Salehi N, Dashti S, Atarroshan S, Nazarpour A, Jaafarzadeh N. Forest Risk Fire Zoning using an Integrated Method of Artificial Neural Network and Spatial Information System (Murray Study: Shimbar Protected Area). E.E.R. 2023; 13 (2) :235-253
URL:
http://magazine.hormozgan.ac.ir/article-1-687-fa.html
صالحی نفیسه، دشتی سولماز، عطارروشن سینا، نظرپور احد، جعفرزاده نعمت اله. پهنهبندی ریسک آتشسوزی مناطق جنگلی با استفاده از روش تلفیقی شبکه عصبی مصنوعی و سیستم اطلاعات مکانی (مطالعه موردی: منطقه حفاظت شده شیمبار، استان خوزستان). پژوهش هاي فرسايش محيطي. 1402; 13 (2) :235-253
URL: http://magazine.hormozgan.ac.ir/article-1-687-fa.html
گروه محیط زیست، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران ، solmazdashti@gmail.com
چکیده: (2527 مشاهده)
بهرهگیری همزمان از سیستم اطلاعات جغرافیایی (GIS) و روشهای مبتنی بر هوش مصنوعی، همواره نتایج خوبی را در تحقیقات حوضه منابع طبیعی به دنبال داشتهاست. این تحقیق در همین قالب و به منظور اولویتبندی عوامل تأثیرگذار بر گسترش حریق و شناسایی مناطق پرخطر در جنگلهای منطقه حفاظت شده شیمبار، بر اساس آتشسوزیهای سالهای 1390 تا 1397 انجام شد که در این خصوص، شاخصهایی برای روش شبکه عصبی مصنوعی در نظر گرفته شد. در پیادهسازی روش شبکه عصبی مصنوعی با شاخصهای مؤثر بر آتشسوزی جنگل، به تهیه نقشه پهنهبندی خطر آتشسوزی با پنج کلاس خطر خیلی کم، خطر کم، خطر متوسط، خطر زیاد، خطر خیلی زیاد با صحت کلی ۸۳/۰ و خطای RMSE برابر با ۷۵/۰ پرداخته شد. نتایج تحقیق نشان داد که بیست درصد مساحت منطقه در طبقه متوسط پتانسیل وقوع آتشسوزی، یازده درصد در طبقه زیاد و ده درصد در طبقه خیلی زیاد قرار دارد. همچنین مهمترین متغیرهای مؤثر بر وقوع آتشسوزی شامل فاصله از رودخانه، تیپ اراضی، ارتفاع و حداقل دما است. نتیجه پژوهش این است که با توجه به شاخصهای در نظرگرفته شده، مدلهای تلفیقی شبکه عصبی مصنوعی (ANN) و سیستم اطلاعات مکانی، در تهیه نقشه پهنهبندی خطر آتشسوزی کارایی بالایی دارد و پیشنهاد میشود از این مدلها برای پیشگیری، کنترل و مدیریت آتشسوزی در سایر نقاط کشور هم در مقیاس وسیع استفاده شود.