یک مطالعه مقایسه ای از نقشه برداری آتش جنگل با استفاده از رویکردهای داده کاوی مبتنی بر GIS در ایران غربی

نقشه برداری دقیق از خطر آتش سوزی برای برنامه ریزی و محافظت از جنگل ها ضروری است. این مطالعه با هدف نقشه برداری از خطر آتش سوزی (احتمال احتراق) در شهرستان ماریوان استان کردستان ، ایران ، با استفاده از رویکردهای داده کاوی عملکرد عملکرد اعتقادی مشهود (EBF) و وزن شواهد (WOE) ، با تأکید بر متغیرهای آب و هواییواددر مرحله اول ، 284 حادثه آتش نشانی در منطقه به طور تصادفی به دو گروه از جمله گروه آموزش (70 ٪ ، 199 امتیاز) و گروه اعتبار سنجی (30 ٪ ، 85 امتیاز) تقسیم شدند. با توجه به مطالعات قبلی و شرایط منطقه ، متغیرهای درصد شیب ، جهت شیب ، ارتفاع ، فاصله از رودخانه ها ، فاصله از جاده ها ، فاصله از شهرک ها ، استفاده از زمین ، انحنای شیب ، بارندگی و حداکثر دمای سالانه برای آتش سوزی منطقه بندی در نظر گرفته شد. خطر. سپس نقشه های خطر آتش سوزی جنگل با استفاده از مدل های EBF و WOE تهیه شد. عملکرد هر مدل با استفاده از منحنی ویژگی عملیاتی نسبی (ROC) مورد بررسی قرار گرفت. نتایج نشان داد که WOE و EBF ابزاری مؤثر برای نقشه برداری از خطرات آتش سوزی جنگل در منطقه مورد مطالعه هستند. با این حال ، مدل WOE مساحت کمی بالاتر را در زیر مقدار منحنی (0. 896) در مقایسه با مدل EBF (0. 886) نشان می دهد ، که نشان دهنده عملکرد کمی بهتر است. نتایج این مطالعه می تواند اطلاعات ارزشمندی را برای جلوگیری از آتش سوزی جنگل در منطقه مورد مطالعه فراهم کند.

1. معرفی

آتش جنگل اجتناب ناپذیر است و نقش مهمی در توالی پوشش گیاهی و تحول چشم انداز دارد [1]. این نوع آتش سوزی به طور گسترده ای یک خطر جدی در نظر گرفته می شود که اثرات منفی بر محیط زیست و جامعه در بسیاری از کشورهای جهان دارد [2]. در سالهای اخیر ، آتش سوزی شدید جنگلی در برخی از کشورها ، مانند ایالات متحده ، سوئد ، چین ، اندونزی و پرتغال ، به دلیل اثرات وقایع آب و هوایی ناشی از تغییرات آب و هوایی ، از جمله دوره های طولانی خشکسالی همراه با خشک و گرم رخ داده است. هوا [3]. پیش بینی می شود که به دلیل ادامه تغییرات آب و هوا ، آتش سوزی جنگل در آینده افزایش می یابد [4]. علاوه بر این ، فعالیت های انسانی ، به عنوان مثال ، احتراق زباله ها ، سوزش های خرد شده و سیگارهای دور ریخته شده نقش های کلیدی را در احتراق ، احتراق و گسترش آتش سوزی های جنگلی ایفا می کنند [5،6].

از آنجا که آتش سوزی جنگلی تحت تأثیر عوامل مختلف از یک فرآیند غیرخطی و پیچیده پیروی می کند ، تهیه مدلهای بسیار دقیق برای پیش بینی خطرات آتش جنگل دشوار است [7]. از عوامل مختلفی برای شناسایی پتانسیل خطرات آتش سوزی جنگل استفاده شده است ، که در میان آنها می توان به شیب [8] ، فاصله از جاده ها [9] ، جنبه [10] ، ارتفاع [11] ، بارندگی [12] ، دما [13 اشاره کرد.] ، فاصله از رودخانه ها [14] ، استفاده از زمین [15] ، پوشش گیاهی [16] ، فاصله از شهرک ها ، سرعت باد [17] ، انحنای [18] و شاخص رطوبت توپوگرافی [19]. با توجه به اینکه آتش سوزی جنگلی در اثر عوامل بسیاری ایجاد می شود ، لازم است تا حد امکان برای نقشه برداری خطر آتش سوزی با دقت بالا در مناطق خاص ، عوامل مختلف تأثیرگذار را در نظر بگیریم.

نقشه برداری از خطر آتش سوزی جنگل به عنوان ابزاری مؤثر و مهم برای پیش بینی آتش سوزی در نظر گرفته می شود ، که برای مدیریت و محافظت از مناطق جنگلی ضروری است [8،20]. نقشه های بالقوه ریسک می تواند اطلاعات مفیدی را برای برنامه ریزان و مدیران فراهم کند تا مناطقی را با پتانسیل بالاتر در معرض خطر آتش سوزی در جنگل کنترل کنند. علاوه بر در نظر گرفتن عوامل تأثیرگذار به اندازه کافی ، مدل اتخاذ شده یکی از مهمترین عوامل در نقشه برداری از خطر آتش سوزی است. به طور کلی ، مدلهای به کار رفته در خطرات آتش سوزی می توانند به (1) مدل های آماری و مبتنی بر داده ، (2) مدل های یادگیری مبتنی بر دستگاه ، (3) مدل های تصمیم گیری چند معیار و (4) مدل های یکپارچه تقسیم شوند. 21]علاوه بر این ، بسیاری از مدلها برای پیش بینی خطرات آتش سوزی جنگلی ساخته شده اند ، که از این میان می توان به روشهای ساده آماری ، از جمله رگرسیون پواسون [22] ، رگرسیون لجستیک باینری [13] و رگرسیون خطی اشاره کرد [20]. در این راستا ، مدل های پیچیده تر ، برای پیش بینی خطرات آتش سوزی جنگل ، شامل توزیع پارتو [23] ، توابع مطلوب [24] و رویکرد مبتنی بر شبیه سازی عددی [3] ، و همچنین مدلهای ریاضی پیچیده مانند Elmfire [25]. علاوه بر این ، برخی از الگوریتم های یادگیری ماشینی در سالهای اخیر برای پیش بینی خطرات آتش سوزی جنگل ، مانند عملکرد اعتقاد مشهود (EBF) [13] ، دستگاه بردار پشتیبانی [14] ، جنگل تصادفی [26] و الگوریتم فازی عصبی [10] استفاده شده است.].

به تازگی ، مدل های مبتنی بر سیستم اطلاعات جغرافیایی (GIS) برای مدل سازی احتمال آتش سوزی در جنگل ساخته شده است. در این روش ها فرض بر این است که شرایطی که در گذشته منجر به وقوع آتش سوزی شده است ، احتمالاً در آینده باعث آتش سوزی نیز خواهد شد [27]. مدلهای مبتنی بر GIS مانند وزن شواهد (WOE) در ابتدا برای شناسایی و کشف ذخایر معدنی [28] و برای نقشه برداری از حساسیت به زمین لغزش معرفی شدند [29]. کارارا و همکاران.[30] تجزیه و تحلیل احتمال مشروط را یک ابزار منطقه بندی با ارزش در نظر بگیرید ، به خصوص در صورت وجود عوامل مناسب و درک خوب از عوامل خطر. بعداً ، این مدل برای نقشه برداری از خطر آتش سوزی جنگل اعمال شد و در مطالعات موردی ، مانند چین [31] و ایران [32] عملکرد خوبی را نشان داد. مزایای اصلی روشهای EBF و WOE این است که آنها ارزش وزنی عوامل مبتنی بر یک فرمول آماری را محاسبه می کنند و بنابراین از انتخاب ذهنی فاکتورهای وزنی جلوگیری می کنند. علاوه بر این ، نقشه های ورودی با داده های گمشده (پوشش ناقص) می توانند در مدل قرار بگیرند و تحت داده های نمونه برداری به طور قابل توجهی در نتایج تأثیر نمی گذارد [29،33]. نتایج مطالعات نشان می دهد که رویکردهای داده محور متداول ترین روشها هستند ، در حالی که رویکردهای گروه دقیق تر هستند [21].

ایران یکی از کشورهایی در خاورمیانه و شمال آفریقا است که با خطر آتش سوزی در جنگل های بالا روبرو است و میانگین سالانه 130 آتش سوزی و میانگین سوخته سالانه 5400 هکتار است [34]. بنابراین ، نقشه برداری از خطر آتش سوزی نقش مهمی در مدیریت آتش سوزی جنگل در ایران دارد زیرا دانستن مکان با بیشترین خطر برای به حداقل رساندن تهدیدات برای منابع ، زندگی و دارایی ضروری است. برای شناسایی دقیق تر پتانسیل خطر آتش سوزی در جنگل ها ، مقایسه عملکرد روشها و تکنیک های مختلف و همچنین در نظر گرفتن عوامل مؤثر برای یک مطالعه خاص بسیار مهم است. در برابر این پیش زمینه ، این مطالعه با هدف شناسایی پتانسیل برای خطرات آتش سوزی جنگل با استفاده از رویکردهای داده کاوی EBF و WOE با در نظر گرفتن عوامل مختلف با تأکید بر متغیرهای آب و هوایی در استان ماریوان در استان کردستان غربی ایران غربی انجام شده است. نتایج این مطالعه برای برنامه ریزی و محافظت از جنگل ها در ایران بسیار ارزشمند خواهد بود.

2. مواد و روشها

2. 1منطقه مورد مطالعه

این مطالعه با مساحت 231،721. 5 هکتار در شهرستان ماریوان ، واقع در غرب استان کردستان ، ایران انجام شد. این شهر بین طول جغرافیایی شرقی 45 ° 58′50 ″ تا 46 ° 46′6 ″ و عرض جغرافیایی شمالی 35 ° 20′56 ″ تا 35 ° 49′10 ″ واقع شده است ،~1000 متر تا 3000 متر. شکل 1 مکان و توپوگرافی منطقه مورد مطالعه را نشان می دهد.

2. 2تهیه لایه ها و نقشه ها

284 آتش سوزی که در شهر ماریوان رخ داده است به دو بخش از جمله داده های آموزش (70 ٪ ؛ 199 حادثه) و داده های اعتبار سنجی (30 ٪ ؛ 85 حادثه) تقسیم شدند. اطلاعات آتش سوزی توسط وزارت منابع طبیعی و مدیریت آبخیزداری شهر ماریوان ارائه شده است. سپس ارتفاع ، درصد شیب ، جهت شیب ، فاصله از جاده ها ، فاصله از رودخانه ها ، فاصله از شهرک ها ، استفاده از زمین ، انحنای شیب ، میانگین بارندگی سالانه و دمای متوسط ، که به عنوان عوامل مؤثر بر پتانسیل خطرات آتش جنگل شناخته شده اند. برای تولید نقشه منطقه بندی خطر آتش سوزی استفاده می شود. روش مورد استفاده در این مطالعه به صورت گرافیکی در شکل 2 نشان داده شده است.

برای طبقه بندی معیارها و لایه ها ، از روش نظر متخصص استفاده شد [35]. نقشه ارتفاع در نرم افزار ArcGIS 10. 3 بر اساس مدل ارتفاع دیجیتال (DEM) به دست آمده از ماهواره Alos Palsar و همچنین وب سایت تأسیسات ماهواره ای آلاسکا تهیه شده است (https://vertex. daac. asf. alaska. edu/ دسترسی به 31اکتبر 2021) ، و به شش کلاس تقسیم شد. علاوه بر این ، نقشه های درصد شیب ، شیب و انحنای شیب بر اساس DEM تهیه شده و به ترتیب در شش ، نه و سه طبقه طبقه بندی شده اند. لایه کاربری اراضی از جنگل ها ، محدوده ها و سازمان مدیریت آبخیزداری بدست آمد و بر اساس مصارف متنوع به کلاسهای مختلف تقسیم شد. نقشه فاصله از جاده ها ، فاصله از شهرک ها و فاصله از رودخانه ها با استفاده از نقشه توپوگرافی دیجیتال 1: 50،000 و از طریق استفاده از توابع فاصله در محیط ArcGIS تهیه شده است. داده های ماهانه 20 ساله (2000-2020) در یازده ایستگاه بارندگی و اقلیمی در داخل و خارج از منطقه مورد مطالعه برای تهیه بارندگی سالانه و حداکثر نقشه دمای سالانه ، از طریق استفاده از روش وزن گیری معکوس (IDW) ، که تقسیم شده است ، استفاده شد. به پنج کلاس. شکل 3 نقشه های پارامترهای مؤثر در شناسایی پتانسیل خطر آتش سوزی جنگل ها را نشان می دهد.

2. 3وزن شواهد (وای)

WOE مدلی است که برای ادغام اطلاعات مکانی استفاده می شود ، که به عنوان یکی از مدل های تئوری بیزی در چارچوب لگاریتم های خطی شناخته می شود [36]. وزن هر عامل بر اساس معادلات (1) و (2) محاسبه می شود.

W I + نشان دهنده وزن مثبت است که نشان دهنده رابطه مثبت بین متغیر قابل پیش بینی و آتش جنگل است. W I - نشان می دهد که همبستگی آنها منفی است. علاوه بر این ، تفاوت بین W I + و W I - کنتراست وزن است ، با بزرگی نشان دهنده کل ارتباط مکانی بین متغیر قابل پیش بینی و آتش جنگل است [37]. علاوه بر این ، معادله (3) معادله محاسباتی آن را نشان می دهد.

N P I X 2 نشان دهنده (تعداد کل پیکسل های وقوع آتش در هر نقشه) - (تعداد پیکسل های وقوع آتش در هر کلاس).

N P I X 3 نشان می دهد (تعداد پیکسل ها در هر کلاس) - (تعداد پیکسل های وقوع آتش در هر کلاس).

n p i x 4 نشان دهنده (تعداد کل پیکسل ها در هر نقشه) - (تعداد کل پیکسل های وقوع آتش در هر نقشه) - (تعداد پیکسل ها در هر کلاس) + (تعداد پیکسل های وقوع آتش در هر کلاس) [[38]

برای به دست آوردن وزن نهایی برای هر عامل ، وزن مثبت و منفی کلاسهای مختلف هر عامل به هم اضافه می شود. اگر وزن یک عامل مثبت باشد ، در وقوع آتش سوزی نقش خواهد داشت. در مقابل ، اگر وزن آن منفی باشد ، هیچ نقشی در وقوع آتش نخواهد داشت. علاوه بر این ، برخی از عوامل تأثیر ناچیز بر وقوع آتش سوزی دارند که وزن آنها 0 یا نزدیک به 0 است. پس از ورود به وزنهای موجود در محیط Arcgis در نقشه های موضوعی ، نقشه موضوعی وزنی تولید شد. علاوه بر این ، با ادغام تمام این نقشه ها ، پتانسیل وقوع آتش سوزی پیش بینی شده بود.

2. 4عملکرد اعتقادی مشهود (EBF)

این مدل شامل چهار کارکرد اساسی از درجه اعتقاد (BEL) ، درجه کفر (DIS) ، درجه عدم اطمینان (UNC) و درجه احتمالی (PLS) در محدوده 0 و 1 است. داده های استخراج شده از عملکردEBF همبستگی مکانی بین عوامل مؤثر و وقوع آتش سوزی و همبستگی مکانی بین کلاسهای هر یک از عوامل مؤثر تخمین می زند [39]. معادلات برای چهار کارکرد فوق توسط معادلات (4) - (8) به شرح زیر تخمین زده می شود

b e l = b e l 1 + b e l 2 +…… + b e l n 1 - ∑ i = 2 n (b e l i - 1 d i s i - d i s i - 1 b e l i)

d i s = d i s 1 + d i s 2 +…… + d i s n 1 - ∑ i = 2 n (b e l i - 1 d i s i - d i s i - 1 b e l i)

u n c = ∑ i = 2 n (u n c i - 1 u n c i + b e l i - 1 u n c i + b e l i u n c i - 1 + d i s i - 1 u n c i + d i s i u n c i - 1) 1 - ∑ i = 2n (b e l i - 1 d i s i - d i s i - 1 b e l i)

در این معادلات ، N تعداد عوامل را نشان می دهد. یکی از ویژگی های مدل EBF این است که توابع BEL ، DIS و UNC در محدوده 0 و 1 قرار دارند. بنابراین ، اگر UNC برابر با 1 باشد ، BEL و DIS برابر با 0 و در مورد جمع BEL وDIS برابر 1 ، درجه UNC برابر خواهد بود 0.

اول ، توابع مدل ها در نرم افزار اکسل تدوین شدند. سپس وزن های محاسبه شده در این مرحله به متغیرهای موجود در محیط ArcGIS اضافه شد. سرانجام ، متغیرهای وزنی در محیط ArcGIS خلاصه شدند و نقشه حساسیت به آتش جنگل تهیه شد.

طبقه بندی بر اساس روشهای استراحت طبیعی انجام شد. سرانجام ، نقشه آماده شده به پنج کلاس خطر تقسیم شد ، یعنی بسیار کم ، کم ، متوسط ، بالا و بسیار زیاد.

2. 5ارزیابی مدل ها

عملکرد مدلهای WOE و EBF با استفاده از منحنی ویژگی نسبی عملیاتی (ROC) مورد بررسی قرار گرفت. در منحنی ROC ، به عنوان یک نمودار ، نسبت پیکسل ها برای پیش بینی وقوع آتش سوزی یا عدم وقوع در محور افقی (مثبت واقعی یا خاص I) در برابر مقادیر مکمل آنها نشان داده شده است ، یعنی نسبت پیکسل ها به طور نادرست پیش بینی می شود (مثبت کاذب مثبتیا حساسیت) در محور عمودی. این منحنی در آمار SPSS نسخه 16. 0 (IBM ، شیکاگو ، IL ، ایالات متحده) محاسبه و ترسیم شد. منطقه زیر این منحنی "منطقه زیر منحنی (AUC)" نامگذاری شده است. علاوه بر این ، مدل با بزرگترین مقدار AUC عملکرد نسبتاً بهتری را نشان می دهد. مقدار AUC برابر با 0. 5 مدل خنثی در نظر گرفته می شود. علاوه بر این ، هرچه این مقدار به 1 نزدیکتر باشد ، کارایی مدل ها بیشتر می شود [40]. در این بخش ، به منظور اعتبارسنجی مدل ها ، داده های مربوط به 85 وقوع آتش سوزی در منطقه مورد مطالعه ، داده های اعتبار سنجی در نظر گرفته شد.

3. نتایج

جدول 1 نتایج رابطه بین هر فاکتور مؤثر و نقاط وقوع آتش را با استفاده از روش WOE و EBF نشان می دهد. طبق جدول ، جهت های غربی و جنوب غربی در هر دو مدل بیشترین تأثیر را داشته است ، اما جهت های جنوب شرقی ، شمال شرقی و شمالی کمترین تأثیر را در وقوع آتش سوزی داشته است. علاوه بر این ، در هر دو مدل ، دامنه های 0-10 ٪ و 10-20 ٪ بیشترین تأثیر را داشتند ، اما دامنه های بالاتر از 50 ٪ کمترین تأثیر را در بروز آتش سوزی داشتند. علاوه بر این ، بیشترین تعداد آتش سوزی ، در هر دو مدل ، در کلاس ارتفاع 1196-1500 متر رخ داده است ، اما کمترین تعداد آتش سوزی در دو مدل WOE و EBF در کلاسهای ارتفاع 1800-2100 و 2400 رخ داده است. به ترتیب 3153 متر. با توجه به فاصله از شهرک ها ، احتمال آتش سوزی با افزایش فاصله از شهرک ها کاهش یافته است. بالاترین خطر آتش سوزی در دو مدل WOE و EBF به ترتیب در مسافت 1000-1500 و 1550-2000 متر از رودخانه ها مشاهده شد. علاوه بر این ، کمترین خطر آتش سوزی در هر دو مدل در فاصله 0-500 متر از رودخانه ها مشاهده شد. علاوه بر این ، با توجه به نتایج وزنی ، بین فاصله از جاده ها و پتانسیل وقوع آتش رابطه معکوس وجود دارد. به عبارت دیگر ، هرچه فاصله از جاده ها کوتاه تر باشد ، احتمال آتش سوزی بیشتر خواهد بود. بررسی نقشه کاربری اراضی نشان داد که آتش سوزی بیشتر در جنگل های پراکنده رخ داده است. با توجه به نتایج هر دو مدل ، میزان بروز آتش سوزی با افزایش بارندگی افزایش یافته است که بیشترین خطر آتش سوزی در کلاس بارندگی 900-991 میلی متر مشاهده شده است. علاوه بر این ، کمترین میزان آتش سوزی در مدل های WOE و EBF به ترتیب در کلاس های 600-700 میلی متر و 535-600 میلی متر مشاهده شد. با توجه به نتایج هر دو مدل ، حوادث آتش سوزی با افزایش حداکثر دمای سالانه افزایش یافته و بیشترین خطر آتش سوزی برای کلاس دما 35-35. 4 درجه سانتیگراد مشاهده شده است. علاوه بر این ، کمترین حوادث آتش سوزی در مدل های WOE و EBF به ترتیب در کلاس های 33. 2-33. 5 درجه سانتیگراد و 33. 5-34 درجه سانتیگراد مشاهده شد. علاوه بر این ، بررسی نقشه انحنای شیب نشان داد که بالاترین پتانسیل آتش در هر دو مدل در شیب مسطح رخ داده است ، با کمترین پتانسیل آتش سوزی در هر دو مدل در شیب مقعر رخ می دهد.

نقشه های بالقوه آتش سوزی با استفاده از مدل های WOE و EBF در شکل 4 نشان داده شده است. مناطق و درصد مناطق کف وقوع احتمالی آتش سوزی در جدول 2 آورده شده است. همانطور که در جدول 2 نشان داده شده است ، نتایج دو مدل WOE و EBF نشان داد کهحدود 76 و 62 ٪ از منطقه مورد مطالعه به ترتیب در طبقات متوسط تا بسیار بالا قرار داشتند.

برای اعتبارسنجی نقشه های بالقوه آتش ، از منحنی ROC استفاده شد. منطقه زیر منحنی ROC AUC نامگذاری شده است. اگر مقدار آن کمتر از 0. 5 باشد ، عدم دقت مدل را نشان می دهد ، و اگر مقدار آن از 0. 5 تا 1 باشد ، صحت مدل را برای پیش بینی حضور یا عدم وجود پتانسیل آتش نشان می دهد. جدول 3 مقادیر AUC را برای مدلهای ارزیابی شده بر اساس داده های اعتبار سنجی ارائه شده نشان می دهد. علاوه بر این ، شکل 5 منحنی ROC مدل های ارزیابی شده را بر اساس داده های اعتبار سنجی ارائه می دهد. در بین مدلهای WOE و EBF که مورد مطالعه قرار گرفت ، بالاترین دقت مربوط به مدل WOE (896/0) بود. از این رو ، از نظر شناسایی پتانسیل های آتش ، مدل WOE عملکرد بهتری نسبت به مدل EBF ارائه داد.

4. بحث

آتش سوزی یکی از مهمترین دلایل اختلالات طبیعی در اکوسیستم های جنگلی است ، تا حد زیادی بر منابع جنگلی ، تغییرات آب و هوا و توالی های زیست محیطی تأثیر می گذارد [41] و همچنین عامل اصلی در از بین بردن جنگل ها و تهدید به چنین اکوسیستم های حیاتی [42]. در این مطالعه ، از دو مدل وزن شواهد و عملکرد اعتقاد مشهود برای شناسایی پتانسیل های خطر آتش سوزی استفاده شده است. انتخاب پارامترهای مؤثر که باعث آتش سوزی می شود ، مسئله مهمی در مدل سازی پتانسیل خطر آتش سوزی در جنگل ها است. یک مطالعه جامع با در نظر گرفتن پارامترهای مختلف برای نقشه برداری از خطر آتش سوزی جنگل در این مطالعه ، از جمله ارتفاع ، درصد شیب ، جهت شیب ، انحنای شیب ، استفاده از اراضی ، فاصله از شهرک ها ، فاصله از جاده ها ، فاصله از رودخانه ها ، میانگین بارندگی سالانه و و متوسط سالانه انجام شد. حداکثر دمای سالانه.

بالاترین پتانسیل آتش سوزی در مطالعه حاضر در کلاس کمترین ارتفاع مشاهده شد ، که می تواند به دلیل غلظت بالاتر فعالیت های انسانی در کلاس های ارتفاع پایین باشد. این مطابق با نتایج مطالعه قبلی دونگ و همکاران است.[43]در مقابل ، ژانگ و همکاران.[11] و هونگ و همکاران.[14] اظهار داشت که خطرات آتش سوزی با ارتفاع ارتباط مثبت دارد ، با این یافته با نتایج مطالعه حاضر مغایرت دارد.

بیشتر آتش سوزی ها در دامنه های کمتر از 50 ٪ در منطقه مورد مطالعه رخ داده است. دلیل این امر می تواند فعالیت انسانی بالاتر در دامنه های کمتر شیب دار باشد. جهت شیب به طور قابل توجهی بر شرایط محلی ، از جمله قرار گرفتن در معرض آفتاب ، جهت باد غالب ، میزان بارندگی و ساختار مورفولوژیکی تأثیر می گذارد و به نوبه خود با حوادث آتش سوزی ارتباط دارد [44]. بر این اساس ، جهت شیب یکی دیگر از عوامل مؤثر در ایجاد آتش سوزی بود که بیشترین وقوع آتش سوزی در جهت های غربی و جنوب غربی مشاهده شد. در حقیقت ، جهت های غربی و جنوبی به دلیل دریافت نور آفتاب بیشتر خشک تر است. علاوه بر این ، ناگفته نماند که پوشش گیاهی خشک مستعد آتش است. مطابق با مطالعه حاضر ، Ashtiani و همکاران.[45] گزارش داد که بالاترین حوادث آتش سوزی در جهت های جنوبی و جنوب غربی رخ داده است. فعالیت های انسانی بالاتری در همسایگی مناطق مسکونی وجود دارد ، بنابراین آتش سوزی بیشتری در چنین مکان هایی رخ می دهد [46]. علاوه بر این ، حوادث آتش سوزی با افزایش فاصله از مناطق مسکونی کاهش یافته است. گرچه انسان علت اصلی آتش سوزی است ، اما آنها در وقوع و گسترش آتش نقش دوگانه ایفا می کنند [12].

لایه فاصله از آبراه ها نقش دوگانه ای در وقوع آتش نیز دارد. فعالیت انسانی در مجاورت شبکه های زهکشی و رودخانه ها بیشتر است و نقش اصلی در بروز آتش سوزی و افزایش بروز آن را ایفا می کند. از طرف دیگر ، نقش مهمی در وقوع آتش سوق می دهد. این امر به این دلیل است که در مجاورت رودخانه ها و دریاچه ها رطوبت بیشتری وجود دارد که این رطوبت دارای نقش مهار کننده و کاهش در بروز آتش است. بر اساس نتایج مطالعه حاضر ، کاهش فاصله از رودخانه ها منجر به کاهش آتش سوزی شد.

نتایج مدل ها نشان می دهد که بین فاصله از جاده ها و پتانسیل آتش ، یک ارتباط معکوس وجود دارد. به عبارت دیگر ، هرچه فاصله از جاده ها کوتاه تر باشد ، احتمال آتش سوزی بیشتر خواهد بود. این به دلیل فعالیت بالاتر انسانی در نزدیکی جاده ها است. نتایج این قسمت مطابق با مطالعه موتا و همکاران است.[47] در Matogroso ، برزیل. بررسی نقشه کاربری اراضی نشان داد که آتش سوزی بیشتر در اراضی با استفاده از جنگل های پراکنده رخ می دهد. بر این اساس ، Bazyar و همکاران.[48] اظهار داشت که بیشترین میزان آتش سوزی در استفاده از زمین از جنگل های متراکم رخ داده است.

هنگ و همکاران.[14] پتانسیل خطر آتش سوزی را با استفاده از رویکردهای داده کاوی بررسی کرد. آنها اظهار داشتند که پارامترهای آب و هوایی در مقیاس محلی از اهمیت کمتری برخوردار بودند ، اما در مقیاس منطقه ای از اهمیت بیشتری برخوردار بودند. در همین حال ، ویژگی های توپوگرافی ، پوشش گیاهی و فعالیت های انسانی در مقیاس محلی از اهمیت بیشتری برخوردار بودند. از بین عوامل اقلیمی مؤثر بر حوادث آتش سوزی ، می توان به دما و بارش اشاره کرد. در جنگل های زاگرس ، بیشترین میزان بارندگی در زمستان و بهار رخ می دهد و کمترین میزان بارندگی در تابستان رخ می دهد. به طور کلی ، کمترین میزان بارندگی از ژوئن تا سپتامبر رخ می دهد [1]. بر اساس نتایج هر دو مدل ، حوادث آتش سوزی با افزایش بارندگی و حداکثر دمای سالانه افزایش یافته است. افزایش میزان بارندگی باعث افزایش تراکم پوشش گیاهی می شود و در نتیجه میزان سوخت افزایش می یابد. از طرف دیگر ، افزایش دما باعث خشک شدن سوخت می شود و در نتیجه احتمال آتش سوزی افزایش می یابد. این یافته ها مطابق با نتایج مطالعه توسط Mhawej و همکاران بود.[49]ژانگ و همکاران.[11] گزارش داد که خطر آتش سوزی با دما در چمنزارهای چین ارتباط مثبت دارد و مطابق با یافته های مطالعه حاضر است.

بررسی نقشه انحنای شیب نشان داد که بالاترین پتانسیل آتش در دامنه های مسطح رخ داده است ، و کمترین پتانسیل آتش در هر دو مدل در دامنه های مقعر مشاهده شده است. بر اساس مطالعه نامی و همکاران.[50] ، بیشترین میزان آتش سوزی در دامنه های مسطح ، مطابق با نتایج مطالعه حاضر مشاهده شد. Bazyar و همکاران.[48] نتایج مشابهی نیز بدست آورد.

نتایج مدل های به کار رفته در مطالعه حاضر با استفاده از منحنی ویژگی عملکرد سیستم مورد بررسی و تأیید قرار گرفت. بر اساس معیار ارزیابی مورد استفاده در این مطالعه ، یعنی ROC و مطابق با داده های اعتبار سنجی ، مدل WOE (0. 896) عملکرد بهتری نسبت به مدل EBF (0. 886) ارائه داد. علاوه بر این ، عملکرد خوب هر دو مدل در شناسایی پتانسیل خطر آتش سوزی جنگل و مرتع نشان داد که کارهای کد نویسی ، پردازش و مدل سازی با موفقیت در این مطالعه انجام شده است. علاوه بر این ، نتایج این دو مدل نشان داد که به ترتیب حدود 76 ٪ و 62 ٪ از منطقه مورد مطالعه به ترتیب در کلاس های بسیار بالا قرار گرفتند. نامی و همکاران.[50] پتانسیل خطر آتش سوزی را در منطقه Hyrcanian ایران با استفاده از مدل EBF بررسی کرد و نتیجه گرفت که مدل EBF (0. 841) از نظر پتانسیل خطر آتش سوزی عملکرد خوبی را ارائه داده است. در یک مطالعه دیگر ، Pourghasemi [13] پتانسیل خطر آتش سوزی را در ایران با استفاده از مدل EBF بررسی کرد و گزارش داد که این مدل عملکرد خوبی (8199) در شناسایی پتانسیل خطر آتش سوزی ارائه داده است.

5. نتیجه گیری ها

در مطالعه حاضر ، دو مدل EBF و WOE برای ترسیم پتانسیل خطر آتش سوزی جنگل ها در استان ماریوان استان کردستان ، ایران استفاده شده است. نقشه های تولید شده توسط این دو مدل به پنج دسته بالقوه بسیار کم ، کم ، متوسط ، زیاد و بسیار زیاد تقسیم شدند. بزرگترین منطقه مناطق با پتانسیل بسیار بالا در مدل WOE مشاهده شد. به طور کلی ، نتایج این مطالعه نشان داد که 62-76 ٪ از منطقه مورد مطالعه از پتانسیل های خطرناک در معرض آتش سوزی متوسط تا بسیار بالا برخوردار است. بنابراین ، برخی از اقدامات باید برای جلوگیری و رسیدگی به خطرات احتمالی حوادث آتش نشانی در جنگل های منطقه مورد مطالعه اتخاذ شود. چنین اقداماتی باید شامل افزایش نظارت بر مناطقی با پتانسیل های خطرناک آتش سوزی بالا و بسیار زیاد ، ایجاد موانع آتش سوزی و تخصیص بودجه بیشتر به بخش های آتش نشانی جنگل ها باشد. از میان دیگر راه حل ها ، می توان به تجهیز به روستائیان ، داوطلبان سهام و کاربران مناطق طبیعی با تجهیزات آتش نشانی اشاره کرد. بیشتر آتش سوزی ها توسط انسان ایجاد شده است که می تواند با آزاد کردن بطری های آب یا بطری های شیشه ای در جنگل ها ایجاد شود. عامل دیگر مؤثر در بروز آتش سوزی روش نادرست روشن یا خاموش کردن آتش بود. بنابراین ، یکی از راه های جلوگیری از آتش سوزی جنگل ، ایجاد فرهنگ از نظر اهمیت و روش استفاده از این منابع ملی است. در پایان ، می توان نتیجه گرفت که تولید نقشه دقیق و معقول در محل خطر آتش سوزی ممکن است به مدیران و برنامه ریزان در شناسایی مناطقی با پتانسیل خطر آتش سوزی بالا برای مدیریت بحران در مناطق آسیب پذیر کمک کند.

کمک های نویسنده

مفهوم سازی ، O. A. M. و S. R. ؛روش شناسی ، S. V. ؛نرم افزار ، S. R. ؛اعتبار سنجی ، S. R. ، C. Y. و M. M. K. ؛تجزیه و تحلیل رسمی ، O. A. M. ؛تحقیقات ، S. V. ؛منابع ، M. M. K. ؛CURATION DATA ، S. R. ؛نوشتن - پیش نویس آماده سازی ORIGINAL ، S. R. ؛نوشتن - بررسی و ویرایش ، C. Y. و T. H. ؛تجسم ، S. R. ؛نظارت ، O. A. M. و T. H. ؛مدیریت پروژه ، O. A. M. ؛کسب بودجه ، T. H. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و موافقت کرده اند.

منابع مالی

این تحقیق هیچ بودجه خارجی دریافت نکرد ، این تحقیق توسط برنامه ملی تحقیق و توسعه ملی چین ، پروژه های کلیدی برای همکاری های استراتژیک بین المللی نوآورانه در علم و فناوری (2018YFE0207800) ، پروژه آسانسور جوانان انجمن چین برای علوم و فناوری پشتیبانی شد (شماره. YESS20210370) ، و استان Heilongjiang پروژه راهنمایی مشترک جوانان برجسته (شماره LH2021C012).