تهیه نقشه احتمال خطر وقوع آتش سوزی با استفاده از الگوریتم های داده کاوی ‏(مطالعه موردی: پارک ملی گلستان، شمال شرقی ایران)‏

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه علوم کشاورزی و منابع طبیعی گرگان

2 دانشیار گروه جنگلداری دانشگاه علوم کشاورزی و منابع طبیعی گرگان

چکیده

سابقه و هدف: پیش‌بینی مکانی احتمال وقوع آتش‌سوزی و تهیه نقشه احتمال خطر وقوع آتش در عرصه‌های طبیعی یکی از راه‌های جلوگیری و مدیریت آتش‌سوزی است. هدف از این تحقیق پهنه‌بندی خطر احتمال وقوع آتش‌سوزی در پارک ملی گلستان با استفاده از الگوریتم‌های ناپارامتریک شبکه عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی می‌باشد. مواد و روش‌ها: در این مطالعه حدود 100 نقطه از محل وقوع آتش‌سوزی جهت مدل‌سازی احتمال خطر وقوع آتش‌ بکار برده شد. عوامل موثر بر وقوع آتش‌سوزی شامل پوشش گیاهی، فیزیوگرافی، اقلیمی و انسانی شناسایی و نقشه‌های عوامل فوق تهیه شدند. به منظور مدل‌سازی، منطقه به سطوح تصمیم‌گیری و مدل‌سازی یک هکتاری تقسیم‌بندی شد و ارزش رقومی لایه‌های عوامل تاثیر‌گذار بر وقوع آتش‌سوزی در محل سطوح یک هکتاری استخراج و استاندارد گردید. مدل‌سازی احتمال خطر وقوع آتش‌سوزی با الگوریتم‌های ناپارامتریک با استفاده از 70 درصد نقاط آتش سوزی به عنوان نمونه‌های تعلیمی انجام شد. نقشه احتمال خطر وقوع آتش سوزی بدست آمده به 4 طبقه کم خطر، متوسط خطر، پرخطر و خطرناک پهنه‌بندی گردید. ارزیابی صحت طبقه‌بندی نقشه‌های حاصل از مدل‌سازی با معیار صحت کلی با استفاده از 30 درصد نقاط آتش‌سوزی باقیمانده صورت پذیرفت. یافته‌ها و نتیجه‌گیری کلی: نتایج نشان داد الگوریتم جنگل تصادفی با صحت کلی 75 درصد توانست احتمال خطر وقوع آتش‌سوزی را بهتر از سایر الگوریتم‌ها پیش‌بینی کند. هم‌چنین از نظر میزان مطابقت وقوع آتش سوزی با نتایج الگوریتم‌ها مشخص شد که همه الگوریتم-ها توانستند منطقه را به خوبی از نظر احتمال وقوع آتش‌سوزی طبقه‌بندی نمایند بطوری‌که بیش از 80 درصد نقاط آتش‌سوزی در مناطق با کلاسه‌های پرخطر و خطرناک واقع شدند. سابقه و هدف: پیش‌بینی مکانی احتمال وقوع آتش‌سوزی و تهیه نقشه احتمال خطر وقوع آتش در عرصه‌های طبیعی یکی از راه‌های جلوگیری و مدیریت آتش‌سوزی است. هدف از این تحقیق پهنه‌بندی خطر احتمال وقوع آتش‌سوزی در پارک ملی گلستان با استفاده از الگوریتم‌های ناپارامتریک شبکه عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی می‌باشد. مواد و روش‌ها: در این مطالعه حدود 100 نقطه از محل وقوع آتش‌سوزی جهت مدل‌سازی احتمال خطر وقوع آتش‌ بکار برده شد. عوامل موثر بر وقوع آتش‌سوزی شامل پوشش گیاهی، فیزیوگرافی، اقلیمی و انسانی شناسایی و نقشه‌های عوامل فوق تهیه شدند. در این مطالعه حدود 100 نقطه از محل وقوع آتش‌سوزی جهت مدل‌سازی احتمال خطر وقوع آتش‌ بکار برده شد. عوامل موثر بر وقوع آتش‌سوزی شامل پوشش گیاهی، فیزیوگرافی، اقلیمی و انسانی شناسایی و نقشه‌های عوامل فوق تهیه شدند. عوامل موثر بر وقوع آتش‌سوزی شامل پوشش گیاهی، فیزیوگرافی، اقلیمی و انسانی شناسایی و نقشه‌های عوامل فوق تهیه شدند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Preparation map of Forest Fire Risk Using SVM, RF & MLP Algorithms (Case Study: Golestan National Park, Northeastern Iran)

نویسندگان [English]

  • Mohammad Amin Eshaghi 1
  • Shaban Shataee joybari 2
1 Gorgan University of Agricultural Sciences and Natural Resources
2 ‎2Associate Professor of Forestry, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan
چکیده [English]

Background and objectives: Spatial prediction of fire risk and preparing the forest fire risk map across the natural areas are among the ways that can be used to prevent and to manage fire. The aim of this research was zonation of forest fire risk in Golestan National Park using non-parametric algorithms, namely Artificial Neural Network (ANN), Support Vector Machine (SVM) and Random Forest (RF). Materials and methods: About 100 occurred fire points were considered for modeling the fire risk. The effective factors on fire occurring including vegetation types, physiographic, climatic, and human factors were identified and their relevant maps were prepared from different sources. To modeling purposes, initially the zone was divided into 1-ha levels of decision-making and modeling and then the pixel values of the effective factors on classes of fire occurring, across the 1-ha levels, were extracted and standardized. Based on non-parametric algorithms, fire risk was modeled with 70 percent of the fire points, as training samples. The prepared forest fire risk map was zoned in terms of four classes of low-risk, medium-risk, high-risk and dangerous. The classification accuracy of the maps, resulted from this modeling, was assessed through the overall classification accuracy given 30 percent of the remained fire points. Results & Conclusion:The results indicated that RF algorithm, with the overall accuracy of 75%, was the best algorithm in predicting the fire risk compare to other ones. Likewise, after matching the fire risk occurring with the results gained from algorithms, it turned out that all algorithms were able to classify the area properly in terms of the fire risk, as more than 80 percent of fire points were placed in the high-risk and dangerous classes. . Results & Conclusion:The results indicated that RF algorithm, with the overall accuracy of 75%, was the best algorithm in predicting the fire risk compare to other ones. Likewise, after matching the fire risk occurring with the results gained from algorithms, it turned out that all algorithms were able to classify the area properly in terms of the fire risk, as more than 80 percent of fire points were placed in the high-risk and dangerous classes. Results & Conclusion:The results indicated that RF algorithm, with the overall accuracy of 75%, was the best algorithm in predicting the fire risk compare to other ones. Likewise, after matching the fire risk occurring with the results gained from algorithms, it turned out that all algorithms were able to classify the area properly in terms of the fire risk, as more than 80 percent of fire points were placed in the high-risk and dangerous classes

کلیدواژه‌ها [English]

  • Forest fire risk map
  • Support vector machine
  • Artificial neural network
  • Random Forest
  • Golestan National Park