این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مرتع، جلد ۱۶، شماره ۲، صفحات ۴۰۱-۴۱۵
عنوان فارسی پیش‌بینی و تهیه نقشه خطر وقوع آتش‌سوزی مراتع با استفاده از الگوریتم‌های جنگل تصادفی و ماشین بردار پشتیبان (مطالعه موردی: مراتع شهرستان اراک)
چکیده فارسی مقاله سابقه و هدف: آتش‌سوزی در مراتع آثار مخربی را در سیمای سرزمین، عملکرد و خدمات اکوسیستم­های مرتعی بر جای می­گذارد. علیرغم تلاش­های متخصصان، تصمیم­گیران، ذینفعان و ادارات دولتی در دهه­های اخیر برای کاهش اثرات آتش­سوزی، تعداد آن و خسارات اقتصادی و انسانی مرتبط با آن، در سراسر جهان در حال افزایش است. یکی از مهم‌ترین اقدامات برای کاهش آسیب­های ناشی از آتش­سوزی، پیش­بینی و پیشگیری از وقوع آتش­سوزی است که مبتنی بر تعیین محدوده خطر یا مناطق مستعد و بالقوه برای آتش­سوزی می­باشد. هدف از این تحقیق شناسایی و تعیین مناطق حساس به آتش­سوزی در مراتع قشلاق محمدقلی شهرستان اراک استان مرکزی می­باشد. مواد و روش­ها: مراتع مورد مطالعه به مساحت 3100 هکتار با اقلیم خشک تا نیمه‌خشک در 15 کیلومتری جنوب شرق شهر اراک در استان مرکزی واقع شده ‌است. ارتفاع منطقه 1900 تا 2500 متر از سطح دریا و میانگین بارندگی 225 میلی‌متر، اکسترم­های حرارتی منطقه 11- (بهمن) تا 35 درجه سانتی‌گراد (مرداد) است. بمنظور پهنه‌بندی خطر آتش‌سوزی در منطقه از 9 عامل درجه شیب، جهت شیب، ارتفاع از سطح دریا، زمین‌شناسی، کاربری اراضی، فاصله از جاده، فاصله از شبکه آبراهه، خاک‌شناسی و درصد پوشش گیاهی استفاده شد. رویدادهای آتش‌سوزی به‌عنوان مبنایی برای پیش‌بینی وقوع آتش‌سوزی در آینده در نظر گرفته ­شدند. مناطق غیر آتش‌سوزی نیز مشخص و انتخاب شدند. برای پهنه­بندی و پیش­بینی آتش از دو مدل ماشین­بردار پشتیبان (SVM) و مدل جنگل تصادفی (RF) استفاده شد. به‌منظور ارزیابی نتایج این مدلها از نمایه‌های آماری ضریب تبیین (R2: همبستگی بین داده­های مشاهده­ای و برآوردی)، ریشه دوم میانگین مربعات خطا (RMSE: انحراف مقادیر پیش‌بینی‌شده با مقادیر مشاهده‌شده) و ضریب کارایی (CE: بین منفی بی­نهایت و 1 قرار دارد، هرچه به یک نزدیک‌تر باشد بیانگر کارایی بالاتر مدل در پیش­بینی است) استفاده گردید. خروجی مدل­های جنگل تصادفی و ماشین بردار پشتیبان بین 1 و صفر قرار دارد که به 5 (طبقه) منطقه با خطرات خیلی کم تا خیلی زیاد آتش­سوزی تقسیم می­شود. مدلها مهم‌ترین متغیرهای مؤثر در آتش‌سوزی گذشته را شناسایی کرده و سپس به پهنه‌بندی خطر آتش­سوزی در منطقه خواهند پرداخت. نتایج: به ترتیب متغیرهای پوشش گیاهی، جهت، شیب و ارتفاع بیشترین تاثیر را در آتش­سوزی داشتند و متغیرهای زمین‌شناسی، کاربری اراضی، فاصله از جاده، فاصله از شبکه آبراهه و خاک‌شناسی به دلیل داشتن ضرایب نامناسب و غیر معنی­دار از فرآیند مدلسازی حذف شدند. حساس­ترین طبقه شیب در وقوع آتش‌سوزی، طبقه 25-12 درصد و بالاتر از آن و طبقه 8-12 کمترین وقوع آتش­سوزی را دارد. همچنین بیشترین آتش‌سوزی در ارتفاع 2100-1900 متر و کمترین آن در ارتفاع 2500-2400 رخ داده است. به لحاظ جهت نیز دامنه­های جنوب غربی و جنوب بیشترین و دامنه­های شمالی و جهت بدون شیب کمترین وقایع آتش‌سوزی را داشته­اند. پوشش گیاهی نیز با فراهم کردن مواد سوختی لازم، بیشترین وقوع آتش‌سوزی را در پوشش 75-50 درصد و کمترین آن را در پوشش زیر 25 درصد نشان داده است. با توجه به نتایج حاصل از اجرای مدل­ها، مدل ماشین بردار پشتیبان با ضریب کارایی 86/0 و خطای 05/3 در مرحله آزمون، مدل دقیق­تری در این مطالعه می­باشد. همچنین نتایج به­دست­آمده نشان داد که ازلحاظ خطر آتش‌سوزی، 11 درصد مراتع موردمطالعه در طبقه خیلی کم، 16 درصد در طبقه کم، 35 درصد در طبقه خطر متوسط، 17 درصد در طبقه خطر زیاد و 21 درصد در طبقه خطر خیلی زیاد قرارگرفته است. نتیجه­‌گیری: شیبها و ارتفاعات بالا با پوشش گیاهی حداکثری (منبع سوختی مناسب) منطقه و شدت چرای کمتر، بیشترین وقایع آتش­سوزی را دارند. در حالیکه در پوشش­های اندک به دلیل ناکافی بودن ماده سوختی و در شیب­های پایین به دلیل تغییر کاربری مراتع به زراعی احتمال رخداد آتش­سوزی کمتری دارند. محدوه جهت جنوب نیز با دریافت حرارت خورشیدی بیشتر، پوشش غالب گون و گرامینه­های یک‌ساله مواد سوختی مناسبی برای آتش­سوزی فراهم می­کند. از بین مدل­های انتخابی نیز، مدل ماشین پشتیبان بردار نسبت به مدل جنگل تصادفی عملکرد بهتری در پهنه­بندی و پیش­بینی خطر آتش­سوزی داشت که ناشی از توانایی آن در ادغام متغیرهای ورودی زیاد بدون تغییر آنها می­باشد و با برقراری ارتباطات غیرخطی بین متغیرها، عوامل مؤثر را شناسایی می­نماید و می­تواند اطلاعات ارزشمندی جهت کنترل و پیشگیری از آتش­سوزی برای مدیران عرصه­های مرتعی فراهم کند.
کلیدواژه‌های فارسی مقاله کلمات کلیدی، آتش‌، پیشگیری، مراتع، اراک
عنوان انگلیسی Predicting and preparing a risk map of rangeland fires using random forest algorithms and support vector machine (Case study: Arak rangelands)
چکیده انگلیسی مقاله Abstract Background and objectives: Rangeland fires have devastating effects on the landscape, performance and services of rangeland ecosystems. Despite the efforts of experts, decision makers, stakeholders and government agencies in recent decades to reduce the effects of fire, its number and related economic and human losses are increasing worldwide. One of the most important measures to reduce the damage caused by fire is to predict and prevent the occurrence of fire, which is based on determining the danger zone or areas prone and potential for fire. The purpose of this study is to identify and determine areas sensitive to fire in the winter rangelands of Mohammad Gholi in Arak city of Markazi province. Methodology: The studied rangelands with an area of 3100 hectares with arid to semi-arid climate are located 15 km southeast of Arak city in Markazi province. The altitude of the region is 1900 to 2500 meters (a.s.l) and the average annual rainfall is 225 mm. The thermal extremes of the region are -11 (February) to 35 degrees Celsius (August). In order to zoning the fire risk in the region, 9 factors of slope, direction of slope, altitude, geology, land use, distance from the road, distance from the waterway network, soil science and vegetation percentage were used. Fire events were considered as a basis for predicting future fires. Non-fire areas were also identified and selected. For backup zoning and fire prediction, two support machine models (SVM) and random forest model (RF) were used.  In order to evaluate the results of these models, the statistical indices of coefficient of explanation (R2: correlation between observational and estimated data), the square root of the mean squared error (RMSE: deviation of predicted values ​​from observed values) and efficiency coefficient (CE: coefficient of efficiency: between infinite negative and 1, the closer to one indicates the higher the performance of the model in forecasting) was used. The output of RF and SVM models is between 1 and zero, which is divided into 5 (floors) of the area with very low to very high fire hazards. The models will identify the most important variables affecting the past fire and then zoning the fire risk in the region. Results: Vegetation, direction, slope and altitude variables had the greatest impact on fire, respectively, and the variables of geology, land use, distance from the road, distance from the waterway network and soil science were removed from the modeling process due to inappropriate and insignificant coefficients. Were. The most sensitive slope floor in case of fire is 12-25% and above and floor 8-12 has the lowest fire incidence. Also, the highest fire occurred at an altitude of 2100-1900 meters and the lowest at an altitude of 2500-2400. In terms of direction, the southwestern and southern slopes had the most and the northern slopes and the non-sloping direction had the least fire events. Vegetation, by providing the necessary fuel, has shown the highest incidence of fire in the coverage of 50-75% and the lowest in the coverage below 25%. According to the results of the implementation of the models, the support vector machine model with a coefficient of efficiency of 0.86 and an error of 3.55 in the test phase is a more accurate model in this study. The results also showed that in terms of fire risk, 11% of the rangelands were in the very low category, 16% in the low category, 35% in the medium risk category, 17% in the high risk category and 21% in the very high risk category are located. Conclusion: High slopes and heights with maximum vegetation (suitable fuel source) in the area and lower grazing intensity have the highest incidence of fire. While in low cover due to insufficient fuel and in low slopes due to change of Rangelands to agriculture, fire is less likely to occur. The area to the south also provides suitable fuel for the fire by receiving more solar heat, dominant cover of Astragalus and dense cover of annual grasses. Among the selected models, the vector support machine model had better performance in zoning and fire risk prediction than the random forest model, which is due to its ability to integrate many input variables without changing them, and Establishing nonlinear relationships between variables identifies effective factors and can provide valuable information for fire control and prevention to rangeland managers.  
کلیدواژه‌های انگلیسی مقاله Fire, Prevention, Rangeland, Arak.
نویسندگان مقاله رضا ویسی | Reza Veysi
General Department of Natural Resources of Markazi Province
اداره کل منابع طبیعی اراک

بختیار فتاحی | Bakhtiar Fattahi
Malayer University
دانشگاه ملایر

سعید خسروبیگی | Saied Khosrobeigi
General Department of Natural Resources of Markazi Province
اداره کل منابع طبیعی اراک

نشانی اینترنتی http://rangelandsrm.ir/browse.php?a_code=A-10-388-6&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده کاربردی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات