كليدواژه لاتين :
fire modeling, random forest, support vector machine, ecosystem management
چكيده :
چكيده
آتش از مهمترين مخاطرات طبيعي بوده كه تاثير بسزائي بر ساختار و پويايي اكوسيستم¬هاي طبيعي از جمله جنگل¬ها دارد. با توجه به قرارگيري ايران در كمربند خشك و نيمه¬خشك جهان، هر ساله تعداد زيادي آتش-سوزي عمدي و غير عمدي در مناطق مختلف كشور به وقوع مي¬پيوندد. با توجه محدوديت نيروي ادارات منابع طبيعي و محيط زيست، اطلاع از مناطق حساس به وقوع آتش مي¬تواند نقش بسزائي در مديريت و كنترل آتش¬سوزي داشته باشد. به همين دليل تحقيق حاضر در صدد است تا با استفاده از روش¬هاي يادگيري ماشين و عوامل تاثيرگذار بر آن، مناطق حساس به وقوع آتش را در شهرستان دره شهر در استان ايلام تعيين نمايد. در اين راستا دو روش جنگل تصادفي (Random Forest) و ماشين بردار پشتيبان (Support Vector Machine) و 2024 نقطه وقوع آتش استفاده شد. عوامل محيطي نيز در چهار گروه اصلي شامل عوامل توپوگرافي (ارتفاع، جهت شيب، تند شيب)، عوامل اقليمي (بارش، رطوبت نسبي، باد، درجه حرارت)، عوامل زيستي (پوشش گياهي و رطوبت خاك) و عوامل انسان ساخت (فاصله از مناطق مسكوني، فاصله از جاده، فاصله از اراضي كشاورزي، فاصله از آبراهه) تهيه شدند. ارزيابي دقت مدل¬هاي مورد استفاده با استفاده سطح زير نمودار (AUC) در منحني ROC و آماره¬هاي ارزيابي متقاطع (Cross-validation) انجام شد. بررسي سالانه وقوع آتش نشان داد كه يك روند افزايشي و معني¬دار در تعداد وقوع آتش در منطقه وجود دارد و آمار وقوع آتش¬سوزي از سالي كمتر از 30 مورد به بيش از 500 مورد افزايش يافته است. بررسي سهم عوامل تاثيرگذار بر وقوع آتش نشان داد كه عوامل انسان ساخت (فاصله از مناطق مسكوني) و عوامل اقليمي (درجه حرارت) نقش مهمتري در نقاط داراي سابقه آتش داشتند. نتايج مدل¬سازي با روش جنگل تصادفي نشان داد كه 63/60 درصد از سطح منطقه مورد مطالعه جزو مناطق كم خطر براي وقوع آتش بشمار مي¬رود در حالي كه مناطق با خطر زياد وقوع آتش بيش از 90 هزار هكتار (20 درصد) از اراضي منطقه را در بر مي¬گرفت. بر اساس مدل ماشين بردار پشتيبان، تنها حدود نيمي از سطح منطقه در كلاس خطر كم وقوع آتش قرار داشت در حالي كه كمتر از يك درصد (59/258 هكتار) از سطح منطقه داراي خطر زياد وقوع آتش بود. بررسي سطح زير نمودار نشان داد كه هر دو مدل داراي دقت مناسبي بوده هرچند مدل جنگل تصادفي (AUC = 0.97) داراي دقت بالاتري نسبت به مدل ماشين بردار پشتيبان (AUC = 0.86) بود. نتايج بدست آمده از اين تحقيق نشان داد كه عوامل انساني مهمترين عوامل تاثيرگذار بر وقوع آتش در منطقه مورد مطالعه هستند. بنابراين افزايش فرهنگ عمومي و كاهش رفتارهاي خطرناك در طبيعت مي¬تواند موجب كاهش وقوع آتش در اين منطقه شده و سهم زيادي در حفاظت از محيط زيست و حفظ منابع طبيعي داشته باشد.
كلمات كليدي: مدل¬سازي آتش، جنگل تصادفي، ماشين بردار پشتيبان، مديريت اكوسيستم
چكيده انگليسي :
Abstract
Fire is one of the most important natural hazards that has a great impact on the structure and dynamics of natural ecosystems, including forests. Given that Iran's location in the dry and semi-arid belt of the world, a large number of ntural and human-made fires occur in different regions of the country every year. Due to the limited force of the Natural Resources and Environment Administration, information on fire-prone areas can play a significant role in fire management and control. Therefore, this research aims to use machine learning methods and the fire affecting factors to determine the fire-prone areas in Darrehshahr city in Ilam province. In this regard, two random forest methods and Support Vector Machine and 2024 fire occurrence points were used. Environmental factors are also divided into four main groups: topographical factors (height, slope aspect, slope steepness), climatic factors (rainfall, relative humidity, wind, temperature), biological factors (vegetation and soil moisture) and man-made factors (distance from residential areas, distance from road, distance from agricultural land, distance from rivers) were prepared. The accuracy of the models was evaluated using the area under the curve (AUC) in the ROC curve and cross-validation statistics. The investigation of annual fire occurrence trend showed that there was a significant increase in the number of fires in the region, and the number of fires has increased from less than 30 to more than 500. Investigating the contribution of the fire affecting factors showed that man-made factors (distance from residential areas) and climatic factors (temperature) played a more important role in places with a history of fire. The results of random forest modeling showed that 60.63% of the studied area is considered to be among the low-risk areas for fire occurrence, while the areas with high-risk of fire occurrence are more than 90 thousand hectares (20%) of It included the lands of the region. According to the support vector machine model, only about half of the area was located in the low-fire risk class, while less than one percent (258.59 ha) of the area was high fire risk. Examining the AUC showed that both models had good accuracy, although the random forest model (AUC = 0.97) had higher accuracy than the support vector machine model (AUC = 0.86). The results of this research showed that human factors are the most important factors influencing the occurrence of fire in the study area. Therefore, increasing public culture and reducing dangerous behaviors in nature can reduce the occurrence of fire in this area and contribute greatly to the protection of the environment and preservation of natural resources.
Keywords: fire modeling, random forest, support vector machine, ecosystem management
