Wildfire assessment using machine learning algorithms in different regions

BackgroundClimate change and human activities are two main forces that affect the intensity, duration, and frequency of wildfires, which can lead to risks and hazards to the ecosystems. This study uses machine learning (ML) as an effective tool for predicting wildfires using historical data and influential variables. The performance of two machine learning algorithms, including logistic regression (LR) and random forest (RF), to construct wildfire susceptibility maps is evaluated in regions with different physical features (Okanogan region in the US and Jam & eacute;sie region in Canada). The models' inputs are eleven physically related variables to output wildfire probabilities.ResultsResults indicate that the most important variables in both areas are land cover, temperature, wind, elevation, precipitation, and normalized vegetation difference index. In addition, results reveal that both models have temporal and spatial generalization capability to predict annual wildfire probability at different times and locations. Generally, the RF outperforms the LR model in almost all cases. The outputs of the models provide wildfire susceptibility maps with different levels of severity (from very high to very low). Results highlight the areas that are more vulnerable to fire. The developed models and analysis are valuable for emergency planners and decision-makers in identifying critical regions and implementing preventive action for ecological conservation. AntecedentesEl cambio clim & aacute;tico y las actividades humanas son dos de las fuerzas principales que afectan la intensidad, duraci & oacute;n, y frecuencia de los incendios, lo que puede conducir a riesgos e incertidumbres en los ecosistemas. Este estudio us & oacute; la t & eacute;cnica de aprendizaje autom & aacute;tico (machine learning) como una herramienta efectiva para predecir incendios de vegetaci & oacute;n usando datos hist & oacute;ricos y variables influyentes. La performance de dos algoritmos del aprendizaje autom & aacute;tico, incluyendo regresiones log & iacute;sticas (LR) y bosques al azar (Random Forest, RF), para construir mapas de susceptibilidad a los incendios, fue evaluado en regiones con diferentes caracter & iacute;sticas f & iacute;sicas (la regi & oacute;n de Okanogan en los EEUU y la de Jam & eacute;sie en Canad & aacute;). Los inputs del modelo fueron once variables f & iacute;sicamente relacionadas y cuyos resultados fueron las probabilidades de incendios.ResultadosLos resultados indican que las variables m & aacute;s importantes en esas dos & aacute;reas son la cobertura vegetal, la temperatura, el viento, la elevaci & oacute;n, la precipitaci & oacute;n, y el NDVI (Indice Normalizado de Vegetaci & oacute;n). Adicionalmente, los resultados revelan que ambos modelos tienen la capacidad de generar espacial y temporalmente la predicci & oacute;n de la probabilidad anual de la ocurrencia de incendios en tiempos y ubicaciones diferentes. Generalmente, el RF excede al modelo LR casi todos los casos. Como resultado, el modelo provee de mapas de susceptibilidad con diferentes niveles de severidad (desde muy altos a muy bajos). Los resultados tambi & eacute;n resaltan las & aacute;reas que son m & aacute;s vulnerables al fuego. Los modelos desarrollados y el an & aacute;lisis son muy valiosos para los que planifican las emergencias y, para los decisores, para identificar regiones cr & iacute;ticas e implementar acciones preventivas para la conservaci & oacute;n ecol & oacute;gica.