ロサンゼルス近郊パリセーズ、イートンの大規模山火事で 5人死亡 9,000棟以上の建物が損壊または破壊されたのニュースに思う事
Contents当局によると、パリセーズ、イートンの火災で9,000軒以上の住宅や建物が損傷または破壊された。
これまでに5人が死亡したが、当局は死者数はさらに多い可能性があるとしている。
9,000棟以上の建物が損壊または破壊され、少なくとも13万人の住民が避難命令を受けている。
専門家は、ロサンゼルスはまだ危険から逃れておらず、今回の火災はアメリカ史上最も被害額の大きい山火事災害となる可能性があると述べている。
毎年聞かれるカリフォルニアの山火事ですが、何でカリフォルニアでは、こんなに山火事が多いのか？とアメリカ人でなくても大いに気になりますよね。
山火事の原因としては、第一に、燃えるものがあること、気温が高く湿度が少ないこと、そして酸素が供給されていること。などが思い当たります。
山火事の発火の原因としては、自然的には、火山の噴火、落雷、強風で木々がこすれて発火、人為的には送電線からの漏電、、野焼きやキャンプ等の失火、そして悪意の者の火付けなどが考えられます。
それに加えて、カリフォルニアの気候的要素も透けて見えます。
① 降水量は平年の3%程度しかなかった（一帯に生えている低木が乾燥して燃えやすい状態）
② 乾燥した気候と時速100キロ前後にもなる強風が被害を拡大させた。
そこでここでは、そもそもの発火の原因について詳しく分析した文献があったので以下にご紹介します。
カリフォルニア州の山火事発火の空間パターンと要因
2022年4月20日•著者:IOP Publishing Ltd
要約
山火事活動の主要な要素として、発火は気候、燃料、地形、および人間の間の複雑な相互作用によって調節されます。
かなりの研究により、総焼失面積と火災頻度のパターンと要因に関する知識が進歩しましたが、山火事の発火についてはあまり知られていません。
効果的な火災予防および管理戦略をより適切に設計するには、現代の発火パターンを理解し、さまざまな発生源からの山火事の発火確率を予測することが重要です。
ここでは、米国カリフォルニア州の州全体およびサブエコリージョン全体で、人為的および雷による発火確率をモデル化および分析しました。
私たちは、過去の発火データベースに基づいて、山火事の発火確率を推定し、人為的および生物物理学的要因の複雑な影響を理解するために、最大エントロピーモデルを開発しました。
このモデルは、人間と落雷 がカリフォルニアで開始した山火事の発火の空間パターンをうまく捉えています。
人為的な発火（失火及び放火）は、人口密集地に近い地域や道路に沿って発生しています。
モデル診断では、降水量、傾斜角、人間の居住地、および道路網が、人間が開始した点火の州全体の空間分布を形作っていることが示されました。
対照的に、落雷による発火は、シエラネバダと北内陸部でより遠隔地に分布しており、雪水換算、落雷密度、燃料量が主な要因でした。
別々の地域別モデルの結果により、異なるサブエコリージョン間での主要な推進要因の相対的な重要性の違いがさらに明らかになりました。
モデルの予測では、2000年頃から2010年頃の間に空間的に不均一な十年規模の変化と、発火確率の全体的なわずかな減少が示唆されました。
私たちの調査結果は、さまざまな火災環境における人間と生物物理学的制御の違いの重要性を強調し、発火確率を減らすために局所的に最適化された土地管理の必要性を強調しました。
引用と要約のエクスポート BibTeX(ビブテックス) RIS (英語)
補足データ
1. イントロダクション
山火事は、特に2000年以降の過去20年間で、米国西部全体でより激しく破壊的になっています。
総焼失面積の増加傾向は、数多くの研究によって実証されており、そのほとんどが気候温暖化、干ばつ、および数十年にわたる活発な消火活動による燃料の密集により発生しています。
カリフォルニア州では、長期にわたる干ばつ、前例のない樹木の枯死、2012年以降の熱波と重なり、壊滅的な大規模な山火事がますます身近な場面になってきています。
熱波、乾燥燃料、強風の組み合わせにより、大規模で動きの速い、消火コストのかかる火災に最適な条件が生まれました。
たとえば、カリフォルニア州の歴史上最大の火災の上位 20 件のうち 17 件は 2000 年以降に発生しており、そのうち 11 件は 2017 年から 2021 年の期間に発生しています。
主に温暖化により、火災シーズンの長期化が観察されています。
火傷の重症度は、気候の干ばつによっても悪化しており、カリフォルニアの極端な熱波によってさらに悪化しています。
これらの山火事の火災は、火災が発生しやすい多くのコミュニティで数万から数十万の建物を破壊しました。
山火事は、雷などの自然発生源と、偶然に発生した発火や放火犯が意図的に発火した発火などの人為的な発火の両方から発生する可能性があります。
人為的な山火事は全米で多く発生しており、1992年から2012年にかけて発生した山火事の84%を占め、全焼面積のほぼ半分を占めています。
対照的に、雷によって引き起こされた山火事は、主に人口の少ない西部の山岳地帯で発生しました。
他の研究でも、カリフォルニア州では人間による発火が優勢であり、連邦政府以外の土地を覆う郡の3分の2で山火事の90%以上が発生していることが強調されています。
人間の居住地が荒野に急速に拡大したことで、荒野-都市界面(WUI)として知られる地域が増加し、自然植生とコミュニティの交差点に住む人が増え、道路網の拡大とともに燃料に対する人間のアクセス性が向上しました。
これらの発達パターンにより、発火確率が増加します。
人間が起こした山火事は、空間的な広がりと季節性の両面で、米国本土全体に「火災のニッチ」を大幅に拡大しました。
さらに、WUIの拡張に伴う電気インフラと送電線の増加は、特に雷雨や極端な熱波イベントなどの極端な気象条件下での山火事のリスクをさらに生み出しました。
そして南カリフォルニアの突風による送電線のダウン、カリフォルニア州における人為的な小規模山火事(<500エーカー)の頻度は、2000年以降最も急速に増加しています。
山火事の主要な要素として、発火は、人間の活動、気候、燃料、および地形の間の複雑な相互作用によって調節されます。
人間の介入がない通常の気象条件下では、発火の可能性は燃料に依存し、自然の発火源を考えると、燃料の物理的特性によって制御されます 。
例えば、生植物材料と死植物材料の燃料可燃性は、降水量、温度、蒸気圧不足による植生水分含有量によって制御され、火災の発火リスクを調節するための重要な要素です。
燃料量は、利用可能な可燃性バイオマスとして定義され、主に発火傾向を説明します。
たとえば、南カリフォルニアなどの地中海性気候で2〜3年の雨の多い年に蓄積された草が茂った燃料が多いと、火災の発生が促進される可能性があります。
干ばつが激化して長期化するときや極端な暑さの条件下では、燃料の水分が少ないと、燃焼開始が促進されるため、着火確率の増加に大きく貢献します。
植生処理、燃料の破損、土地利用による土地の分断などの管理活動によって、量や連続性を含む燃料が変化する可能性があり、その結果、発火リスクが変化します。
多くの火災研究により、大規模火災の総焼失面積と頻度のパターン、ダイナミクス、および関連する要因についての理解が進んでいます。
ただし、関連する焼失地域が適切にマッピングされているため、比較的大規模な火災に重点が置かれています。
山火事の発火については、小規模な火災、特に消火活動によって抑制された火災の発火に関する信頼性の高い完全なデータを収集することが難しいため、あまり知られていません。
山火事の発火に関する気候と人間活動の制御に対処した研究は非常に限られており、次の課題があります。
その理由は、
(a)特に人間が起こした火災の場合の発火の確率的性質。
(b)特に小規模な火災の場合の発火の位置を記録する完全な存在データセットの欠如。
(c)火災原因の帰属に関する不完全な記録です。 つまり、人為的対雷です。
さらに、パターンとドライバーは、人間によって引き起こされた発火と雷によって引き起こされた発火の間で大幅に異なりますが、カリフォルニアでは詳細な空間スケールで体系的に調査されていません。
発火確率の空間マップは、火災リスクを評価し、地域固有の燃料管理に優先順位を付け、地域規模での火災関連の緊急事態に対するコミュニティのより良い準備のために非常に重要です。
現代の山火事の発火の空間パターンを形作るものを理解することは、発火リスクを減らすための火災および土地管理戦略を開発するための基本でもあります。
これらのデータと知識は、火災リスクを悪化させる気候変動の継続的な傾向を考慮すると、より緊急性の高いニーズになります。
この研究では、私たちの目標は、人間と雷によって引き起こされる発火源を分離することにより、カリフォルニアにおける現代の山火事の発火の空間分布の理解を深めることでした。
機械学習モデルを使用して、イグニッションと一連の環境共変量(人間の居住地、気候、燃料、地形変数など)との間の複雑な関係を調べました。
具体的には、以下の質問に対処することを目指しました。
(a)生物物理学的および人為的な制御は、カリフォルニアで観察された火災発火の空間パターンをどのように形成しましたか?
(b)これらの関係は、サブエコリージョン間でどのように異なりましたか?
(c)2000年から2010年にかけて、人的および雷による発火確率に有意な10年変化はありますか?もしそうなら、何が変化に貢献したのでしょうか?
2. データ・方法
カリフォルニア州、面積423,970kmをカバー2は、標高が0〜4200 mの地形的に多様な州です。
カリフォルニアの大部分は地中海性気候で、夏は暑く、冬は涼しいのが特徴です。降水量の大部分は冬に降り、暖かい季節には山火事を助長する乾燥した天候になります。
その気候は、緯度、標高、海岸への近さによって大きく異なり、たとえば、内陸の谷はシエラネバダの沿岸地域や西斜面よりもはるかに暑い夏があります。
カリフォルニアには、植生の種類、種、火災体制の多様性が豊富にあります。
カリフォルニア州は、カリフォルニア州のレベルIIIエコリージョン(米国環境保護庁2012年)に基づいて、ノースコースト、ノースインナー、セントラルコースト、セントラルバレー、シエラネバダ、サウスコースト、サウスインサイド、グレートベースンスロープの8つのサブエコリージョンに分類できます。
2.2. イグニッションデータセット
米国連邦、州、および地方の消防機関の報告システムから編集された米国森林局火災プログラム分析-火災発生データベース(FPA-FOD)を使用しました。
この均質化された包括的なデータセットには、1992 年から 2015 年までの公有地と私有地の両方での山火事の発火記録が含まれており、他の多くの火災データセットには含まれていない多くの小規模な火災が説明されています。
各イグニッションエントリには、場所、発見日、原因、および火災の規模が含まれています。
具体的には、火災の原因は、各山火事の発生報告に基づいて、人、雷、または欠落しているデータ/未確定として割り当てられました。
人為的な発火には、放火/焼夷弾、瓦礫および野焼き、機器および車両の使用、銃器および爆発物の使用、花火、喫煙、レクリエーションなどによって開始されたものが含まれていました。
また、FPA-FOD の発火データと比較するために、10 エーカーを超える火災を記録した。州全体の火災境界の地理空間データ レイヤーを収集しました。
私たちの分析では、1992年から2015年にかけて、これら2つのデータセット間で高い時間的一貫性が示されました。
しかし、FPA-FODは、特に人為的な火災について、はるかに多くの小さな火災を記録しました。
調査期間中、カリフォルニア州のFPA-FODデータから合計188,260のイグニッションレコードが抽出されました。
人為的な発火と雷による発火を区別する過程で、火災の原因が欠落している12,455の発火を除外しました。
さらに、欧州宇宙機関(ESA)の気候変動イニシアチブ(ESA 2017)の300m地点にある2015年の全球土地被覆分類マップを使用して、水域、都市部、農地を除外して荒野マスクを生成しました。
この境界マスクは、この研究のために荒野の点火を改良するために使用され、合計134,115点火が得られました。
1 kmの解像度で点火パターンを解析およびモデル化するために、1992年から2015年までのカリフォルニア州の1 km x 1 kmグリッドごとの点火の総数(つまり、点火頻度)をさらに計算しました。
2.3. 人為的な層
人口密度、交通道路網、夜間照明の空間レイヤーを使用して、人間の居住とアクセシビリティを定量化しました。
平均人口密度の推定値は、2000年、2005年、2010年、2015年に利用可能な1kmの空間解像度のGridded Population of the World(GPWv4)プロダクトから得られた。
各 1 km セル内の主要道路、マイナー道路、およびトレイル道路の密度は、Open Street Map (www.openstreetmap.org) から計算されました。
また、各 1 km セルで、主要道路、マイナー道路、およびトレイル道路までの最短距離も計算しました。
1992年から2012年にかけての年間1kmの夜間光画像は、人間の居住地と電気インフラの密度の指標として、国防気象計画(DMSP)運用ラインスキャンシステムから取得されました。
これらの変数は、ベースライン年と長期の年間平均でそれぞれ 1 km の空間解像度に集約されました。
2.4. 生物物理学的変数
私たちは、地形、気候、および原生地の発火の空間変動に対する燃料からの生物物理学的制御を評価するために、州全体の地理空間レイヤーを組み立てました。
2010 年の全球 250 m 地形標高データ (GMTED2010) を使用して、1 km の空間分解能で傾斜と傾斜方向を特徴付けました。
気象情報は、降水量(Prcp)、最低気温と最高気温(TminおよびTmax)、入射短波放射(Srad)、水蒸気圧(VP)、雪水換算(SWE)、または融雪から放出される水の量を含む、気象データから取得されました。
1992年から2015年にかけて、これらの気象変数の1kmでの長期年間平均を導き出しました。
落雷による自然発火圧を定量化するために、1 kmのグリッド化された月間雷データ(つまり、落雷数km)を取得しました−2)は、1992年から2012年まで、米国海洋大気庁(NOAA)のヴァイサラ全米雷検出ネットワークから参加しました。
燃料量の指標として、30 m の Landsat 衛星画像から得られる年間最大正規化差植生指数 (NDVI) を使用しました。Landsat 表面反射率は、雲マスクと Landsat メタデータの品質評価情報を使用してフィルタリングされました。
次に、NDVI値は、16日ごとに赤色バンドと近赤外バンドの保持反射率から計算されました。
年間最大NDVIは、各年について計算され、さらに集計されて、他の生物物理学的層と一致するように1kmでの長期年間平均を導き出しました。
2.5. 統計モデリングと分析
山火事確率研究に広く使用されている最大エントロピー統計手法を用いて、発火確率の空間パターンをモデル化しました。
MaxEntは、もともと多次元環境入力を使用して存在のみのデータから種の分布をモデル化するために設計された機械学習技術です。
各観測値(つまり、存在のみの点)の環境変数を条件として、最大エントロピー(つまり、最も均一なもの)の確率分布を繰り返し検索することにより、ターゲット確率分布を推定します。
MaxEntを使用すると、lを使用して過学習を回避しながら、非常に複雑な関係をモデル化できます。
MaxEntモデルのプレゼンスのみのフレームワークは、次の2つの考慮事項により、ここで採用されました。
(a)1992年から2015年の期間に山火事の発火がなかったことは、過去(つまり1992年以前)に真に存在しないと解釈することはできません。
(b)存在のみおよび存在-不在のフレームワークは、山火事の確率の同様のモデル精度を提供することが証明されています。
イグニッションプレゼンスサンプルは、セクション2.2で説明されているように、1kmのイグニッション周波数マップから抽出されました。
人為的な発火と雷による発火の両方について比較可能な確率マップを導き出すために、存在サンプルの数と質のバランスをとるために、存在サンプルを選択するために同じカットオフ閾値である12を使用しました。
つまり、1992年から2015年にかけてグリッド内で合計12回以上の山火事の発火が発生した場合、1kmのグリッドセルが存在サンプルとして選択されました。
これにより、州全体で合計 2388 個の人為的原因サンプルと 165 個の雷原因サンプルを含む、信頼性の高い点火存在サンプルのグループが得られました。
イグニッションの空間変動性をモデル化するために、表1に示すように、長期平均年間気候、燃料量、地形、および人為的変数の3つのカテゴリを独立変数として使用しました。
私たちの相関分析では、TmaxとTmin(ピアソンのr = 0.94)、標高とTmax/Tmin/vp(ピアソンのrは0.68から0.79の範囲)を除いて、これら6つの変数カテゴリの変数は互いに高い相関がないことが示されました。
さらに、説明変数の大きなグループは、MaxEntモデルの予測信頼性の障害になる必要はありません。
したがって、MaxEntモデルを構築するための直接的原因と間接的原因を区別せずに、すべての説明変数を含めました。
州全体のスケールで予測される発火確率に加えて、6 つのサブエコリージョンのそれぞれの発火確率を予測するために、サブエコリージョン固有の MaxEnt モデルのセットを構築しました。
発火存在サンプルと対応する人為的および生物物理学的変数を抽出し、サブエコリージョン境界を使用して精製しました。
シエラネバダを除く雷開始点火のサンプル(n<40)が限られているため、ノースコーストとノースインテリアを1つの地域に、セントラルコースト、サウスコースト、サウスインテリアを別の地域にグループ化し、3つのサブリージョナルモデルを作成しました。
結果は、各サブエコリージョンの5つの最も重要な変数について、変数の重要度を左から右に並べて示しています。
MaxEntモデルの実行は、4回の交差検証スキームで10回繰り返されました。
つまり、ランダムに選択されたイグニッション存在サンプルの75%でMaxEntモデルをトレーニングし、イグニッションプレゼンスサンプルの残りの25%のイグニッション確率を毎回検証しました。
10回の反復のそれぞれからの25%テストデータの平均統計量を、モデル性能の定量的尺度として使用しました。
モデルのパフォーマンスを定量化するために、すべての可能なしきい値について、y軸上の感度(つまり、正しく予測される観測された存在の割合)とx軸上の「1特異性」(つまり、予測された小数地域)をプロットすることによって作成された受信機動作特性(ROC)曲線を使用しました。
ROC曲線に基づいて、軸によって定義される正方形の総面積の割合として表される曲線下面積(AUC)値を測定しました。
AUC は、ランダムな点火存在サンプルがモデルによって正しく予測される確率と見なすことができます。
たとえば、AUC 値 0.5 は、予測精度がサンプルがランダムに選択されるシナリオよりも優れていないことを示し、AUC 値 1 は理想的なモデル パフォーマンスを示します。
AUC 値が 0.75 を超えるモデルは、通常、堅牢で有用であると考えられています。
2.6. 変数寄与度と周辺化反応曲線
イグニッション空間パターンを制御する上での各変数の重要性を評価しました。
相対的な寄与は、他のすべての説明変数を平均サンプル値に保ちながら、対応する変数を含めることにより、正則化されたゲインの増加として定量化されました 。
さらに、各変数が山火事の発火にどのように影響したかを調べました。おそらく部分依存プロット、つまり、他のすべての説明変数が平均値で一定に保たれている場合の各変数に対する発火発生確率の限界応答。
2.7. 十年単位の変更
発火確率の十年単位の変化を調査するために、1992年から2015年(セクション2.4で説明)に訓練された州全体のMaxEntモデルを使用して、2000年(つまり1996年から2005年)と2010年(つまり2006年から2015年)を中心とした2つの十年単位での発火確率を推定しました。
たとえば、1996年から2005年までの人為的および生物物理学的変数は、2000年頃の発火リスクをマッピングするためのモデルに入力されました。
さらに、人為的および生物物理学的変数の変化による影響を人為的および雷による発火確率にそれぞれ分離するために、2010年頃の2つの実験シナリオを設計しました。
気候と燃料によって引き起こされる発火確率の十年規模の変化を評価するために、MaxEntモデルは、2000年頃と同じ人為的変数を維持しながら、2010年頃の生物物理学的変数によって駆動されました。
このように、予測された着火確率の変化は、人間関連変数の変化とは無関係でした。
同様に、2000年頃の生物物理学的データを保持し、人為的変数を2010年頃のデータに置き換えることにより、予測からの発火確率の変化は、人口、道路網、および住宅拡張の変化に起因する可能性があります。
3. 結果
3.1. 州全体の発火確率の空間パターン
1992年から2015年にかけて、カリフォルニア州全体で年間平均5478件の火災発火が発生しました。
人間が起こした火災が圧倒的に多く、全発火の80.6%を占めていました。
高密度の人為的発火は、主に低標高の人口密集地域、たとえば南カリフォルニアのオレンジ郡や丘陵地帯に分布していました。
イグニッションは、都市部を越えた道路網に沿って集まっていることも発見されました。
対照的に、シエラネバダや北内陸部などの標高の高い山岳地帯では、人為的な発火確率がはるかに低く、人間が開始した火災発火はわずか41.5%でした。
落雷による山火事は平均1060年間発生−1州全体では、北内陸部のシャスタトリニティ国有林とモードック国有林、シエラネバダ州、南カリフォルニアのセコイア国有林など、標高が高いほど多く集まっています。
南内陸部の東斜面では、おそらくこの乾燥地域では連続した燃料が不足していたため、人間または雷による火災の発火が非常に限られていました。
3.2. 州全体の火災発火パターンの制御
州全体のプレゼンス サンプルを使用して開発された MaxEnt モデルは、良好なパフォーマンスを発揮しました。
対応するROC曲線の平均AUCは、人為的発火確率と雷による発火確率について、10回の反復実行でそれぞれ0.86と0.96でした。
州全体のモデルは、観測記録で示されている同様の空間パターンを捉え、2種類の発生源からの発火確率の違いをよく予測しました。
州全体のモデルの分析では、平均年間降水量が人為的な発火確率の全体的な空間分布を決定する最も重要な要因であり、相対的な寄与は34.7%であることが示されました。
発火確率は、年間平均降水量が365mm年未満に増加するにつれて急速に増加しました−1(約10%から約60%への増加)は、中間降水量全体でほぼ一定であり、その後、1642.5mm年を超えてわずかに減少しました。
例えば、夜間の光が23.3%、主要道路の密度が3.3%、人口密度がさらに3.0%を占めるなど、人間の居住地や燃料へのアクセス性を表す人間関連の変数も重要でした。
夜間の光密度が高いほど、一般的に人為的な発火が高くなります。
また、傾きもほぼ同じくらい重要な寄与(23.4%)であることもわかりました。
人為的な発火の大部分は、傾斜が40°未満の地域で発生し、部分依存性プロットは、傾斜が20°を超えると、急な傾斜が発火確率を高めることを示しました。
長期平均Tmaxと年間最大NDVIは、さらに2.9%と2.4%寄与しました。
3.3. 地域差
エコリージョン固有のモデルも十分な精度で堅牢であることがわかりました。
AUCは、エコリージョン全体での人為的な発火で0.81から0.94の範囲であり、雷による発火では0.86から0.95の範囲でした。
州全体のモデル(図3(a)および(b))と比較して、サブエコリージョン固有のMaxEntモデルによる予測は観測値とよりよく一致し、イグニッションの空間分布の局所的な不均一性をより多く捉えました。
たとえば、ノースコーストとセントラルコースト地域の交通回廊に沿って、および南カリフォルニアの広い地域では、人為的な発火確率の予測には大きなばらつきがありました。
雷による発火のエコリージョン固有のモデルも、州全体のモデルよりも北カリフォルニア、シエラネバダ、南カリフォルニアで詳細な空間パターンをキャプチャしました。
モデル診断では、表2に示すように、人為的および雷による発火確率の空間パターンの支配的な制御が、カリフォルニア州のサブエコリージョン間で異なることが示されました。
人間の居住の代理として、夜間の光とそれに続く人口密度が、各サブエコリージョン内の人為的発火の空間的変動性を形作る最も重要な要因として発見され、組み合わせると相対的な寄与の約50%を占めています。
2つの例外は、傾きがこれら2つの人間関連変数と同等(22%)に寄与したシエラネバダと、太陽放射が41.8%、夜間光が26.7%寄与したサウスコーストでした。
主要な道路密度またはマイナーな道路密度の影響は、北と南の内陸部と南海岸で重要であり、相対的な寄与は7.6%から11%の範囲であることがわかりました。
気候変数は、ノースコースト(主に最高気温と日射量)、セントラルコースト(Tmax、日射量、蒸気圧)で20%以上、シエラネバダ(降水量)で16%、北内陸部(SWEとVP)で15%寄与しました。全体として、Tmaxまたは高感度の日射のプラスの影響が見られました(図S8(a)、(c)、および(e))。気候の影響は、南内陸部と南海岸でははるかに小さかった。セントラルコーストでは、最大NDVIで表される燃料量が重要であり、NDVIが0.1から0.75を超えると、人間が開始する発火確率が20%から75%に増加しました(図S8)。
落雷による火災発火の場合、落雷密度が北カリフォルニアの空間変動を説明する主要な要因であり、40.6%の寄与があり、SWEはシエラネバダ(61.1%)と南カリフォルニア(43.5%)の変動を支配していました。
北カリフォルニアとシエラネバダで2番目に重要なコントロールとして発見され、約10%を占めています。
対照的に、南カリフォルニアでは、平均年間降水量が2番目に多いコントロールとしてランク付けされ、20.9%を占め、雷による発火確率を高め、雷の密度(11.8%)がそれに続きました。
燃料の利用可能性の代用として、年間平均最大NDVIは、南カリフォルニアでそれぞれ7.3%、シエラネバダで4.8%寄与することがわかった。
3.4. 2000年から2010年までの着火確率の変化
2000年頃と2010年頃の予測変数を使用した州全体のモデルによって予測された、人為的および雷による発火確率の空間パターンは、一般的に同様のままでした。
州の25.9%(農業と都市を除く)で人為的な発火確率が増加し、主にノースコースト、ノースインサイドの南部、シエラ南部、サウスインサイドに集まり、サウスコーストにさらに散在するパッチが発生しました。
ただし、これは、発火確率のより広範なまたはわずかな減少によって相殺されました。
人為的な発火確率が10%以上減少した地域は5.5%でしたが、10%を超える変化はわずか0.7%でした。
雷による発火確率の十年単位の変化については、より空間的に不均一なパターンが見出されました。
荒野の約9.7%で10%以上の確率減少が見られ、10%以上の確率増加を示したのはわずか2.9%でした。
州全体で平均すると、今世紀の最初の10年間で、人間と雷の両方が発火する確率がわずかに減少し(、発火確率は約2%減少しました。
求人職種カテゴリー
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
ネタニヤフとハメネイの「野望」 
トランプ関税は世界にどんな影響を与えるのか？ 
日本に、失われた30年、ゼロ成長時代をもたらした「ザイム真理教」のドグマ 
ユーチューバーって、いったい、どれくらい稼げますか？