تهيه نقشه خطر وقوع آتش سوزي با استفاده از الگوريتم هاي ماشين بردار پشتيبان، جنگل تصادفي و شبكه عصبي مصنوعي (مطالعه موردي: پارك ملي گلستان، شمال شرقي ايران)‏

Preparation map of Forest Fire Risk Using SVM, RF and MLP Algorithms (Case Study: Golestan National Park, North) eastern Iran

سابقه و هدف: پيش بيني مكاني احتمال وقوع آتش سوزي و تهيه نقشه احتمال خطر وقوع آتش در عرصه هاي طبيعي يكي از راه هاي جلوگيري و مديريت آتش سوزي است. هدف از اين تحقيق پهنه بندي خطر احتمال وقوع آتش سوزي در پارك ملي گلستان با استفاده از الگوريتم هاي ناپارامتريك شبكه عصبي مصنوعي، ماشين بردار پشتيبان و جنگل تصادفي مي باشد. مواد و روش ها: در اين مطالعه حدود 100 نقطه از محل وقوع آتش سوزي جهت مدل سازي احتمال خطر وقوع آتش بكار برده شد. عوامل موثر بر وقوع آتش سوزي شامل پوشش گياهي، فيزيوگرافي، اقليمي و انساني شناسايي و نقشه هاي عوامل فوق تهيه شدند. به منظور مدل سازي، منطقه به سطوح تصميم گيري و مدل سازي يك هكتاري تقسيم بندي شد و ارزش رقومي لايه هاي عوامل تاثير گذار بر وقوع آتش سوزي در محل سطوح يك هكتاري استخراج و استاندارد گرديد. مدل سازي احتمال خطر وقوع آتش سوزي با الگوريتم هاي ناپارامتريك با استفاده از 70 درصد نقاط آتش سوزي به عنوان نمونه هاي تعليمي انجام شد. نقشه احتمال خطر وقوع آتش سوزي بدست آمده به 4 طبقه كم خطر، متوسط خطر، پرخطر و خطرناك پهنه بندي گرديد. ارزيابي صحت طبقه بندي نقشه هاي حاصل از مدل سازي با معيار صحت كلي با استفاده از 30 درصد نقاط آتش سوزي باقيمانده صورت پذيرفت. يافته ها و نتيجه گيري كلي: نتايج نشان داد الگوريتم جنگل تصادفي با صحت كلي 75 درصد توانست احتمال خطر وقوع آتش سوزي را بهتر از ساير الگوريتم ها پيش بيني كند. هم چنين از نظر ميزان مطابقت وقوع آتش سوزي با نتايج الگوريتم ها مشخص شد كه همه الگوريتم ها توانستند منطقه را به خوبي از نظر احتمال وقوع آتش سوزي طبقه بندي نمايند بطوري كه بيش از 80 درصد نقاط آتش سوزي در مناطق با كلاسه هاي پرخطر و خطرناك واقع شدند.

Background and objectives: Spatial prediction of fire risk and preparing the forest fire risk map across the natural areas are among the ways that can be used to prevent and to manage fire. The aim of this research was zonation of forest fire risk in Golestan National Park using non-parametric algorithms, namely Artificial Neural Network (ANN), Support Vector Machine (SVM) and Random Forest (RF). Materials and methods: About 100 occurred fire points were considered for modeling the fire risk. The effective factors on fire occurring including vegetation types, physiographic, climatic, and human factors were identified and their relevant maps were prepared from different sources. To modeling purposes, initially the zone was divided into 1-ha levels of decision-making and modeling and then the pixel values of the effective factors on classes of fire occurring, across the 1-ha levels, were extracted and standardized. Based on non-parametric algorithms, fire risk was modeled with 70 percent of the fire points, as training samples. The prepared forest fire risk map was zoned in terms of four classes of low-risk, medium-risk, high-risk and dangerous. The classification accuracy of the maps, resulted from this modeling, was assessed through the overall classification accuracy given 30 percent of the remained fire points. Results and Conclusion: The results indicated that RF algorithm, with the overall accuracy of 75%, was the best algorithm in predicting the fire risk compare to other ones. Likewise, after matching the fire risk occurring with the results gained from algorithms, it turned out that all algorithms were able to classify the area properly in terms of the fire risk, as more than 80 percent of fire points were placed in the high-risk and dangerous classes.