- پهلوانی، پرهام؛ راعی، امین و بیگدلی، بهناز. (1398). تعیین فاکتورهای مؤثر بر آتش‌سوزی جنگل با استفاده از ترکیب مدل رگرسیون اسپلاین تطبیقی چندمتغیره و الگوریتم ژنتیک (مطالعه موردی: جنگل گلستان). تحلیل فضایی مخاطرات محیطی، 6(4)، 1-18.
- بهرامی پیچاقچی، حدیقه؛ نوروز ولاشدی، رضا و غلامی سفیدکوهی، محمدعلی. (1403). بررسی روند آتش‌سوزی‌ها و ارتباط آن با متغیرهای اقلیمی. مجله مخاطرات محیط طبیعی، 13(49)، 128.
- شجاعی زاده، کبری؛ احمدی، محمود و داداشی رودباری، عباسعلی. (1402). تغییرات زمانی-مکانی آتش‌سوزی نواحی رویشی ایران مبتنی بر داده‌های MODIS. مخاطرات محیط طبیعی، 12(36)، 41-60.
- احمدی اردکانی، مرتضی؛ رجبی، محمد و سرکارگر اردکانی، علی. (1394). پهنه‌بندی مناطق دارای پتانسیل آتش‌سوزی در جنگل‌ها با استفاده از روش‌های تصمیم‌گیری چندمعیاره. جغرافیا و برنامه‌ریزی محیطی، 26(57)، 172.
- جورغلامی، مقداد؛ ریزوندی، وحید و مجنونیان، باریس. (1392). ارزیابی اثرات محیط‌زیستی بهره‌برداری حاصل از قطع درختان بر روی توده باقی‌مانده (مطالعه موردی: جنگل خیرود). پژوهش‌های محیط‌زیست، 4(7)، 115-124.
- نصرتی رامش، منیژه؛ بیات، حسین و اسلامی، سیده فاطمه. (1396). تأثیر چرای دام بر برخی خصوصیات فیزیکی و شیمیایی خاک (مطالعه موردی: حوضه گنبد ملایر). در پانزدهمین کنگره علوم خاک ایران.
- پرنیان، مینا، اسعدی اسکویی، ابراهیم و رهنما، مهدی. (1400). بررسی روش‌های پایش و پیش‌بینی آتش‌سوزی نواحی رویشی ایران و جهان. نشریه پژوهش‌های اقلیم‌شناسی، 12(47)، 101-120.
- Abatzoglou, J. T., & Williams, A. P. (2016). Impact of anthropogenic climate change on wildfire across western US forests. Proceedings of the National Academy of Sciences, 113(42), 11770-11775. https://doi.org/10.1073/pnas.1607171113
- Ahmadi Ardakani, M., Rajabi, M., & Sarkargar Ardakani, A. (2015). Zoning areas with fire potential in forests using multi-criteria decision-making methods. Geography and Environmental Planning, 26(57), 172. [In Persian]
- Bahrami Pichaghchi, H., Norouz Valashdi, R., & Gholami Sefidkouhi, M. A. (2024). Analysis of wildfire trends and their relationship with climatic variables. Journal of Natural Environmental Hazards, 13(49), 128. [In Persian]
- Bakke, S. J., Wanders, N., van der Wiel, K., & Tallaksen, L. (2023). A data-driven model for Fennoscandian wildfire danger. Natural Hazards and Earth System Sciences. https://doi.org/10.5194/nhess-23-65-2023
- Bowman, D. M. J. S., Balch, J., Artaxo, P., Bond, W. J., Cochrane, M. A., & D’Antonio, C. M. (2009). Fire in the Earth system. Science, 324(5926), 481-484. https://doi.org/10.1126/science.1163886
- Carmo, M., Moreira, F., Casimiro, P., & Vaz, P. (2011). Land use and topography influences on wildfire occurrence in northern Portugal. Landscape and Urban Planning, 100(1–2), 169-176. https://doi.org/10.1016/j.landurbplan.2010.11.017
- Dong, B., Li, H., Xu, J., Han, C., & Zhao, S. (2023). Spatiotemporal analysis of forest fires in China from 2012 to 2021 based on Visible Infrared Imaging Radiometer Suite (VIIRS) active fires. Sustainability, 15(12), 9532. https://doi.org/10.3390/su15129532
- Eskandari, S., Miesel, J. R., & Pourghasemi, H. R. (2020). The temporal and spatial relationships between climatic parameters and fire occurrence in northeastern Iran. Ecological Indicators, 118, 106720. https://doi.org/10.1016/j.ecolind.2020.106720
- Gallo, C., Eden, J., Dieppois, B., Drobyshev, I., Fulé, P., San-Miguel-Ayanz, J., & Blackett, M. (2023). Evaluation of CMIP6 model performances in simulating fire weather spatiotemporal variability on global and regional scales. Geoscientific Model Development, 16, 3103-3120. https://doi.org/10.5194/gmd-16-3103-2023
- Hantson, S., Arneth, A., Harrison, S. P., Kelley, D. I., Lasslop, G., Li, F., et al. (2016). The status and challenge of global fire modeling. Biogeosciences, 13(11), 3359-3375. https://doi.org/10.5194/bg-13-3359-2016
- Jaafari, A., Mafi Gholami, D., & Zenner, E. K. (2017). A Bayesian modeling of wildfire probability in the Zagros Mountains, Iran. Ecological Informatics, 39, 32-44. https://doi.org/10.1016/j.ecoinf.2017.03.003
- Jourgholami, M., Rezouvandi, V., & Majnuniyan, B. (2014). Impact of information and communication technology on environment. Environmental Researches, 4(7), 115-124. [In Persian]
- Kanwal, R., Rafaqat, W., Iqbal, M., & Song, W. (2023). Data-driven approaches for wildfire mapping and prediction assessment using a convolutional neural network (CNN). Remote Sensing.
- Kaleem, Mehmood., Anees, Sh. A., Luo, M., Akram, M., Zubair, M., Khan, K. A., & Khan, W. R. (2024). “Assessing Chilgoza Pine (Pinus Gerardiana) Forest Fire Severity: Remote Sensing Analysis, Correlations, and Predictive Modeling for Enhanced Management Strategies.” Trees, Forests and People, 16 (June),100521. https://doi.org/10.1016/j.tfp.2024.100521.
- Nami, M., Jaafari, A., Fallah, M., & Nabiuni, S. (2018). Prediction of wildfire probability in the Hyrcanian ecoregion using evidential belief function model and GIS. International Journal of Environmental Science and Technology, 15(2), 373-384. https://doi.org/10.1007/s13762-017-1371-6
- Naszarkowski, N. A. L., Cornulier, T., Woodin, S. J., Ross, L. C., Hester, A. J., & Pakeman, R. J. (2024). Factors affecting severity of wildfires in Scottish heathlands and blanket bogs. Science of The Total Environment, 931, 172746. https://doi.org/10.1016/j.scitotenv.2024.172746
- Nosrati Ramesh, M., Bayat, H., & Eslami, S. F. (2017). The impact of grazing on some physical and chemical properties of soil (Case study: Gonbad Malayer Basin). In 15th Iranian Soil Science Congress. [In Persian]
- Pahlavani, P., Raee, A., & Beigdelii, B. (2019). Determining effective factors on forest fire using the compound of multivariate adaptive regression spline and genetic algorithm, a case study: Golestan, Iran. Journal of Spatial Analysis of Environmental Hazards, 6(4), 1-18. [In Persian]
- Parnian, M., Asadi Oskouei, E., & Rahnama, M. (2021). Review of monitoring and predicting forest fire in vegetation areas of Iran and the world. Journal of Climatology Researches, 12(47), 101-120. [In Persian]
- Ruíz-García, V. H., Borja de la Rosa, M. A., Gómez-Díaz, J. D., Asensio-Grima, C., Matías-Ramos, M., & Monterroso-Rivas, A. I. (2022). Forest fires, land use changes, and their impact on hydrological balance in temperate forests of Central Mexico. Water, 14(3), 383. https://doi.org/10.3390/w14030383
- Sadeghi, A., Ahmadi Nadoushan, M., & Ahmadi Sani, N. (2024). Segment-level modeling of wildfire susceptibility in Iranian semi-arid oak forests: Unveiling the pivotal impact of human activities. Trees, Forests and People, 15, 100496. https://doi.org/10.1016/j.tfp.2024.100496
- Shahzad, F., Mehmood, K., Hussain, K., Haidar, I., Anees, Sh. A., Muhammad, S., Ali, J., Adnan, M., Wang, Zh., & Zhongke, F. (2024). “Comparing Machine Learning Algorithms to Predict Vegetation Fire Detections in Pakistan.” Fire Ecology, 20 (1), 57. https://doi.org/10.1186/s42408-024-00289-5.
- Shahzad, K., Xu, Y., Luo, X., & Ali, K. (2024). Predicting wildfire incidents through satellite monitoring. Fire Management Strategies.
- Shojaeizadeh, K., Ahmadi, M., & Dadashi-Roudbari, A. (2023). Spatiotemporal changes of forest fire in vegetation areas of Iran based on MODIS sensor. Journal of Natural Environmental Hazards, 12(36), 1-15. [In Persian]
- Yue, W., Ren, C., Liang, Y., Lin, X., Yin, A., & Liang, J. (2023). Wildfire risk assessment considering seasonal differences: A case study of Nanning, China. Forests. https://doi.org/10.3390/f14081616
|
