Multi

Aug 11, 2023

Scientific Reports Band 13, Artikelnummer: 13472 (2023) Diesen Artikel zitieren

216 Zugriffe

Details zu den Metriken

In Indonesien ereignen sich zahlreiche Naturkatastrophen, die Leben und Eigentum von Menschen bedrohen. Es wird erwartet, dass der durch den Klimawandel verursachte Temperaturanstieg die Häufigkeit von Naturgefahren in Zukunft beeinflussen und mehr Risiken mit sich bringen wird. Diese Studie untersucht die Folgen von Dürren und Waldbränden auf der indonesischen Insel Kalimantan. Wir erstellen zunächst Karten, die die elf Faktoren zeigen, die den größten Einfluss auf Waldbrände und Dürren haben, und zwar in Bezug auf Klima, Topographie, anthropogene Faktoren und Vegetation. Als Nächstes haben wir mithilfe von RF Einzel- und Mehrfachrisikokarten für Waldbrände und Dürren auf der Insel Kalimantan erstellt. Schließlich wurde unter Verwendung des integrierten Bewertungsmodells des Coupled Model Intercomparison Project (CMIP6) ein zukünftiges Klimaszenario angewendet, um mehrere Risikokarten für RCP-SSP2-4.5 und RCP-SSP5-8.5 in den Jahren 2040–2059 und 2080–2099 vorherzusagen. Es wurde erwartet, dass die Wahrscheinlichkeit einer Dürre von 22,6 % und eines Waldbrands von 21,7 % einen Einfluss auf die Ergebnisse der Studie haben würde, und es wurde vorhergesagt, dass 2,6 % der untersuchten Standorte von beiden Gefahren betroffen seien. Für RCP-SSP2-4.5 und RCP-SSP5-8.5 wird ein Anstieg dieser Gefahren prognostiziert. Forscher und Interessenvertreter können diese Erkenntnisse nutzen, um Risiken im Rahmen verschiedener Minderungsstrategien zu bewerten und das räumliche Verhalten solcher Waldbrände und Dürreereignisse abzuschätzen.

Die Interaktionen des Menschen mit extremen Naturereignissen oder Gefahren nehmen weltweit zu1. Naturkatastrophen haben Menschen und die Natur beeinträchtigt und weltweit zu enormen wirtschaftlichen Verlusten geführt2. Gefahrenrisiken umfassen Konzepte von Raum, Häufigkeit und Ausmaß als Wahrscheinlichkeiten, die innerhalb eines bestimmten Zeitraums und innerhalb eines potenziellen Schadensbereichs einer bestimmten Größe auftreten2,3. Die meisten vorhandenen Studien haben sich auf ein einzelnes Risiko konzentriert, obwohl Risiken interaktive Eigenschaften haben3,4,5,6,7,8. Bei der Beherrschung dieser Wechselwirkungen kann die Unterstützung bei Multigefahrenrisiken hilfreich sein.

Weltweit sind Dürren und Waldbrände Naturkatastrophen, die aufgrund der Klimakrise zunehmen und schwerwiegende Schäden wie menschliche und ökologische Schäden, wirtschaftliche Schäden und Waldschäden verursachen9. Im Falle Indonesiens kommt es in vielen Bergregionen zu einer illegalen Landumwandlung in Ackerland, in der es zu künstlichen Bränden kommt und die Bemühungen der Regierung durch großflächige Schäden zunichte gemacht werden10,11. Die am stärksten betroffenen Gebiete konzentrierten sich auf die Inseln Sumatra und Kalimantan, wo vor allem Palmölplantagen angesiedelt waren12,13. Im Jahr 2019 kam es in ganz Indonesien auf Sumatra und Kalimantan zu Waldbränden. Von 2015 bis 2019 wurde Land in Zentral-Kalimantan um 317749,00 Hektar, in West-Kalimantan um 151919,00 Hektar und in Süd-Kalimantan um 137848,00 Hektar Land beschädigt14. Das Torfland gilt als das größte einheimische Feuchtgebiet in den Regionen Kalimantan und Sumatra. Aufgrund der Eigenschaften von Torfmooren weist es einen hohen Feuchtigkeitsgehalt auf und spielt bei Dürreereignissen eine entscheidende Rolle15. Daher können Dürren in den Torfmooren zu einem erhöhten Waldbrandrisiko beitragen. Der durch Dürre verursachte Feuchtigkeitsverlust im Torfland kann eine Hauptursache für das Auftreten von Bränden und deren anschließende Ausbreitung sein16.

Im Falle eines Ausbruchs können solche Brände durch schwere Luftverschmutzung zu Atemwegserkrankungen in Nachbarländern und Anwohnern führen, zu Dürre führen und zu einer schweren Klimakrise beitragen17. Die Bereiche Umwelt, Kultur und öffentliche Bildung wurden direkt und maßgeblich beeinflusst13. Von noch größerer Bedeutung ist, dass der Klimawandel zu erhöhter Trockenheit führt, was die Schwere der Dürre verschlimmert und das Risiko von Waldbränden erhöht18. Darüber hinaus trägt der durch Waldbrände verursachte Ausstoß von Kohlendioxid und Treibhausgasen in die Atmosphäre zur Beschleunigung des Klimawandels bei, was wiederum die Wahrscheinlichkeit häufigerer und intensiverer Dürren und Waldbrände in der Zukunft erhöht15.

In früheren Studien gab es Studien zu den potenziellen Katastrophen von Waldbränden, aber keine Studien lieferten eine komplexe Katastrophenvorhersage und räumliche Analyse im Zusammenhang mit Dürre19. Sihombing20 bewertete die Korrelation und die vielfältigen Risiken der beiden Risikofaktoren anhand einer Risikostudie zu Waldbränden und Erdbeben in Jakarta. Während diese Studien die Kartierung mehrerer Risiken veranschaulichen, fehlen in umfassenden Studien zur Bewertung mehrerer Risiken durch Modelle des maschinellen Lernens immer noch Beispiele für Ring-of-Fire-Länder. Die Entwicklung mehrerer Ansätze zur Risikokartierung unter Verwendung neuer Methoden ist für ein effektives Risikomanagement in einigen Bereichen von entscheidender Bedeutung21,22,23. Karten, die das Risiko von Dürren und Waldbränden darstellen, sind dank GIS- und RS-Technologien in letzter Zeit genauer geworden. Frequenzverhältnis, logistische Regression, Beweisgewichte, Fuzzy-Argumentation, künstliche neuronale Netze, Entscheidungsbäume, Support Vector Machines (SVM) und Random Forest (RF)-Modelle sind einige Beispiele für Techniken. Für diese Untersuchung wurde das RF-Modell ausgewählt, da es sich um eine relativ schnelle Technik des maschinellen Lernens handelt.

Während der Waldbildungsphase wird ein genauer Klassifikator mit einer internen, unparteiischen Generalisierbarkeitsschätzung generiert. Es verfügt über eine starke Vorhersageleistung und macht keine statistischen Annahmen24. In der bisherigen Literatur haben viele Forscher zuvor räumliche Gefahrenrisikoanalysen mithilfe von Ensemblemodellen wie Support Vector Machine (SVM), Naive Bayes Classifier (NB), k-Nearest Neighbor (kNN) und Decision Tree (DT) durchgeführt. Unter ihnen erwiesen sich die Ergebnisse von RF als die höchsten22,25,26. Darüber hinaus wurden hohe AUC-Werte in Studien beobachtet, in denen Gefahren allein durch HF bewertet wurden23,24,27. Die Synthese dieser Ergebnisse hat gezeigt, dass RF effektiv ist. Zusätzlich zu seiner guten Vorhersageleistung wurde RF in Betracht gezogen, um den Beitrag jeder Variablen zum Auftreten von Gefahren zu messen und Variablen zu identifizieren, die eine wichtige Rolle bei der Vorhersage spielen28.

Tropenwälder in Indonesien gehören zu den artenreichsten und ressourcenreichsten Ökosystemen der Erde, sind aber auch die anfälligsten für den Klimawandel und vom Menschen verursachte Veränderungen in der Zukunft29,30. Indonesien verfügt nicht nur über eine Vielzahl kultureller und traditioneller Schätze sowie über Artenvielfalt und Ökosysteme, sondern ist auch für eine Vielzahl von Naturkatastrophen bekannt, deren Schweregrad von leicht bis schwer reicht. Betrachtet man das Risiko geringfügiger Gefahreneinwirkungen, den Ausdruck nationaler Identität, die Lage im Zentrum Indonesiens, die Energieversorgung, den Schutz vor großen Katastrophen usw., gibt es eine Reihe berechtigter Argumente für die Verlegung der neuen Hauptstadt Indonesiens31. Indonesien beabsichtigt, seine Hauptstadt von Jakarta auf der Insel Java nach Nusantara zu verlegen, einer neuen Stadt im Dschungel auf der Insel Borneo.

Gleichzeitig sinkt die Stadt Jakarta aufgrund der umfangreichen Grundwasserentnahme aus unterirdischen Grundwasserleitern. Die Regierung von Präsident Joko Widodo, oft bekannt als Jokowi, treibt derzeit ein neues Projekt voran, das voraussichtlich rund 35 Milliarden US-Dollar kosten wird32. In der ostkalimantischen Provinz Borneo wird die Hauptstadt Indonesiens entstehen, die sich nun in Jakarta auf der Insel Java befindet. Die Stadt erhielt daraufhin den Sanskrit-Namen Nusantara, was auf Englisch in etwa „Archipel“ bedeutet. Forschung, die wahrscheinliche Katastrophen in Indonesiens zukünftiger Hauptstadt und ihre Eindämmungsinitiativen untersucht, ist daher absolut wichtig. Obwohl Kalimantan im Jahr 2019 den Wert von Sumatra an der gesamten verbrannten Fläche Indonesiens übertraf, erhielt der Buschfeuerfall in Kalimantan von mehreren nationalen Medien und Zentralregierungen weniger Aufmerksamkeit und das Risiko wurde nicht vollständig hervorgehoben14. Nach einer gründlichen Prüfung der Literatur und nach unserem besten Wissen wurde noch keine Studie zur Multigefahrenmodellierung von Waldbränden und Dürren in Indonesien durchgeführt. Diese Studie ist von Bedeutung, da es sich um Indonesiens erste Untersuchung des Multigefahrenrisikos handelt.

Indonesien wurde durch Naturkatastrophen wie den durch ein Erdbeben verursachten Tsunami schwer beschädigt, und Ost-Kalimantan wurde als sichereres Gebiet ausgewählt. Hier fragte ich mich also, wie groß der erwartete Schaden durch andere Katastrophen sein würde, abgesehen vom Tsunami und dem Erdbeben auf der Insel, auf die die Hauptstadt verlegt werden würde. In dieser Studie bilden daher zwei große Naturereignisse (Dürren und Waldbrände) in fünf Provinzen auf den Kalimantan-Inseln die Grundlage für eine Karte zur Risikobewertung mehrerer Gefahren. Das Hauptziel besteht darin, ein nützliches und breites Spektrum genauer Multi-Gefahren-Kartierungen bereitzustellen, die für Landnutzungsmanager und andere relevante Interessengruppen anwendbar sind, und um die Risiken jeder Provinz innerhalb des Untersuchungsgebiets zu vergleichen und vorherzusagen.

In dieser Studie wurde das Multi-Hazard-Risiko (MH) auf der Insel Kalimantan vorhergesagt und bewertet. (1) Identifizierung der Faktoren, die das Auftreten von Naturgefahren beeinflussen; (2) Verwendung eines maschinellen Lernalgorithmus (RF) zur Erstellung von Wahrscheinlichkeitskarten für Waldbrände und Dürrerisiken; und (3) Abschätzung zukünftiger Dürre- und Waldbrandrisiken der prognostizierten Temperatur und Niederschläge anhand repräsentativer Konzentrationspfad-Klimawandelszenarien (RCP-SSP) und regionaler Klimamodelle.

Unsere Arbeit hilft bei der Entwicklung und Bewertung maschineller Lerntechniken zur Kartierung naturgefahrengefährdeter Gebiete. Durch die Berücksichtigung von Gebieten, die durch zahlreiche Risiken gefährdet sind, können Landnutzungsplaner und politische Entscheidungsträger die Auswirkungen des Urbanisierungsprozesses in der Region besser verstehen und Abhilfestrategien umsetzen.

Mit einer Fläche von rund 539.238 km2 liegt die Forschungsregion in Kalimantan zwischen 1° südlicher Breite (Abb. 1). Kalimantan ist jetzt in fünf Provinzen unterteilt: Ost-Kalimantan, Süd-Kalimantan, West-Kalimantan, Zentral-Kalimantan und Nord-Kalimantan. 73 % der Gesamtfläche der Insel und 69,5 % ihrer Bevölkerung (16.625.796 bei der Volkszählung 2020) liegen auf indonesischem Territorium. Die höchste Erhebung liegt 4095 m über dem Meeresspiegel und die mittlere Höhe in der Provinz beträgt 104,9 m. Die Bevölkerung der Inseln beträgt 23.053.723. Der indonesische Staat liegt im Ring of Fire und im Jahr 2022 wurde ein Gesetz verabschiedet, das die Verlegung der Hauptstadt von Java auf die Insel Kalimantan aufgrund von Taifunen, Tsunamis und Erdbeben vorsah.

Diese Studie umfasste drei Hauptaktivitäten (Abb. 2). (1) Erhebung von Daten über die letzten fünf Jahre (2014–2019) am Studienort; (2) Identifizierung der wichtigsten wirksamen Faktoren für jedes Risiko durch Literaturrecherche; (3) Erstellen von Risikomodellen und MH-Risikokarten mithilfe von Algorithmen für maschinelles Lernen (RF); (4) Anwendung von RCP-SSP-Zukunftsklimaszenarien.

Bei dieser Untersuchung wurden 1653 Punkte gefunden, die die Orte von fünf verschiedenen Arten extrem gefährlicher Ereignisse darstellen, die sich über einen Zeitraum von fünf Jahren auf den gesamten Kalimantan-Inseln ereigneten33 (Abb. 3, Tabelle 1). Darunter waren 16 Dürren und 1637 Waldbrände. Im Untersuchungsgebiet wurde beobachtet, dass Waldbrände häufiger auftreten als Dürren, und die erwarteten Hauptursachen sind folgende. Erstens führt das El Niño-Phänomen in der tropischen Pazifikregion zu erhöhten Meeresoberflächentemperaturen und damit zu längeren Trockenperioden. Während dieser Zeiträume werden angesammelte trockene Vegetation, brennbares Gras und trockene Blätter sehr anfällig für Entzündungen34. Zweitens können Waldbrände durch menschliche Aktivitäten wie illegalen Holzeinschlag, den Einsatz von Schusswaffen und unsachgemäße Entsorgung von Zigaretten ausgelöst werden35. Schließlich können auch das Fehlen wirksamer Waldbewirtschaftungspraktiken und das Fehlen angemessener Waldbrandverhütungs- und Brandbekämpfungssysteme zur Ausbreitung von Waldbränden beitragen11. Für die Modellierung benötigten die Modelle für maschinelles Lernen in dieser Studie Daten sowohl von gefährlichen als auch von ungefährlichen Standorten36. Um die Gefahrenbereiche auszugleichen, wurden dreimal so viele ungefährliche Orte zufällig ausgewählt. Es wurden zwei Beispielsätze erstellt: einer für das Training (70 %) und der andere für die Validierung (30 %).

Untersuchungsgebiet (Insel Kalimantan).

Effektive Faktoren für jede Gefahr wurden gemessen und in Rasterebenen mit einer Pixelgröße von 1,1 km in ArcGIS 10.8.2 basierend auf einer Untersuchung früherer Studien sowie einer Sammlung von Empfehlungen von Experten dargestellt. Die vier Gruppen vorteilhafter Variablen (Tabelle 2) waren klimatisch (Temperatur, Windgeschwindigkeit, Niederschlag), anthropogen (Entfernung zu Straßen, Menschen, Entfernung zu Wasserstraßen), Topographie (Neigung, Ausrichtung, Höhe und topografischer Nässeindex) und Vegetation (Bodennutzung). Aufgrund seiner vielen Vorteile ist das RF-Modell die beste Wahl für den Untersuchungsansatz. Es macht keine statistischen Annahmen und hat eine gute Vorhersageleistung24. Im Gegensatz zu anderen Klassifizierungsmethoden weist der trainierte RF-Klassifikator, der aus mehreren Entscheidungsbäumen besteht, eine niedrige Fehlerrate auf. Der Prädiktor mit dem größten Einfluss auf die Vorhersagefunktion im Verhältnis zu den anderen Komponenten ist der oberste Splitter in jedem Baum. Dadurch ist jeder Baum miteinander verbunden und weist eine ähnliche Struktur auf (ergänzende Abbildung 1).

Rahmen der Studie.

Mithilfe des maschinellen Lernalgorithmus und der beitragenden Variablen wurden Karten zu Waldbränden (FF) und Dürren (DT) erstellt (Abb. 2). Zunächst wurde ein RF-Modell mit einem hohen Wert der Area under the Receiver Operating Characteristic (ROC) Curve (AUC) verwendet, um die Anfälligkeit für jedes Risiko basierend auf den abhängigen Variablen (Standorte von Waldbränden und Dürren) und einigen Umweltfaktoren zu generieren. Zur Klassifizierung der Karten wurden fünf Klassen verwendet – sehr niedrig, niedrig, mittel, hoch und sehr hoch. Eine Untersuchung der Literatur24 ergab, dass hohe und sehr hohe Anfälligkeitsklassen als Umstände mit hohem Risiko (1) galten, während sehr niedrige, niedrige und sehr niedrige Anfälligkeitsklassen als Umstände mit geringem Risiko (0) galten. Die für jede Gefahr erstellten Fünf-Klassen-Karten wurden zur Unterstützung der Integration auf die beiden Klassen 0 und 1 übertragen. ArcGIS wurde verwendet, um die Karten von Waldbränden und Dürren zusammenzuführen, um eine integrierte MH-Karte zu erstellen, die dann kategorisiert wurde.

Waldbrand- und Dürreinventarkarte des Untersuchungsgebiets.

Unter Verwendung der Trainingsgruppendaten für den Anpassungstest und der Validierungsgruppendaten für den Vorhersageleistungstest wurde die Präzision der MH-Karten bewertet (AUC). AUC ist ein numerisches Maß und eine Technik ohne Rücksicht auf Schwellenwerte40. Die Kategorisierung eines Standorts durch ein Modell ist ideal, wenn die Fläche 1 beträgt, während die Klassifizierung eines Standorts durch ein Modell schlecht ist, wenn die Fläche 0,5 oder weniger beträgt25. In der aktuellen Forschung wurde Python 3.9 verwendet, um MH-Wahrscheinlichkeitskarten von Waldbränden und Dürren zu erstellen.

Zukünftige Klimaszenarien (RCP-SSP2-4.5 und RCP-SSP5-8.5) wurden verwendet, um zukünftige Risikopotenziale vorherzusagen. In den vorherigen Studien haben wir festgestellt, dass die beiden Szenarien verglichen und überprüft wurden25,41,42,43,44. Im Allgemeinen sind 2–4,5 bekannte realistische Szenarien, in denen der Klimawandel in Zukunft durch Maßnahmen zur Kohlendioxidreduzierung abgemildert wird. Andererseits ist 5–8,5 das Worst-Case-Szenario, in dem es fast keine separate Reduzierungspolitik und Unterstützung gibt45. Wir gingen davon aus, dass durch den Vergleich der beiden Szenarien die Bedeutung der Politik und das Bewusstsein für die CO2-Reduktion gesteigert werden können. Kontinuierliche Variablen (Temperatur und Niederschlag) wurden verwendet, um zukünftige Risiken durch die Auswirkungen des Klimawandels vorherzusagen. Bioklimavariablen aus den Jahren 2040–2059 und 2080–2099 werden unter Verwendung der zukünftigen Klimabedingungen des Weltdatensatzes erstellt, der im 5. IPCC-Bericht (CMIP6) erwartet wird (https://esgf-node.llnl.gov/search/cmip6/). Repräsentative Konzentrationspfade (RCP) von s. Die Hauptaufgabe der Phase 6 des Coupled Model Intercomparison Project (CMIP6) ist das Scenario Model Intercomparison Project (ScenarioMIP), das auf der Grundlage verschiedener Szenarien zukünftiger Emissionen und Landnutzungsänderungen unter Verwendung integrierter Bewertungsmodelle Klimaprojektionen mit mehreren Modellen erstellen wird45. Der RF-Klassifikator ist ähnlich aufgebaut wie die Methode, die bei der Analyse des Dürre- und Waldbrandrisikos verwendet wird. Um Unsicherheiten zu beseitigen, wurde der Prozess außerdem 1000 Mal gegen Waldbrände und Dürrerisiken durchgeführt.

Bei der Bewertung der Genauigkeit der Machine-Learning-Modelle (Tabelle 3) wurde deutlich, dass RF sehr genaue Modelle bot. Die AUC-Werte dieses Modells lagen alle über 0,8, was auf einen robusten Klassifizierungserfolg hinweist und die erträglich hohe Genauigkeit des Modells belegt.

Es ist wichtig zu verstehen, wie sich jeder beitragende Faktor auf das Dürre- und Waldbrandrisiko auswirkt, und die Bedeutung jedes einzelnen Faktors einzuschätzen24. Abbildung 4 zeigt die Bedeutung von 11 Variablen, die mithilfe von RF für Dürre- und Waldbrandrisiken ausgewählt wurden. Um dies zu analysieren, haben wir zunächst die für die Risikoanalyse verwendeten Rohdaten in Dürre- und Waldbrandereignisse unterteilt. Anschließend wurde jede Variable von 0 auf 1 normalisiert und die Ergebnisse verglichen. Es wurde beobachtet, dass der Aspekt (ASP) größere Unterschiede in den normalisierten Werten für Dürreereignisse aufwies, während die Windgeschwindigkeit (WS) im Vergleich zu anderen Variablen größere Schwankungen bei Waldbränden aufwies. Daraus kann gefolgert werden, dass diese Faktoren im Vergleich zu anderen Variablen bei jeder Katastrophe Schlüsselelemente sind. Dennoch ist es wichtig zu beachten, dass diese Rankings je nach dem verwendeten spezifischen maschinellen Lernalgorithmus variieren können46.

Risikokartenfaktor-Wichtigkeitsdiagramm von Dürren und Waldbränden unter Verwendung von RF (TEMP-Temperatur, WS-Windgeschwindigkeit, RAIN-Niederschlag, DTR-Entfernung zur Straße, PPL-Bevölkerung, DTRV-Entfernung zum Fluss, SLO-Neigung, ASP-Aspekt, ELEV-Höhe, TWI Topografischer Feuchtigkeitsindex, LULC Landnutzung und Landbedeckung).

Die Abbildungen 5 und 6 zeigen die Risikowahrscheinlichkeitskarte für Dürren und Waldbrände. Spezifische Risikoprozentsätze sind in Tabelle 4 beschrieben. Es wurde erwartet, dass die prognostizierten Risikobereiche beider Gefahren in zukünftigen Szenarien zunehmen und nicht in der Gegenwart. Die MH-Karte der beiden Katastrophen ist in Abb. 6 dargestellt, und wir haben festgestellt, dass sowohl das Risiko jeder Katastrophe als auch das Risiko einer Verbindung im Zukunftsszenario zunimmt.

Die mit dem RF-Modell erstellte Risikokarte von Dürren (A Present, B-1 RCP-SSP 2–4,5 2040~2059, B-2 RCP-SSP 2–4,5 2080~2099, C-1 RCP-SSP 5–8,5 2040~). 2059, C-2 RCP-SSP 5–8,5 2080–2099).

Die Risikokarte von Waldbränden, erstellt unter Verwendung des RF-Modells (A Gegenwart, B-1 RCP-SSP 2–4,5 2040–2059, B-2 RCP-SSP 2–4,5 2080–2099, C-1 RCP-SSP 5–8,5 2040). ~2059, C-2 RCP-SSP 5–8,5 2080~2099).

Den Ergebnissen der Studie zufolge gelten derzeit 53,13 % der Standorte als risikofrei oder weisen ein geringes Risikopotenzial auf. Bei 46,87 % der verbleibenden Forschungsfelder wird jedoch erwartet, dass mindestens ein Risiko einer Dürre- oder Waldbrandkatastrophe besteht. Laut RCP-SSP2-4.5 wird jedoch erwartet, dass diese Risiken im Zeitraum 2040–2059 auf 49,24 % und im Zeitraum 2080–2099 auf 52,43 % und im Zeitraum 2040–2059 auf 52,43 % und im Zeitraum 2080–2099 auf 60,02 % bei RCP-SSP5 ansteigen -8,5. Unter ihnen stieg die Wahrscheinlichkeit gleichzeitiger Waldbrände und Dürren von derzeit 2,57 % auf 2,74 % in den Jahren 2040–2059 und 3,77 % in den Jahren 2080–2099 unter RCP-SSP2-4.5 und auf 3,77 % in den Jahren 2040–2059 und 6,42 % in den Jahren 2040–2059 2080~2099 auf RCP-SSP5-8.5. Aufgeteilt in fünf Bundesstaaten hatte Süd-Kalimantan mit 67,25 % das höchste Dürrerisiko, West-Kalimantan wies mit 33,02 % den höchsten Wert an Waldbränden auf. Schließlich wies Süd-Kalimantan mit 7,10 % den höchsten Wert an MH-Risiken auf.

Nach Regionen wurde prognostiziert, dass das Risiko von Waldbränden in Nord-Kalimantan und West-Kalimantan im aktuellen und zukünftigen Klimaszenario größer ist als bei Dürre (Abb. 7). Andererseits wird in Ost-Kalimantan und Süd-Kalimantan das Dürrerisiko höher sein als das Waldbrandrisiko, und in Zentral-Kalimantan werden beide Katastrophen ein ähnliches Risikoniveau aufweisen. Schließlich war Süd-Kalimantan der höchstgelegene Ort, an dem sich die beiden Katastrophen gleichzeitig ereigneten, gefolgt von West-Kalimantan und Zentral-Kalimantan.

MH-Risikokarte (Kein Nicht- oder geringes Risiko; DT-Risikogebiet für Dürren; FR-Risikogebiet für Waldbrände; und DT + FR-Risikogebiet für Dürren und Waldbrände) und zukünftige Klimavorhersage (A Gegenwart, B-1 RCP-SSP 2–4.5 2040). ~2059, B-2 RCP-SSP 2–4,5 2080–2099, C-1 RCP-SSP 5–8,5 2040–2059, C-2 RCP-SSP 5–8,5 2080–2099 und D Prozentsatz nach Gefahrentyp und Szenarien ).

Wir haben mithilfe von Modelltechniken des maschinellen Lernens sowohl eine Einzelrisikokarte als auch eine MH-Risikokarte von Dürre und Waldbränden auf der indonesischen Insel Kalimantan erstellt. Darüber hinaus wurde das Sensitivitätsverhältnis gegenüber einer bestimmten Katastrophe separat angegeben, indem es nach Staaten dividiert wurde.

Der Literaturübersicht zufolge schneiden RF-Modelle bei einer Vielzahl von Risikoschwachstellen besser ab als andere Modelle als SVM und multivariate statistische Analysen25,47,48. Die meisten dieser Bewertungen deuten darauf hin, dass die Erstellung mehrerer Risikokarten mithilfe optimaler Algorithmen, die eine hohe Genauigkeit und Vorhersageleistung für einen einzelnen Risikotyp liefern, dazu beitragen kann, hochpräzise Informationen hinsichtlich Relevanz und Interaktion zu erhalten38.

Die Ergebnisse zeigen, dass die Vorhersage von Naturkatastrophen mit maschinellen Lernalgorithmen wertvolle Daten darüber liefert, wie diese Gefahren zusammenwirken. Die Beziehungen zwischen mehreren Gefahren hängen stark vom Umfang der Studie und den jeweiligen Gefahrengruppen ab. In einer MH-Forschung verwendeten Pourghasemi et al.24 Methoden des maschinellen Lernens, um sowohl die Einzel- als auch die Gruppenrisiken abzubilden, die durch drei Gefahren (Überschwemmungen, Waldbrände und Erdrutsche) entstehen. Andere haben MH-Risikobewertungen durchgeführt, jedoch eine für jedes Risiko einzeln. Ein wesentliches Problem besteht darin, herauszufinden, wie verschiedene Gefahren miteinander in Beziehung stehen und miteinander verbunden sind. Diese Forschung beginnt, diese Ungleichheit zu schließen. Darüber hinaus stimmte diese Studie mit früheren Untersuchungen überein, bei denen Random Forest (RF) eine überlegene Leistung zeigte, indem es eine überwachte Klassifizierung unter Verwendung räumlicher und geografischer Daten einsetzte, ähnlich den Erkenntnissen früherer Forscher49,50,51. Einer der Unterscheidungsfaktoren gegenüber früheren Studien liegt in der Durchführung einer räumlichen Risikoanalyse einzelner Gefahren und komplexer Katastrophen anhand zukünftiger Klimaszenarien25,52. Trotz der inhärenten Unsicherheiten zukünftiger Klimaszenarien wurden verschiedene Szenarien aus AR6 verwendet und die Auswirkungen auf der Grundlage politischer Szenarien analysiert53,54. Besonders hervorzuheben ist, dass diese Studie die geplante neue Hauptstadt Indonesiens einbezieht und wichtige Informationen und Leitlinien für die zukünftige Stadtplanung im Umgang mit dem Klimawandel liefert. Die Ergebnisse können als Instrument zur Verbesserung der gesellschaftlichen Widerstandsfähigkeit sowie der nationalen und regionalen Katastrophenmanagementkapazitäten dienen55,56.

Die erwarteten Katastrophenschutzmaßnahmen am Untersuchungszielort sollten für jede Region unterschiedlich durchgeführt werden (Abb. 7). Wenn beispielsweise die Gefahr von Waldbränden höher ist als die von Dürre, ist es wichtig, die Hauptursachen für Waldbrände zu identifizieren und eine langfristige Überwachung der Prävention und gefährlicher Gebiete durchzuführen. Als Gegenmaßnahme können bei der Aufforstungsplanung überwiegend feuerresistente Baumarten berücksichtigt werden57. Laut Tng et al.58 sind Riesen-Eukalyptus und Laban (Vitex pubescens) im Gegensatz zu anderen Regenwaldbaumarten ein globaler Pionier, der zur Regeneration auf Feuer angewiesen ist. Wenn das Dürrerisiko höher ist als das von Waldbränden, sollten zunächst die Intensität, Dauer, räumliche Reichweite und Niederschlagsmenge der Dürre in gefährdeten Gebieten ermittelt werden59,60. Zu den damit verbundenen Maßnahmen gehören die Reduzierung des Wasserverbrauchs für die Landschaftsgestaltung von Sträuchern und Bäumen, die Verwendung von nicht-pflanzlichem Wasser zur Bewässerung in der Landwirtschaft, der Anbau dürre- oder salzresistenter Pflanzen sowie die Erhebung überhöhter Gebühren für Verbraucher bei Wasserknappheit. Darüber hinaus gibt es eine Möglichkeit, die Wasserversorgung zu erhöhen und Pumpen und Rohre durch Wasserrecycling zu versorgen. Wenn die Risiken von Dürre und Waldbränden ähnlich sind oder wahrscheinlich in Kombination auftreten, ist es ebenfalls wünschenswert, Pflanzen oder Bäume zu pflanzen, die in warmen Klimazonen möglicherweise vorherrschender sind, wie zum Beispiel der oben erwähnte Riesen-Eukalyptus. Darüber hinaus ist es im Hinblick auf die wirtschaftliche Entwicklung und Bildung möglich, Anreize für die Diversifizierung der Landwirtschaft und der Unternehmen sowie für die staatsbürgerliche Bildung im Katastrophenfall zu schaffen. Im Hinblick auf Gesundheit und Ernährung sind Vorbereitungspläne erforderlich, beispielsweise die Einrichtung von Hilfsprogrammen für Katastrophenopfer und die Bereitstellung von Leichtwasser für die Notevakuierung im Katastrophenfall. Es wird auch erwartet, dass Workshops für die breite Öffentlichkeit zu verschiedenen Katastrophenthemen, die durch den Klimawandel auftreten können, mit technischer Unterstützung durchgeführt werden müssen. Es ist auch wichtig, Dürren und Waldbränden vorzubeugen, es müssen jedoch auch Fälle berücksichtigt werden, in denen entsprechende Naturkatastrophen aufgrund von Hitzewellen im Zuge der Verschärfung des Klimawandels häufig auftreten.

Waldbrände in Kalimantan nehmen von 2015 bis 2019 weiter zu14. Diese Brände können zu Dürren führen, und in der Zukunft könnte der extreme Klimawandel die aktuellen Vorschriften und Managementmethoden einschränken61. Das Problem besteht darin, dass die meisten südostasiatischen Länder derzeit nur geringe Anreize haben, Technologien zur Anwendung dieses Wissens zu entwickeln, und über keine oder ineffektive Regulierungsinstrumente zur Stärkung dieses Verhaltens verfügen62. Der Verband Südostasiatischer Nationen (ASEAN) reagierte auf den Brandrauch aus Wäldern und der Wildnis mit der Einrichtung einer Task Force, der Aufstellung eines Aktionsplans und der Aushandlung einer Vereinbarung61. In den meisten Fällen konzentrieren sich diese Aktivitäten auf Symptome und die allgemeine Zusammenarbeit bei Themen wie Brandverhütung, -bekämpfung und -überwachung63,64. Allerdings hat Indonesien bisher noch kein rechtsverbindliches Abkommen ratifiziert14.

Durch die Zunahme der durch den Klimawandel verursachten Hitzewellen kann es zu Dürren und Waldbränden kommen, und Indonesien bildet da keine Ausnahme. Insbesondere Kalimantan in Indonesien besteht überwiegend aus Torfmooren15. Diese Moore sind in Dürreperioden sehr anfällig für Brände, und ihre ausgedehnte Bedeckung kann zu großflächigen Bränden führen16. Zahlreiche frühere Studien haben die mit Torfbränden verbundenen Risiken und die Bedeutung ihrer Eindämmung und Wiederherstellung hervorgehoben65,66,67. Es wurde beispielsweise dokumentiert, dass größere Brände vor allem in Torfgebieten auftreten, die sich auf die zentralen und südlichen Teile von Kalimantan konzentrieren68,69,70. Insbesondere die Verschärfung sowohl der Auswirkungen des Klimawandels als auch direkter menschlicher Eingriffe, wie z. B. Stadtentwicklung und Plantagenaktivitäten, hat nur einen begrenzten Spielraum für die Eindämmung gelassen und das Potenzial für größere Schäden erhöht.

Dürre und Waldbrände können Ernteschäden verursachen, was aufgrund eines starken Rückgangs der landwirtschaftlichen Produktion zu einer Nahrungsmittelkrise führen kann und das Ökosystem von Pflanzen und Tieren kann zerstört werden. Darüber hinaus verlassen Rauch und Ruß, die bei Waldbränden entstehen, die Region und weichen von den Landesgrenzen ab, was nicht mehr als ein Problem nur für ein Land angesehen werden kann. Darüber hinaus wird mit einem Anstieg des Risikos gerechnet, da die beiden Katastrophen im Zusammenhang miteinander auftreten können. Der Hauptinhalt der IPCC-Arbeitsgruppe AR671 besagt, dass Hitzewellen und Dürren Waldbrände verursachen, aber laut Littell et al.72 verursachen Waldbrände auch Dürren. Erstens enthält Ruß aus Bränden organischen Kohlenstoff aus Pflanzengewebe und Feinstaub (< 2,5 lm), der durch unvollständige Verbrennung entsteht72, was sich auf Niederschläge und lokale Wolkenbedeckung auswirken kann und darauf hindeutet, dass Waldbrände Dürreereignisse verstärken oder verlängern können73. Darüber hinaus führen die Kohlendioxidemissionen von Waldbränden in die Atmosphäre zu einer erhöhten Absorption der Sonnenstrahlung an der Oberfläche, was zu Dürren führt74. Wenn sich Dürre dagegen auf Waldbrände auswirken kann, steigt die Wahrscheinlichkeit von Waldbränden, da die Dürre die in der Vegetation gespeicherte Feuchtigkeit verringert75,76. Je langsamer sich die Dürre erholt, desto größer ist das Risiko von Waldbränden. Es wurde untersucht, dass diese Wahrscheinlichkeit je nach Klima und ökologischen Bedingungen variiert77,78. Wenn daher die Schwere und Häufigkeit von Waldbränden und Dürren aufgrund von Klimawandel und Hitzewellen zunehmen, können sich Ökosystemfunktionen und -strukturen schnell verändern79. Es wird erwartet, dass die Bemühungen und Budgets der Regierung für Reaktion und Wiederherstellung je nach RCP-SSP-Szenario nach 2040–2059 und 2080–2099 größere Herausforderungen mit sich bringen werden, wie diese Studie zeigt, was darauf hindeutet, dass frühere Ansätze zum Katastrophenmanagement überdacht werden müssen.

Die in dieser Studie überprüfte MH-Risikokarte konnte den Risikowahrscheinlichkeitsbereich durch die Analyse von 11 Faktoren wie Klima, Infrastruktur, Topographie und Landnutzungsfaktoren effizient vorhersagen. Diese Ergebnisse können für den Einsatz in der globalen Katastrophenrisikoprävention und -reaktionsphase ausgeweitet werden. Als Einschränkung dieser Studie wurde festgestellt, dass bei der Erstellung einer MH-Karte nur die Risiken der Stufen 4 und 5 unter den in 5 Stufen unterteilten Risiken berücksichtigt wurden. Um dies zu kompensieren, werden voraussichtlich weitere Untersuchungen zur Einteilung dieser Risikostufe erforderlich sein. Es wird davon ausgegangen, dass es von Region zu Land unterschiedlich sein kann, da es sich um eine relative Differenzierung dieser Risikostufen handelt. Daher gehen wir davon aus, dass es in zukünftigen Studien notwendig sein wird, anhand regionaler Fallstudien ein eigenes Risikoniveau für jede Region zu ermitteln.

Diese Forschung nutzte ein maschinelles Lernmodell, um die geografische Verteilung des MH-Risikos auf der indonesischen Insel Kalimantan zu bewerten. Gebirgs- und Inselregionen sind einer MH-Exposition ausgesetzt und die Standorte in ihnen sind einer Vielzahl von Naturgefahren ausgesetzt. Das größte Problem für die meisten Entscheidungsträger und Ressourcenmanager ist die Identifizierung von Hochrisikoregionen. In diesem Zusammenhang haben wir einen MH-Risikoplan für die Risiken von Waldbränden und Dürre im Forschungsgebiet erstellt.

Es wurde vorhergesagt, dass die Ergebnisse der Studie durch die Risiken einer Dürre in Höhe von 22,6 % und eines Waldbrands in Höhe von 21,7 % beeinträchtigt würden, und 2,6 % der untersuchten Standorte würden voraussichtlich von beiden Gefahren betroffen sein. Es wurde erwartet, dass diese Risiken sowohl bei RCP-SSP2-4.5 als auch bei RCP-SSP5-8.5 zunehmen. West-Kalimantan hatte das höchste Risiko für Waldbrände (33,02 %), und Süd-Kalimantan hatte das höchste Risiko für Dürren (67,3 %) und beide Gefahren (7,1 %) für die fünf Provinzen im Untersuchungsgebiet. Dies zeigte sich im Worst-Case-Szenario RCP-SSP5-8.52080, bei dem die Waldbrände in West-Kalimantan auf 33,51 %, die Dürre in Süd-Kalimantan auf 74,01 % und beide Katastrophen auf 16,34 % anstiegen. In Zukunft könnten Klimawandel und Hitzewellen die Schwere und Häufigkeit von Waldbränden und Dürren erhöhen. Daher legt diese Studie nahe, dass frühere Ansätze zum Gefahrenrisikomanagement überdacht werden müssen, um sich auf den raschen Wandel von Ökosystemfunktionen und -strukturen aufgrund zunehmender Gefahren vorzubereiten.

Das RF-Modell erstellte Prognosen mit beachtlicher Präzision. Daher besteht großes Vertrauen in diese Erkenntnisse, die auf zukünftige Forschungen angewendet werden können, um die geografischen Muster der Risiken durch MH zu untersuchen und entscheidende Daten für präventives Management und Gefahrenminderung bereitzustellen.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Field, CB (Hrsg.) Umgang mit den Risiken extremer Ereignisse und Katastrophen, um die Anpassung an den Klimawandel voranzutreiben: Sonderbericht des zwischenstaatlichen Gremiums für Klimawandel. (Cambridge University Press, 2012).

Yousefi, S. et al. Ein Framework für maschinelles Lernen für die Modellierung und Kartierung mehrerer Gefahren in einem Berggebiet. Wissenschaft. Rep. 10(1), 12144 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Guzzetti, F. et al. Bewertung der Erdrutschgefahr: Ein Überblick über aktuelle Techniken und ihre Anwendung in einer mehrskaligen Studie Mittelitaliens. Geomorphology 31(1–4), 181–216 (1999).

Artikel ADS Google Scholar

Mishra, A., Medhi, K., Maheshwari, N., Srivastava, S. & Thakur, IS Biokraftstoffproduktion und Phycoremediation durch Chlorella sp. ISTLA1 isoliert von der Deponie. Bioresour. Technol. 253, 121–129 (2018).

Artikel CAS PubMed Google Scholar

Stevens-Rumann, CS et al. Hinweise auf eine abnehmende Widerstandsfähigkeit der Wälder gegenüber Waldbränden im Zuge des Klimawandels. Ökologisch. Lette. 21(2), 243–252 (2018).

Artikel PubMed Google Scholar

Khan, N. et al. Vorhersage von Dürren über Pakistan mithilfe von Algorithmen für maschinelles Lernen. Adv. Wasserressource. 139, 103562 (2020).

Artikel Google Scholar

Rahmati, O. et al. Ansätze des maschinellen Lernens zur räumlichen Modellierung landwirtschaftlicher Dürren in der südöstlichen Region von Queensland, Australien. Wissenschaft. Gesamtumgebung. 699, 134230 (2020).

Artikel ADS CAS PubMed Google Scholar

Saha, S. et al. Vorschlag eines neuartigen Ensemble-Ansatzes aus Partikelschwarm-optimierten und maschinellen Lernalgorithmen für die Kartierung von Dürreanfälligkeiten in Jharkhand, Indien. Geocarto. Int 37(25), 8004–8035 (2021).

Artikel Google Scholar

Piao, Y., Lee, D., Park, S., Kim, HG & Jin, Y. Bewertung der Anfälligkeit für Waldbrände mithilfe der Google Earth Engine in Gangwon-do, Republik Korea. Geomat. Nat. Gefahr. Risiko 13(1), 432–450 (2022).

Artikel Google Scholar

Herawati, H. & Santoso, H. Anfälligkeit und Risiko von Bränden in tropischen Wäldern unter sich ändernden Klimabedingungen: Ein Überblick über die Natur, Politik und Institutionen von Bränden in Indonesien. Für. Politikökonomik. 13(4), 227–233 (2011).

Artikel Google Scholar

Kadir, EA, Rosa, SL, Syukur, A., Othman, M. & Daud, H. Ausbreitung von Waldbränden und Identifizierung der Kohlenstoffkonzentration in der tropischen Region Indonesien. Alex. Ing. J. 61(2), 1551–1561 (2022).

Artikel Google Scholar

Hambali, E. & Rivai, M. Das Potenzial der Biomasse von Palmölabfällen in Indonesien in den Jahren 2020 und 2030. Earth Environ. Wissenschaft. 65, 012050 (2017).

Google Scholar

Purnomo, EP, Ramdani, R., Agustiyara, Tomaro, QPV & Samidjo, GS Landbesitzumwandlung vor und nach Waldbränden in indonesischen Palmölplantagengebieten. J. Landnutzungswissenschaft. 14(1), 37–51 (2019).

Artikel Google Scholar

Purnomo, EP, Zahra, AA, Malawani, AD & Anand, P. Die Waldbrände in Kalimantan: Eine Akteursanalyse basierend auf Dokumenten des Obersten Gerichtshofs in Indonesien. Nachhaltigkeit 13(4), 2342 (2021).

Artikel Google Scholar

Harrison, ME, Page, SE & Limin, SH Die globalen Auswirkungen indonesischer Waldbrände. Biologe 56(3), 156–163 (2009).

Google Scholar

Kiely, L. et al. Bewertung der Kosten von Bränden in Indonesien und der Vorteile der Wiederherstellung von Torfmooren. Nat. Komm. 12(1), 7044 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Austin, KG, Schwantes, A., Gu, Y. & Kasibhatla, PS Was verursacht die Entwaldung in Indonesien? Umgebung. Res. Lette. 14(2), 024007 (2019).

Artikel ADS Google Scholar

Carmenta, R., Zabala, A., Daeli, W. & Phelps, J. Wahrnehmungen auf allen Regierungsebenen und die indonesischen Torflandbrände. Globus. Umgebung. Chang. 46, 50–59 (2017).

Artikel Google Scholar

Firman, T., Surbakti, IM, Idroes, IC & Simarmata, HA Potenzielle Schwachstellen im Zusammenhang mit dem Klimawandel in Jakarta: Herausforderungen und aktueller Status. Lebensraum Int. 35(2), 372–378 (2011).

Artikel Google Scholar

Sihombing, FH Bewertung mehrerer Gefahren und Zuweisung von Unterkünften im DKI Jakarta: Eine erste Studie. Erdumgebung. Wissenschaft. 708, 012053 (2021).

Google Scholar

Pourghasemi, HR, Gayen, A., Panahi, M., Rezaie, F. & Blaschke, T. Multi-Hazard-Wahrscheinlichkeitsbewertung und Kartierung im Iran. Wissenschaft. Gesamtumgebung. 692, 556–571 (2019).

Artikel ADS CAS PubMed Google Scholar

Nachappa, TG, Ghorbanzadeh, O., Gholamnia, K. & Blaschke, T. Multi-Hazard-Expositionskartierung mittels maschinellem Lernen für das Bundesland Salzburg, Österreich. Remote Sens. 12(17), 2757 (2020).

Artikel ADS Google Scholar

Pouyan, S., Pourghasemi, HR, Bordbar, M., Rahmanian, S. & Clague, JJ Eine kartenbasierte Multigefahren-Überschwemmung, Schluchtenerosion, Waldbrände und Erdbeben im Iran. Wissenschaft. Rep. 11(1), 14889 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Pourghasemi, HR et al. Bewertung und Kartierung der Risikoanfälligkeit für mehrere Gefahren mithilfe einer Technik des maschinellen Lernens. Wissenschaft. Rep. 10(1), 3203 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Park, SJ & Lee, DK Vorhersage der Anfälligkeit für Erdrutsche unter den Auswirkungen des Klimawandels in Ballungsräumen Südkoreas mithilfe von maschinellem Lernen. Geomat. Nat. Gefahr. Risiko 12(1), 2462–2476 (2021).

Artikel Google Scholar

Gigović, L., Pourghasemi, HR, Drobnjak, S. & Bai, S. Testen eines neuen Ensemblemodells basierend auf SVM und Zufallswald bei der Bewertung der Waldbrandanfälligkeit und seiner Kartierung im serbischen Tara-Nationalpark. Wälder 10(5), 408 (2019).

Artikel Google Scholar

Yanar, T., Kocaman, S. & Gokceoglu, C. Verwendung des Mamdani-Fuzzy-Algorithmus zur Bewertung der Anfälligkeit für mehrere Gefahren in einer sich entwickelnden städtischen Siedlung (Mamak, Ankara, Türkei). ISPRS Int. J. Geo Inf. 9(2), 114 (2020).

Artikel Google Scholar

Gregorutti, B., Michel, B. & Saint-Pierre, P. Korrelation und variable Bedeutung in Zufallswäldern. Stat. Berechnen. 27, 659–678 (2017).

Artikel MathSciNet MATH Google Scholar

Stork, NE et al. Anfälligkeit und Widerstandsfähigkeit tropischer Waldarten gegenüber Landnutzungsänderungen. Conserv Biol. 23(6), 1438–1447 (2009).

Artikel PubMed Google Scholar

Zuidema, PA et al. Tropenwälder und globaler Wandel: Wissenslücken schließen. Trends Pflanzenwissenschaft. 18(8), 413–419 (2013).

Artikel CAS PubMed Google Scholar

Rahmat, HK, & Budiarto, A. Reduzierung der psychologischen Auswirkungen von Opfern von Naturkatastrophen durch den Einsatz von Bibliotherapie-Methoden als Behandlung zur Traumaheilung. J. Zeitgenössisch. Islamische Räte. 1(1) (2021).

Ayman FM Indonesia verabschiedet Gesetzentwurf zum Bau einer neuen Hauptstadt: Frist 2024. Vorabdruck unter https://www.aseanbriefing.com/news/indonesia-passes-bill-to-build-new-capital-city-deadline-2024/ (2022 )

Indonesische Geodaten. https://www.indonesia-geospasial.com/ (2023).

Alisjahbana, AS & Busch, JM Forstwirtschaft, Waldbrände und Klimawandel in Indonesien. Stier. Indonesien. Wirtschaft. Zucht. 53(2), 111–136 (2017).

Artikel Google Scholar

Edwards, SA & Heiduk, F. Hazy Days: Waldbrände und die Politik der Umweltsicherheit in Indonesien. J. Curr. Südostasiatische Aff. 34(3), 65–94 (2015).

Artikel Google Scholar

Mobley, W. et al. Quantifizierung der anhaltenden Überschwemmungsgefahr mithilfe zufälliger Waldklassifizierung und Überschwemmungsversicherungsansprüchen auf großen räumlichen Skalen: eine Pilotstudie im Südosten von Texas. Nat. Gefahr. 21(2), 807–822 (2021).

Artikel Google Scholar

DIBI. Indonesische Katastropheninformationsdaten. Vorabdruck unter https://dibi.bnpb.go.id (2023)

Kuradusenge, M., Kumaran, S. & Zennaro, M. Vorhersage von durch Niederschlag verursachten Erdrutschen mithilfe von Modellen für maschinelles Lernen: Der Fall des Distrikts Ngororero, Ruanda. Int. J. Umgebung. Res. Öffentliche Gesundheit 17(11), 4147 (2020).

Artikel PubMed PubMed Central Google Scholar

Ha, H. et al. Ein maschineller Lernansatz zur räumlichen Vorhersage von Erdrutschen und gefährdeten Zonen für Sturzfluten für ein Straßennetz. Modellierung des Erdsystems. Umgebung. 8(4), 4341–4357 (2022).

Artikel Google Scholar

Dou, J. et al. Bewertung fortschrittlicher Zufallswald- und Entscheidungsbaumalgorithmen zur Modellierung der Anfälligkeit für durch Regen verursachte Erdrutsche auf der Vulkaninsel Izu-Oshima, Japan. Wissenschaft. Gesamtumgebung. 662, 332–346 (2019).

Artikel ADS CAS PubMed Google Scholar

Kim, HG et al. Bewertung der Erdrutschgefahr anhand der RCP 4.5- und 8.5-Szenarien. Umgebung. Erdwissenschaft. 73, 1385–1400 (2015).

Artikel ADS CAS Google Scholar

Shope, JB, Storlazzi, CD, Erikson, LH & Hegermiller, CA Veränderungen des extremen Wellenklimas von Inseln im westlichen tropischen Pazifik im 21. Jahrhundert unter RCP 4.5 und RCP 8.5, mit Auswirkungen auf die Anfälligkeit und Nachhaltigkeit der Inseln. Globus. Planet. Änderung 141, 25–38 (2016).

Artikel ADS Google Scholar

Gidey, E., Dikinya, O., Sebego, R., Segosebe, E. & Zenebe, A. Vorhersagen der zukünftigen meteorologischen Dürregefahr (~ 2070) unter den Klimawandelszenarien des repräsentativen Konzentrationspfads (RCP) 4.5 in Raya, Nord Äthiopien. Modellierung des Erdsystems. Umgebung. 4, 475–488 (2018).

Artikel Google Scholar

Khoirunisa, R. Prognostizierte Klimaanalyse von 2000 bis 2100 unter Verwendung des Modellszenarios RCP 4.5 und RCP 8.5 als Gefahrenfrühwarnsystem in der Stadt Prag, Tschechische Republik. Smart City 2(1), 4 (2022).

Artikel MathSciNet Google Scholar

O'Neill, BC et al. Das Szenariomodell-Vergleichsprojekt (ScenarioMIP) für CMIP6. Geosci. Modellentwickler. 9(9), 3461–3482 (2016).

Artikel ADS Google Scholar

Zhao, P., Masoumi, Z., Kalantari, M., Aflaki, M. & Mansourian, A. Eine GIS-basierte Kartierung der Erdrutschanfälligkeit und eine Analyse der Variablenbedeutung unter Verwendung künstlicher, intelligenter, trainingsbasierter Methoden. Remote Sens. 14(1), 211 (2022).

Artikel ADS Google Scholar

Naghibi, SA, Ahmadi, K. & Daneshi, A. Anwendung von durch Support Vector Machine, Random Forest und genetischen Algorithmen optimierten Random Forest-Modellen bei der Kartierung des Grundwasserpotenzials. Wasserressource. Geschäftsführer 31(9), 2761–2775 (2017).

Artikel Google Scholar

Chen, Y., Zheng, W., Li, W. & Huang, Y. Bewertung des Sicherheitsrisikos bei Aktivitäten in großen Gruppen und Risikofrühwarnung basierend auf einem Random-Forest-Algorithmus. Mustererkennung. Lette. 144, 1–5 (2021).

Artikel ADS Google Scholar

Abu El-Magd, SA, Ali, SA & Pham, QB Räumliche Modellierung und Anfälligkeitszonierung von Erdrutschen unter Verwendung von Zufallswäldern, naiven Buchten und K-nächsten Nachbarn in einem komplizierten Gelände. Erdwissenschaft. Inf. 14(3), 1227–1243 (2021).

Artikel ADS Google Scholar

Farhadi, H. & Najafzadeh, M. Hochwasserrisikokartierung durch Fernerkundungsdaten und Zufallswaldtechnik. Wasser 13(21), 3115 (2021).

Artikel Google Scholar

Schoppa, L., Disse, M. & Bachmair, S. Bewertung der Leistung von Zufallswäldern für die groß angelegte Hochwasserabflusssimulation. J. Hydrol. 590, 125531 (2020).

Artikel Google Scholar

Koks, EE et al. Eine globale Multigefahren-Risikoanalyse von Straßen- und Schieneninfrastrukturanlagen. Nat. Komm. 10(1), 2677 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Vousdoukas, MI et al. Verständnis der epistemischen Unsicherheit bei der groß angelegten Bewertung des Hochwasserrisikos an Küsten für gegenwärtige und zukünftige Klimazonen. Nat. Gefahr. 18(8), 2127–2142 (2018).

Artikel Google Scholar

Diffenbaugh, NS & Barnes, EA Datengesteuerte Vorhersagen der verbleibenden Zeit bis zum Erreichen kritischer Schwellenwerte für die globale Erwärmung. Proz. Natl. Acad. Wissenschaft. 120(6), e2207183120 (2023).

Artikel CAS PubMed PubMed Central Google Scholar

Jones, RN und Preston BL Anpassung und Risikomanagement. Wiley Interdisciplinary Reviews: Climate Change 2(2), 296–308 (2011)

Sperling, F. & Szekely, F. Katastrophenrisikomanagement in einem sich verändernden Klima. Vulnerability and Adaptation Resource Group (VARG). (2005).

Johnstone, JF et al. Veränderte Störungsregime, ökologisches Gedächtnis und Waldresilienz. Vorderseite. Ökologisch. Umgebung. 14(7), 369–378 (2016).

Artikel Google Scholar

Tng, DYP, Williamson, GJ, Jordan, GJ & Bowman, DMJS Riesen-Eukalyptusbäume – weltweit einzigartige, an Feuer angepasste Regenwaldbäume?. New Phytol 196(4), 1001–1014 (2012).

Artikel CAS PubMed Google Scholar

Orwa, C., Mutua, A., Kindt, R., Jamnadass, R. & Simons, A. Agroforestree Database: eine Baumreferenz und eine Auswahlhilfe. Version 4. Agroforestree-Datenbank: eine Baumreferenz und eine Auswahlhilfe. Version 4. (2009).

Knutson, C., Hayes, M. & Phillips, T. Wie man das Dürrerisiko reduziert (National Drought Mitigation Center, 1998).

Google Scholar

Murdiyarso, D. & Lebel, L. Lokale bis globale Perspektiven auf Wald- und Landbrände in Südostasien. Mitig. Anpassen. Strateg. Globus. Chang. 12(1), 3–11 (2006).

Artikel Google Scholar

Jack, BK, Kousky, C. & Sims, KR Gestaltung von Zahlungen für Ökosystemdienstleistungen: Lehren aus früheren Erfahrungen mit anreizbasierten Mechanismen. Proz. Natl. Acad. Wissenschaft. 105(28), 9465–9470 (2008).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Dennis, R. Ein Überblick über Brandschutzprojekte in Indonesien, 1982–1998. (1999).

Repenning, NP Brandbekämpfung in der Entwicklung neuer Produkte verstehen. J. Prod. Innov. Geschäftsführer 18(5), 285–300 (2001).

Artikel Google Scholar

Horton, AJ, Lehtinen, J. & Kummu, M. Gezielte Landbewirtschaftungsstrategien könnten das Auftreten von Torfbrandbränden in Zentral-Kalimantan, Indonesien, halbieren. Komm. Erdumgebung. 3(1), 204 (2022).

Artikel ADS Google Scholar

Saharjo, BH Schätzung der Treibhausgasemissionen aus Torfbränden in Indonesien – Überprüfung und Bedeutung des Verbrennungsfaktors. Vegetationsbrände und Umweltverschmutzung in Asien, 433-445 (2023)

Ramdani, R. & Purnomo, EP Konflikt in Zusammenarbeit verwandeln: Eindämmung von Torfbränden in der Übergangszone zum Biosphärenschutz auf Sumatra, Indonesien. Int J. Wildland Fire 31(12), 1103–1113 (2022).

Artikel Google Scholar

Usup, A. & Hayasaka, H. Torfbrandwetterbedingungen in Zentral-Kalimantan, Indonesien. Feuer 6(5), 182 (2023).

Artikel Google Scholar

Rozaki, Z., et al. Das Leben der Landwirte und ihre Anpassungsstrategien an die Wald- und Torfbrände in Indonesien: Erkenntnisse aus Zentral- und Süd-Kalimantan, Indonesien. Biodivers. J. Biol. Taucher. 23(5) (2022).

Hoscilo, A., Page, SE, Tansey, KJ & Rieley, JO Auswirkung wiederholter Brände auf Landbedeckungsveränderungen auf Torfgebieten im südlichen Zentral-Kalimantan, Indonesien, von 1973 bis 2005. Int. J. Wildland Fire 20(4), 578–588 (2011).

Artikel Google Scholar

IPCC. AR6 Klimawandel 2021: Die physikalisch-wissenschaftliche Grundlage. Zwischenstaatlicher Ausschuss für Klimaänderungen (2021)

Littell, JS, Peterson, DL, Riley, KL, Liu, Y. & Luce, CH Ein Überblick über die Zusammenhänge zwischen Dürre und Waldbränden in den Vereinigten Staaten. Globus. Chang. Biol. 22(7), 2353–2369 (2016).

Artikel ADS PubMed Google Scholar

Murphy, BF & Timbal, B. Ein Überblick über die jüngste Klimavariabilität und den Klimawandel im Südosten Australiens. Int. J. Klimatol.: JR Meteorol. Soc. 28(7), 859–879 (2008).

Artikel Google Scholar

Liu, Y., Goodrick, S. & Heilman, W. Waldbrandemissionen, Kohlenstoff und Klima: Wechselwirkungen zwischen Waldbränden und Klima. Für. Ökologisch. Geschäftsführer 317, 80–96 (2014).

Artikel Google Scholar

Abatzoglou, JT & Kolden, CA Beziehungen zwischen Klima und großräumiger Fläche im Westen der Vereinigten Staaten. Int. J. Wildland Fire 22(7), 1003–1020 (2013).

Artikel Google Scholar

Halofsky, JE, Peterson, DL & Harvey, BJ Waldbrände im Wandel, Wälder im Wandel: die Auswirkungen des Klimawandels auf Brandregime und Vegetation im pazifischen Nordwesten, USA. Feueröko. 16(1), 1–26 (2020).

Artikel Google Scholar

Dale, VH et al. Klimawandel und Waldstörungen: Der Klimawandel kann sich auf Wälder auswirken, indem er die Häufigkeit, Intensität, Dauer und den Zeitpunkt von Bränden, Dürren, eingeführten Arten, Insekten- und Krankheitserregerausbrüchen, Hurrikanen, Stürmen, Eisstürmen oder Erdrutschen verändert. Bioscience 51(9), 723–734 (2001).

Artikel Google Scholar

Suarez, ML, Ghermandi, L. & Kitzberger, T. Faktoren, die das episodische dürrebedingte Baumsterben in Nothofagus prädisponieren: Standort, Klimasensitivität und Wachstumstrends. J. Ecol. 92, 954–966 (2004).

Artikel Google Scholar

Allen, CD et al. Ein globaler Überblick über dürre- und hitzebedingtes Baumsterben zeigt neue Risiken des Klimawandels für Wälder auf. Für. Ökologisch. Geschäftsführer 259(4), 660–684 (2010).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde vom Korea Environment Industry & Technology Institute (KEITI) durch das Climate Change R&D Project for New Climate Regime Program unterstützt, finanziert vom koreanischen Umweltministerium (MOE) (RS-2023-00221110) und dem Decision Support System Development Project for Environmental Impact Bewertung, finanziert vom koreanischen Umweltministerium (MOE) (Nr. 2020002990009).

Interdisziplinäres Programm und Biowissenschaften, Seoul National University, Seoul, Korea

Sujung Heo & Dong Kun Lee

Korea Institute of Public Administration, Seoul, Korea

Sangjin-Park

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sujung Heo schrieb den Haupttext des Manuskripts und Sangjin Park half bei der Vorbereitung der Abbildungen 1–2 und gab Ratschläge zur Methode. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Dong Kun Lee.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Heo, S., Park, S. & Lee, DK Kartierung der Mehrfachgefahrenexposition während der Klimakrise unter Verwendung eines Zufallswaldalgorithmus für die Kalimantan-Inseln, Indonesien. Sci Rep 13, 13472 (2023). https://doi.org/10.1038/s41598-023-40106-8

Zitat herunterladen

Eingegangen: 10. April 2023

Angenommen: 04. August 2023

Veröffentlicht: 18. August 2023

DOI: https://doi.org/10.1038/s41598-023-40106-8

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.