تحلیل سناریوهای پتانسیل خطر آتش سوزی جنگل های شهرستان لردگا ن با استفاده ا ز G IS و R

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجو

2 استادیار گروه مهندسی سنجش‌ازدور، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان

3 گروه جنگلداری دانشکده منابع طبیعی دانشگاه تربیت مدرس، نور، مازندران، ایران.

چکیده

آتش سوزی جنگل عوارض جانبی زیادی بر روی عملکرد جنگل و زمین، مانند از دست دادن تنوع زیستی، کاهش ارزش اقتصادی جنگل ها
و تغییرات آب و هوایی در مقیاس بزرگ دارد. با توجه به اهمیت موضوع، مطالعه ی حاضر به بررسی تغییرات پتانسیل خطر آتش سوزی
می پردازد. برای رسیدن به این هدف لایه های رقومی و داده های مورد نیاز از سایت های مرتبط، سازمان ها و برداشت های میدانی در منطقه ی
مورد مطالعه تهیه شد. پس از آماده سازی داده ها و در نظر گرفتن آتش سوزی های رخ داده با فازی سازی لایه ها از روش تحلیل شبکه ای و روش
میانگین وزنی مرتب استفاده گردید. بدین منظور آتش سوزی جنگل های زاگرس شهرستان لردگان با استفاده از تصاویر ماهواره ی لندست
و مادیس همراه با عوامل مؤثر بر آتش سوزی )عوامل توپوگرافی، انسانی، اقلیمی و پوشش گیاهی( مورد بررسی قرار می گیرد. در روش ،ANp
بیشترین وزن ها را فاکتورهای فاصله از مناطق مسکونی و جاده، شاخص GVMI و حداکثر دمای روزان هی هوا به دست آوردند. روش OWA
برای تهیه ی مدل پیش بینی خطر صورت پذیرفت و با استفاده از نتایج نقشه ی خطر آتش سوزی در چهار طبقه خطر بسیار کم، کم، متوسط،
زیاد تهیه گردید. ارزیابی صحت نیز با استفاده از مشخصه ی عامل نسبی صورت پذیرفت. از بین شش سناریوی اعمال شده، سناریوی سطح
ریسک پایین و مقدار اندک جبران با میزان ROC= 0.702 به منزله ی بهترین مدل برای پیش بینی خطر آتش سوزی جنگل برآورد گردید. با
توجه به صحت و دقت بالای مدل به دست آمده می توان از آن برای مهار آتش سوزی هایی که در آینده رخ خواهد داد استفاده کرد.

کلیدواژه‌ها


1. Podur J, Martell D.L, Knight K. (2002). Statistical quality
control analysis of forest fire activity in Canada.
Canadian Journal Forest Research, 32, 195–205.
2. Somashekar R, Ravikumar P, Mohankumar C,Prakash
K, Nagaraja B. (2009). Burnt area mapping of Bandipur
National Park, India using IRS1C/1D LISS III
data, Journal of the Indian Society of Remote Sensing,
37, 37-50.
3. Chuvieco E, Congalton R.G. (1989). Application of
remote sensing and geographic information systems
to forest fire hazard mapping. Remote Sensing of the
Environment, 29, 147-159.
4. Zeng T, Hudson J, Kay S, Laginestra E. (2003). A fuzzy
GIS approach to fire risk assessment: a case study
of Sydney Olympic park, Australia, Spatial Sciences
Conferences, 1-20.
5. Erten E, Kurgun V, Musaolu N. (2005). Forest fire risk
zone mapping from satellite imagery and risk:A recent
case study from Mt, Carmel (Israel), Forest
Ecology and Management, 262, 1184–1188.
6. Sowmya S. V, Somashekar R. K. (2010). Application of
remote sensing and geographical information system
in mapping forest fire risk zone at Bhadra wildlife
sanctuary, India, Journal of Environmental Biology,
31(6), 969-974.
7. Lakshmi B. (2012). Wildfire hazard prediction: A Fuzzy
Model for Sensor Embedded Intelligence, Master of
Engineering, A thesis submitted to Auckland University
of Technology.
8. اسکندری، سعیده ) 1394 (. ارزیابی پتانسیل خطر آت شسوزی جنگل با
استفاده از مدل Dong . مجله ی آمایش جغرافیایی فضا، 15 ، 210 - 195 .
9. Eastman, J. R. (1988). Idrisi: A Geographic analysis system
for research applications, The Operational Geographer,
15,17-21.
10. Isaaks E. H, Srinivasta R. M. (1989). Applied
Geostatistics. Oxford University Press: Oxford.
11. Saaty T. (1980). The analytic hierarchy process: planning,
priority setting, resource allocation, New
York;London: McGraw-Hill International Book Co.
12. Saaty T. (2006). Decision making with the analytic
network process: economic, political, social and technological
applications with benefits, opportunities,
costs and risks,New York: Springer.
13. Garcia M, Javier F, Jeronimo A, Pablo A, Rocio P.
(2008). Farmland appraisal based on the analytic network
Process, Journal of Global Optimization, 42,143-
155.
14. Malczewski J. (2006). GIS-based multicriteria decision
analysis: a survey of the literature.International
Journal of Geographical Information Science, 20 (7),
703–726.
15. Jiang H, Eastman R.J. (2000). Application of fuzzy
measures in multi-criteriaevaluation inGIS.International
Journal of Geographical Information Systems, 14,
173–184.
16. Rinner C,Malczewski J. (2000). Web-enabled spatial
decision analysis using Ordered Weighted Averaging
(OWA).Journal of Geographical Systems,385-403.
17. Malczewski, J. (2006). Integrating multicriteria analysis
and geographic information systems: the ordered
weighted averaging (OWA) approach. International
Journal Environmental Technology and Management,
6(1/2): 7–19.
18. Rossiter, D.G., Loza, A. (2010). Analyzing land cover
change with logistic regression in R, Technical Report
ITC, Enschede, 71.
19. Gil Pontius R, Schneider L. (2001). Land-cover
change model validation by an ROC method for the
Ipswich watershed, Massachusetts, USA, Agriculture,
Ecosystems and Environment, 85,239–248.
20. Etter A, McAlpine C.,Wilson K, Phinn S, Possingham
H. (2006). Regional patterns of agricultural land use
and deforestation in Colombia, Agric. Ecosystems &
Environment, 114: 369-386.