Tạp chí
 
Năm 2024
 
Số 65, Kỳ 5, [10 - 2024]

Ứng dụng dữ liệu địa không gian và kỹ thuật học máy trong dự báo nguy cơ cháy rừng, thử nghiệm tại khu vực phía tây tỉnh Nghệ An

DOI:10.46326/JMES.2024.65(5).06

  • Cơ quan:

    1 Trường Đại học Mỏ Địa chất, Hà Nội, Việt Nam
    2 Trường Đại học Kỹ thuật Lê Quý Đôn, Hà Nội, Việt Nam

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 27-03-2024
  • Sửa xong: 28-07-2024
  • Chấp nhận: 26-08-2024
  • Ngày đăng: 01-10-2024
Trang: 50 - 60
Lượt xem: 431
Xem onlineXem online
Lượt tải: 9
Tải về PDF
★★★★★Yêu thích: , Số lượt: 0
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Nghệ An là tỉnh có diện tích rừng và đất lâm nghiệp lớn nhất cả nước với hơn 1 triệu ha rừng, tỉ lệ che phủ đạt 58,33%. Do ảnh hưởng của biến đổi khí hậu và hoạt động của con người, lớp phủ rừng ở Nghệ An có sự biến động sâu sắc, trong đó cháy rừng là một trong những nguyên nhân chính. Bài báo này trình bày kết quả ứng dụng dữ liệu địa không gian và các kỹ thuật học máy nhằm dự báo nguy cơ cháy rừng khu vực phía Tây tỉnh Nghệ An. Từ phân tích điều kiện tự nhiên-xã hội khu vực nghiên cứu, chín lớp dữ liệu bao gồm: (1) độ cao, (2) độ dốc, (3) hướng sườn, (4) mật độ che phủ, (5) mật độ dân cư, (6) nhiệt độ bề mặt, (7) độ bốc thoát hơi nước, (8) tốc độ gió và (9) lượng mưa trung bình tháng được sử dụng để mô hình hóa nguy cơ cháy rừng. Trong nghiên cứu đã thử nghiệm với 02 thuật toán học máy khác nhau, bao gồm Random Forest (RF) và Gradient Tree Boosting (GTB), từ đó lựa chọn thuật toán phù hợp thông qua đánh giá độ chính xác bằng bộ dữ liệu điểm cháy cũng như hiệu suất mô hình. Kết quả nhận được cho thấy, giá trị AUC (Area Under the Curve) của thuật toán GTB(350) đạt 0,948, cao hơn so với thuật toán RF(100) (0,947). Từ kết quả này, trong nghiên cứu đã sử dụng thuật toán GTB với số lượng cây 350 để thành lập bản đồ dự báo nguy cơ cháy rừng khu vực phía tây tỉnh Nghệ An.

Trích dẫn
Đoàn Thị Nam Phương, Trịnh Lê Hùng, Nguyễn Văn Trung, Lê Thị Thu Hà và Lê Văn Phú, 2024. Ứng dụng dữ liệu địa không gian và kỹ thuật học máy trong dự báo nguy cơ cháy rừng, thử nghiệm tại khu vực phía tây tỉnh Nghệ An, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 65, kỳ 5, tr. 50-60.
Tài liệu tham khảo

Arpaci A., Malowerschnig, B., Sass, O., Vacik, H. (2014). Using multivariate data mining  

 techniques for estimating fire susceptibility of Tyrolean forests, Applied Geography, 53, 258 - 270.

Breiman, L. (2001). Random Forests, Machine Learning 45, 5-32, https://doi.org/10.1023/ A:1010933404324.

Dieu, T. B., Pradhan, B., Lofman, O., Revhaug, I., Dick, O. B. (2012). Spatial prediction of landslide hazards in Hoa Binh province (Vietnam): A comparative assessment of the efficacy of evidential belief functions and fuzzy logic models, CATENA 96, 28-40.

Dieu, T. B., Thoa, L. T. K., Van, N. C., Duc, L. H.,  Revhaug, I. (2016). Tropical forest fire susceptibility mapping at the Cat Ba national park area, Hai Phong city, Vietnam, using GIS-based kernel logistic regression, Remote Sensing, 8, 347, doi:10.3390/rs8040347.

Đoàn, T. N. P. (2023). Lựa chọn mô hình dự báo nguy cơ cháy rừng từ dữ liệu viễn thám và hệ thông tin địa lý, Luận án tiến sĩ kỹ thuật, Hà Nội.

Đặng, N.B.T., Nguyễn, N.T., Phạm, X.C. (2017). Ứng dụng viễn thám và GIS thành lập bản đồ nguy cơ cháy rừng phục vụ phòng chống, giảm thiểu thiệt hại do cháy rừng tại tỉnh Sơn La, Việt Nam, Hội thảo GIS toàn quốc, tr.252-261.

Enoh, M., Okeke, U., Narinua, N. (2021). Identification and modelling of forest fire severity and risk zones in the Cross - Niger transition forest with remotely sensed satellite data, The Egyptian Journal of Remote Sensing and Space Science, 24(3), 879 - 887.

Fernandez, J., Chuvieco, E., Koutsias, N. (2012). Modelling long-term fire occurrence factors in Spain by accounting for local variations with geographically weighted regression, Natural Hazards Earth System Sciences, 12, 1-17.

Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine, Annals of Statistics,  29(5), 1189-1232.

Hoang, V. T., Chou, T., Fang, Y., Nguyen, N. T., Nguyen, Q. H., Pham, X. C., Dang, N. B. T., Nguyen, X. L., Meadows, M. (2020). Mapping forest fire risk and development of early warning system for NW Vietnam using AHP and MCA/GIS methods, Applied Sciences, 10(12), 4348.

Iban, M., Sekertekin, A. (2022). Machine learning based wildfire susceptibility mapping using remotely sensed fire data and GIS: A case study of Adana and Mersin provinces, Turkey, Ecological Informatics, 69, 101647.

Lê, S. D., Vương, V. Q. (2014). Phương pháp dự báo nguy cơ cháy rừng theo điều kiện khí hậu ở Việt Nam, Tạp chí Khoa học Công nghệ lâm nghiệp, số 1, trang 3-10.

Nguyễn, V. L., Trần, M. Đ., Nguyễn, P. V. (2017). Thực trạng và giải pháp quản lý cháy rừng ứng phó với biến đổi khí hậu tại tỉnh Quảng Bình, Tạp chí Khoa học Lâm nghiệp, số 4, trang 139 - 150.

Nguyễn, P.V (2019). Nghiên cứu thực trạng và đề xuất giải pháp quản lý cháy rừng thích ứng với biến đổi khí hậu tại tỉnh Quảng Bình, Luận án tiến sĩ Lâm nghiệp.

Nguyen, N.T., Dang, B.T.N, Pham, X.C., Nguyen, H.T., Bui, H.T., Hoang, N.D., Bui, D.T. (2018). Spatial pattern assessment of tropical forest fire danger at Thuan Chau area (Vietnam) using GIS-based advanced machine learning algorithms: A comparative study, Ecological Informatics, vol.46, pp.74-85.

Oliveira, S., Oehler, F., Ayanz, J., Camia, A., Pereira, J. (2012). Modeling spatial patterns of fire occurrence in Mediterranean Europe using Multiple Regression and Random Forest, Forest Ecology and Management, 275, 117 - 129

Phạm, N. H. (1988). Xây dựng phương pháp dự báo cháy rừng Thông nhựa (Pinus merkusii J.) ở Quảng Ninh, Luận án PTS khoa học Nông nghiệp, Hà Nội.

Pourghasemi, H. (2015). GIS-based forest fire susceptibility mapping in Iran: A comparison between evidential belief function and binary logistic regression models, Scandinavian Journal of Forest Research, 40 pp., DOI: 10.1080/02827581.2015.1052750.

Ruano, A., Jolly, W., Freeborn, P., Nieva, D., Vega, N., Herrera, C., Rodrigues, M. (2022). Spatial predictions of human and natural-caused

wildfire likelihood across Montana (USA), Remote Sensing, 13(8), 1200.

Sharma, V., Ghosh, S. K. (2023). Evaluating the potential of 8 band Planet scope dataset for crop classification using Random Forest and Gradient Tree Booting by Google Earth Engine, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLVIII-M-1-2023, 325-330.

Trần, Q. B. (2017). Nghiên cứu sử dụng công nghệ không gian địa lý (RS, GIS, GPS) trong phát hiện cháy rừng và giám sát tài nguyên rừng, Đề tài nghiên cứu khoa học cấp Bộ.

Trinh, L. H., Zablotskii, V. R. (2017). The application of Landsat multi-temporal thermal infrared data to identify coal fire in the Khanh Hoa coal mine, Thai Nguyen province, Vietnam, Izvestiya, Atmospheric and Oceanic Physics, 53(9), 11850 - 6088.

Vasilakos, C., Kalabokidis, K., Hatzopoulos, J., Matsinos, T. (2009). Identifying wildland fire ignition factors through sensitivity analysis of a neural network, Natural Hazards, 50, 125 - 143.

Võ, Đ. T. (1995). Phương pháp dự báo, lập bản đồ, khoanh vùng trọng điểm cháy rừng ở Bình Thuận, Tạp chí Lâm nghiệp, số 10, trang 11 - 14.

Các bài báo khác