ارزیابی پتانسیل خطر آتش‌سوزی با استفاده از رویکردهای تحلیل سلسله مراتبی فازی و رگرسیون لجستیک
امروزه تهیه نقشه توزیع مکانی خطر آتش‌سوزی یکی از ابزارهای ضروری مدیریت در سطوح مختلف جهت پایش پایداری منابع طبیعی و کنترل این مخاطره محیط‌زیستی است. تلفیق عملیات میدانی، داده‌های دورسنجی، تکنیک‌های سیستم اطلاعات جغرافیایی و آماری مختلف می‌تواند پیش‌بینی فضایی قابل‌اعتمادی از پتانسیل خطر آتش‌سوزی برا...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Ferdowsi University of Mashhad
2023-09-01
|
| Series: | جغرافیا و مخاطرات محیطی |
| Subjects: | |
| Online Access: | https://geoeh.um.ac.ir/article_43422_ef57371eb556f6cf0e3313bb3409352f.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1832592596448313344 |
|---|---|
| author | مهدی تیموری آیدینگ کرنژادی |
| author_facet | مهدی تیموری آیدینگ کرنژادی |
| author_sort | مهدی تیموری |
| collection | DOAJ |
| description | امروزه تهیه نقشه توزیع مکانی خطر آتش‌سوزی یکی از ابزارهای ضروری مدیریت در سطوح مختلف جهت پایش پایداری منابع طبیعی و کنترل این مخاطره محیط‌زیستی است. تلفیق عملیات میدانی، داده‌های دورسنجی، تکنیک‌های سیستم اطلاعات جغرافیایی و آماری مختلف می‌تواند پیش‌بینی فضایی قابل‌اعتمادی از پتانسیل خطر آتش‌سوزی برای مناطق مختلف ایجاد کند. در این تحقیق از 9 عامل مؤثر در مدل‌سازی خطر آتش‌سوزی شامل عوامل ارتفاع، شیب، جهت، انحنای دامنه، فاصله از جاده و شاخص‌های NDVI، LST، TWI و TPI با دو روش تحلیل فازی سلسله مراتبی و رگرسیون لجستیک برای شناسایی مناطق خطر و تعیین مهم‌ترین عوامل مؤثر در بروز و گسترش آتش استفاده شد. برای شناسایی مناطق حریق تاریخی نیز از سامانه ابری گوگل ارث انجین و تصاویر مادیس استفاده شد. نتایج اولیه نشان داد در هر دو مدل، عوامل NDVI، LST و فاصله از جاده بیشترین ضرایب را به خود اختصاص داده‌اند. در مرحله صحت سنجی نیز اگرچه منحنی مشخصه عملکرد هر دو مدل، نسبتاً یکسان (مقدار 847/0 در روش تحلیل سلسله مراتبی فازی و مقدار 837/0 در روش رگرسیون لجستیک) بود، با بررسی پیکسل‌های حریق تاریخی مشخص شد در روش تحلیل سلسله مراتبی فازی حدود 87 درصد پیکسل‌های طبقات با خطر زیاد و خیلی زیاد و در روش رگرسیون لجستیک فقط 22 درصد پیکسل‌های طبقات مزبور با مناطق دارای سابقه حریق همپوشانی داشته‌اند. لذا به نظر می‌رسد روش تحلیل سلسله‌مراتبی فازی بهتر از روش رگرسیون لجستیک توانسته مناطق با پتانسیل خطر بالا را شناسایی کند. اگرچه تهیه نقشههای پیش‌بینی خطر توسط مدل‌های مختلف از وقوع کلیه حریقها جلوگیری نخواهد کرد ولی میتوان با ارائه راهکارهای مدیریتی، وقوع آن را کاهش داده و کنترل آن را تسهیل نمود. |
| format | Article |
| id | doaj-art-c0604381682c4065aa12a64f6bc1ca5d |
| institution | Kabale University |
| issn | 2322-1682 2383-3076 |
| language | English |
| publishDate | 2023-09-01 |
| publisher | Ferdowsi University of Mashhad |
| record_format | Article |
| series | جغرافیا و مخاطرات محیطی |
| spelling | doaj-art-c0604381682c4065aa12a64f6bc1ca5d2025-01-21T06:40:46ZengFerdowsi University of Mashhadجغرافیا و مخاطرات محیطی2322-16822383-30762023-09-0112317119110.22067/geoeh.2023.79999.131343422ارزیابی پتانسیل خطر آتش‌سوزی با استفاده از رویکردهای تحلیل سلسله مراتبی فازی و رگرسیون لجستیکمهدی تیموری0آیدینگ کرنژادی1استادیار گروه مهندسی طبیعت. دانشکده کشاورزی شیروان. دانشگاه بجنورد. بجنورد. ایراناستادیار پژوهشی، بخش تحقیقات منابع طبیعی مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان گلستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، گرگان، ایرانامروزه تهیه نقشه توزیع مکانی خطر آتش‌سوزی یکی از ابزارهای ضروری مدیریت در سطوح مختلف جهت پایش پایداری منابع طبیعی و کنترل این مخاطره محیط‌زیستی است. تلفیق عملیات میدانی، داده‌های دورسنجی، تکنیک‌های سیستم اطلاعات جغرافیایی و آماری مختلف می‌تواند پیش‌بینی فضایی قابل‌اعتمادی از پتانسیل خطر آتش‌سوزی برای مناطق مختلف ایجاد کند. در این تحقیق از 9 عامل مؤثر در مدل‌سازی خطر آتش‌سوزی شامل عوامل ارتفاع، شیب، جهت، انحنای دامنه، فاصله از جاده و شاخص‌های NDVI، LST، TWI و TPI با دو روش تحلیل فازی سلسله مراتبی و رگرسیون لجستیک برای شناسایی مناطق خطر و تعیین مهم‌ترین عوامل مؤثر در بروز و گسترش آتش استفاده شد. برای شناسایی مناطق حریق تاریخی نیز از سامانه ابری گوگل ارث انجین و تصاویر مادیس استفاده شد. نتایج اولیه نشان داد در هر دو مدل، عوامل NDVI، LST و فاصله از جاده بیشترین ضرایب را به خود اختصاص داده‌اند. در مرحله صحت سنجی نیز اگرچه منحنی مشخصه عملکرد هر دو مدل، نسبتاً یکسان (مقدار 847/0 در روش تحلیل سلسله مراتبی فازی و مقدار 837/0 در روش رگرسیون لجستیک) بود، با بررسی پیکسل‌های حریق تاریخی مشخص شد در روش تحلیل سلسله مراتبی فازی حدود 87 درصد پیکسل‌های طبقات با خطر زیاد و خیلی زیاد و در روش رگرسیون لجستیک فقط 22 درصد پیکسل‌های طبقات مزبور با مناطق دارای سابقه حریق همپوشانی داشته‌اند. لذا به نظر می‌رسد روش تحلیل سلسله‌مراتبی فازی بهتر از روش رگرسیون لجستیک توانسته مناطق با پتانسیل خطر بالا را شناسایی کند. اگرچه تهیه نقشههای پیش‌بینی خطر توسط مدل‌های مختلف از وقوع کلیه حریقها جلوگیری نخواهد کرد ولی میتوان با ارائه راهکارهای مدیریتی، وقوع آن را کاهش داده و کنترل آن را تسهیل نمود.https://geoeh.um.ac.ir/article_43422_ef57371eb556f6cf0e3313bb3409352f.pdfتصمیم‌گیری چندمعیارهپیش‌بینی خطرگوگل ارث انجینمنحنی مشخصه عملکردماهواره مادیس |
| spellingShingle | مهدی تیموری آیدینگ کرنژادی ارزیابی پتانسیل خطر آتش‌سوزی با استفاده از رویکردهای تحلیل سلسله مراتبی فازی و رگرسیون لجستیک جغرافیا و مخاطرات محیطی تصمیم‌گیری چندمعیاره پیش‌بینی خطر گوگل ارث انجین منحنی مشخصه عملکرد ماهواره مادیس |
| title | ارزیابی پتانسیل خطر آتش‌سوزی با استفاده از رویکردهای تحلیل سلسله مراتبی فازی و رگرسیون لجستیک |
| title_full | ارزیابی پتانسیل خطر آتش‌سوزی با استفاده از رویکردهای تحلیل سلسله مراتبی فازی و رگرسیون لجستیک |
| title_fullStr | ارزیابی پتانسیل خطر آتش‌سوزی با استفاده از رویکردهای تحلیل سلسله مراتبی فازی و رگرسیون لجستیک |
| title_full_unstemmed | ارزیابی پتانسیل خطر آتش‌سوزی با استفاده از رویکردهای تحلیل سلسله مراتبی فازی و رگرسیون لجستیک |
| title_short | ارزیابی پتانسیل خطر آتش‌سوزی با استفاده از رویکردهای تحلیل سلسله مراتبی فازی و رگرسیون لجستیک |
| title_sort | ارزیابی پتانسیل خطر آتش‌سوزی با استفاده از رویکردهای تحلیل سلسله مراتبی فازی و رگرسیون لجستیک |
| topic | تصمیم‌گیری چندمعیاره پیش‌بینی خطر گوگل ارث انجین منحنی مشخصه عملکرد ماهواره مادیس |
| url | https://geoeh.um.ac.ir/article_43422_ef57371eb556f6cf0e3313bb3409352f.pdf |
| work_keys_str_mv | AT mhdytymwry ạrzyạbyptạnsylkẖṭrậtsẖswzybạạstfạdhạzrwyḵrdhạytḥlylslslhmrạtbyfạzywrgrsywnljstyḵ AT ậydyngḵrnzẖạdy ạrzyạbyptạnsylkẖṭrậtsẖswzybạạstfạdhạzrwyḵrdhạytḥlylslslhmrạtbyfạzywrgrsywnljstyḵ |