Analýza materiálů DPZ pro hodnocení intenzity lesního požáru v NP České Švýcarsko 2022

Bc. Matyáš Berdych

Master's thesis

Analysis of remote sensing materials for forest fire severity in Czech Switzerland 2022

Abstract:

Práce se zabývá analýzami materiálů dálkového průzkumu Země k analýze požáru Národního parku České Švýcarsko v roce 2022 a možnostmi tvorby matematických modelů za účelem jeho vyhodnocení. Na základě dat pozemní inventarizace požářiště byly analyzovány materiály pasivních senzorů blízkého infračerveného světla (NDVI) a materiály aktivních senzorů (LiDAR). V první fázi byly zkoumány vzájemné vztahy indikátorů z materiálů inventarizace. Dále byly tyto hodnoty testovány korelační analýzou s NDVI před požárem, po požáru a rozdílovým NDVI, a také s daty rozdílového LiDAR. Pomocí lineární regresní analýzy a následné krokové stepwise regrese byl vytvořen model pro predikci vybraných indikátorů z materiálů inventarizace. Jako prediktory byly zvoleny některé závislé proměnné z obou datasetů DPZ, které se v předchozích analýzách ukázaly být jako zásadní. V dalším stupni analýzy byly sestaveny dva modely strojového učení: Random Forest a Support Vector Machine s cílem získat co nejpřesnější model. Jako nejlepší model se ukázal být Support Vector Machine, který dosáhl přesnosti až 64,4 %. Nepříliš vysoké výsledky poukázaly na možné mezery v uspořádání dat, na významný vliv konkrétních přírodních podmínek zájmového území, roční době atp. Modely ale rovněž poskytují prostor pro jejich další vylepšování. Výsledky modelů postavených na konkrétním lesním požáru ukázaly, že je stále nutné do analýz lesních požárů zahrnovat také alespoň částečnou inventarizaci, a to jak pro širší povědomí o skutečné situaci, tak pro lepší nastavení modelů pro danou situaci.

Abstract:

This work focuses on the analysis of remote sensing materials for examining the wildfire in the Bohemian Switzerland National Park in 2022 and the possibilities of creating mathematical models for its evaluation. Based on ground inventory data of the burnt area, materials from passive near-infrared sensors (NDVI) and active sensors (LiDAR) were analyzed. In the initial phase, relationships between indicators from the inventory materials were examined. These values were then subjected to correlation analysis with NDVI before the fire, after the fire, the differential NDVI, and also with differential LiDAR data. Through linear regression analysis and subsequent stepwise regression, a model was created to predict selected indicators from inventory materials. Certain dependent variables from both remote sensing datasets, which were identified as crucial in previous analyses, were selected as predictors. In the next stage of analysis, two machine learning models were constructed: Random Forest and Support Vector Machine, with the goal of obtaining the most accurate model. The Support Vector Machine emerged as the best model, achieving an accuracy of up to 64.4%. The relatively modest results highlight potential gaps in data organization, the significant impact of specific natural conditions of the area of interest, seasonality, etc. However, the models also offer room for further improvement. The outcomes of the models based on a specific forest fire demonstrate that analyses of forest fires must still include at least a partial inventory, both for broader awareness of the actual situation and for better tuning of models for the given scenario.

Keywords

DPZ, intenzita a síla požáru, NPČŠ

Keywords

Remote sensing, fire intensity and severity, Bohemian Switzerland National Park

Language used: Czech

Date on which the thesis was submitted / produced: 7. 4. 2024

Thesis defence

• Supervisor: doc. Ing. Peter Surový, PhD.
• Reader: Dana Vébrová, externi

Czech University of Life Sciences Prague

Faculty of Forestry and Wood Sciences

Master programme:
Forest Engineering