تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,500 |
تعداد مشاهده مقاله | 124,084,515 |
تعداد دریافت فایل اصل مقاله | 97,188,748 |
بررسی عددی آثار رطوبت هوا بر گسترش آتش در جنگلها (مطالعة موردی: جنگل ملکرود سیاهکل) | ||
نشریه جنگل و فرآورده های چوب | ||
دوره 76، شماره 1، خرداد 1402، صفحه 55-64 اصل مقاله (860 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/jfwp.2023.350562.1227 | ||
نویسندگان | ||
محمد نوروزی1؛ اسماعیل محمدیان بیشه1؛ حسین افشین* 1؛ بیژن فرهانیه1؛ رقیه جهدی2 | ||
1گروه تبدیل انرژی، دانشکده مهندسی مکانیک، دانشگاه صنعتی شریف، تهران، ایران. | ||
2دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران. | ||
چکیده | ||
آتشسوزیهای جنگلی جزء جداییناپذیر طبیعت است، اما عدم کنترل آنها ممکن است باعث ایجاد خسارات اقتصادی و محیطزیستی شدیدی شود که باید اقداماتی را برای مقابله با گسترش آتشسوزی انجام داد. بهدلیل طبیعت سخت و پیچیده آتشسوزی، پژوهشهایی که آتشسوزیهای واقعی را در مقیاس محیطی بررسی می کنند، تقریباً غیرعملی است. بهعنوان یک حالت جایگزین، پژوهشگران میتوانند از مدلهای شبیهسازی کامپیوتری براساس مطالعات میدانی، برای درک بهتر رفتار و آثار گسترش آتشسوزی در محیط مورد مطالعه استفاده کنند. در پژوهش حاضر به شبیهسازی عددی گسترش آتشسوزی با تأثیر پارامترهای آب و هوایی نظیر رطوبت موجود در هوا در شبیهساز فارسایت براساس مدل روترمل پرداخته شده است. نتایج شبیهسازی نشان داد که بیشترین ضریب سورنسن و ضریب کاپا برای تغییرات رطوبت موجود در هوا برابر با 0/80 و 0/77 میباشد. مقادیر متوسط نرخ گسترش آتش، طول شعله و شدت خط آتش برای سناریو شبیهسازی با بالاترین ضریب سورنسن و ضریب کاپا بهترتیب برابر m/min 0/58، m 0/54 و kW/m 74/54 خواهد بود. در یک ارزیابی کلی با توجه به دادههای شبیهسازی شده میتوان نتیجه گرفت که افزایش رطوبت هوا یکی از راهکارهای طبیعی کاهش احتمال گسترش آتشسوزی بهشمار میرود. همچنین، روش مطالعات عددی و شبیهسازی رفتار و گسترش آتشسوزی، بهدلیل هزینههای پایین و محدودیتهای کمتر جایگزین مناسبی برای مطالعات تجربی در این زمینه میباشد. | ||
کلیدواژهها | ||
آتشسوزی؛ پویایی؛ رطوبت؛ شبیهسازی؛ محیط زیست | ||
مراجع | ||
[1]. Adab, H., Devikanniah, K., & Solaimani, K. (2013). Modeling fire risk in northeast of Iran using remote sensing and GIS techniques. Natural Hazards, 65, 1723-1743. [2]. Liu, W., Wang, S., Zhou, Y., Wang, L., & Zhange, S. (2010). Analysis of forest potential fire Environment Based on GIS and RS. Proceedings of 18th International conference on geo-information. Beijing, China, pp: 18-20. [3]. North, M.P., Stephens, S.L., Collins, B.M., Agee, J.K., Aplet, G., Franklin, J.F., & Fulé, P.Z. (2015). Reform forest fire management: Agency incentives undermine policy effectiveness. Science, 349, 1280-1281. [4]. Vilar, L., Garrido, J., Echavarría, P., Martínez-Vega, J. & Martín, M. P. (2019). Comparative analysis of CORINE and climate change initiative land cover maps in Europe: Implications for wildfire occurrence estimation at regional and local scales. International Journal of Applied Earth Observation and Geoinformation, 78; 102-117. [5]. Nami, M. H., Jaafari, A., Fallah, M. & Nabiuni, S. (2018). Spatial prediction of wildfire probability in the Hyrcanian ecoregion using evidential belief function model and GIS. International Journal of Environmental Science and Technology, 15; 373–384. [6]. Finney, M. A. (1994). FARSITE: a Fire area simulator for fire manager. Fire Issues and solutions in urban ecosystems. Pacific Southwest Research Station, Forest Service, U.S. Department of Agriculture; p. 55-56 [7]. Finney, M. (2004). FARSITE: Fire Area simulator-model development and evaluation united states Department of Agriculture, Forest Service, Rocky Mountain Research Station. 47 p. [8]. Duane, A., Kelly, L., Giljohann, K., Batllori, E., McCarthy, M. & Brotons, L. (2019). Disentangling the Influence of Past Fires on Subsequent Fires in Mediterranean Landscapes. Ecosystems, 22; 1338–1351. [9]. Cruz, M. G., and Fernandes, P. M,. (2008). Development of fuel models for fire behaviour prediction in maritime pine (Pinus pinaster Ait.) stands. International Journal of Wildland Fire, 17; 194–204. [10]. Cai, L,. He, H.S., Wu, Z., Lewis, B.L. & Liang, Y. (2014). Development of standard fuel models in boreal forests of Northeast China through calibration and validation. PLoS One, 9(4): e94043. [11]. Cai, L,. S.He, H,. Liang, Y,. Wu, Z. & Huang, C. (2019). Analysis of the uncertainty of fuel model parameters in wildland fire modelling of a boreal forest in north-east China, International Journal of Wildland Fire, 28; 205-215. [12]. Sadat Razavi, A,. Shafiepoor motlagh, M,. Noorpoor, A, & Ehasani, A. (2022). Modelling the Effect of Temperature Increments on Wildfires. Pollution, 8(1), 193-209. (In Persian) [13]. Duguy, B., Alloza, J. A., Roder, A., Vallejo, R. & Pastor, F. (2007). modeling the effects of landscape fuel treatment on fire growth and behaviour in a mediterranean landscape (eastern spain). International Journal of Wildland Fire, 16, 619-632. [14]. Jahdi, R., darvishsefat, A., & Etemad, V. (2014). predicting forest fire spread using fire behavior model (case study: malekroud forest-siahkal). Iranian Journal of Forest, 5 (4), 419-430. (In Persian) [15]. Zinger, K., Carvalho, L. M., Peterson, S., Fujioka, F., Dunie, G.J., Jones, C. & Moritz, M. (2020). evaluating the Ability of FARSITE to simulate wildfires influenced by Extreme Downslope winds in santa Barbara, california. Fire, 3, 29. [16]. Weather Underground’s WunderMap, https://www.wunderground.com/ (accessed November 7, 2021). [17]. Arca, B., Bacciu, V., Duce, P., Pellizzaro, G., Salis, M. & Spano, D. (2015). Use of simulator to produce fire probability Maps in a Mediterranean Area. [18]. Hamadeh, N., Karouni, A., Daya, B. & Chauvet, P. (2017). Using correlative data analysis to develop weather index that estimates the risk of forest fires in Lebanon & Mediterranean: Assessment versus prevalent meteorological indices. Case Studies in Fire Safety, 7; 8-22. [19]. Shinneman, D. J., Germino, M. J., Pilliod, D. S., Aldridge, C. L., Vaillant, N. M., & Coates, P. S. (2019). The ecological uncertainty of wildfire fuel breaks: Examples from the sagebrush steppe. Frontiers Ecology Environment, 279–288. [20]. Toivanen, J., Engel, C. B., Reeder, M. J., Lane, T. P., Davies, L., & Webster, S. (2019). Coupled atmosphere-fire simulations of the Black Saturday Kilmore East wildfires with the Unified Model. Journal of Advances in Modeling Earth Systems, 11, 210–230. | ||
آمار تعداد مشاهده مقاله: 241 تعداد دریافت فایل اصل مقاله: 189 |