تعيين فاكتورهاي موثر بر آتش‌سوزي جنگل با استفاده از تركيب رگرسيون وزن‌دار جغرافيايي و الگوريتم ژنتيك، مطالعه موردي: جنگل‌هاي استان گلستان

Determining Effective Factors on Forest Fire Using the Compound of Geographically Weighted Regression and Genetic Algorithm, a Case Study: Golestan, Iran

امروزه شناسايي فاكتورهاي موثر بر آتش‌سوزي جنگل‌ها از اهميت بسيار بالايي برخوردار است زيرا سالانه مساحت زيادي از جنگل‌هاي جهان بر اثر آتش‌سوزي نابود مي‌شوند. با شناسايي اين فاكتورها مي‌توانيم نقاط و زمان‌هاي پرخطر براي آتش‌سوزي را شناسايي نماييم و با وضع قوانين و سياست‌هاي كارآمد در مديريت جنگل و نظارت بيشتر در جهت مقابله با فاكتورهاي محرك آتش برآييم. در اين تحقيق، فاكتورهاي موثر بر آتش‌سوزي‌هاي جنگل گلستان شناسايي شده‌اند. در اين راستا، از روش رگرسيون وزن‌دار جغرافيايي (GWR) در تركيب با الگوريتم ژنتيك استفاده شد. روش تركيبي پيشنهادي روش مناسبي براي مسايل رگرسيون مكاني است زيرا فاكتورهاي موثر با لحاظ نمودن دو ويژگي خاص داده‌هاي مكاني يعني خودهمبستگي و ناايستايي مكاني شناسايي گشتند. در اين تحقيق، از داده‌هاي سه آتش‌سوزي مختلف و دو روش وزن‌دهي گوسين و مكعبي سه‌گانه در GWR استفاده گشت. مقدار R2 با استفاده از هسته گوسين 9538/0، 9990/0 و 9903/0 و با استفاده از هسته مكعبي سه‌گانه 9931/0، 9999/0 و 9980/0 به دست آمد. نتايج تحقيقات نشان داد كه هر دو دسته فاكتورهاي بيوفيزيكي و انساني تاثير بسزايي در آتش‌سوزي‌هاي مناطق مورد مطالعه داشتند. از فاكتورهاي بيوفيزيكي ارتفاع، جهت شيب، حداقل دما، متوسط دما و از فاكتورهاي انساني كاربري زمين و فاصله از مناطق مسكوني در بيشتر حالت‌ها موثر شناخته شدند. همچنين با استفاده از هسته مكعبي سه‌گانه براي وزن‌دهي در GWR، نتايج دقيق‌تر و مناسب‌تري به دست آمد.

Determining the effective factors on fire is so important, because the plenty areas of forests around the world are destroyed every year by fire. It helps us to identify most dangerous locations and times in forest fire. Hence, we can prevent many of driving factors of forest fire by law enforcement, efficient forest management policies and more supervision. In the current study, we identified the impressive factors on the fire in Golestan forest using the compound of Geographically Weighted Regression (GWR) method and Genetic Algorithm that is suitable for the spatial regression problem, because it obtains the effective factors considering the autocorrelation and non-stationarity properties of spatial data. In this study, three different fire areas as well as two kernels of Gaussian and Tricube for weighting of GWR were used that for these three fire areas resulted to R2=0.9538, R2=0.9990, and R2=0.9903 for Gaussian kernel and R2=0.9931, R2=0.9999, and R2=0.9980 for Tricube kernel, respectively. This research shows that both of the biophysical and anthropogenic factors have significant effects on forest fire in our study areas. In biophysical factors, the elevation, the aspect, the minimum and mean tempreture and in anthropogenic factors, the landuse and the distance from the residential areas were identified as the most impressive factors. Weighting by Tricube kernel concluded to more precise results.