基于 logistic回归模型的大兴安岭林火预测研究€¦ ·...
TRANSCRIPT
2019年2月第1期
林业资源管理
FORESTRESOURCESMANAGEMENTFebruary2019No1
基于 Logistic回归模型的大兴安岭林火预测研究
陈 岱(国家林业和草原局对外合作项目中心,北京100714)
摘要:基于2000—2016年卫星林火数据,选取气象、地形、植被及可燃物、人为活动等因素作为林火预测变量,采用Logistic回归模型对林火发生的主要驱动因子进行分析,并建立大兴安岭地区林火发生预测模型。模型结果表明:Logistic回归模型的预测精度较高为806%,模型的拟合度也高达0868。火险等级总体呈南高北低、东高西低的地理分布,其中高火险区主要集中在南部;残差分析结果显示南部和东南部存在大面积低估区,表明
模型对这些地区的预测能力不高。
关键词:大兴安岭;逻辑斯蒂模型;林火预测;林火模型;驱动因子
中图分类号:S762 文献标识码:A 文章编号:1002-6622(2019)01-0116-07DOI:10.13466/j.cnki.lyzygl.2019.01.018
PredictionofForestFireOccurrenceinDaxing′anMountainsBasedonLogisticRegressionModel
CHENDai(InternationalForestryCooperationCenter,NationalForestryandGrasslandAdministration,Beijing100714,China)
Abstract:Basedonthesatellitedataofforestfirefrom2000to2016,thisstudyselectedsuchfactorsasmeteorology,topography,vegetation,fuels,humanactivitiesandotherfactorsasforestfirepredictionvariables,usedLogisticregressionmodeltoanalyzethemaindrivingfactorsofforestfireoccurrence,andestablishedaforestfirepredictionmodelinDaxing′anmountainsTheresultsshowedthattheLogisticregressionmodelhasahighpredictionaccuracyof806%,andthegoodnessoffitofthemodelis0868Ingeneral,thefireriskishighinthesouthandeastbutlowinthenorthandwestTheresidualanalysisresultsshowedthattherelargeareaswereunderestimatedinthesouthandsoutheast,indicatingthatthepredictionabilityofthemodelfortheseareaswaslowKeywords:Daxing′anmountains,logisticregressionmodel,fireprediction,firemodel,drivingfactors
收稿日期:2018-12-25;修回日期:2019-01-11作者简介:陈岱(1993-),男,黑龙江人,硕士,主要从事林业国际合作工作。Email:100015823@qqcom
林火每年烧毁数百万公顷的林地,对生态环境及全球气候变化有重要影响[1]。准确判断林火发
生的影响因素,建立有效的林火预测模型是进行科
学林火管理的关键。研究表明,林火发生受气候、
可燃物类型和载量、植被类型、植被覆盖度、地形地
势以及社会经济等因素影响[2-5],综合分析以上各
种因素与林火的关系是建立林火预测模型的基
础[6-9]。Logistic回归模型是当前林火发生预测模型研究领域中广泛使用的方法[4-5,7]。本研究运用
Logistic回归模型深入探讨大兴安岭地区林火发生的驱动因子,并建立预测模型,根据模型对大兴安
岭火险等级进行划分。研究结果有助于了解大兴
安岭地区林火发生特性及主要影响因子,可为当地
的林火管理工作提供科学依据。
1 研究区概况大兴安岭地区坐落在中国东北林区,位于50°10′~
53°33′N和121°12′~127°00′E之间,总面积约83
第1期 陈岱:基于Logistic回归模型的大兴安岭林火预测研究
万km2,其中约66万 km2在黑龙江,约17万 km2
在内蒙古,行政中心加格达奇区也在内蒙古(图1)。受寒温带地区气候影响,年平均气温-2~4℃,范围从-523~390℃。年平均降水量在 460mm之间[5]。优势种为兴安落叶松(Larixgmelinii(Rupr)Kuzen),樟子松(PinussylvestrisLvarmongholica
Litv),白桦(BetulaplatyphyllaSuk)、山杨(Populusdavidiana)和蒙古栎 (QuercusmongolicaFischexLedeb)。森林覆盖率高达741%,是中国最大的天然林区。1967—2014年期间,森林火灾超过 1600起,受害森林总面积达到500万hm2[5]。
图1 研究区域图Fig1StudyareawiththeboundsofDaxing′anMountain
2 数据来源与处理数据包括因变量:火点数据、随机点和自变量:
地形、植被、气象、基础设施、社会经济。数据来源
及具体描述见表1。21 火点提取和生成随机点
采用中分辨率成像光谱(MODIS)林火产品,该产品记录了2000—2016年大兴安岭地区火灾象元的空间分布情况。MODIS是搭载在 terra和 aqua卫星上的一个重要的传感器,被认为是一种合适的监测林火
的可靠来源。研究中使用的为1km分辨率的每日林火产品(MOD14A1),该产品近年来被很多研究广泛使用[10]。但是该产品也有一些缺点,由于卫星无法
分辨火灾的类型,因此该产品也包括了一些城市边缘
火、植被稀疏的荒地火等非森林火。因此本研究对该
产品进行进一步加工:1)结合1km分辨率的土地利用类型图,去除落在城市等一些建设用地和植被稀疏
地区的火点;2)根据大兴安岭防火期(春季防火期3
月15日—7月15日,秋季防火期9月15日—11月15日),进一步提取有效的火点及其信息。本研究使用Logistic回归模型来解释研究区域的
林火驱动因子,同时建立概率预测模型。该模型要求
因变量是二分类变量。因此,将已知火点的值设为1,同时创建随机点,并赋值为0。本研究中,使用ArcGis102在研究区域内创建随机点[4-5,11]。为了避免创建
的随机点重叠,同时尽量保证充分的随机,设置生成任
意两个随机点的最小允许距离为1km,创建随机点个数为火点的3倍;剔除落在城市建设用地以及河流水系的随机点后,再从中分别取火点的1,2倍作为模型因变量的随机点(点个数分别为6444,12888)。22 气象因素
气象因素,如日相对湿度,当湿度在55%以下,随着湿度的降低,火灾发生的可能性越大[12]。日累
积降水直接影响可燃物含水率,一般情况下降水量
1mm,几乎没有影响,而降水量在2~5mm时,就能
711
林业资源管理 第1期
表1 参与模型拟合的自变量概况Tab1IndependentvariablesinforestfiremodeldevelopmentforDaxing′anMountain
变量类型 变量说明 变量名 分辨率/尺度 数据来源
气象(防火期)
日平均风速
日累计降水量
日最高气温
日平均相对湿度
WIN_avgPreTmaxRH_avg
01m/s01mm01℃%
中国气象数据共享网络[14]
地形高程
坡度
ElevSlope
1m1°
地理空间数据云[15]
植被 植被覆盖度 FVC %中国科学院计算机网络信息中心
国际科学技术数据镜像网站[17]
基础设施
到铁路的距离
到公路的距离
到居民点的距离
Dis_railwayDis_road
Dis_residential
1m1m1m
国家测绘和地质信息管理局[11]
社会经济因素人均GDP人口密度
CGDPPOP
元/km人/km
地球系统科学的数据
共享基础设施[19]
降低可燃物的燃烧性;同时降水也会增加空气中相
对湿度[11];温度与林火发生关系密切,气温升高可
提高可燃物自身温度,使可燃物达到燃点所需的热
量减少,大大提高了森林火险指数[7];风是决定林
火发生的重要因,研究表明风速越大,火灾次数越
多且过火面积越大[13]。本研究中日气象数据来源
于中国气象局气象数据网[14],选用日平均相对湿
度、日累计降水、日最高气温、日平均风速作为日气
象数据参与模型拟合。每日气象数据提取过程:1)通过ArcGIS计算从火点和随机点到最近气象站的距离;2)利用 Excel编程函数提取火点和随机点对应信息(坐标和时间)的气象站日气象数据。
23 地形因素本研究中使用的地形因素均来源于地理空间
数据云平台提供的 25m高分辨率数字高程模型(DEM)[15]。运用ArcGIS102软件中的3D分析工具对DEM进行坡度计算,然后利用 ArcGIS102中的提取工具从DEM和坡度栅格数据中提取对应于火点和随机点的高程和坡度信息。
24 植被因素植被覆盖度通常指植被(包括叶、茎、枝)在地面
的垂直投影面积占统计区总面积的百分比。植被覆
盖度是衡量地表植被状况的一个重要指标,用植被覆
盖度来表示地表以上活可燃物和死可燃物总量。目
前已经发展了很多利用遥感测量植被覆盖度的方法,
较为实用的方法是利用植被指数近似估算植被覆盖
度,常用的植被指数为NDVI[16]。数据来源于中国科学院计算机网络信息中心国际科学技术数据镜像网
站[17]提供的空间分辨率为500m的MODIS植被归一化指数(NDVI)。计算公式如下:FVC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)(1)
其中,NDVIsoil为完全是裸土或无植被覆盖区域的NDVI值,NDVIveg则代表完全被植被所覆盖的像元的NDVI值。25 人为基础设施
基础设施数据是由中国国家测绘局[11]提供的
1∶25基础设施矢量图。使用 ArcGIS102计算每个点(火点和随机点)到所有类型的基础设施的最
短距离,包括每个点到铁路、公路、居民区和研究区
域内其他基础设施的最短距离。
26 社会经济因素社会经济数据包括人口密度和人均 GDP,来源
于中国科学院资源环境科学数据中心[18]2010年1km分辨率的人口和GDP空间分布公里网格数据。根据2000—2016年国家统计年鉴计算出每年人口和GDP增长率,使用 ArcGIS102中的栅格计算器工具计算2000—2016年的人口和 GDP栅格数据,然后提取火点和随机点所对应的信息。
3 研究方法31 模型方法311 Logistic回归模型
811
第1期 陈岱:基于Logistic回归模型的大兴安岭林火预测研究
Logistic回归模型被用于描述二分类变量(因变量为0和1)和一个或多个自变量之间的关系。近几十年来,全球范围内的许多研究都使用Logistic回归技术来预测林火发生概率,并且分析林火发生的驱动因
子[4-5,7,11,20]。Logistic回归模型的一般表达式如下:P(Y=1)=F(z)=F(xβ)
= 11+e-z
= 11+e-xβ
(2)
其中,PY=( )1 表示对于给定的 x相应个体
选择1的概率。F(z)是Logistic累计概率密度函数。Y通过Logistic函数被转换为概率。
ln P1-( )P =z=β0+β1x1+β2x2+…+βmxm (3)
其中,P为林火发生的概率;m为协变量个数(个);β1,β2,…,βm为各个自变量的Logistic回归相关系数;x1,x2,…,xm为影响林火发生的各个自变量;z与若干个预测变量x呈线性关系。由式(3)知回归方程的因变量是对数的某个具体选择的机会比。Logistic回归模型的优势是把[0,1]区间上的预测概率问题转化为在实数轴上预测一个事件发生的机会[21-22]。
32 预测变量选择多重共线性是指在线性回归模型中的预测变量
间存在高度相关的关系,会导致模型的估计值产生偏
差。应用方差膨胀因子(VarianceInflationFactor,VIF)对模型的预测变量进行检验,排除有显著共线性的变量。一般认为,当VIF>10时,说明自变量之间具有显著的共线性,需要剔除相应的自变量[4-5,19]。
本研究将将全部样本数据分成建模样本(80%)和独立检验样本(20%);并将建模样本随机取70%作为训练样本,30%作为校验样本,为了减少由于样本划分的随机性对模型中参数选择的影响,分别做了
5次重复。以逐步回归的方法(α<005)分别得到最优中间模型,并选择5个训练样本中出现3次及以上显著相关(α<005)的变量作为建模数据集的预测变量,进行各数据比例下最终模型的拟合。
33 模型预测准确度本研究中应用ROC曲线检验方法对模型的预测
效果进行评价。ROC是以曲线下面积(AreaUndertheCurve,AUC)的值来判断模型预测效果。近年来国内外很多学者运用此方法来判断二元选择模型的
拟合水平。通常情况下AUC>05,AUC越接近于1,说明模型的拟合效果好[20]。目前国内外已有很多学
者将ROC检验方法应用于林火预测领域[4-5]。
在二元选择模型中,判断阈值(临界值 Cutoff)是评判模型预测概率的关键。过往很多研究用系
统默认值05作为评判标准,但近年来有些学者指出,此法有可能造成较大偏差。为解决这一问题,
近年来多学者开始运用 ROC(ReceiverOperatingCharacteristic)中的敏感度和特异性值计算“约登指数(敏感性+特异性 -1)”,并以此判断“Cut-off”值(临界值),从而对概率进行分类。该方法也已被
用于林火预测领域,如果模型的预测概率大于该临
界值,则认为有林火发生,小于该临界值,则认为没
有林火发生[23]。
4 结果与分析41 模型变量选择
根据多重共线性检验结果,全部12个变量均进入逐步回归拟合阶段。
运用SAS94基于 Logistic回归对每种比例的5个训练样本进行拟合,以逐步回归的方法(α<005)剔除不显著变量后,分别得到最优中间模型(表2),并选择出现 3次及以上显著相关(α<005)的变量作为建模数据集的预测变量,进行最终模型的拟合。由表2可知,在两种比例下,5个训练样本中出现3次以上显著相关的变量均相同。因此选择这11个变量进行建模样本的模型拟合。42 模型结果的检验
根据模型的变量选择结果及阈值计算两种比
例下5个训练样本的预测准确率。结果显示,样本之间的预测准确率均较高且彼此接近(表3、表4)。
不同比例数据下,模型的ROC检验结果显示模型的AUC基本一致(在0864~0874之间),表明模型的拟合结果较好。1∶1数据的拟合结果显示,5个训练样本的预测准确率在 781% ~79%;而1∶2数据的拟合结果显示5个训练样本的预测准确率在802%~811%。值得注意的是,随着比例增加,临界值变小,预测准确率升高。
根据对1∶2的数据进行模型拟合(表5),建立林火发生概率模型如公式(4)。
911
林业资源管理 第1期
表2 不同比例Logistic回归模型的变量选择结果Tab2VariableselectionofLogisticregressionmodelswithdifferentratiooffireandnonfirepoints
变量1∶1
Pmax Pmin 显著的样本数
1∶2
Pmax Pmin 显著的样本数相关性
坡向 <00001 <00001 5 <00001 <00001 5 —
到公路距离 <00001 <00001 5 <00001 <00001 5 +
到铁路距离 <00001 <00001 5 <00001 <00001 5 +
到居民区距离 <00001 <00001 5 <00001 <00001 5 +
人口密度 00027 00002 5 00001 <00001 5 +
GDP <00001 <00001 5 <00001 <00001 5 +
植被覆盖度 0023 00002 5 00267 00008 3 +
日平均风速 00036 <00001 5 00469 00006 4 -
日累计降水 <00001 <00001 5 <00001 <00001 5 -
日最高气温 <00001 <00001 5 <00001 <00001 5 +
日相对湿度 <00001 <00001 5 <00001 <00001 5 -
注:+表示变量与林火发生呈正相关;-表示与林火发生呈负相关。
表3 1∶1数据下5个训练样本Logistic回归模型的准确预测结果
Tab3ThepredictionaccuracyofLogisticregression
modeloffivetrainingsamplesat1∶1ratio
样本 临界值ROC曲线下面积
预测准确率/%
训练样本 测试样本
样本1 0506 0872 79 785样本2 0527 0874 787 781样本3 0511 0874 789 778样本4 0526 0866 781 80样本5 0526 0869 786 791
表4 1∶2数据下5个训练样本Logistic回归模型的准确预测结果
Tab4ThepredictionaccuracyofLogisticregression
modeloffivetrainingsamplesat1∶2ratio
样本 临界值ROC曲线下面积
预测准确率/%
训练样本 测试样本
样本1 0364 0866 806 808样本2 0333 0865 802 792样本3 0338 0872 809 779样本4 0328 0868 808 786样本5 0363 0866 808 791
P= 11+e-(-0212-0183x1+0054x2+001x3+0018x4+00005x5+0002x6+0431x7-0051x8-036x9+0033x10-0031x11)
(8)
式中:P为林火发生概率,x1为坡度,x2为到道路的距离(km),x3为到铁路的距离(km),x4为到居民点的距离(km),x5为人口密度(人/km
2),x6为人均GDP(元/km2),x7为植被覆盖度(%),x8为日平均风速(m/s),x9为日累计降水(mm),x10为日最高气温(℃),x11为日平均相对湿度(%)。
ROC检验结果显示模型的AUC为0868,模型的拟合效果较好,计算得到模型对“火点”的预测概率
为741%,对“非火点”的预测准确率为833%,总体预测准确率为848%;根据计算得到模型的阈值为0376,以0376为分类标准,模型对独立样本的检验结果显示预测准确率为803%,对“火点”和“非火点”的预测准确率也较高(673%和874%)(表6)。
表5 Logistic最优模型的参数拟合
Tab5TheparametersofLogisticregressionmodel
参数 估计系数 标准误差 卡方值 显著水平
常量 -02121 01376 23756 01232
坡向 -01827 000673 7377285 <00001
到公路距离 00542 000369 2156088 <00001
到铁路距离 000971 000113 741665 <00001
到居民区距离 00177 000151 1366398 <00001
人口密度 0000521 0000095 301968 <00001
GDP 000212 0000222 913339 <00001
植被覆盖度 04312 01516 80864 00045
日平均风速 -00506 00188 72715 0007
日累计降水 -03598 00282 1631947 <00001
日最高气温 0033 000296 1241604 <00001
日相对湿度 -00314 000175 3234969 <00001
021
第1期 陈岱:基于Logistic回归模型的大兴安岭林火预测研究
表6 建模样本和独立检验样本的准确预测结果Tab6Theresultofmodelingandindependenttestsamples
预测准确率/%
火点 非火点 总预测准确率
建模样本(80%) 741 833 806
独立检验样本(20%) 673 874 803
43 研究区域森林火险等级区划根据林火发生的概率模型,运用 Kriging插值
方法对大兴安岭地区林火空间概率分布进行插值
分析(图2a)。此外,求出模型拟合过程中的所有阈值的均值0361,并参照国外相关研究以该均值和05为分类标准,对大兴安岭的火险概率进行
区划,其中小于0361为低火险区,0361~05为中火险区,大于05为高火险区(图2(b))
由图2(b)可知森林火险地域分异明显。值得
注意的是,大兴安岭南部加林局东部、松岭东部和
北部、呼玛地区发生林火的概率远远高于其他地区
或林业局,尤其是呼玛境内全区几乎处于高火险
区,这与前人的研究结果相同[5,19];另外,韩家园东
北部、十八站、新林中部、西林吉与图强交界的中心
地区也有少部分高火险区。根据残差分析结果,加
林局和松岭地区模型低估区域较为集中,韩家园和
呼玛等地局部也出现林火低估区,这些地区森林火
灾隐患依然较大(图2(c))。
图2 研究区域火险状况Fig2Theforestfireprobability,classificationandresidualerrorinthestudyarea
5 结论与讨论应用Logistic回归模型对大兴安岭地区2000—
2016年林火发生与影响因子间的关系进行探索性研究。模型拟合结果表明模型具有较好的预测能力。
对大兴安岭的林火发生驱动因子的影响进行
分析。两种比例数据拟合结果表明,2000—2016大兴安岭地区对林火发生影响坡向、到公路的距离、
到铁路距离、到居民区距离、植被覆盖度、人口密
度、GDP、日平均风速、日累积降水、日最高气温、日平均相对湿度11个变量进入了建模的拟合阶段,并且都具有较高的预测准确率(约 80%);ROC曲线下面积 AUC=0868且极其显著(P<00001),说
明模型具有较高的拟合度,独立校验样本的结果显
示模型的预测准确率也高达803%。研究结果表明,该模型具有一定的适用性。
本研究考虑的地形因子较少,主要是因为大
兴安岭地区地貌为丘陵和盆地,且分布较为规
律。研究发现,平面曲率影响地表径流的汇聚和
分散,进一步影响地表可燃物的湿度[24]。可燃
物含水率作为林火发生的重要因素[12],在本研
究中均未体现,可能原因在于,可燃物含水率在
数据获取过程以及预测模型本身的误差,影响了
变量选择的结果,在后期需要对上述问题进行进
一步研究。
121
林业资源管理 第1期
参考文献:
[1]MckenzieD,ShankarU,KeaneRE,etal.Smokeconsequencesof
newwildfireregimesdrivenbyclimatechange[J].EarthsFuture,
2014,2(2):35-59.
[2]FlanniganMD,KrawchukMA,GrootWJD,etal.Implicationsof
changingclimateforglobalwildlandfire[J].InternationalJournalof
WildlandFire,2009,18(18):483-507.
[3]LoepfeL,RodrigoA,LloretF.Twothresholdsdetermineclimatic
controlofforestfiresizeinEuropeandnorthernAfrica[J].Region
alEnvironmentalChange,2014,14(4):1395-1404.
[4]GuoFT,WangGY,SuZW,etal.WhatdrivesforestfireinFu
jian,China?EvidencefromlogisticregressionandRandomForests
[J].InternationalJournalofWildlandFire,2016,25(5):
505-519.
[5]GuoFT,SuZW,WangGY,etal.Understandingfiredriversandrel
ativeimpactsindifferentChineseforestecosystems[J].Scienceof
theTotalEnvironment,2017,605:411-425.
[6]石晶晶.浙江省林火发生格局及预测模型研究[D].临安:浙江
农林大学,2014.
[7]OliveiraS,OehlerF,SanMiguelAyanzJ,etal.Modelingspatial
patternsoffireoccurrenceinmediterraneaneuropeusingmultiple
regressionandrandomForest[J].ForestEcologyandManagement,
2012,275(4):117-129.
[8]PradhanB,SulimanMDHB,AwangMAB.Forestfiresuscepti
bilityandriskmappingusingremotesensingandgeographicalinfor
mationsystems(GIS)[J].DisasterPreventionandManagement,
2007,16(3):344-352.
[9]VilarL,WoolfordDG,MartellDL,etal.Amodelforpredictinghu
mancausedwildfireoccurrenceintheregionofMadrid,Spain[J].
InternationalJournalofWildlandFire,2010,19(3):325-337.
[10]JusticeCO,GiglioL,Korontzi,S,etal.TheMODISfireproducts
[J].RemoteSensingofEnvironment,2002,83(1):244-262.
[11]ChangY,ZhuZL,BuRC,etal.Predictingfireoccurrencepat
ternswithlogisticregressioninHeilongjiangProvince,China[J].
LandscapeEcology,2013,28(10):1989-2004.
[12]胡海清.林火生态与管理[M].北京:中国林业出版社,2005.
[13]ChandlerC,CheneyP,TrabaudL,etal.FireinForestry.Volume
I.Forestfirebehaviorandeffects[M].Florida:KriegerPublishing
Company,1991.
[14]DailyClimateDataSetofChinaInternationalExchangeStation,Chi
naMeteorologicalDataandSharingNetwork[EB/OL].(2016-
05-15)[2019-01-01].http://data.cma.cn/site/index.html.
[15]GeographicInformationResourcesService.NationalAdministration
ofSurveying,MappingandGeoinformationofChina.2002[EB/
OL].(2016-05-15)[2019-01-01].http://www.webmap.
cn/main.do?method=index(accessedon15May2016)
[16]GutmanG,IgnatovA.Thederivationofthegreenvegetationfrac
tionfromNOAA/AVHRRdataforuseinnumericalweatherpre
dictionmodels[J].InternationalJournalofRemoteSensing,1998,
19(8):1533-1543.
[17]RanYH,LiX.PlantFunctionalTypesMapinChina.Coldand
AridRegionsScienceDataCenteratLanzhou,2011[EB/OL].
(2016-05-15)[2019-01-01].Availableonline:http://
westdc.westgis.ac.cn/.
[18]LiuH,JiangD,YangX,etal.SpatializationApproachto1kmGrid
GDPSupportedbyRemoteSensing[J].GeoinformationScience,
2005,7(2):120-123.
[19]许吟隆,薛峰,林一骅.不同温室气体排放情景下中国21世纪
地面气温和降水变化的模拟分析[J].气候与环境研究,2003
(2):209-217.
[20]邓欧,李亦秋,冯仲科,等.基于空间 Logistic的黑龙江省林火
风险模型与火险区划[J].农业工程学报,2012,28(8):
200-205.
[21]SGuri爧E,alayanTUn.Estimatingofprobabilityofhomeown
ershipinruralandurbanareas:Logit,probitandGompitmodel
[J].EuropeanJournalofSocialSciences,2011,21(3):
405-411.
[22]MinabM,OlaM,AslMG.Analysisoftheeffectofcorporategov
ernanceonthefinancialhealthofcompaniesUsingLogit,Probit
andGompitmodels[C]//The12thIranianNationalConferenceon
Accounting,Iran,2014.
[23]LittellJS,McKenzieD,PetersonDL,etal.Climateandwildfire
areaburnedinwesternU.S.ecoprovinces[J].EcologicalApplica
tions,2009,19(4):1003-1021.
[24]PourghasemiHR.GISbasedforestfiresusceptibilitymappinginI
ran:acomparisonbetweenevidentialbelieffunctionandbinarylo
gisticregressionmodels[J].ScandinavianJournalofForestRe
search,2016,31(1):80-98.
221