Study on Driving Factors and Prediction Model of Forest Fire in Guangxi

doi:10.13466/j.cnki.lczyyj.2023.05.007

Abstract

Abstract:

Understanding the main driving factors of forest fires and predicting the occurrence of forest fires can provide scientific basis for the prevention and management of local forest fires.Based on the historical fire data sets,meteorology,topography,human activities and combustible load data from 2011 to 2020,we built Logistic regression models and machine learning models to explore the main driving factors of forest fires in Guangxi.Additionally,the optimal model was selected to predict the probability of forest fire occurrences in the research area.The result showed that average monthly rainfall,average monthly relative humidity and the number of forest buildings were the most significant factors affecting the occurrence of forest fires in Guangxi.Both Logistic regression model and machine learning model had excellent prediction accuracy,with AUC values above 0.85.The accuracy of the machine learning model was better than Logistic regression model,and the random forest model had the highest accuracy(S_AUC=0.92).The random forest model showed that the risk of forest fires was greatest in northwest,northern and southwestern regions of Guangxi.The overall results of the model were consistent with the actual situation in Guangxi and can provide a reference for forest fire prediction and forecasting in Guangxi.In the future,managers should strengthen the control of wild fire sources and prevention capabilities of extreme weather to reduce the risk of forest fires.

Key words: forest fire driving factors, forest fire probability prediction, machine learning model, logistic regression, Guangxi

CLC Number:

S762

JU Wenzhen, WEI Longbin, PENG Bolin, LI Changcheng, PAN Ting. Study on Driving Factors and Prediction Model of Forest Fire in Guangxi[J]. Forest and Grassland Resources Research, 2023, (5): 56-62.

Figures/Tables 6

Tab.1

Tab.2

Tab.3

Tab.4

Fig.1

Tab.5

References 34

[1]	翟杰休, 李勇, 张博, 等. 世界主要林火多发国家的森林火灾与雷击火概况分析[J]. 亚热带资源与环境学报, 2022, 17(4):72-79.
[2]	杜秋洋, 杨传杰, 张国琛, 等. 云南省森林火灾发生驱动因子分析及火险区域划分[J]. 森林防火, 2022, 40(1):10-14.
[3]	舒立福, 张小罗, 戴兴安, 等. 林火研究综述(Ⅱ)——林火预测预报[J]. 世界林业研究, 2003(4):34-37.
[4]	Turco M, Llasat M C, Hardenberg J, et al. Impact of climate variabi-lity on summer fires in a Mediterranean environment(northeastern Iberian Peninsula)[J]. Climatic Change, 2013, 116(3/4):665-678. doi: 10.1007/s10584-012-0505-6
[5]	潘登, 郁培义, 吴强. 基于气象因子的随机森林算法在湘中丘陵区林火预测中的应用[J]. 西北林学院学报, 2018, 33(3):169-177.
[6]	陈岱. 基于Logistic回归模型的大兴安岭林火预测研究[J]. 林业资源管理, 2019(1):116-122.
[7]	Ganteaume A, Camia A, Marielle J, et al. A review of the main driving factors of forest fire ignition over Europe[J]. Environmental management, 2013, 51(3):651-652. doi: 10.1007/s00267-012-9961-z pmid: 23086400
[8]	曾爱聪, 蔡奇均, 苏漳文, 等. 基于MODIS卫星火点的浙江省林火季节变化及驱动因子[J]. 应用生态学报, 2020, 31(2):399-406. doi: 10.13287/j.1001-9332.202002.015
[9]	Pan Jinghu, Wang Weiguo, Li Junfeng. Building probabilistic models of fire occurrence and fire risk zoning using logistic regression in Shanxi Province,China[J]. Natural Hazards, 2016, 81(3):1879-1899. doi: 10.1007/s11069-016-2160-0
[10]	Guo Futao, Wang Guangyu, Su Zhangwen, et al. What drives forest fire in Fujian,China? Evidence from logistic regression and Random Forests[J]. International Journal of Wildland Fire, 2016, 25(5):505-519. doi: 10.1071/WF15121
[11]	梁慧玲, 孙锋锋, 丁桂芹. 基于随机森林算法的福建林火发生驱动因子分析[J]. 信息系统工程, 2019(9):146-148.
[12]	蔡霁初, 邱建秀, 王大刚, 等. 基于土壤水分和气象要素的林火预报研究——以广东省为例[J]. 地理科学, 2021, 41(9):1676-1686. doi: 10.13249/j.cnki.sgs.2021.09.019
[13]	朱馨, 李建微, 郭伟, 等. 基于机器学习的森林火险预测模型[J]. 中国安全科学学报, 2022, 32(9):152-157. doi: 10.16265/j.cnki.issn1003-3033.2022.09.2729
[14]	许志卿, 苏喜友, 张颐. 基于支持向量机方法的森林火险预测研究[J]. 中国农学通报, 2012, 28(13):126-131.
[15]	李永和, 靳全锋. 浙江省林火时空变化及影响因子分析[J]. 浙江林业科技, 2021, 41(4):62-69.
[16]	张运林, 田玲玲, 丁波, 等. 贵州省林火发生驱动因子及预测模型[J/OL]. 生态学杂志:1-12 [2023-08-24]. http://kns.cnki.net/kcms/detail/21.1148.Q.20230706.0957.002.html.
[17]	苏宗明. 广西植被[M]. 北京: 中国林业出版社, 2014.
[18]	崔伟东, 周志华, 李星. 支持向量机研究[J]. 计算机工程与应用, 2001(1):58-61.
[19]	王亚琴, 王耀力, 郭学斌, 等. 基于直连BP神经网络模型的森林火险预测[J]. 森林防火, 2018(2):41-45.
[20]	王姊辉, 董恒, 赵洋甬, 等. 应用机器学习模型对中国云贵川区域林火风险预测[J]. 东北林业大学学报, 2023, 51(5):113-119.
[21]	Chang Yu, Zhu Zhiliang, Bu Rencang, et al. Predicting fire occurrence patterns with logistic regression in Heilongjiang Province,China[J]. Landscape Ecology, 2013, 28:1989-2004. doi: 10.1007/s10980-013-9935-4
[22]	Guo Futao, Zhang Lianjun, Jin Sen, et al. Modeling anthropogenic fire occurrence in the boreal forest of China using logistic regression and random forests[J]. Forests, 2016, 7(11):250. doi: 10.3390/f7110250
[23]	李晓炜, 赵刚, 于秀波, 等. 不同区域森林火灾对生态因子的响应及其概率模型[J]. 生态学报, 2013, 33(4):1219-1229.
[24]	银洁琼, 张贵. 湖南省森林火灾应急资源规模测度指标体系研究[J]. 湖南林业科技, 2012, 39(3):30-32.
[25]	黄宝华, 孙治军, 周利霞, 等. 一种森林火险预报方法研究——以山东省为例[J]. 地理信息世界, 2012, 10(3):40-46.
[26]	顾先丽, 吴志伟, 张宇婧, 等. 气候变化背景下江西省林火空间预测[J]. 生态学报, 2020, 40(2):667-677.
[27]	Guo Futao, Su Zhangwen, Wang Guangyu, et al. Wildfire ignition in the forests of southeast China:Identifying drivers and spatial distribution to predict wildfire likelihood[J]. Applied Geography, 2016, 66:12-21. doi: 10.1016/j.apgeog.2015.11.014
[28]	田超, 苏漳文, 杨夏捷, 等. 福建西部地区林火发生格局及驱动因子分析[J]. 森林与环境学报, 2017, 37(1):88-94.
[29]	周义峰. 四川省甘孜州林火分布格局及预测模型研究[D]. 成都: 成都理工大学, 2021.
[30]	Guo Futao, Su Zhangwen, Wang Guangyu, et al. Understanding fire drivers and relative impacts in different Chinese forest ecosystems[J]. Science of the Total Environment, 2017, 605:411-425.
[31]	高超, 林红蕾, 胡海清, 等. 基于气象因子的黑龙江黑河林火发生概率预测[J]. 森林与环境学报, 2022, 42(5):529-535.
[32]	李艳兰, 李妍君, 丘平珠, 等. 1961—2020年广西冬季旅游高影响天气的变化特征[J]. 气象研究与应用, 2022, 43(2):45-51.
[33]	赵飞, 潘静, 于潇, 等. 钦州港海域大风日数时空分布特征分析[J]. 气象研究与应用, 2018, 39(3):26-29.
[34]	朱政, 赵璠, 王秋华, 等. 林火发生预报模型研究进展[J]. 世界林业研究, 2022, 35(3):26-31.

变量	显著度		显著次数	相关性
变量	P_min	P_max	显著次数	相关性
可燃物载量	<0.001	<0.001	5	+
海拔	<0.001	<0.001	5	-
坡度	<0.001	<0.001	5	-
林区建筑物数量	<0.001	<0.001	5	+
林区人口数量	0.29	<0.01	4	+
林区经济	0.19	0.05	1	+
月平均降雨量	<0.001	<0.001	5	-
月平均相对湿度	<0.001	<0.001	5	-
月平均气温	0.02	<0.001	5	-
月平均风速	<0.001	<0.001	5	+
月大风天数	<0.01	<0.001	5	-

变量	估计值	标准误	P
截距	0.182 6	0.033 3	<0.001^***
林区建筑数量	1.417 3	0.090 2	<0.001^***
海拔	-0.612 1	0.037 5	<0.001^***
月平均相对湿度	-0.455 0	0.040 2	<0.001^***
月平均降雨量	-0.444 2	0.045 2	<0.001^***
月平均风速	0.364 8	0.034 2	<0.001^***
坡度	-0.317 1	0.033 4	<0.001^***
可燃物载量	0.272 1	0.033 2	<0.001^***
林区人口数量	0.244 5	0.082 3	0.003 0^**
月大风天数	-0.135 1	0.031 9	<0.001^***
月平均气温	-0.085 0	0.038 8	0.028 7^*

Logistic回归模型	RF模型	SVM模型	BP神经网络模型
林区建筑物数量	林区建筑物数量	月平均降雨量	林区建筑物数量
海拔	月平均降雨量	月平均相对湿度	可燃物载量
月平均相对湿度	海拔	林区建筑物数量	月平均降雨量
月平均降雨量	坡度	月平均气温	坡度
月平均风速	林区人口数量	坡度	月平均相对湿度
坡度	月平均气温	海拔	林区人口数量
可燃物载量	月平均相对湿度	可燃物载量	月大风天数
林区人口数量	可燃物载量	林区人口数量	海拔
月大风天数	月平均风速	月平均风速	月平均气温
月平均气温	月大风天数	月大风天数	月平均风速

模型	准确率/%		召回率/%		最佳阈值
模型	建模样本	验证样本	建模样本	验证样本	最佳阈值
Logistic回归模型	77.53	79.49	81.84	84.07	0.452
RF模型	83.34	85.41	85.09	86.94	0.483
SVM模型	81.96	82.74	84.68	84.73	0.422
BP神经网络模型	81.97	82.71	84.68	84.11	0.490

设区市	林火发生概率			设区市	林火发生概率
设区市	最小值	平均值	最大值	设区市	最小值	平均值	最大值
南宁市	0.172	0.485	0.870	贵港市	0.190	0.432	0.988
柳州市	0.166	0.539	0.874	玉林市	0.156	0.392	0.942
桂林市	0.158	0.573	0.910	百色市	0.348	0.765	0.972
梧州市	0.344	0.586	0.798	贺州市	0.208	0.602	0.900
北海市	0.208	0.367	0.584	河池市	0.264	0.742	0.966
防城港市	0.290	0.534	0.862	来宾市	0.238	0.540	0.836
钦州市	0.256	0.441	0.902	崇左市	0.292	0.728	0.958