شناسايي بلادرنگ آتش سوزي جنگل و مراتع با استفاده از داده هاي NOAA/AVHRR منطقه مورد مطالعه(پناهگاه حيات وحش كيامكي)

Real-time detection of wildlife using NOAA/AVHRR data Study area :(Kayamaki Wildlife Refuge)

آتش سوزي جنگل در سال هاي اخير توجه زيادي به تغييرات اقليمي و اكوسيستم داشته است. سنجش از دور، يك روش سريع و ارزان براي تشخيص و نظارت بر آتش سوزي جنگل ها در مقياس وسيع است. هدف از اين پژوهش شناسايي آتش­ سوزي جنگل و مراتع با استفاده از سنجنده­ NOAA/AVHRR در پناهگاه حيات وحش كيامكي مي­باشد.جهت انجام تحقيق، ابتدا تاريخ آتش ­سوزي­هاي رخ داده از محصولات MODIS استخراج گرديد. سپس تصاوير سنجنده مورد نظر بر اساس تاريخ­ آتش ­سوزي­ هاي رخ داده تهيه شد. بعد از انجام پيش پردازش تصاوير، با استفاده از الگوريتم ­هاي توسعه يافته، گيگليو و IGBP اقدام به شناسايي آتش­سوزي گرديد. نتايج الگوريتم ­هاي شناسايي آتش­سوزي با محصولات MODIS مورد ارزيابي قرار گرفتند. نتايج نشان داد كه شناسايي آتش­ سوزي با استفاده از الگوريتم IGBP نسبت به الگوريتم­ هاي توسعه يافته و گيگليو بهتر است. بدين صورت كه الگوريتم IGBP با تعداد آتش­سوزي شناسايي شده برابر با 6 پيكسل از 7 پيكسل آتش­سوزي شناسايي شده توسط محصولات MODIS، الگوريتم گيگليو با تعداد آتش ­سوزي شناسايي شده برابر با 5 پيكسل از 7 پيكسل آتش­ سوزي شناسايي شده توسط محصولات MODIS و الگوريتم توسعه يافته تعداد آتش ­سوزي شناسايي شده برابر با 3 پيكسل از 7 پيكسل آتش ­سوزي شناسايي شده توسط محصولات MODIS را شناسايي كرد. همچنين الگوريتم IGBP با ميزان خطاي 14% و با تعداد آتش­سوزي شناسايي 86%، الگوريتم گيگليو با ميزان خطاي 28% و تعداد آتش ­سوزي شناسايي شده 72% و الگوريتم توسعه يافته با ميزان خطاي 57% و تعداد آتش ­سوزي شناسايي شده 43% را نشان داد.

Forest fire in recent years has paid great attention to climate change and ecosystems. Remote sensing is a quick and inexpensive way to detect and monitor forest fires on a large scale. The purpose of this study was to identify forest and rangeland fire hazards using NOAA / AVHRR in Kayamaki Wildlife Refuge. For the purpose of this study, the history of the fire-burns occurred in MODIS products. Then, the sensor images were prepared based on the date of fire burning. After preprocessing the images, Giglio and IGBP developed algorithms that detected fire. The results of fire detection detection algorithms were evaluated with MODIS products. The results showed that fire detection using the IGBP algorithm is better than the developed algorithms and Giglia. In this way, the IGBP algorithm with the detected fire number of 6 pixels from the 7-pixel fire detection detected by the MODIS product, the Giglio algorithm with the detected fire number is 5 pixels from the 7-pixel fire detection detected by The MODIS and extended algorithm detected the detected fire detected firefight number of 3 pixels from the 7 pixels of fire detection detected by MODIS products. Also IGBP algorithm with error rate of 14% and with fire detection number of 86%, Giglio algorithm with error rate of 28% and number of fire detected 72%, and developed algorithm with 57% error rate and detected fire number 43%.