مقايسه قابليت كاربرد دو روش رگرسيون لجستيك و شبكه عصبي در پهنه بندي حساسيت آتش سوزي عرصه هاي جنگلي و مرتعي استان مازندران

Comparison of logistic regression and neural network methods in fire susceptibility of forest and rangelands, Mazandaran province

آتش‌سوزي در عرصه‌هاي طبيعي يكي از عوامل كاهش سطح جنگل ها و مراتع ايران است. در اين پژوهش، حساسيت آتش‌سوزي بر روي عرصه‌هاي جنگلي و مرتعي استان مازندران با استفاده از روش‌هاي داده مبنا مورد تجزيه‌وتحليل قرار گرفت. از اينرو، 14 متغير مستقل محيطي جهت تعيين پاسخ به نقاط فعال آتش‌سوزي سنجنده ماديس استفاده گرديد. اين متغيرها در روش‌هاي داده مبناي رگرسيون لجستيك و شبكه‌هاي عصبي كه روش مؤثري براي استخراج خودكار اهميت عوامل بر روي حساسيت آتش‌سوزي است، استفاده شد. نتايج نمودار منحني تشخيص عملكرد نسبي براي داده هاي اعتبارسنجي نشان داد كه هر دو روش از دقت بالايي (بيش‌تر از 89 درصد) در تشخيص نقاط فعال حريق سنجنده ماديس برخوردار هستند كه روش شبكه عصبي از تشخيص بالاتري با 88 درصد براي نمايش مناطق با حساسيت بالا نسبت به روش رگرسيون لجستيك با حدود 85 درصد برخوردار است. ضريب همبستگي بين دو روش نشان داد كه 97/0 پهنه‌هاي حساسيت در دو روش نسبت به هم يكسان هستند. 6/21 درصد از مساحت كل استان مازندران در پهنه هاي با حساسيت بالا و بسيار بالاي آتش سوزي جنگل و مراتع قرار دارد. نقشه‌ي حساسيت آتش‌سوزي جنگل‌ها و مراتع ارائه‌شده در اين تحقيق مي‌تواند به‌عنوان نقشه اساسي برنامه راهبردي در استان مازندران مورداستفاده قرار گيرد تا در ارزيابي برنامه‌هاي آسيب‌پذيري و برنامه‌ريزي براي تقليل اين آسيب‌ها مورداستفاده قرار بگيرد.

Fires in natural areas are one of the factors decreasing forested area of northern Iran. In this study, forest and rangelands susceptibility to fire were analyzed using data-driven methods over Mazandaran Province. Fourteen important environmental and anthropogenic parameters influencing forest and rangelands susceptibility to fire were used to model probability of fire susceptibility. Binary logistic regression and artificial neural network, as two well-known data driven methods was then used to evaluate environmental and anthropogenic performance on landfire and map of forest fire susceptibility estimates were prepared in GIS environment. The area under the successive rate curve (AUSC) showed that ANN method modeled forest fire susceptibility with an accuracy of around 88% and BLR with 85%. 21.6% of the total area of Mazandaran province is located in areas with high and very high susceptibility levels of forest and rangeland fire. Overall, ANN method showed promising results to estimate landfire susceptibility. The forestry and rangelands fire susceptibility map presented in this study can be used as a basic map of the strategic planing in Mazandaran province to reduce probability fire damages.