مقايسه مدل هاي شبكه عصبي مصنوعي و رگرسيون خطي در پيش بيني وقوع آتش سوزي جنگل و مراتع استان مازندران

Comparison of Artificial Neural Network (ANN) and Linear Regression (LR) Models to Predict of Forest and rangelands Fires

آتش سوزي هاي طبيعي با وارد آوردن خسارت هاي جبران ناپذير به مناطق مرتعي و جنگلي سبب تغيير در اكولوژي منظر مي شوند. هدف از اين تحقيق مقايسه مدل هاي شبكه عصبي مصنوعي و رگرسيون خطي در پيش بيني خطر آتش سوزي جنگل ها و مراتع استان مازندران است. به اين منظور، از داده هاي آتش سوزي شامل سطح سوخته شده و تعداد وقوع آتش سوزي و هم چنين از داده هاي هواشناسي در يك دوره 7 ساله (1385-1391) استفاده شد. نتايج حاصل از شبكه عصبي مصنوعي بيانگر اين مطلب است كه در اجراي 9 و تكرار 900 بهترين شبكه به دست آمد. نتايج اين تحقيق حاكي از توانايي شبكه عصبي در پيش بيني وقوع آتش سوزي بود و هم چنين اين مدل شبكه عصبي مي تواند 86 درصد تغييرات وقوع آتش سوزي در جنگل و مرتع را با استفاده از پارامتر هاي هواشناسي پيش بيني نمايد. هم چنين نتايج حاصل از آزمون همبستگي اسپيرمن نشان داد كه حداكثر دما (p=0.006، r=0.896)، حداقل رطوبت نسبي (p=0.003، r=0.896 و تعداد ساعات آفتابي (p=0.010، r=0.876) داراي همبستگي مثبت سطح سوخته شده آتش سوزي هستند. نتايج رگرسيون خطي بين سطح سوخته شده و عوامل هواشناسي مورد بررسي نشان داد كه ضريب تعيين مدل برابر 0.57 است. شبكه عصبي مصنوعي در پيش بيني آتش سوزي در جنگل ها نسبت به روش رگرسيون خطي يك روش سريع و قابل اطمينان بود.

Natural fire inflicting irreparable damage to rangelands and forest areas is cause changes in landscape ecology. The purpose of this research is comparison of Artificial Neural Network (ANN) and Line Regression (LR) Models to predict of forest and rangelands fires to this end, the data consist fire burned area and fire were used weather data over a period of 7 years (2006-2012(.The result indicates that the Artificial Neural Network with implementation 9 and repeats 900 was obtained best performance network. The results of this study indicated the ability of neural networks in predicting the occurrence of fire and as well as the neural network model can to predict 86 percent change in forest and grassland fire using climatic parameters. Also, the results of the Spearman correlation test showed that the maximum temperature (p =0.006, r =0.896), minimum relative humidity (P =0.003, r =0.896) number of sunshine hours (P =0.010, r =0.876) levels correlated with fire area positively. The results of the linear regression between the burned and climatic factors were shown the coefficient of determination was 0.57. Artificial neural network to predict fire in forests was more fast and reliable method than linear regression.