Search

We applied a classic logistic regression (LR) model together with a geographically weighted logistic regression (GWLR) model to determine the relationship between anthropogenic fire occurrence and potential driving factors in the Chinese boreal forest and to test whether the explanatory power of the LR model could be increased by considering geospatial information of geographical and human factors using a GWLR model. Three tests, 'all variables', 'significant variables', and 'cross- validation', were applied to compare model performance between the LR and GWLR models. Our results confirmed the importance of distance to railway, elevation, length of fire line, and vegetation cover on fire occurrence in the Chinese boreal forest. In addition, the GWLR model performs better than the LR model in terms of model prediction accuracy, model residual reduction, and spatial parameter estimation by considering geospatial information of explanatory variables. This indicates that the global LR model is incapable of identifying underlying causal factors for wildfire modeling sufficiently. The GWLR model helped identify spatial variation between driving factors and fire occurrence, which can contribute better understanding of forest fire occurrence over large geographic areas and the forest fire management practices may be improved based on it. Key words: human-caused fire, wildfire, geographically weighted logistic model, driving factors, geospatial. Nous avons utilise une regression logistique classique (RL) et une regression logistique ponderee geographiquement (RLPG) pour etablir la relation entre l'occurrence des feux d'origine humaine et les facteurs potentiellement determinants dans la foret boreale chinoise et pour tester si la capacite explicative du modele RL pouvait etre amelioree en tenant compte de l'information geospatiale au sujet des facteurs humains et geographiques a l'aide du modele RLPG. Trois tests : << toutes les variables >> ,<< variables importantes>> et<< validation croisee >>, ont ete utilises pour comparer la performance des modeles RL et RLPG. Nos resultats confirment l'importance de la proximite d'une voie ferree, de l'altitude, de la longueur de la ligne de feu et du couvert vegetal dans la foret boreale chinoise. De plus, le modele RLPG a une meilleure performance que le modele RL en termes de justesse des predictions, de reduction des residus et de l'estimation des parametres spatiaux en tenant compte de l'information geospatiale des variables explicatives. Cela signifie que le modele global RL est incapable d'identifier les facteurs determinants sous-jacents qui permettraient de modeliser adequatement les feux de foret. Le modele RLPG a aide a identifier la variation spatiale entre les facteurs determinants et l'occurrence des feux, ce qui pourrait contribuer a une meilleure comprehension de l'occurrence des feux et de ce fait a ameliorer possiblement les pratiques de gestion des feux de foret. [Traduit par la Redaction] Mots-cles: feu d'origine humaine, feux de foret, modele logistique pondere geographiquement, facteurs determinants, geospatial., Introduction Forest fires are both a critical process in natural forests and a major cause of timber loss and human suffering (Fernandez-Pello 1994). Frequency of forest fires has increased significantly [...]