Multi

Aug 11, 2023

Scientific Reports volumen 13, número de artículo: 13472 (2023) Citar este artículo

216 Accesos

Detalles de métricas

En Indonesia se producen numerosos desastres naturales que amenazan la vida y la propiedad de las personas. Se espera que los aumentos de temperatura inducidos por el cambio climático afecten la frecuencia de los peligros naturales en el futuro y planteen más riesgos. Este estudio examina las consecuencias de las sequías y los incendios forestales en la isla indonesia de Kalimantan. Primero creamos mapas que muestran los once factores contribuyentes que tienen el mayor impacto en los incendios forestales y las sequías relacionados con el clima, la topografía, la antropogénesis y la vegetación. A continuación, utilizamos RF para crear mapas de riesgo único y múltiple para incendios forestales y sequías en la isla de Kalimantan. Finalmente, utilizando el modelo de evaluación integrada del Proyecto de Intercomparación de Modelos Acoplados (CMIP6), se aplicó un escenario climático futuro para predecir múltiples mapas de riesgo para RCP-SSP2-4.5 y RCP-SSP5-8.5 en 2040-2059 y 2080-2099. Se anticipó que la probabilidad de una sequía del 22,6% y un incendio forestal del 21,7% tendrían influencia en los hallazgos del estudio, y se predijo que el 2,6% de los sitios examinados se verían afectados por ambos peligros. Tanto RCP-SSP2-4.5 como RCP-SSP5-8.5 tienen proyectado un aumento en estos peligros para ellos. Los investigadores y las partes interesadas pueden utilizar estos hallazgos para evaluar los riesgos bajo diversas estrategias de mitigación y estimar el comportamiento espacial de tales incendios forestales y sequías.

Las interacciones humanas con eventos o peligros naturales extremos están aumentando a nivel mundial1. Los desastres naturales han afectado a las personas y al medio ambiente natural generando enormes pérdidas económicas en todo el mundo2. Los riesgos derivados de una amenaza incorporan conceptos de espacio, frecuencia y escala como probabilidades de que ocurran dentro de un período de tiempo específico y dentro de un área de daño potencial de un tamaño determinado2,3. La mayoría de los estudios existentes se han centrado en un único riesgo, aunque los riesgos tienen propiedades interactivas3,4,5,6,7,8. La asistencia contra riesgos múltiples puede ser útil para controlar estas interacciones.

A nivel global, las sequías y los incendios forestales son desastres naturales que van en aumento debido a la crisis climática, provocando graves daños como daños humanos y ecológicos, daños económicos y daños forestales9. En el caso de Indonesia, muchas zonas montañosas están experimentando una conversión ilegal de tierras a tierras de cultivo, en las que se producen incendios artificiales y los esfuerzos del gobierno se ven frustrados por daños generalizados10,11. Las principales zonas afectadas se concentraron en las islas de Sumatra y Kalimantan, donde se concentraban las plantaciones de palma aceitera12,13. En 2019, se produjeron incendios forestales en toda Indonesia, en Sumatra y Kalimantan. De 2015 a 2019, la tierra sufrió daños en 317749,00 ha en Kalimantan central, 151919,00 ha en Kalimantan occidental y 137848,00 ha en Kalimantan meridional14. La turbera está reconocida como el humedal autóctono más grande de las regiones de Kalimantan y Sumatra. Debido a las características de las turberas, estas tienen un alto contenido de humedad y juegan un papel crucial durante los eventos de sequía15. Por lo tanto, las sequías en las turberas pueden actuar como factores que contribuyen al aumento del riesgo de incendios forestales. La reducción de humedad en las turberas debido a la sequía puede convertirse en una causa importante de aparición de incendios y su posterior propagación16.

En caso de un brote, estos incendios pueden causar problemas con enfermedades respiratorias en los países vecinos y en los residentes debido a una grave contaminación de la calidad del aire, además de provocar sequías y contribuir a una grave crisis climática17. Los campos del medio ambiente, la cultura y la educación pública fueron influenciados directa y significativamente13. Lo que es más importante, el cambio climático conduce a una mayor aridez, lo que exacerba la gravedad de las sequías y eleva el riesgo de que se produzcan incendios forestales18. Además, la emisión de dióxido de carbono y gases de efecto invernadero a la atmósfera resultante de los incendios forestales contribuye a la aceleración del cambio climático, lo que a su vez aumenta la probabilidad de sequías e incendios forestales más frecuentes e intensos en el futuro15.

En estudios anteriores, se han realizado estudios sobre los posibles desastres de los incendios forestales, pero ningún estudio ha proporcionado una predicción compleja de desastres y un análisis espacial junto con la sequía19. Sihombing20 evaluó la correlación y los riesgos múltiples de los dos factores de riesgo a través de un estudio de riesgo sobre incendios forestales y terremotos en Yakarta. Si bien estos estudios ejemplifican el mapeo de riesgos múltiples, los estudios integrales de evaluación de riesgos múltiples mediante modelos de aprendizaje automático aún carecen de ejemplos de países del anillo de fuego. El desarrollo de múltiples enfoques de mapeo de riesgos utilizando nuevos métodos es fundamental para gestionar eficazmente los riesgos en algunas áreas21,22,23. Los mapas que representan el riesgo de sequías e incendios forestales se han vuelto más precisos recientemente gracias a las tecnologías SIG y RS. La relación de frecuencia, la regresión logística, la ponderación de la evidencia, el razonamiento difuso, las redes neuronales artificiales, los árboles de decisión, las máquinas de vectores de soporte (SVM) y los modelos de bosque aleatorio (RF) son algunos ejemplos de técnicas. Se eligió el modelo RF para esta investigación ya que es una técnica de aprendizaje automático relativamente rápida.

Durante las etapas de creación del bosque, genera un clasificador preciso con una estimación de generalización interna e imparcial. Tiene un sólido rendimiento de predicción y no hace suposiciones estadísticas24. En la literatura anterior, muchas investigaciones han realizado análisis espaciales de riesgo de peligro utilizando modelos de conjunto como Support Vector Machine (SVM), Naive Bayes Classifier (NB), k-Nearest Neighbor (kNN) y Decision Tree (DT). Entre ellos, los resultados de RF fueron los más altos22,25,26. Además, se han observado valores elevados de AUC en estudios que evaluaron los peligros utilizando solo RF23,24,27. Sintetizando estos resultados, se ha demostrado que la RF es eficaz y, además de su buen rendimiento de predicción, se ha considerado que la RF mide la contribución de cada variable a la aparición de peligros e identifica variables que desempeñan papeles importantes en la predicción28.

Los bosques tropicales de Indonesia se encuentran entre los ecosistemas más biodiversos y ricos en recursos del planeta, pero también se encuentran entre los más vulnerables al cambio climático y a los cambios provocados por el hombre en el futuro29,30. Además de tener una variedad de tesoros culturales y tradicionales, así como biodiversidad y ecosistemas, Indonesia es famosa por tener una variedad de catástrofes naturales, cuya gravedad varía de leve a grave. Teniendo en cuenta el riesgo de impactos de peligros menores, la expresión de la identidad nacional, la posición en el centro de Indonesia, el suministro de energía, la protección contra grandes desastres, etc., hay una serie de argumentos justificables para la reubicación de la nueva capital de Indonesia31. Indonesia tiene la intención de trasladar su capital de Yakarta, en la isla de Java, a Nusantara, una nueva ciudad en la jungla de la isla de Borneo.

Además, la ciudad de Yakarta se está hundiendo debido a la extensa extracción de agua subterránea de los acuíferos subterráneos. La administración del presidente Joko Widodo, a menudo conocido como Jokowi, está avanzando con un nuevo proyecto que se espera cueste aproximadamente 35 mil millones de dólares32. La provincia de Borneo, Kalimantan Oriental, se convertirá en el hogar de la capital de Indonesia, que ahora se encuentra en Yakarta, en la isla de Java. Luego, la ciudad recibió el nombre sánscrito de Nusantara, que se traduce aproximadamente como "archipiélago" en inglés. Por lo tanto, la investigación que examina los probables desastres en la futura capital de Indonesia y sus iniciativas de mitigación es absolutamente importante. Además, aunque Kalimantan superó el valor de Sumatra en el área total quemada de Indonesia en 2019, el caso de los incendios forestales de Kalimantan recibió menos atención por parte de varios medios de comunicación nacionales y gobiernos centrales y el riesgo no se destacó plenamente14. Según un examen exhaustivo de la literatura y hasta donde sabemos, todavía no se ha realizado ningún estudio sobre el modelado de riesgos múltiples de incendios forestales y sequías en Indonesia. Este estudio es importante ya que es la primera investigación realizada en Indonesia sobre el riesgo de peligros múltiples.

Indonesia ha resultado gravemente dañada por desastres naturales como el tsunami provocado por un terremoto, y Kalimantan Oriental ha sido seleccionada como zona más segura. Entonces me pregunté cuáles serían los daños esperados por otros desastres, excepto el tsunami y el terremoto en la isla donde se trasladaría la capital. Por lo tanto, en este estudio, dos eventos naturales importantes (sequías e incendios forestales) en cinco provincias de las Islas Kalimantan proporcionan la base para un mapa de evaluación de riesgos múltiples. El objetivo principal es proporcionar una gama amplia y útil de mapas precisos de peligros múltiples aplicables a los administradores del uso de la tierra y otras partes interesadas relacionadas y comparar y predecir los riesgos de cada provincia dentro del área de estudio.

En este estudio, se predijeron y evaluaron el riesgo de amenazas múltiples (MH) en la isla de Kalimantan. (1) Identificar los factores contribuyentes que afectan la ocurrencia de peligros naturales; (2) Utilizar un algoritmo de aprendizaje automático (RF) para crear mapas de probabilidad de riesgo de sequía e incendios forestales; y (3) Estimar los riesgos futuros de sequía e incendios forestales de la temperatura y las precipitaciones pronosticadas en escenarios de cambio climático de la vía de concentración representativa (RCP-SSP) y modelos climáticos regionales.

Nuestro trabajo ayuda a crear y evaluar técnicas de aprendizaje automático para mapear áreas propensas a peligros naturales. Al considerar áreas expuestas a muchos riesgos, los planificadores del uso de la tierra y los formuladores de políticas pueden comprender mejor los efectos del proceso de urbanización de la región e implementar estrategias de mitigación.

Con una superficie de alrededor de 539.238 km2, la región de investigación se encuentra en Kalimantan, entre las latitudes 1°S (Fig. 1). Kalimantan ahora está dividido en cinco provincias: Kalimantan Oriental, Kalimantan del Sur, Kalimantan Occidental, Kalimantan Central y Kalimantan del Norte. El 73% de la superficie total de la isla y el 69,5% de su población (16.625.796 en el Censo de 2020) se encuentran en territorio indonesio. La elevación más alta es de 4095 m sobre el nivel del mar y la elevación media en la provincia es de 104,9 m. La población de las islas es 23.053.723. El estado de Indonesia está situado en el Anillo de Fuego y en 2022 se aprobó un proyecto de ley para trasladar la capital de Java a la isla de Kalimantan debido a tifones, tsunamis y terremotos.

Este estudio incluyó tres actividades principales (Fig. 2). (1) Recopilar datos durante los últimos cinco años (2014-2019) en el sitio del estudio; (2) Identificar los factores efectivos más importantes para cada riesgo a través de la revisión de la literatura; (3) Crear modelos de riesgo y mapas de riesgo de MH utilizando un algoritmo de aprendizaje automático (RF); (4) Aplicar escenarios climáticos futuros del RCP-SSP.

Esta investigación ubicó 1653 puntos que representan los sitios de cinco tipos diferentes de sucesos extremadamente peligrosos que ocurrieron en todas las Islas Kalimantan durante un lapso de cinco años33 (Fig. 3, Tabla 1). Entre estos sucesos se produjeron 16 sequías y 1.637 incendios forestales. En el área de estudio, se observó que los incendios forestales ocurren con más frecuencia que las sequías, y las principales causas anticipadas son las siguientes. En primer lugar, el fenómeno de El Niño en la región del Pacífico tropical provoca temperaturas elevadas en la superficie del mar, lo que provoca períodos prolongados de sequía. Durante esos períodos, la vegetación seca acumulada, el pasto combustible y las hojas secas se vuelven altamente susceptibles a la ignición34. En segundo lugar, los incendios forestales pueden ser provocados por actividades humanas como la tala ilegal, el uso de armas de fuego y la eliminación inadecuada de los cigarrillos35. Por último, la falta de prácticas eficaces de gestión forestal y la ausencia de sistemas adecuados de prevención y extinción de incendios forestales también pueden contribuir a la propagación de los incendios forestales11. Los modelos de aprendizaje automático de esta investigación necesitaban datos de ubicaciones peligrosas y no peligrosas para realizar el modelado36. Para equilibrar las zonas peligrosas, se seleccionaron al azar tres veces más lugares no peligrosos. Se crearon dos conjuntos de ejemplos: uno para formación (70%) y otro para validación (30%).

Área de estudio (isla de Kalimantan).

Los factores efectivos para cada peligro se midieron y trazaron en capas ráster de 1,1 km de tamaño de píxel en ArcGIS 10.8.2 basándose en un estudio de estudios previos, así como en una colección de recomendaciones de expertos. Los cuatro grupos de variables beneficiosas (Tabla 2) fueron climáticas (temperatura, velocidad del viento, precipitaciones), antropogénicas (distancia a las carreteras, personas, distancia a las vías fluviales), topográficas (pendiente, orientación, elevación e índice de humedad topográfica) y vegetación. (uso del suelo). Dadas sus múltiples ventajas, el modelo RF es la mejor opción para el abordaje de la investigación. No hace suposiciones estadísticas y tiene un buen rendimiento de predicción24. A diferencia de otros métodos de clasificación, el clasificador entrenado RF, que consta de múltiples árboles de decisión, tiene una baja tasa de error. El predictor con mayor influencia en la función de predicción en relación con los demás componentes será el divisor superior de cada árbol. Como resultado, cada árbol estará conectado y tendrá una estructura similar (Figura complementaria 1).

Marco del estudio.

Se produjeron mapas de incendios forestales (FF) y sequía (DT) utilizando el algoritmo de aprendizaje automático y las variables contribuyentes (Fig. 2). Primero, se utilizó un modelo de RF con un alto valor de Área bajo la curva característica operativa del receptor (ROC) (AUC) para generar vulnerabilidad a cada riesgo en función de las variables dependientes (ubicación de incendios forestales y sequías) y algunos factores ambientales. Se utilizaron cinco clases (muy baja, baja, intermedia, alta y muy alta) para clasificar los mapas. Un estudio de la literatura24 reveló que las clases de susceptibilidad alta y muy alta se consideraban circunstancias de alto riesgo (1), mientras que las clases de susceptibilidad muy baja, baja y muy baja se consideraban condiciones de bajo riesgo (0). Los mapas de cinco clases creados para cada peligro se transfirieron a estas dos clases: 0 y 1, para ayudar en la integración. Se utilizó ArcGIS para fusionar los mapas de incendios forestales y sequías para producir un mapa MH integrado, que luego se categorizó.

Mapa de inventario de incendios y sequías forestales de la zona de estudio.

Utilizando los datos del grupo de entrenamiento para la prueba de bondad de ajuste y los datos del grupo de validación para la prueba de rendimiento predictivo, se evaluó la precisión de los mapas de MH (AUC). El AUC es una medida numérica y una técnica sin tener en cuenta los umbrales40. La categorización de una ubicación por parte de un modelo es ideal cuando el área es 1, mientras que la clasificación de una ubicación por parte de un modelo es deficiente cuando el área es 0,5 o menos25. En la investigación actual, se utilizó Python 3.9 para crear mapas de probabilidad de MH de incendios forestales y sequías.

Se utilizaron escenarios climáticos futuros (RCP-SSP2-4.5 y RCP-SSP5-8.5) para predecir potenciales riesgos futuros. En los estudios anteriores encontramos que los dos escenarios fueron comparados y revisados25,41,42,43,44. En general, se conocen entre 2 y 4,5 escenarios realistas en los que el cambio climático se mitiga en el futuro con políticas de reducción de dióxido de carbono. Por otro lado, 5–8,5 es el peor escenario en el que casi no existe una política de reducción y apoyo separados45. Esperábamos que se pudiera aumentar la importancia de la política y la conciencia sobre la reducción del dióxido de carbono comparando los dos escenarios. Se utilizaron variables continuas (temperatura y precipitaciones) para predecir riesgos futuros por los efectos del cambio climático. Las variables de bioclima de los años 2040-2059 y 2080-2099 se construyen utilizando las condiciones climáticas futuras del conjunto de datos mundiales esperados según el Quinto Informe del IPCC (CMIP6) (https://esgf-node.llnl.gov/search/cmip6/) Vías de Concentración Representativas (RCP). La tarea principal de la Fase 6 del Proyecto de Intercomparación de Modelos Acoplados (CMIP6) es el Proyecto de Intercomparación de Modelos de Escenarios (ScenarioMIP), que generará proyecciones climáticas multimodelo basadas en varios escenarios de emisiones futuras y cambios en el uso de la tierra utilizando modelos de evaluación integrados45. El clasificador de RF está construido de manera similar al método utilizado en el análisis de riesgo de sequías e incendios forestales. Además, para eliminar la incertidumbre, el proceso se realizó 1000 veces contra incendios forestales y riesgos de sequía.

Al evaluar la precisión de los modelos de aprendizaje automático (Tabla 3), quedó claro que RF ofrecía modelos muy precisos. Todos los valores de AUC de este modelo fueron superiores a 0,8, lo que indicó un éxito sólido en la clasificación y demostró el nivel tolerablemente alto de precisión del modelo.

Es importante comprender cómo cada factor contribuyente afecta los riesgos de sequía e incendios forestales y evaluar la importancia de cada factor24. La Figura 4 muestra la importancia de 11 variables seleccionadas para los riesgos de sequía e incendios forestales utilizando RF. Para analizar esto, primero dividimos los datos brutos utilizados para el análisis de riesgos en sequía y ocurrencia de incendios forestales. Posteriormente, cada variable se normalizó de 0 a 1 y se compararon los resultados. Se observó que la orientación (ASP) tuvo mayores diferencias en los valores normalizados para ocurrencia de sequía, mientras que la velocidad del viento (WS) mostró mayores variaciones para los incendios forestales en comparación con otras variables. Por lo tanto, se puede inferir que estos factores son elementos claves al compararlos con otras variables en cada desastre. Sin embargo, es importante señalar que estas clasificaciones pueden variar según el algoritmo de aprendizaje automático específico empleado46.

Gráfico de importancia del factor del mapa de riesgo de sequías e incendios forestales utilizando RF (TEMP Temperatura, WS Velocidad del viento, LLUVIA Lluvia, DTR Distancia a la carretera, Población PPL, DTRV Distancia al río, Pendiente SLO, Aspecto ASP, Elevación ELEV, Índice de humedad topográfica TWI, LULC Uso del suelo y cobertura del suelo).

Las Figuras 5 y 6 muestran el mapa de probabilidad de riesgo de sequías e incendios forestales. Los porcentajes de riesgo específicos se describen en la Tabla 4. Se esperaba que las áreas de riesgo previstas para ambos peligros aumentaran en escenarios futuros en lugar de en el presente. El mapa MH de los dos desastres se muestra en la Fig. 6, y encontramos que tanto el riesgo de cada desastre como el riesgo de conexión aumentaron en el escenario futuro.

El mapa de riesgo de sequías elaborado utilizando el modelo RF (A Presente, 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).

El mapa de riesgo de incendios forestales elaborado utilizando el modelo RF (A Presente, 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).

Según los resultados del estudio, actualmente se espera que el 53,13% de los sitios estén libres de riesgos o tengan un riesgo potencial bajo. Sin embargo, se espera que el 46,87% de los campos de investigación restantes tengan al menos un riesgo de sequía o incendio forestal. Sin embargo, según RCP-SSP2-4.5, se espera que estos riesgos aumenten al 49,24% en 2040~2059 y al 52,43% en 2080~2099, y al 52,43% en 2040~2059 y al 60,02% en 2080~2099 en RCP-SSP5. -8.5. Entre ellos, la posibilidad de incendios forestales y sequías simultáneos aumentó del 2,57% en la actualidad al 2,74% en 2040~2059 y al 3,77% en 2080~2099 en RCP-SSP2-4.5, y al 3,77% en 2040~2059 y al 6,42% en 2080~2099 en RCP-SSP5-8.5. Dividido en cinco estados, Kalimantan del Sur tuvo el mayor riesgo de sequía con un 67,25%, Kalimantan Occidental tuvo el valor más alto de incendios forestales con un 33,02%. Finalmente, Kalimantan del Sur tuvo el valor más alto de riesgos de MH con un 7,10%.

Por regiones, se predijo que el riesgo de incendios forestales sería mayor en Kalimantan del Norte y Kalimantan Occidental que de sequía en los escenarios climáticos actuales y futuros (Fig. 7). Por otro lado, en Kalimantan Oriental y Kalimantan Meridional, la sequía será mayor que el riesgo de incendio forestal, y en Kalimantan Central, ambos desastres tendrán niveles de riesgo similares. Finalmente, Kalimantan del Sur fue el lugar más alto donde ocurrieron los dos desastres en conjunto, seguido de Kalimantan Occidental y Kalimantan Central.

Mapa de riesgo de MH (No Riesgo bajo o nulo; DT Área de riesgo de sequías; FR Área de riesgo de incendios forestales; y DT + FR Área de riesgo de sequías e incendios forestales) y Predicción climática futura (A Presente, 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, y D Porcentaje por tipo de peligro y escenarios ).

Hemos creado un mapa de riesgo único y un mapa de riesgo de MH de sequía e incendios forestales en la isla de Kalimantan, Indonesia, utilizando técnicas de modelos de aprendizaje automático. Además, el índice de sensibilidad a un desastre específico se indicó por separado dividiéndolo por estados.

Según la revisión de la literatura, los modelos RF funcionan mejor que otros modelos en una variedad de vulnerabilidades de riesgo que SVM y el análisis estadístico multivariado25,47,48. La mayor parte de esta evaluación sugirió que la creación de varios mapas de riesgo utilizando un algoritmo óptimo que ofrezca alta precisión y rendimiento de predicción de un solo tipo de riesgo puede ayudar a obtener información muy precisa sobre la relevancia y la interacción38.

Los resultados muestran que predecir desastres naturales con algoritmos de aprendizaje automático proporciona datos valiosos sobre cómo se combinan esos peligros. Las relaciones entre múltiples peligros dependen en gran medida del alcance del estudio y de los conjuntos particulares de peligros. En una investigación de MH, Pourghasemi et al.24 utilizaron métodos de aprendizaje automático para mapear los riesgos individuales y grupales presentados por tres peligros (inundaciones, incendios forestales y deslizamientos de tierra). Otros han realizado evaluaciones de riesgo de MH, pero una para cada riesgo de forma individual. Un problema importante es descubrir cómo se relacionan y conectan los diversos peligros entre sí. Esta investigación comienza a cerrar esa disparidad. Además, este estudio se alineó con investigaciones anteriores en las que Random Forest (RF) demostró un rendimiento superior, empleando clasificación supervisada utilizando datos espaciales y geográficos, similar a los hallazgos de investigadores anteriores49,50,51. Uno de los factores distintivos de estudios anteriores radica en la realización de análisis de riesgo espacial de amenazas individuales y desastres compuestos a través de escenarios climáticos futuros25,52. A pesar de las incertidumbres inherentes a los escenarios climáticos futuros, se emplearon varios escenarios del AR6 y se analizaron los impactos basados ​​en escenarios de políticas53,54. En particular, este estudio incorpora la nueva ciudad capital propuesta de Indonesia, proporcionando información y orientación esenciales para la planificación urbana futura para abordar el cambio climático. Los hallazgos pueden servir como herramienta para mejorar la resiliencia social y las capacidades nacionales y regionales de gestión de desastres55,56.

Las medidas esperadas de respuesta a desastres en el sitio objetivo del estudio deben llevarse a cabo de manera diferente para cada región (Fig. 7). Por ejemplo, si el riesgo de incendios forestales es mayor que el de sequía, es importante identificar las principales causas de los incendios forestales y realizar un seguimiento a largo plazo de las áreas de prevención y peligrosas. Como contramedida, se pueden considerar principalmente especies de árboles resistentes al fuego al planificar la forestación57. Según Tng et al.58, el eucalipto y el laban gigante (Vitex pubescens), a diferencia de otras especies de árboles de la selva tropical, es un pionero mundial que depende del fuego para su regeneración. Si el riesgo de sequía es mayor que el de incendios forestales, primero se deben identificar la intensidad, duración, alcance espacial y precipitaciones de la sequía en áreas vulnerables59,60. Las medidas relacionadas incluyen la reducción del uso de agua para el paisajismo de arbustos y árboles, el uso de agua no vegetal para el riego durante la agricultura, el cultivo de cultivos resistentes a la sequía o a la sal, y la imposición de tarifas excesivas a los consumidores en caso de escasez de agua. Además, existe una manera de aumentar el suministro de agua y las bombas y tuberías de suministro mediante el reciclaje de agua. De manera similar, si los riesgos de sequía e incendios forestales son similares o es probable que ocurran en combinación, es deseable plantar plantas o árboles que puedan ser más dominantes en climas cálidos, como el eucalipto gigante mencionado anteriormente. Además, en términos de desarrollo económico y educación, es posible considerar brindar incentivos para la agricultura y la diversificación empresarial y la educación cívica ante desastres. En materia de salud y nutrición, se necesitan planes de preparación, como establecer programas auxiliares para víctimas de desastres y asignar agua ligera para evacuaciones de emergencia en caso de desastre. También se espera que sea necesario realizar talleres para el público en general sobre diversos temas de desastres que pueden ocurrir debido al cambio climático con apoyo técnico. También es importante prevenir las sequías y los incendios forestales, pero es necesario considerar casos en los que los desastres naturales relacionados ocurren con frecuencia debido a las olas de calor a medida que se intensifica el cambio climático.

Los incendios forestales en Kalimantan continuaron aumentando entre 2015 y 201914. Estos incendios pueden provocar sequías y, en el futuro, el cambio climático extremo puede limitar las regulaciones y métodos de gestión actuales61. El problema es que la mayoría de los países del sudeste asiático actualmente tienen pocos incentivos para desarrollar tecnologías para aplicar dicho conocimiento y no tienen instrumentos regulatorios o son ineficaces para fortalecer dicho comportamiento62. La Asociación de Naciones del Sudeste Asiático (ASEAN) respondió al humo de los incendios forestales y silvestres mediante el establecimiento de un grupo de trabajo, el establecimiento de un plan de acción y la negociación de un acuerdo61. En la mayoría de los casos, estas actividades se centran en los síntomas y la cooperación general en temas como la prevención, el combate y el seguimiento de incendios63,64. Sin embargo, Indonesia aún no ha ratificado ningún acuerdo jurídicamente vinculante en ningún caso14.

Pueden producirse sequías e incendios forestales debido al aumento de las olas de calor provocadas por el cambio climático, e Indonesia no es una excepción. En particular, Kalimantan en Indonesia está compuesto predominantemente de turberas15. Estas turberas son muy propensas a sufrir incendios durante los períodos de sequía, y su amplia cobertura puede provocar incendios a gran escala16. Numerosos estudios previos han enfatizado los riesgos asociados con los incendios de turberas y la importancia de su mitigación y recuperación65,66,67. Por ejemplo, se ha documentado que los principales incendios ocurren predominantemente en áreas de turberas concentradas en las partes central y sur de Kalimantan68,69,70. En particular, la exacerbación tanto de los impactos del cambio climático como de las intervenciones humanas directas, como el desarrollo urbano y las actividades de plantación, ha dejado un margen limitado para la mitigación y ha ampliado el potencial de daños mayores.

Las sequías y los incendios forestales pueden causar daños a los cultivos, provocando una crisis alimentaria debido a una fuerte caída de la producción agrícola, y pueden destruir el ecosistema de plantas y animales. Además, el humo y el hollín que se generan durante los incendios forestales abandonan la región y se desvían de las fronteras nacionales, lo que ya no puede decirse que sea un problema exclusivo de un país. Además, se espera que el riesgo aumente ya que los dos desastres pueden ocurrir simultáneamente. El contenido principal del Grupo de Trabajo AR671 del IPCC afirma que las olas de calor y las sequías provocan incendios forestales, pero según Littell et al.72, los incendios forestales también provocan sequías. En primer lugar, el hollín del fuego contiene carbono orgánico derivado del tejido vegetal y polvo fino (< 2,5 lm) formado mediante una combustión incompleta72, que puede afectar las precipitaciones junto con la nubosidad a escala local y sugiere que los incendios forestales pueden intensificar o prolongar los eventos de sequía73. Además, las emisiones de dióxido de carbono procedentes de los incendios forestales a la atmósfera provocan un aumento de la radiación solar absorbida en la superficie, lo que provoca sequías74. Por el contrario, cuando la sequía puede afectar a los incendios forestales, la probabilidad de que se produzcan aumenta, ya que la sequía reduce la humedad almacenada en la vegetación75,76. Cuanto más lenta es la recuperación de la sequía, mayor es el riesgo de incendios forestales, y se investigó que esta probabilidad varía dependiendo de cada clima y condición ecológica77,78. Como resultado, si la gravedad y la frecuencia de los incendios forestales y las sequías aumentan debido al cambio climático y las olas de calor, las funciones y estructuras de los ecosistemas pueden cambiar rápidamente79. Se espera que los esfuerzos y presupuestos gubernamentales para la respuesta y la recuperación planteen mayores desafíos después de 2040~2059 y 2080~2099, dependiendo del escenario RCP-SSP, como se muestra en este estudio, lo que sugiere que es necesario reconsiderar los enfoques anteriores de gestión de desastres.

El mapa de riesgo de MH analizado en este estudio pudo predecir de manera eficiente el área de probabilidad de riesgo mediante el análisis de 11 factores como el clima, la infraestructura, la topografía y el uso del suelo. Estos resultados pueden ampliarse para su uso en la fase global de prevención y respuesta al riesgo de desastres. Como limitación de este estudio, entre los riesgos divididos en 5 etapas solo se consideraron los riesgos de las etapas 4 y 5 al elaborar un mapa de HM. Para compensar esto, se espera que sea necesario realizar más investigaciones sobre la base de dividir esta etapa de riesgo. Se considera que puede variar de región a país como algo relativo que divide estos estadios de riesgo. Por lo tanto, en estudios futuros, esperamos que sea necesario establecer su propio nivel de riesgo para cada región a través de estudios de casos regionales.

Esta investigación utilizó un modelo de aprendizaje automático para evaluar la distribución geográfica del riesgo de HM en la isla de Kalimantan, Indonesia. Las regiones montañosas e insulares son propensas a la exposición a HM, y los lugares dentro de ellas se enfrentan a una amplia gama de peligros naturales. El problema más crítico para la mayoría de los tomadores de decisiones y administradores de recursos naturales es la identificación de regiones de alto riesgo. En este sentido, proporcionamos un plan de riesgos de MH para los riesgos de incendios forestales y sequías del área de investigación.

Se predijo que los hallazgos del estudio se verían afectados por los riesgos de una sequía del 22,6% y un incendio forestal del 21,7%, y se predijo que el 2,6% de los lugares examinados se verían afectados por ambos peligros. Se anticipó que estos riesgos aumentarían tanto en RCP-SSP2-4.5 como en RCP-SSP5-8.5. Kalimantan Occidental tuvo el mayor riesgo de incendios forestales (33,02%), y Kalimantan del Sur tuvo el mayor riesgo de sequías (67,3%) y ambos peligros (7,1%) de las cinco provincias del área de estudio. Esto se demostró en el peor de los casos, RCP-SSP5-8.52080, con los incendios forestales de Kalimantan Occidental aumentando al 33,51%, la sequía de Kalimantan del Sur al 74,01% y ambos desastres aumentando al 16,34%. En el futuro, el cambio climático y las olas de calor pueden aumentar la gravedad y la frecuencia de los incendios forestales y las sequías. Por lo tanto, este estudio sugiere que es necesario reconsiderar los enfoques anteriores de gestión de riesgos de peligros para prepararse para la rápida transformación de las funciones y estructuras de los ecosistemas debido al aumento de los peligros.

El modelo de RF produjo pronósticos con niveles respetables de precisión. Como resultado, existe una gran confianza en estos hallazgos, que pueden aplicarse a investigaciones futuras para investigar los patrones geográficos de los riesgos de la MH y proporcionar datos cruciales para la gestión preventiva y la mitigación de riesgos.

Los conjuntos de datos utilizados y/o analizados durante el estudio actual están disponibles del autor correspondiente previa solicitud razonable.

Field, CB (Ed) Gestión de los riesgos de eventos extremos y desastres para avanzar en la adaptación al cambio climático: informe especial del panel intergubernamental sobre el cambio climático. (Prensa de la Universidad de Cambridge, 2012).

Yousefi, S. et al. Un marco de aprendizaje automático para modelado y mapeo de riesgos múltiples en una zona montañosa. Ciencia. Rep. 10(1), 12144 (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Guzzetti, F. y col. Evaluación del peligro de deslizamientos de tierra: una revisión de las técnicas actuales y su aplicación en un estudio a múltiples escalas en el centro de Italia. Geomorfología 31 (1–4), 181–216 (1999).

ADS del artículo Google Scholar

Mishra, A., Medhi, K., Maheshwari, N., Srivastava, S. & Thakur, IS Producción de biocombustibles y ficorremediación por Chlorella sp. ISTLA1 aislado del vertedero. Biorrecurso. Tecnología. 253, 121-129 (2018).

Artículo CAS PubMed Google Scholar

Stevens-Rumann, CS et al. Evidencia de la disminución de la resiliencia de los bosques a los incendios forestales debido al cambio climático. Ecológico. Letón. 21(2), 243–252 (2018).

Artículo PubMed Google Scholar

Khan, N. y col. Predicción de sequías en Pakistán mediante algoritmos de aprendizaje automático. Adv. Recurso Acuático. 139, 103562 (2020).

Artículo de Google Scholar

Rahmati, O. y col. Enfoques de aprendizaje automático para el modelado espacial de sequías agrícolas en la región sureste de Queensland, Australia. Ciencia. Medio ambiente total. 699, 134230 (2020).

Artículo ADS CAS PubMed Google Scholar

Saha, S. y col. Proponer un nuevo enfoque conjunto de algoritmos de aprendizaje automático y optimizados para enjambres de partículas para el mapeo de vulnerabilidad a la sequía en Jharkhand, India. Geocarto. Int. 37(25), 8004–8035 (2021).

Artículo de Google Scholar

Piao, Y., Lee, D., Park, S., Kim, HG & Jin, Y. Evaluación de la susceptibilidad a los incendios forestales utilizando el motor Google Earth en Gangwon-do, República de Corea. Geomat. Nat. Haz. Riesgo 13(1), 432–450 (2022).

Artículo de Google Scholar

Herawati, H. & Santoso, H. Susceptibilidad de los bosques tropicales y riesgo de incendio en condiciones climáticas cambiantes: una revisión de la naturaleza, las políticas y las instituciones de los incendios en Indonesia. Para. Economía de políticas. 13(4), 227–233 (2011).

Artículo de Google Scholar

Kadir, EA, Rosa, SL, Sukur, A., Othman, M. & Daud, H. Propagación de incendios forestales e identificación de la concentración de carbono en la región tropical de Indonesia. Alex. Ing. J. 61 (2), 1551–1561 (2022).

Artículo de Google Scholar

Hambali, E. & Rivai, M. El potencial de la biomasa residual de aceite de palma en Indonesia en 2020 y 2030. Earth Environ. Ciencia. 65, 012050 (2017).

Google Académico

Purnomo, EP, Ramdani, R., Agustiyara, Tomaro, QPV & Samidjo, GS Transformación de la propiedad de la tierra antes y después de los incendios forestales en áreas de plantaciones de palma aceitera de Indonesia. J. Ciencias del uso de la tierra. 14(1), 37–51 (2019).

Artículo de Google Scholar

Purnomo, EP, Zahra, AA, Malawani, AD y Anand, P. Los incendios forestales de Kalimantan: un análisis de actores basado en documentos de la Corte Suprema de Indonesia. Sostenibilidad 13(4), 2342 (2021).

Artículo de Google Scholar

Harrison, ME, Page, SE y Limin, SH El impacto global de los incendios forestales en Indonesia. Biólogo 56(3), 156–163 (2009).

Google Académico

Kiely, L. y col. Evaluación de los costos de los incendios en Indonesia y los beneficios de restaurar las turberas. Nat. Comunitario. 12(1), 7044 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Austin, KG, Schwantes, A., Gu, Y. & Kasibhatla, PS ¿Qué causa la deforestación en Indonesia? Reinar. Res. Letón. 14(2), 024007 (2019).

ADS del artículo Google Scholar

Carmenta, R., Zabala, A., Daeli, W. & Phelps, J. Percepciones a través de escalas de gobernanza y los incendios de turberas de Indonesia. Globo. Reinar. Chang. 46, 50–59 (2017).

Artículo de Google Scholar

Firman, T., Surbakti, IM, Idroes, IC y Simarmata, HA Posibles vulnerabilidades relacionadas con el cambio climático en Yakarta: desafíos y estado actual. Hábitat Int. 35(2), 372–378 (2011).

Artículo de Google Scholar

Sihombing, FH Evaluación de riesgos múltiples y asignación de refugios en DKI Yakarta: un estudio inicial. Entorno terrestre. Ciencia. 708, 012053 (2021).

Google Académico

Pourghasemi, HR, Gayen, A., Panahi, M., Rezaie, F. & Blaschke, T. Evaluación y mapeo de probabilidad de peligros múltiples en Irán. Ciencia. Medio ambiente total. 692, 556–571 (2019).

Artículo ADS CAS PubMed Google Scholar

Nachappa, TG, Ghorbanzadeh, O., Gholamnia, K. & Blaschke, T. Mapeo de exposición a múltiples riesgos mediante aprendizaje automático para el estado de Salzburgo, Austria. Sensores remotos 12(17), 2757 (2020).

ADS del artículo Google Scholar

Pouyan, S., Pourghasemi, HR, Bordbar, M., Rahmanian, S. & Clague, JJ Inundaciones, erosión de barrancos, incendios forestales y terremotos basados ​​en mapas de múltiples riesgos en Irán. Ciencia. Rep. 11(1), 14889 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Pourghasemi, HR y cols. Evaluación y mapeo de la susceptibilidad al riesgo de múltiples peligros utilizando una técnica de aprendizaje automático. Ciencia. Rep. 10(1), 3203 (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Park, SJ y Lee, DK Predicción de la susceptibilidad a deslizamientos de tierra bajo los impactos del cambio climático en áreas metropolitanas de Corea del Sur mediante aprendizaje automático. Geomat. Nat. Haz. Riesgo 12(1), 2462–2476 (2021).

Artículo de Google Scholar

Gigović, L., Pourghasemi, HR, Drobnjak, S. & Bai, S. Prueba de un nuevo modelo de conjunto basado en SVM y bosque aleatorio en la evaluación de la susceptibilidad a los incendios forestales y su mapeo en el Parque Nacional Tara de Serbia. Bosques 10(5), 408 (2019).

Artículo de Google Scholar

Yanar, T., Kocaman, S. y Gokceoglu, C. Uso del algoritmo difuso de Mamdani para la evaluación de la susceptibilidad a peligros múltiples en un asentamiento urbano en desarrollo (Mamak, Ankara, Turquía). ISPRS Int. J. Geo Inf. 9(2), 114 (2020).

Artículo de Google Scholar

Gregorutti, B., Michel, B. & Saint-Pierre, P. Correlación e importancia variable en bosques aleatorios. Estadística. Computadora. 27, 659–678 (2017).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Cigüeña, NE y col. Vulnerabilidad y resiliencia de las especies de bosques tropicales al cambio de uso de la tierra. Conservar Biol. 23(6), 1438-1447 (2009).

Artículo PubMed Google Scholar

Zuidema, PA y cols. Bosques tropicales y cambio global: llenar vacíos de conocimiento. Tendencias de ciencia vegetal. 18(8), 413–419 (2013).

Artículo CAS PubMed Google Scholar

Rahmat, HK y Budiarto, A. Reducción del impacto psicológico de las víctimas de desastres naturales utilizando métodos de biblioterapia como tratamiento de curación de traumas. J. Contemporáneo. Consejos islámicos. 1(1) (2021).

Ayman FM Indonesia aprueba un proyecto de ley para construir una nueva capital: fecha límite 2024. Preimpresión en https://www.aseanbriefing.com/news/indonesia-passes-bill-to-build-new-capital-city-deadline-2024/ (2022 )

Geoespacial de Indonesia. https://www.indonesia-geospasial.com/ (2023).

Alisjahbana, AS & Busch, JM Silvicultura, incendios forestales y cambio climático en Indonesia. Toro. Indonesia. Economía. Semental. 53(2), 111-136 (2017).

Artículo de Google Scholar

Edwards, SA y Heiduk, F. Días nebulosos: los incendios forestales y la política de seguridad ambiental en Indonesia. J. Curr. Af del Sudeste Asiático. 34(3), 65–94 (2015).

Artículo de Google Scholar

Mobley, W. y col. Cuantificación del peligro de inundaciones continuas mediante clasificación forestal aleatoria y reclamaciones de seguros contra inundaciones a grandes escalas espaciales: un estudio piloto en el sureste de Texas. Nat. Peligro. 21(2), 807–822 (2021).

Artículo de Google Scholar

DIBI. Datos de información sobre desastres de Indonesia. Preimpresión en https://dibi.bnpb.go.id (2023)

Kuradusenge, M., Kumaran, S. & Zennaro, M. Predicción de deslizamientos de tierra inducidos por lluvias utilizando modelos de aprendizaje automático: el caso del distrito de Ngororero, Ruanda. En t. J. Medio Ambiente. Res. Salud Pública 17(11), 4147 (2020).

Artículo PubMed PubMed Central Google Scholar

Ja, H. et al. Un enfoque de aprendizaje automático en la predicción espacial de zonas susceptibles a deslizamientos de tierra e inundaciones repentinas para una red de carreteras. Modelado del sistema terrestre. Reinar. 8(4), 4341–4357 (2022).

Artículo de Google Scholar

Dou, J. y col. Evaluación de algoritmos avanzados de bosques aleatorios y árboles de decisión para modelar la susceptibilidad a deslizamientos de tierra inducidos por lluvias en la isla volcánica de Izu-Oshima, Japón. Ciencia. Medio ambiente total. 662, 332–346 (2019).

Artículo ADS CAS PubMed Google Scholar

Kim, HG y cols. Evaluación de peligros de deslizamientos de tierra utilizando escenarios RCP 4.5 y 8.5. Reinar. Ciencia de la Tierra. 73, 1385-1400 (2015).

Artículo ADS CAS Google Scholar

Shope, JB, Storlazzi, CD, Erikson, LH & Hegermiller, CA Cambios en los climas de olas extremas de las islas dentro del Pacífico Tropical Occidental a lo largo del siglo XXI bajo RCP 4.5 y RCP 8.5, con implicaciones para la vulnerabilidad y sostenibilidad de las islas. Globo. Planeta. Cambio 141, 25–38 (2016).

ADS del artículo Google Scholar

Gidey, E., Dikinya, O., Sebego, R., Segosebe, E. y Zenebe, A. Predicciones de peligro de sequía meteorológica futura (~ 2070) según los escenarios de cambio climático de la trayectoria de concentración representativa (RCP) 4.5 en Raya, Norte Etiopía. Modelado del sistema terrestre. Reinar. 4, 475–488 (2018).

Artículo de Google Scholar

Khoirunisa, R. Análisis climático pronosticado de 2000 a 2100 utilizando escenarios modelo RCP 4.5 y RCP 8.5 como sistema de alerta temprana de peligros en la ciudad de Praga, República Checa. Ciudad inteligente 2(1), 4 (2022).

Artículo MathSciNet Google Scholar

O'Neill, BC y col. El proyecto de intercomparación de modelos de escenarios (ScenarioMIP) para CMIP6. Geociencias. Desarrollo de modelos. 9(9), 3461–3482 (2016).

ADS del artículo Google Scholar

Zhao, P., Masoumi, Z., Kalantari, M., Aflaki, M. & Mansourian, A. Un mapeo de susceptibilidad a deslizamientos de tierra basado en SIG y un análisis de importancia variable utilizando métodos basados ​​en entrenamiento con inteligencia artificial. Sensores remotos 14(1), 211 (2022).

ADS del artículo Google Scholar

Naghibi, SA, Ahmadi, K. & Daneshi, A. Aplicación de modelos de bosques aleatorios optimizados con máquinas de vectores de soporte, bosques aleatorios y algoritmos genéticos en el mapeo del potencial de aguas subterráneas. Recurso Acuático. Gestionar. 31(9), 2761–2775 (2017).

Artículo de Google Scholar

Chen, Y., Zheng, W., Li, W. y Huang, Y. Evaluación de riesgos de seguridad de actividades de grupos grandes y alerta temprana de riesgos basada en un algoritmo de bosque aleatorio. Reconocimiento de patrones. Letón. 144, 1–5 (2021).

ADS del artículo Google Scholar

Abu El-Magd, SA, Ali, SA & Pham, QB Modelado espacial y zonificación de susceptibilidad de deslizamientos de tierra utilizando bosques aleatorios, bahías ingenuas y K-vecino más cercano en un terreno complicado. Ciencia de la Tierra. inf. 14(3), 1227–1243 (2021).

ADS del artículo Google Scholar

Farhadi, H. & Najafzadeh, M. Mapeo del riesgo de inundaciones mediante datos de teledetección y técnica forestal aleatoria. Agua 13(21), 3115 (2021).

Artículo de Google Scholar

Schoppa, L., Disse, M. & Bachmair, S. Evaluación del desempeño de bosques aleatorios para la simulación de descargas de inundaciones a gran escala. J. hidrol. 590, 125531 (2020).

Artículo de Google Scholar

Koks, EE y cols. Un análisis global de riesgos múltiples de los activos de infraestructura vial y ferroviaria. Nat. Comunitario. 10(1), 2677 (2019).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Vousdoukas, MI y cols. Comprender la incertidumbre epistémica en la evaluación del riesgo de inundaciones costeras a gran escala para los climas presentes y futuros. Nat. Peligro. 18(8), 2127–2142 (2018).

Artículo de Google Scholar

Diffenbaugh, NS & Barnes, EA Predicciones basadas en datos del tiempo que queda hasta que se alcancen los umbrales críticos de calentamiento global. Proc. Nacional. Acad. Ciencia. 120(6), e2207183120 (2023).

Artículo CAS PubMed PubMed Central Google Scholar

Jones, RN y Preston BL Adaptación y gestión de riesgos. Reseñas interdisciplinarias de Wiley: cambio climático 2 (2), 296–308 (2011)

Sperling, F. y Szekely, F. Gestión del riesgo de desastres en un clima cambiante. Grupo de Recursos sobre Vulnerabilidad y Adaptación (VARG). (2005).

Johnstone, JF y cols. Cambios en los regímenes de perturbación, memoria ecológica y resiliencia forestal. Frente. Ecológico. Reinar. 14(7), 369–378 (2016).

Artículo de Google Scholar

Tng, DYP, Williamson, GJ, Jordan, GJ & Bowman, DMJS Eucaliptos gigantes: ¿árboles de bosque tropical únicos en el mundo adaptados al fuego? Nuevo Phytol 196(4), 1001–1014 (2012).

Artículo CAS PubMed Google Scholar

Orwa, C., Mutua, A., Kindt, R., Jamnadass, R. y Simons, A. Agroforestree Database: una guía de selección y referencia de árboles. Versión 4. Base de datos de Agroforestree: una guía de selección y referencia de árboles. Versión 4. (2009).

Knutson, C., Hayes, M. y Phillips, T. Cómo reducir el riesgo de sequía (Centro Nacional de Mitigación de la Sequía, 1998).

Google Académico

Murdiyarso, D. & Lebel, L. Perspectivas locales a globales sobre los incendios forestales y terrestres en el sudeste asiático. Mitigar. Adaptar. Estrategia. Globo. Chang. 12(1), 3-11 (2006).

Artículo de Google Scholar

Jack, BK, Kousky, C. & Sims, KR Diseño de pagos por servicios ecosistémicos: lecciones de experiencias previas con mecanismos basados ​​en incentivos. Proc. Nacional. Acad. Ciencia. 105(28), 9465–9470 (2008).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Dennis, R. Una revisión de los proyectos contra incendios en Indonesia, 1982–1998. (1999).

Repenning, NP Comprensión de la extinción de incendios en el desarrollo de nuevos productos. J. Prod. Innovación. Gestionar. 18(5), 285–300 (2001).

Artículo de Google Scholar

Horton, AJ, Lehtinen, J. & Kummu, M. Las estrategias específicas de gestión de la tierra podrían reducir a la mitad la incidencia de incendios en turberas en Kalimantan central, Indonesia. Comunitario. Entorno terrestre. 3(1), 204 (2022).

ADS del artículo Google Scholar

Saharjo, BH Estimación de las emisiones de GEI de los incendios de turberas en Indonesia: revisión e importancia del factor de combustión. Incendios de vegetación y contaminación en Asia, 433-445 (2023)

Ramdani, R. & Purnomo, EP Transformando el conflicto en colaboración: mitigación de incendios de turberas en la zona de transición de conservación de la biosfera en Sumatra, Indonesia. Int J. Wildland Fire 31(12), 1103–1113 (2022).

Artículo de Google Scholar

Usup, A. & Hayasaka, H. Condiciones climáticas de incendios en turberas en Kalimantan central, Indonesia. Fuego 6(5), 182 (2023).

Artículo de Google Scholar

Rozaki, Z., et al. La vida de los agricultores y las estrategias de adaptación a los incendios forestales y de turberas en Indonesia: evidencia de Kalimantan central y meridional, Indonesia. Biodiversores. J. Biol. Diversos. 23(5) (2022).

Hoscilo, A., Page, SE, Tansey, KJ y Rieley, JO Efecto de los incendios repetidos sobre el cambio de la cobertura del suelo en las turberas del sur de Kalimantan central, Indonesia, de 1973 a 2005. Int. J. Incendios forestales 20(4), 578–588 (2011).

Artículo de Google Scholar

IPCC. AR6 cambio climático 2021: La base de la ciencia física. Panel Intergubernamental sobre Cambio Climático (2021)

Littell, JS, Peterson, DL, Riley, KL, Liu, Y. & Luce, CH Una revisión de las relaciones entre sequía e incendios forestales en los Estados Unidos. Globo. Chang. Biol. 22(7), 2353–2369 (2016).

Artículo ADS PubMed Google Scholar

Murphy, BF y Timbal, B. Una revisión de la variabilidad climática reciente y el cambio climático en el sureste de Australia. En t. J. Climatol.: JR Meteorol. Soc. 28(7), 859–879 (2008).

Artículo de Google Scholar

Liu, Y., Goodrick, S. & Heilman, W. Emisiones de incendios forestales, carbono y clima: interacciones entre incendios forestales y clima. Para. Ecológico. Gestionar. 317, 80–96 (2014).

Artículo de Google Scholar

Abatzoglou, JT & Kolden, CA Relaciones entre el clima y el área a macroescala quemada en el oeste de los Estados Unidos. En t. J. Incendios forestales 22(7), 1003–1020 (2013).

Artículo de Google Scholar

Halofsky, JE, Peterson, DL y Harvey, BJ Cambios en los incendios forestales, cambios en los bosques: los efectos del cambio climático en los regímenes de incendios y la vegetación en el noroeste del Pacífico, EE. UU. Ecología contra incendios. 16(1), 1–26 (2020).

Artículo de Google Scholar

Dale, VH y cols. Cambio climático y perturbaciones forestales: el cambio climático puede afectar a los bosques al alterar la frecuencia, intensidad, duración y oportunidad de los incendios, las sequías, las especies introducidas, los brotes de insectos y patógenos, los huracanes, las tormentas de viento, las tormentas de hielo o los deslizamientos de tierra. Biociencia 51(9), 723–734 (2001).

Artículo de Google Scholar

Suarez, ML, Ghermandi, L. & Kitzberger, T. Factores que predisponen a la mortalidad de árboles episódica inducida por sequía en Nothofagus: sitio, sensibilidad climática y tendencias de crecimiento. J. Ecología. 92, 954–966 (2004).

Artículo de Google Scholar

Allen, CD y cols. Una visión global de la sequía y la mortalidad de árboles inducida por el calor revela riesgos emergentes del cambio climático para los bosques. Para. Ecológico. Gestionar. 259(4), 660–684 (2010).

Artículo de Google Scholar

Descargar referencias

Este trabajo fue apoyado por el Instituto de Tecnología e Industria Ambiental de Corea (KEITI) a través del Proyecto de Investigación y Desarrollo sobre Cambio Climático para el Programa de Nuevo Régimen Climático, financiado por el Ministerio de Medio Ambiente de Corea (MOE) (RS-2023-00221110 y el Proyecto de Desarrollo del Sistema de Apoyo a la Decisión para el Impacto Ambiental). Evaluación, financiada por el Ministerio de Medio Ambiente de Corea (MOE) (Nº 2020002990009).

Programa Interdisciplinario y Ciencias de la Vida, Universidad Nacional de Seúl, Seúl, Corea

Sujung Heo y Dong Kun Lee

Instituto Coreano de Administración Pública, Seúl, Corea

Parque Sangjin

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Sujung Heo escribió el texto principal del manuscrito y Sangjin Park ayudó a preparar las figuras 1 y 2 y brindó consejos sobre el método. Todos los autores revisaron el manuscrito.

Correspondencia a Dong Kun Lee.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Heo, S., Park, S. & Lee, DK Mapeo de exposición a múltiples peligros en condiciones de crisis climática utilizando un algoritmo forestal aleatorio para las islas Kalimantan, Indonesia. Representante científico 13, 13472 (2023). https://doi.org/10.1038/s41598-023-40106-8

Descargar cita

Recibido: 10 de abril de 2023

Aceptado: 04 de agosto de 2023

Publicado: 18 de agosto de 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.