การพัฒนาแบบจำลองคาดการณ์พื้นที่เสี่ยงต่อการเกิดพื้นที่เผาไหม้ในเขตป่า จากอิทธิพลของปรากฏการณ์เอนโซ ด้วยข้อมูลจากเทคโนโลยีอวกาศ ในอำเภอสามเงา จังหวัดตาก
คำสำคัญ:
ไฟป่า, ปรากฏการณ์เอนโซ , ระบบนิเวศป่าไม้ในป่าเขตร้อน , แบบจำลองคาดการณ์ , เทคโนโลยีอวกาศบทคัดย่อ
วัตถุประสงค์และที่มา : การศึกษานี้มีวัตถุประสงค์ 2 ประการ คือ 1) เพื่อวิเคราะห์ความสัมพันธ์ระหว่างระบบนิเวศป่าไม้และพื้นที่เผาไหม้ในป่าเขตร้อนจากอิทธิพลของปรากฏการณ์เอนโซ (ENSO) และ 2) เพื่อศึกษาปัจจัยทางกายภาพและพัฒนาแบบจำลองคาดการณ์พื้นที่เสี่ยงต่อการเกิดพื้นที่เผาไหม้ในเขตป่าจากอิทธิพลของปรากฏการณ์เอนโซ ในอำเภอสามเงา จังหวัดตาก
วิธีดำเนินการวิจัย : ข้อมูลที่ใช้ในการศึกษาประกอบด้วย 1) ภาพถ่ายดาวเทียมเซนติเนล 2 (Sentinel 2) บันทึกข้อมูลในช่วงเดือนมกราคมถึงมีนาคม ในปีที่ได้รับอิทธิพลจากปรากฏการณ์เอนโซ ได้แก่ ปีเอลนีโญ (ค.ศ. 2019) ปีปกติ (ค.ศ. 2020) และปีลานีญา (ค.ศ. 2022) เพื่อนำไปวิเคราะห์ดัชนีพื้นที่เผาไหม้ (BAIS2) ดัชนีพืชพรรณผลต่างแบบนอร์มัลไลซ์ (NDVI) และดัชนีความไวต่อปริมาณน้ำในพืช (MSI) 2) ภาพถ่ายดาวเทียมแลนด์แซท 8 ระบบ TIRS (Landsat 8 (TIRS)) สำหรับวิเคราะห์อุณหภูมิพื้นผิว (LST) และ 3) ข้อมูลภาพถ่ายภูมิประเทศจากเรดาร์กระสวยอวกาศขององค์การบริหารการบินและอวกาศแห่งชาติ (NASA's Shuttle Radar Topography Mission: SRTM) เพื่อวิเคราะห์แบบจำลองความสูงเชิงเลข (DEM) ความลาดชัน (Slope) และทิศทางลาดเอียง (Aspect) การวิเคราะห์ความสัมพันธ์ระหว่างระบบนิเวศป่าไม้และพื้นที่เผาไหม้ในป่าเขตร้อนเป็นการนำดัชนีพืชพรรณผลต่างแบบนอร์มัลไลซ์ และดัชนีพื้นที่เผาไหม้ รายเดือนของปีปรากฏการณ์เอนโซ นำมาหาความสัมพันธ์ด้วยวิธีการวิเคราะห์สัมประสิทธิ์สหสัมพันธ์เพียร์สัน (Pearson correlation) จากนั้นจึงนำเข้าสู่ขั้นตอนการสร้างแบบจำลองด้วยการวิเคราะห์การถดถอยเชิงเส้นแบบพหุ (Multiple Linear Regression: MLR) โดยกำหนดตัวแปรตาม คือ พื้นที่เผาไหม้ ตัวแปรอิสระ คือ ดัชนีพืชพรรณผลต่างแบบนอร์มัลไลซ์ อุณหภูมิพื้นผิว ดัชนีความไวต่อปริมาณน้ำในพืช แบบจำลองความสูงเชิงเลข ความลาดชัน และทิศทางลาดเอียง
ผลการวิจัย : ผลการวิเคราะห์พบว่าความสมบูรณ์ของระบบนิเวศป่าไม้ในป่าเขตร้อนและขนาดพื้นที่เผาไหม้มีความสัมพันธ์กันในปีที่ได้รับอิทธิพลจากปรากฏการณ์เอนโซ ส่วนแบบจำลองคาดการณ์พื้นที่เสี่ยงต่อการเกิดไฟป่า พบว่าแบบจำลองในปีเอลนีโญ ปีปกติ และปีลานีญาสามารถคาดการณ์พื้นที่เสี่ยงต่อการเกิดไฟป่าได้สอดคล้องในระดับมาก (R2 = 0.905) ระดับมาก (R2 = 0.700) และระดับปานกลาง (R2 = 0.519) ตามลำดับ โดยมีปัจจัยหลักที่ส่งผลต่อการเกิดไฟป่า ได้แก่ ความสมบูรณ์ของระบบนิเวศป่าไม้ อุณหภูมิพื้นผิว และดัชนีความไวต่อปริมาณน้ำในพืช
สรุปผลการวิจัย : ผลการศึกษาพบว่าความสมบูรณ์ของระบบนิเวศป่าไม้ในป่าเขตร้อนและพื้นที่เผาไหม้ มีความสัมพันธ์กับการเปลี่ยนแปลงสภาพภูมิอากาศจากอิทธิพลของปรากฏการณ์เอนโซ รวมทั้งมาตรการห้ามเผาป่าและพื้นที่เกษตรตามประกาศของจังหวัด
References
Agee, J. K. (1996, January). The influence of forest structure on fire behavior. In Proceedings of the 17th annual forest vegetation management conference (pp. 52-68).
Brodie, E. G., Knapp, E. E., Brooks, W. R., Drury, S. A., & Ritchie, M. W. (2024). Forest thinning and prescribed burning treatments reduce wildfire severity and buffer the impacts of severe fire weather. Fire Ecology, 20(1), 1-20.
Ceccato, P., Flasse, S., Tarantola, S., Jacquemoud, S., & Grégoire, J. M. (2001). Detecting vegetation leaf water content using reflectance in the optical domain. Remote sensing of environment, 77(1), 22-33.
Chaparro, D., Vall-Llossera, M., Piles, M., Camps, A., & Rüdiger, C. (2015, July). Low soil moisture and high temperatures as indicators for forest fire occurrence and extent across the Iberian Peninsula. In 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS) (pp. 3325-3328). IEEE.
Climate Prediction Center. (2023). Cold & Warm Episodes by Season. From https://origin.cpc.ncep.noaa. gov/products/analysis_monitoring/ensostuff/ONI_v5.php
Climatological Center. (2020). Variability and changes in meteorological conditions in the year 2019. Bangkok: Thai Meteorological Department. (in Thai)
Climatological Center. (2023). Weather conditions in the year 2022. Bangkok: Thai Meteorological Department. (in Thai)
Cochrane, M. A., Johnson, L. A., & Dearden, P. (2009). Fire ecology and management of seasonal evergreen forests in mainland Southeast Asia. Tropical Fire Ecology: Climate Change, Land Use, and Ecosystem Dynamics, 289-310.
Department of Health & Department of Disease Control. (2015). Guidelines for monitoring areas at risk from air pollution. Nonthaburi: Ministry of Public Health. (in Thai)
Eslami, R., Azarnoush, M., Kialashki, A., & Kazemzadeh, F. (2021). GIS-based forest fire susceptibility assessment by random forest, artificial neural network and logistic regression methods. Journal of Tropical Forest Science, 33(2), 173-184.
Fasullo, J. T., Otto‐Bliesner, B. L., & Stevenson, S. (2018). ENSO's changing influence on temperature, precipitation, and wildfire in a warming climate. Geophysical Research Letters, 45(17), 9216-9225.
Filipponi, F. (2018, March). BAIS2: Burned area index for Sentinel-2. In Proceedings (Vol. 2, No. 7, p. 364). MDPI.
Fonseca, M. G., Anderson, L. O., Arai, E., Shimabukuro, Y. E., Xaud, H. A., Xaud, M. R., Wagner, F. H., & Aragão, L. E. (2017). Climatic and anthropogenic drivers of northern Amazon fires during the 2015–2016 El Niño event. Ecological applications, 27(8), 2514-2527.
GISTDA. (2021). Summary report on forest fires and smoke haze situation in the year 2021 using geospatial information technology. Bangkok: Geo-Informatics and Space Technology Development Agency (Public Organization). (in Thai)
Guan, R. (2023). Predicting forest fire with linear regression and random forest. Highlights in Science, Engineering and Technology, 44, 1-7.
Hong, H., Tsangaratos, P., Ilia, I., Liu, J., Zhu, A. X., & Xu, C. (2018). Applying genetic algorithms to set the optimal combination of forest fire related variables and model forest fire susceptibility based on data mining models. The case of Dayu County, China. Science of the total environment, 630, 1044-1056.
Intamat, P. (2021). People’s participation and knowledge in forest fire control at pang tong royal project 3 (mok cham pae - mae sa nga), mok cham pae sub-district, mae hong son province. Master of Science Thesis (Forest Management), Maejo University. (in Thai)
Julien, Y., Sobrino, J. A., Mattar, C., Ruescas, A. B., Jimenez-Munoz, J. C., Soria, G., Hidalgo, V., Atitar, M., Franch, B., & Cuenca, J. (2011). Temporal analysis of normalized difference vegetation index (NDVI) and land surface temperature (LST) parameters to detect changes in the Iberian land cover between 1981 and 2001. International Journal of Remote Sensing, 32(7), 2057-2068.
Kalogiannidis, S., Chatzitheodoridis, F., Kalfas, D., Patitsa, C., & Papagrigoriou, A. (2023). Socio-psychological, economic and environmental effects of forest fires. Fire, 6(7), 280.
Littell, J. S., Peterson, D. L., Riley, K. L., Liu, Y., & Luce, C. H. (2016). A review of the relationships between drought and forest fire in the United States. Global change biology, 22(7), 2353-2369.
Robinne, F. N., & Secretariat, F. (2021). Impacts of disasters on forests, in particular forest fires. UNFFS Background paper.
Thanadolmethaphorn, P. (2016). Impacts of climate change on the potential of forest fire in Chiang Mai Province. Master of Science Thesis (Geography and Geoinformatics). Chiang Mai University. (in Thai)
Touma, D., Stevenson, S., Lehner, F., & Coats, S. (2021). Human-driven greenhouse gas and aerosol emissions cause distinct regional impacts on extreme fire weather. Nature Communications, 12(1), 212.
Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote sensing of Environment, 8(2), 127-150.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2024 คณะวิทยาศาสตร์ มหาวิทยาลัยบูรพา
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Burapha Science Journal is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information
