì)超過道路距離1 600 m,可見道路距離的劃分是合理的。圖2f到居民點(diǎn)小于500 m的范圍大多是人類活動(dòng)密集區(qū)域,距離大于3 500 m的大多是人類活動(dòng)較少、火災(zāi)風(fēng)險(xiǎn)并不高的區(qū)域。

基于相同的8個(gè)驅(qū)動(dòng)變量的基礎(chǔ)之上進(jìn)行預(yù)測(cè)時(shí),隨機(jī)森林模型的預(yù)測(cè)準(zhǔn)確度高于邏輯回歸模型的預(yù)測(cè)準(zhǔn)確度。隨機(jī)森林的整體準(zhǔn)確度為84.91%,邏輯回歸的準(zhǔn)確度為71.07%。因此,隨機(jī)森林模型的預(yù)測(cè)準(zhǔn)確性高于邏輯回歸模型的預(yù)測(cè),其性能也更好。

2.5 火險(xiǎn)分區(qū)與火災(zāi)防控

選擇使用哨兵2號(hào)數(shù)據(jù)提取火點(diǎn)數(shù)據(jù),并利用該數(shù)據(jù)進(jìn)行模型驗(yàn)證,驗(yàn)證得到LR和RF模型的準(zhǔn)確度分別為71.07%和84.91%。從圖5可以看出,區(qū)域的西部和南部地區(qū)在LR和RF模型下都被劃分為火災(zāi)中高風(fēng)險(xiǎn)地區(qū),這部分區(qū)域也對(duì)應(yīng)圖4中的火點(diǎn)區(qū)域;結(jié)合圖2e中的到道路距離可以發(fā)現(xiàn),該部分區(qū)域路網(wǎng)密集,說明該區(qū)域人類活動(dòng)頻繁,并且到道路距離要素在模型中的相關(guān)性最高,因此針對(duì)這部分高風(fēng)險(xiǎn)地區(qū)的防控主要是預(yù)防人為因素,可以在道路沿途部署攝像頭進(jìn)行監(jiān)測(cè),并在道路和森林之間設(shè)置防火帶,以防止道路車輛事故、亂扔煙頭等造成的森林火災(zāi)。區(qū)域的中部被劃分為低風(fēng)險(xiǎn)區(qū)域,這部分區(qū)域有部分道路和人類居住點(diǎn),這主要是為了方便旅客參觀各個(gè)景點(diǎn),雖然這部分區(qū)域的風(fēng)險(xiǎn)較低,但是依然不能夠忽視,因?yàn)檫@部分區(qū)域覆蓋了大范圍的森林,并且有大量的古跡、保護(hù)物種等,一旦發(fā)生火災(zāi),將會(huì)以極快的速度蔓延,大面積的火災(zāi)會(huì)造成大量的資源損失,所以這部分區(qū)域仍然需要保護(hù)?？梢栽诟鱾€(gè)景點(diǎn)設(shè)置消防栓等防火設(shè)備,并可以考慮建設(shè)消防局,這樣可以在火災(zāi)發(fā)生時(shí)以最短的時(shí)間內(nèi)到達(dá)火災(zāi)現(xiàn)場(chǎng)并滅火,同時(shí)禁止燃香、祭掃等活動(dòng),以防止火災(zāi)的發(fā)生。

3 結(jié) 論

1) 邏輯回歸和隨機(jī)森林兩種模型同時(shí)表明,影響火災(zāi)預(yù)測(cè)準(zhǔn)確性因素中,植被因素為主要驅(qū)動(dòng)因素。在所有分析的地形因素中,到道路的距離和到居民點(diǎn)的距離對(duì)火災(zāi)發(fā)生的影響最大,人類在道路和居民點(diǎn)周邊活動(dòng)的足跡很大程度上影響著火災(zāi)的發(fā)生,是火災(zāi)發(fā)生的潛在因素。其他因素中,氣候因素是火災(zāi)發(fā)生的重要因素。

2) 對(duì)邏輯回歸和隨機(jī)森林模型進(jìn)行評(píng)估顯示,ROC曲線的AUC值越大,表明模型有更好的預(yù)測(cè)能力。5個(gè)統(tǒng)計(jì)指標(biāo)結(jié)果并不完全相似,隨機(jī)森林模型ROC曲線結(jié)果要優(yōu)于邏輯回歸模型。

3) 隨機(jī)森林模型在預(yù)測(cè)森林火災(zāi)風(fēng)險(xiǎn)等級(jí)上,準(zhǔn)確率高于邏輯回歸模型。因此,隨機(jī)森林模型更適用于韭山地區(qū)的火災(zāi)預(yù)測(cè)。

當(dāng)前韭山內(nèi)的林火主要依靠人力巡察和瞭望塔監(jiān)測(cè),巡察路徑往往依據(jù)經(jīng)驗(yàn),瞭望塔監(jiān)測(cè)范圍受限,防護(hù)方式落后,根據(jù)火災(zāi)風(fēng)險(xiǎn)圖來進(jìn)行人員巡察,結(jié)合生成的火災(zāi)風(fēng)險(xiǎn)圖來觀察和部署瞭望塔。針對(duì)森林高風(fēng)險(xiǎn)和極高區(qū)域,相對(duì)合理地布防林區(qū)并分配防火資源,在易發(fā)生火災(zāi)區(qū)域設(shè)置防火隔離帶,加強(qiáng)火災(zāi)監(jiān)控力度;在森林中低風(fēng)險(xiǎn)地區(qū)設(shè)置檢查站、巡邏隊(duì),可能是一種林火防護(hù)的有效方法。在發(fā)生火災(zāi)前采取預(yù)防措施,將自然資源和群眾生命財(cái)產(chǎn)損失降到最低?；馂?zāi)風(fēng)險(xiǎn)圖有望在未來的森林火災(zāi)監(jiān)測(cè)中發(fā)揮越來越重要的作用。