پديد آورندگان :
شاه‌حيدري‌پور، علي دانشگاه تهران - پرديس دانشكده‌هاي فني , پهلواني، پرهام دانشگاه تهران - پرديس دانشكده‌هاي فني , بيگدلي، بهناز دانشگاه صنعتي شاهرود
كليدواژه :
نقشۀ ريسك آتش‌سوزي , رگرسيون چندگانۀ خطي(MLR) , رگرسيون انطباقي چندمتغيرۀ اسپيلاين (MARS) , آتش‌سوزي جنگل
چكيده فارسي :
جنگل‌ها از مهم‌ترين منابع طبيعي و اكولوژيكي در كرۀ زمين و از اركان مهم توسعۀ پايدار در هر كشوري به‌حساب مي‌آيند. آتش‌سوزي هر سال حدود 5500 هكتار از جنگل‌ها را در ايران از بين مي‌برد. در اين تحقيق با استفاده از داده‌هاي آتش‌سوزي سازمان جنگل‌ها در تلفيق با داده‌هاي سنجندۀ MODIS بين سال‌هاي 91 تا 96 نقاط آتش شناسايي شدند. ازآنجا كه بيش از 75 درصد آتش‌سوزي‌ها در فصل گرم سال يعني سه ماه تير، مرداد و شهريور اتفاق افتاده بود، از داده‌هاي اين سه ماه براي مدل‌سازي استفاده شد. پارامترهاي مؤثر در وقوع آتش‌سوزي ارزيابي و پارامترهاي وابسته حذف شدند. سپس دو روش رگرسيون چندگانۀ خطي و رگرسيون انطباقي چندمتغيرۀ اسپيلاين براي پيش‌بيني ريسك وقوع آتش‌سوزي بررسي شدند. براي ارزيابي از چند پارامتر مهم شامل جذر ميانگين مربعات خطاها، ضريب تعيين R2، درصد برآورد درست نقاط آتش و غيرآتش و توزيع خطا استفاده شد. نتايج نشان داد كه روش رگرسيون انطباقي چندمتغيرۀ اسپيلاين با داشتن خطاي ميانگين مربعات باقي‌مانده‌ها داده‌هاي آموزشي برابر با 1628/0، R2 داده‌هاي آموزشي برابر با 8932/0، درصد پيش‌بيني درست نقاط آتش آزمايشي نزديك به 94 درصد، درصد پيش‌بيني درست نقاط غيرآتش آزمايشي نزديك به 88 درصد و توزيع مناسب‌تر خطا عملكرد بهتري نسبت به روش ديگر دارد. اين امر در واقع نشان‌دهندۀ مدل‌سازي دقيق‌تر يك روش محلي در مقايسه با يك روش غيرمحلي است. به همين دليل نقشۀ ريسك تهيه‌شده با رگرسيون انطباقي چندمتغيرۀ اسپيلاين اعتمادپذيري بيشتري از روش ديگر دارد. در نهايت با استفاده از نقشۀ ريسك اين روش مناطق پرريسك شناسايي شدند. ويژگي اين مناطق شامل فاصلۀ كم تا مناطق مسكوني و راه، داراي خاك غني از مواد عالي، دماي به‌نسبت زياد و ارتفاع كم بود.
چكيده لاتين :
Forest areas are among the most important natural and ecological resources on the Earth and are considered as one of the main pillars of sustainable development in any country. Fires ruins almost 5500 hectares of Iran’s forests yearly. In this research, firstly, the fire points were identified using the fire data of Forest Organization in combination with MODIS sensor data between 2012 and 2017. Due to the fact that more than 75% of fires were happened in the hot season of the year (June, July, and August), the data of the three months was used for modeling. Then, the effective parameters in fire occurring were evaluated and the dependent parameters were removed. Accordingly, two methods, including multiple linear regression and multivariate adaptive regression spline were studied to predict the fire risk. Some important parameters including the root-mean-square error (RMSE), R2, the correct estimation percentage of fire and non-fire points, and error distribution were used to evaluate. After modeling, it was found that the multivariate adaptive regression spline has better performance—where its RMSE of test data was 0.1628, its R2 of test data was 0.893, and its correct estimation percentage of test fire points and test non-fire points was near 94% and 88% respectively, as well as its error distribution was better than the other method. This actually shows that modeling with a local method is very better than modeling with a global method. Therefore, the risk map resulted by multivariate adaptive regression spline has better reliability compared to those of the other method. Finally, the high-risk areas were recognized using the risk map of this method. The traits of these areas were a short distance to residential areas and roads, having rich soil with organic materials, relatively high temperature, and low height.
