文献

J-GLOBAL ID：202102270532981010   整理番号：21A2062710

東セルビアにおける森林火災確率マッピング:ロジスティック回帰対ランダム森林法【JST・京大機械翻訳】

Forest Fire Probability Mapping in Eastern Serbia: Logistic Regression versus Random Forest Method

著者 (7件)： Milanovic Slobodan (Chair of Forest Protection, University of Belgrade Faculty of Forestry, 11030 Belgrade, Serbia) ,  Milanovic Slobodan (Department of Forest Protection and Wildlife Management, Faculty of Forestry and Wood Technology, Mendel University in Brno, 61300 Brno, Czech Republic) ,  Markovic Nenad (State Enterprise “Srbijasume“, 11000 Belgrade, Serbia) ,  Pamucar Dragan (Military Academy, University of Defence in Belgrade, 11000 Belgrade, Serbia) ,  Gigovic Ljubomir (Military Academy, University of Defence in Belgrade, 11000 Belgrade, Serbia) ,  Kostic Pavle (Center for Predictive Analytics, 11000 Belgrade, Serbia) ,  Milanovic Sladjan D. (Department for Biomedical Engineering and Biophysics, University of Belgrade Institute for Medical Research, 11000 Belgrade, Serbia)
資料名： Forests (Web)  (Forests (Web))
巻： 12  号： 1  ページ： 5  発行年： 2020年 
JST資料番号： U7188A  ISSN： 1999-4907  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 森林火災リスクは,過去数十年の間に世界的に増加している。地中海地域はヨーロッパで最もリスクが高いが,セルビアのような大陸諸国は森林火災により著しい経済的および生態学的損失を経験してきた。森林とインフラストラクチャーへの損傷を防ぐために,他の社会的損失と共に,火災に対する効果的な保護システムを作成し,有害影響を最小化する必要がある。森林火災確率マッピングは,リスク管理における基本的ツールの1つとして,火災季節内の火災抑制のための資源の配分を可能にし,地域からより高い脅威の下でのリスクが低い。ロジスティック回帰(LR)は,森林火災確率マッピングにおける標準手順として使用されてきたが,過去10年間,ファンドーム森林(RF)のような機械学習法は,より頻繁になった。本研究の主な目標は,(i)モデル,LRおよびRFの両方に対する森林火災発生に対する主な説明変数を決定し,(ii)LRおよびRFに基づく東部セルビアにおける森林火災発生の確率をマップすることである。最も重要な変数は乾燥コードであり,モデルのタイプに依存して異なる人為的特徴が続いた。RFモデルはLRモデルより良好な全体的予測能力を示した。生産された地図は,森林火災の早期検出により消火効率を増加させ,資源をセルビアの東部に割り当てることができ,これは国の面積の1/3以上をカバーする。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 火災 ,  *消火 ,  ヨーロッパ ,  大陸 ,  生態学 ,  インフラストラクチャー ,  リスク管理 ,  山火事 ,  セルビア共和国 ,  機械学習
準シソーラス用語： 地中海地域 ,  *ロジスティック回帰分析 ,  予測精度 ,  予測能力 , 【Automatic Indexing@JST】

著者キーワード (4件)： 森林火災の発生 ,  機械学習 ,  可変重要性 ,  予測精度

分類 (1件)： 火災  (RA02020B)

引用文献 (90件)：

• Doerr, S.H.; Santín, C. Global trends in wildfire and its impacts: Perceptions versus realities in a changing world. Philos. Trans. R. Soc. Lond. B Biol. Sci. 2016, 371, 20150345.
• Flannigan, M.D.; Krawchuk, M.A.; de Groot, W.J.; Wotton, B.M.; Gowman, L.M. Implications of changing climate for global wildland fire. Int. J. Wildl. Fire 2009, 18, 483-507.
• Flannigan, M.; Cantin, A.S.; de Groot, W.J.; Wotton, M.; Newbery, A.; Gowman, L.M. Global wildland fire season severity in the 21st century. Ecol. Manag. 2013, 294, 54-61.
• Moritz, M.A.; Batllori, E.; Bradstock, R.A.; Gill, A.M.; Handmer, J.; Hessburg, P.F.; Leonard, J.; McCaffrey, S.; Odion, D.C.; Schoennagel, T.; et al. Learning to coexist with wildfire. Nature 2014, 515, 58-66.
• Turco, M.; Rosa-Cánovas, J.J.; Bedia, J.; Jerez, S.; Montávez, J.P.; Llasat, M.C.; Provenzale, A. Exacerbated fires in Mediterranean Europe due to anthropogenic warming projected with non-stationary climate-fire models. Nat. Commun. 2018, 9, 1-9.

タイトルに関連する用語 (6件)： セルビア ,  森林火災 ,  確率 ,  マッピング ,  ロジスティック回帰 ,  森林