تهيه‌ي نقشه‌ي خطر آتش‌سوزي جنگل براساس عوامل فيزيوگرافي، انساني و اقليمي با استفاده از شبكه‌ي عصبي مصنوعي در سروآباد استان كردستان

Application of artificial neural network for forest fire risk mapping based on physiographic, human and climate factors in Sarvabad, Kurdistan province

آتش­سوزی در جنگل­های زاگرس با توجه به نقش حفاظتی این جنگل­ها در جلوگیری از فرسایش آب و خاك، یك تهدید زیست‌محیطی جدی برای این جنگل­ها محسوب می‌شود. هدف از انجام این تحقیق، بررسی میزان تأثیر متغیرهای مؤثر در ایجاد آتش­سوزی و تهیه‌ی نقشه‌ی حساسیت مناطق مختلف به آتش­سوزی می­باشد. به همین منظور متغیرهای مؤثر در رخداد آتش‌سوزی شامل ارتفاع از سطح دریا، شیب، جهت، فاصله از مناطق مسكونی، فاصله از جاده، فاصله از اراضی زراعی، دما و بارندگی برای تعیین میزان تأثیر هر متغیر در ایجاد آتش­سوزی بررسی شدند. به‌همین دلیل نمونه­برداری از مناطق جنگلی كه آتش­سوزی اتفاق افتاده بود و مناطق جنگلی كه آتش­سوزی در دوره‌ی مورد بررسی اتفاق نیفتاده بود، انجام شد. برای این تحقیق از روش آماریMLP1، استفاده شد تا میزان اهمیت و تاثیر عوامل مختلف به آتش­سوزی مشخص شود. نقشه‌ی احتمال خطر مناطق مختلف به آتش‌سوزی توسط روش شبكه‌ی عصبی مصنوعی تهیه شد. نتایج نشان داد كه متغیرهای شیب و فاصله از جاده به‌ترتیب با تأثیر 100 درصدی و 95 درصدی، مهمترین عوامل تأثیرگذار در ایجاد آتش­سوزی هستند و متغیر جهت با تأثیر 55 درصد كمترین ارتباط را با ایجاد آتش­سوزی در منطقه داشته است. اعتبارسنجی مدل به‌وسیله‌ی ضرایب كاپا انجام شد. نتایج نشان داد كه نقشه‌ی حساسیت تهیه شده دارای 90 درصد صحت است و 98 درصد سلول­های شبكه به‌درستی طبقه­بندی شده­اند. 

The protective role of the Zagros forests in preventing soil and water erosion is very important. Therefore forest fires account as major environmental hazards for Zagros forests. The aim of this research was to study the influence of variables on fire occurrence and producing fire susceptibility map. Factors affecting fire incidences include altitude, slope, aspect, distance to residential areas, distance to roads and farmlands, temperature and rain. These factors were examined to determine the effect of each variable in occurrence of fire. Sampling procedures was performed in forest areas with previous fire records and in non- affected forest areas and MLP method was used to determine the importance of each factor in the occurrence of fires. Sensitivity maps of different areas to fire were produced using artificial neural network method. Results showed that the slope (100%) and distance to roads (95%) variables are most important factors influencing fire occurrence while aspect with 55% effect has the least correlation with fire occurrence. The model was further validated with Kappa coefficients. Results indicate that the sensitivity map is produced with 90% accuracy, and that 98% of the grid cells are correctly classified.