تعداد نشریات | 161 |
تعداد شمارهها | 6,573 |
تعداد مقالات | 71,037 |
تعداد مشاهده مقاله | 125,511,959 |
تعداد دریافت فایل اصل مقاله | 98,774,497 |
تهیۀ نقشۀ ریسک وقوع آتشسوزی مناطق جنگلی با استفاده از روش رگرسیون انطباقی چندمتغیرۀ اسپیلاین (مطالعۀ موردی: استان گلستان) | ||
مدیریت مخاطرات محیطی | ||
مقاله 4، دوره 5، شماره 3، مهر 1397، صفحه 265-277 اصل مقاله (649.09 K) | ||
نوع مقاله: پژوهشی کاربردی | ||
شناسه دیجیتال (DOI): 10.22059/jhsci.2018.262634.394 | ||
نویسندگان | ||
علی شاهحیدریپور1؛ پرهام پهلوانی* 2؛ بهناز بیگدلی3 | ||
1دانشجوی کارشناسی ارشد مهندسی سیستمهای اطلاعات مکانی، دانشکدۀ مهندسی نقشهبرداری و اطلاعات مکانی، پردیس دانشکدههای فنی دانشگاه تهران | ||
2استادیار دانشکدۀ مهندسی نقشهبرداری و اطلاعات مکانی، پردیس دانشکدههای فنی، دانشگاه تهران | ||
3استادیار دانشکدۀ مهندسی عمران، دانشگاه صنعتی شاهرود | ||
چکیده | ||
جنگلها از مهمترین منابع طبیعی و اکولوژیکی در کرۀ زمین و از ارکان مهم توسعۀ پایدار در هر کشوری بهحساب میآیند. آتشسوزی هر سال حدود 5500 هکتار از جنگلها را در ایران از بین میبرد. در این تحقیق با استفاده از دادههای آتشسوزی سازمان جنگلها در تلفیق با دادههای سنجندۀ MODIS بین سالهای 91 تا 96 نقاط آتش شناسایی شدند. ازآنجا که بیش از 75 درصد آتشسوزیها در فصل گرم سال یعنی سه ماه تیر، مرداد و شهریور اتفاق افتاده بود، از دادههای این سه ماه برای مدلسازی استفاده شد. پارامترهای مؤثر در وقوع آتشسوزی ارزیابی و پارامترهای وابسته حذف شدند. سپس دو روش رگرسیون چندگانۀ خطی و رگرسیون انطباقی چندمتغیرۀ اسپیلاین برای پیشبینی ریسک وقوع آتشسوزی بررسی شدند. برای ارزیابی از چند پارامتر مهم شامل جذر میانگین مربعات خطاها، ضریب تعیین R2، درصد برآورد درست نقاط آتش و غیرآتش و توزیع خطا استفاده شد. نتایج نشان داد که روش رگرسیون انطباقی چندمتغیرۀ اسپیلاین با داشتن خطای میانگین مربعات باقیماندهها دادههای آموزشی برابر با 1628/0، R2 دادههای آموزشی برابر با 8932/0، درصد پیشبینی درست نقاط آتش آزمایشی نزدیک به 94 درصد، درصد پیشبینی درست نقاط غیرآتش آزمایشی نزدیک به 88 درصد و توزیع مناسبتر خطا عملکرد بهتری نسبت به روش دیگر دارد. این امر در واقع نشاندهندۀ مدلسازی دقیقتر یک روش محلی در مقایسه با یک روش غیرمحلی است. به همین دلیل نقشۀ ریسک تهیهشده با رگرسیون انطباقی چندمتغیرۀ اسپیلاین اعتمادپذیری بیشتری از روش دیگر دارد. در نهایت با استفاده از نقشۀ ریسک این روش مناطق پرریسک شناسایی شدند. ویژگی این مناطق شامل فاصلۀ کم تا مناطق مسکونی و راه، دارای خاک غنی از مواد عالی، دمای بهنسبت زیاد و ارتفاع کم بود. | ||
کلیدواژهها | ||
آتشسوزی جنگل؛ رگرسیون انطباقی چندمتغیرۀ اسپیلاین (MARS)؛ رگرسیون چندگانۀ خطی(MLR)؛ نقشۀ ریسک آتشسوزی | ||
مراجع | ||
[1]. بیگی حیدرلو، هادی؛ و بانج شفیعی، عباس (1393)، «ارزیابی روش ترکیب خطی وزنی فازی در تهیۀ نقشۀ ریسک آتشسوزی جنگل»، نشریۀ پژوهشهای علوم و فناوری چوب و جنگل، جلد 22، ش 3. [2]. زرعکار، آزاده؛ کاظمی زمانی، بهاره؛ قربانی، ساره؛ عاشق معلا، مریم؛ و جعفری، حمیدرضا (1392)، «تهیۀ نقشۀ پراکندگی فضایی خطر آتشسوزی جنگل با استفاده از روش تصمیمگیری چندمعیاره و سامانۀ اطلاعات جغرافیایی (مطالعۀ موردی: سه حوزۀ جنگلی در استان گیلان)»، نشریۀ تحقیقات جنگل و صنوبر ایران،21 (2): 218-230. [3]. قائمیراد، طاهره (1393)، «بررسی و ارزیابی رویکردهای مختلف جهت شبیهسازی گسترش آتشسوزی جنگل با استفاده از اتوماتای سلولی»، پایاننامۀ کارشناسی ارشد، دانشگاه صنعتی خواجه نصیر طوسی. [4]. صحراییان، حمیدرضا (1396)، «مدلسازی گسترش آتشسوزی جنگل برمبنای اتوماتای سلولی و بهکارگیری روشهای هوشمند»، پایاننامۀ کارشناسی ارشد، دانشگاه تهران. [5]. López-Mondéjar, Ruben; Brabcová, Vendula; Štursová, Martina; Davidová, Anna; Jansa, Jan; Cajthaml, Tomas; Baldrian, Petr (2018). “Decomposer food web in a deciduous forest shows high share of generalist microorganisms and importance of microbial biomass recycling”, The ISME journal, p: 1. [6]. FAO (2010). “Global forest resources assessment”, Main report, FAO Forest paper 163. [7]. Mercer, Evan; Prestemon, Jeffrey (2007). “Comparing production function model for wild fire risk analysis in the wildland-urban interface”, Forest policy and economics, 7(5), pp: 782-795 [8]. Chuvieco, Emilio; Congalton, Russell (1989). “Application of remote sensing and geographic information systems to forest fire hazard mapping”, Remote Sensing of Environment. Vol 29: pp: 147–159. [9]. Li, Xiaowei; Zhao, Gang; Yu, Xiubo; Yu, Qiang (2014). “A comparison of forest fire indices for predicting fire risk in contrasting climates in China”, Natural hazards, vol. 70, pp: 1339-1356. [10]. Coelho Eugenio, Fernando; Rosa dos Santos, Alexandre (2016). “Applying GIS to develop a model for forest fire risk: A case study in Espírito Santo”, Brazil. Journal of Environmental Management. Vol 173 , pp: 65-71. [11]. Jafari Goldarag, Yunes; Mohammadzadeh, Ali. (2016). “Fire Risk Assessment Using Neural Network and Logistic Regression”, Journal of the Indian Society of Remote Sensing, Volume 44, Issue 6, pp: 885–894. [12]. Pourtaghi, Zohre Sadat; Pourghasemi, Hamid Reza; Rossi, Mauro (2015). “Forest fire susceptibility mapping in the Minudasht forests, Golestan province, Iran”, Environmental Earth Sciences, vol. 73, pp: 1515-1533. [13]. Ajin, Res; Loghin, Ana-Maria; Vinod, ;Jacob, Mathew (2016). “Forest fire risk zone mapping in Chinnar Wildlife Sanctuary, Kerala, India: A study using geospatial tools”, Journal of Global Resources, vol. 3, pp: 16-26. [14]. Bernier, Pierre; Gauthier, Sylvie; Jean, Pierre-Olivier; Manka, Francis; Boulanger, Yan; Beaudoin, Andre et al. (2016). “Mapping local effects of forest properties on fire risk across Canada”, Forests, vol. 7, p: 157. [15]. Suryabhagavan, Karuturi; Alemu, Moi; Balakrishnan, Mia (2016). “GIS-based multi-criteria decision analysis for forest fire susceptibility mapping: a case study in Harenna forest, southwestern Ethiopia”, Tropical Ecology, vol. 57, pp: 33-43. [16]. Luckose, Maneesha; Arunkumar, Pier; Gopi, Ahana; Mathew, John (2017). “Forest fire hazard zonation mapping of Wayanad district of India using geospatial technology”"lnerability Conference 2017, p. in Disaster, Risk and Vulnerability Conference 2017, p: 91. [17]. Rodriguez, Taylor; Ramirez, Mason; Tchikoue, Jace (2008). “Factors affecting the accident rate of forest fire”, Ciencia Forestal en Mexico, Vol.33, No.104, PP. 38–57. [18]. Romero-Calcerrada, Raul; Novillo, Charles; Millington, James (2008). “GIS analysis of spatial patterns of human-caused wildfire ignition risk in the SW of Madrid (Central Spain)”, Landscape Ecol. Vol.23 PP. 341–354. [19]. Avila, Diana; Pompa-Garcia, Marin; Antonio-Nemiga, Xanat (2010). “Driving Factors for Forest Fire Occurrence in Durango State of Mexico: A Geospatial Perspective‖”, Chin. Geogra. Sci. Vol.20, No.6, PP. 491–497. [20]. Raei, Amin; Pahlavani, Parham; Hasanlou, Mahdi (2016). “Determining Effective Factors on Forest Fire Using the Compound of Geographically Weighted Regression and Genetic Algorithm, a Case Study: Golestan, Iran”, Iran. Journal of Geospatial Information Technology. Vol 3, Issue 4, pp 97-120. [21]. Srivas, Thayjes; Artés, Tomàs; de Callafon, Raymond; Altintas, Ilkay (2016). “Wildfire Spread Prediction and Assimilation for FARSITE Using Ensemble Kalman Filtering”, Procedia Computer Science, vol. 80, pp. 897-908. [22]. Berger, Paul; Maurer, Robert; Celli, Giovana (2018). “Multiple Linear Regression”, in Experimental Design, ed: Springer, pp. 505-532. [23]. Friedman, Jerome (1991). “Multivariate adaptive regression splines”, The annals of statistics, pp. 1-67. [24]. Knafl, George; Ding, Kai (2016). “Adaptive regression for modeling nonlinear relationships” .Springer. [25]. Vidyullatha, Paul; Rao, Dominic (2016). “Machine Learning Techniques on Multidimensional Curve Fitting Data Based on R-Square and Chi-Square Methods”, International Journal of Electrical and Computer Engineering, vol. 6, p. 974. [26]. Chai, Tony; Draxler, Randy (2014) “Root mean square error (RMSE) or mean absolute error (MAE)?–Arguments against avoiding RMSE in the literature”, Geoscientific model development, vol. 7, pp. 1247-1250. | ||
آمار تعداد مشاهده مقاله: 431 تعداد دریافت فایل اصل مقاله: 260 |