شناسايي نواحي داراي پتانسيل بالاي آتش‌سوزيبا استفاده از شبكه عصبي و تصميم‌گيري چندمعياره

Recognition of High Potential Area for Fire Occurrence, Using Neural Network and Multi-criteria Decision Making Analysis

آتش‌سوزي جنگل پديده‌اي است كه خسارت‌هاي مالي و برخي مواقع جان بسيار زيادي به بار مي‌آورد. شناسايي و بررسي اثر پارامترهاي موثر در وقوع آتش‌سوزي و مدل‌سازي آن‌ها در پيشگيري آتش‌سوزي و كاهش خسارت‌هاي ناشي از آن بسيار مفيد است. در اين تحقيق، با استفاده از روش‌هاي شبكه عصبي و تصميم‌گيري چندمعياره، مناطق داراي پتانسيل بالاي آتش‌سوزي در استان گلستان شناسايي شده است. در روش پيشنهادي براي تهيه نقشه خطر آتش‌سوزي، ابتدا با استفاده از تصميم‌گيري چندمعياره نقشه خطر استاتيك و سپس از طريق شبكه عصبي مصنوعي، نقشه خطر ديناميك تهيه مي‌شود. سرانجام از تركيب اين دو، نقشه خطر آتش‌سوزي به‌دست مي‌آيد كه مقادير هر پيكسل در آن بيانگر ميزان احتمال وقوع آتش‌سوزي براي آن پيكسل است. براي ارزيابي مدل از داده‌هاي آتش‌سوزي ماه ژوين سال 2005 استفاده شده است. مدل پيشنهادي درصدي از مساحت منطقه را به‌عنوان منطقه پرخطر شناسايي مي‌كند. با توجه به اين‌كه درصد آتش‌سوزي اتفاق‌افتاده در آن منطقه نيز معلوم است، معيار دقت از تقسيم درصد آتش‌سوزي‌هاي رخ‌داده در منطقه پرخطر به درصد مساحت آن منطقه تعريف مي‌شود. اين معيار دقت براي نقشه استاتيك با وزن‌هاي يكسان پارامترها برابر 86/1 و در حالت استخراج وزن‌ها به روش AHP برابر 21/2 به‌دست آمد، كه بيانگر بهبود دقت مدل از طريق روش AHP است. طبق نتايج مدل نهايي، حدود 49/70 درصد آتش‌سوزي‌ها در مناطقي كه به‌عنوان مناطق پرخطر شناسايي شده، اتفاق افتاده است. در حالي‌كه در مناطق بي‌خطر و كم‌خطر هيچ آتش‌سوزي اتفاق نيفتاده و در منطقه با خطر متوسط 51/29 درصد از آتش‌سوزي‌ها اتفاق افتاده است. همچنين معيار دقت براي مدل نهايي برابر 77/2 به‌دست آمده است.

Forest fire is a phenomenon that causes many economic and lifelong losses. Identification and assessment of parameters that effect on fire occurrence can be useful in fire prevention and reduction of related losses. In this research, high fire potential areas of Golestan were identified using artificial neural network (ANN) and multi-criteria decision making analysis. In the proposed method, at first the static fire risk was obtained using multi-criteria decision making analysis and then ANN usage for dynamic fire risk and finally the fire risk was obtained through linear combination of these two maps. Each pixel in final risk map shows the probability of fire occurrence. The June 2005 data was used to test the proposed model. For this purpose the proportion of occurred fire percent in the region, was identified as dangerous to its corresponding area size described as accuracy criteria. This criterion was obtained 1.86 for parameters with equal weight and obtained 2.21 when the weights derived through AHP analysis which indicates accuracy improvement. According to results, 70.49 percent of fires occurred in the areas that was identified as dangerous region while no fire occurred in non-danger and low danger region, and 29.51 percent of fires occurred in the areas, was identified as medium-danger region. Also the accuracy criterion was obtained 2.77 for final model.