การสร้างแบบจำลองคาดการณ์พื้นที่ที่มีโอกาสเกิดไฟป่าจากความแปรปรวนทางสภาพภูมิอากาศด้วยเทคโนโลยีภูมิสารสนเทศ ในอำเภออมก๋อย จังหวัดเชียงใหม่
Creation of Wildfire Opportunity Predictive Model from Climate Variability with Geo-informatics in Omkoi District, Chiang Mai Province
Keywords:
แบบจำลองคาดการณ์ไฟป่า , ปัจจัยทางกายภาพ , ความแปรปรวนทางสภาพภูมิอากาศ , รูปแบบจุดความร้อน, wildfire predictive model, physical factors, climate variability, hotspot patternsAbstract
การศึกษาครั้งนี้มีวัตถุประสงค์ คือ 1) เพื่อศึกษาความแตกต่างรูปแบบจุดความร้อนจากความแปรปรวนทางสภาพภูมิอากาศ และ 2) เพื่อศึกษาความสัมพันธ์ของปัจจัยทางกายภาพที่เกี่ยวข้องต่อการเกิดไฟป่าอันนำไปสู่การสร้างแบบจำลอง คาดการณ์พื้นที่ที่มีโอกาสเกิดไฟป่าจากความแปรปรวนทางสภาพภูมิอากาศในพื้นที่ศึกษาอำเภออมก๋อย จังหวัดเชียงใหม่ ซึ่งได้เลือกช่วงเวลาในการศึกษาดังนี้ สภาพภูมิอากาศเอลนีโญ (พ.ศ.2558 และ 2562) สภาพภูมิอากาศปกติ (พ.ศ. 2556 และ 2560) และสภาพภูมิอากาศลานีญา (พ.ศ.2554 และ 2564) โดยในการศึกษานี้ได้ใช้ข้อมูลภาพถ่ายดาวเทียม Landsat 8 และ ALOS PALSAR เพื่อนำมาวิเคราะห์ปัจจัยทางกายภาพที่ส่งผลต่อการเกิดไฟป่า โดยภาพถ่ายดาวเทียม Landsat 8 ทำการวิเคราะห์ปัจจัยทางกายภาพ ได้แก่ ความแห้งแล้ง อุณหภูมิพื้นผิว ข้อมูลชนิดป่า และปริมาณคาร์บอนกักเก็บเหนือพื้นดิน ส่วนภาพถ่ายดาวเทียม ALOS PALSAR นำมาวิเคราะห์ปัจจัย ได้แก่ ระดับความสูง และ ความลาดชัน นอกจากนี้ได้ใช้ข้อมูลจุดความร้อนจากดาวเทียม Terra และ Aqua ระบบเซนเซอร์MODIS เพื่อทำการวิเคราะห์รูปแบบจุดความร้อน ซึ่งดำเนินการด้วยวิธีวิเคราะห์แบบเคอร์เนล ควอแดรท และดัชนีเพื่อนบ้านใกล้เคียง เพื่อหาความหนาแน่น การกระจายตัว และการจัดกลุ่มของจุดความร้อน ส่วนการสร้างแบบจำลองเป็นการวิเคราะห์การถดถอยแบบเส้นตรง ผลการศึกษา พบว่า ในสภาพภูมิอากาศเอลนีโญพบจุดความร้อนที่มีความหนาแน่นสูงที่สุด รองลงมาคือ สภาพภูมิอากาศปกติ และสภาพภูมิอากาศลานีญา ตามลำดับ นอกจากนี้ปัจจัยทางกายภาพที่ส่งผลต่อการเกิดไฟป่า คือ ความแห้งแล้ง และอุณหภูมิพื้นผิว ส่วนแบบจำลองคาดการณ์พื้นที่ที่มีโอกาสเกิดไฟป่า พบว่าแบบจำลองในปีเอลนีโญมีความแม่นยำ มากที่สุด รองลงมาคือ ลานีญา และปกติ โดยมีความแม่นยำร้อยละ 70.2, 54.6 และ 50.7 ตามลำดับ This study aimed is 1) to study the difference of hotspot patterns from climate variability and 2) to study the relationship of physical factors involved in wildfire, leading to wildfire opportunity predictive model from climate variability in Omkoi District Study Area, Chiang Mai Province. The period of times of this study are El Niño year (2015 and 2019) normal year (2013 and 2017), and La Niña year (2011 and 2021). This study uses Landsat 8 and ALOS PALSAR satellite images to analyze physical factors affecting the wildfires. Landsat 8 were used to analyze physical factors which are drought, land surface temperature, forest type and above-ground carbon sequestration. And, ALOS PALSAR was used to analyze digital elevation model and slope. In addition, the hotspot from Terra and Aqua data, MODIS sensor, were used to analyze hotspot patterns conducted by kernel, quadrate, and nearest neighbor analysis to determine the density, dispersion and cluster of hotspots. Wildfire opportunity predictive model is create using linear regression analysis. In result of study found that El Niña year has the highest hotspot density, followed by normal and La Niña years, respectively. Moreover, physical factors influencing wildfires are drought factors and land surface temperature. And wildfire opportunity predictive model found that model in El Niño year has the highest precision followed by La Niña year, and normal year with the accuracy of 70.2, 54.6 and 50.7 percent, respectively.References
Franziska, P., Christoph M., Thomas, A., Pugh, M., Douglas, B.C., Delphine, D., Joshua, E., Martina, F., Christian, F., Wietse, F., Katja, F., Andrew, D.F., Simon, N.G., Deborah, H., Nikolay, K., Hyungjun, K., Mark R.L., Yoshimitsu, M., Matthias, M., Andrew, M., Kathleen, N., Kazuya, N., Sebastian, O., Ryan, P., Alex C.R., Jacob, S., Erwin, S., Tobias, S., Qiuhong, T., Zachary, D.T., Adrian, M.T., Warszawski L., Wisser, D., & Hans, J.S. (2014). Multisectoral climate impact hotspots in a warming world, Edited by Robert, W.K. proceedings of the national academy of sciences, 111(9), 3233-3238.
Guilherme, A. V.M., Maria, E., Siqueira, S., Gabriel, P., Francielle, D. S. C., Fernando, S. K. , Gabriel, B. , Julio, C.C. , Raquel, C.R. , & Viviane, V. (2018). Satellite observations for describing fire patterns and climaterelated fire drivers in the Brazilian savannas. Nat. Hazards Earth Syst. Sci., 18(1), 125–144.
Rayanakorn, M. (2010). Smog and air pollution. IN Chiang Mai. Haze and Air Pollution in Chiang Mai 2553, (pp.2-10). Chiang Mai: Chiang Mai University School of Public Policy. (in Thai)
Rock, B.N.V., WILLIAMS, J.E, VOGELMANN, D.L., & HOSHISAKI, A.F.. (1986). BioScience. Remote detection of forest damage,36(7), 439-445.
Thanadolmethaphorn, P., Chotiamonsak, C., & Dontre, S., (2018). Analysis of Impact of Climate Change on Forest Fire Potential in Chiang Mai by Using of Regression Model. Retrieved October 4, 2021, from http://dx.doi.org/10.14416/j.kmutnb.2018.09.004. (in Thai)
Yotapakdee, T. (2014). Seconomic Evaluation Non-timber Forest Products Benefits Omkoi National Forest Reserve. Area Based Development Research Journal, 6(4), 23-41. (in Thai)
