تجزیه و تحلیل ویژگی‌های حدفاصل انسانی-طبیعی (WAI) در استان گیلان، شمال ایران

الموضوعات :

رقیه جهدی ¹

1 - گروه علوم و مهندسی جنگل، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

تاريخ الإرسال : 28 السبت , شوال, 1446 تاريخ التأكيد : 14 الثلاثاء , ذو الحجة, 1446 تاريخ الإصدار : 26 الأحد , ذو الحجة, 1446

الکلمات المفتاحية: پوشش زمین, ساختارهای انسانی, ریسک آتش‌سوزی, مناطق جنگلی متراکم.,

ملخص المقالة :

حدفاصل انسانی- طبیعی (WAI) منطقه‌ای است که در آن پوشش گیاهی طبیعی توسعه‌نیافته و ساختارهای انسان‌ساز در هم می‌آمیزند. تهیه نقشه مناطق WAI در مقیاس‌های دقیق‌ برای ارزیابی قرار گرفتن در معرض آتش‌سوزی و تعریف راهبردهای مناسب کاهش ریسک آتش‌سوزی در این مناطق بسیار مهم است. هدف این تحقیق توسعه یک روش برای تهیه نقشه کلاس‌های مختلف WAI در استان گیلان، با استفاده از سیستم‌های اطلاعات جغرافیایی (GIS) و سنجش از دور (RS) است. از شیپ‌فایل‌های ساختمانی نقشه لایه باز خیابان و کوچه‌ها (OSM) مربوط به سال 2022، برای تهیه داده‌های مکانی ساختمان‌ها شامل نقشه‌های موقعیت ساختمان‌ها و تراکم ساختمان انسانی به همراه درصد مساحت تحت پوشش بلوک‌های انسانی، استفاده شد. همچنین، نقشه‌ پوشش زمین (در 18 کلاس اولیه) تهیه شده بر اساس طبقه‌بندی تصاویر ماهواره لندست (Landsat-8 OLI/TIRS L1TP) در سال 2021، استفاده شد که با طبقه‌بندی مجدد به نقشه چهار کلاس اصلی پوشش زمین (روستایی، جنگلی، بدون پوشش گیاهی و مناطق آبی) در منطقه مورد مطالعه تبدیل شد. علاوه بر این، مناطق با ریسک آتش‌سوزی‌ زیاد (با توجه به آتش‌سوزی‌های تاریخی ثبت‌شده بین سال‌های 1992 و 2022) با تعیین حائل/بافر 2 کیلومتری از مناطق جنگلی متراکم و پیوسته (با وسعت بیش از 5 کیلومتر مربع) شناسایی شدند. این داده‌های مکانی با هم ادغام شدند و نقشه رستری 100 متری WAI در چهار کلاس انسانی، انسانی-طبیعی، انسانی پراکنده و غیرانسانی بدست آمد.کل مساحت و توزیع فضایی کلاس‌های WAI در استان گیلان بدست آمد و تفاوت‌های بین شهرستان‌های مختلف مورد تجزیه و تحلیل قرار گرفت. نتایج نشان داد که 6/6 درصد از استان درکلاس انسانی با حضور انسانی متوسط و زیاد پوشیده شده است. 8/10 درصد از مساحت گیلان به‌عنوان کلاس انسانی-طبیعی (WA) معرفی شده است که 6 درصد آن به عنوان WA-حدفاصل و 8/4 درصد آن به عنوان WA-آمیخته توزیع شده است. حدود 53 درصد از منطقه مورد مطالعه با کلاس انسانی پراکنده (DA) مشخص شده است که در مناطق بدون پوشش‌گیاهی، جنگلی و روستایی توزیع شده است. در مقابل، 29 درصد از منطقه مورد مطالعه به‌عنوان کلاس غیرانسانی (شامل مناطق جنگلی، روستایی، بدون پوشش گیاهی و آبی) طبقه‌بندی شده است. تهیه نقشه مناطق WAI برای سیاست‌گذاری و مدیریت زمین و آتش‌سوزی مهم است، اما معمولاً بر اساس روابط مکانی بین توسعه مسکن و پوشش گیاهی طبیعی، بدون در نظر گرفتن ریسک آتش‌سوزی، تعریف می‌شود. در این مطالعه، یک رویکرد روش‌شناختی جدید برای تعریف مناطق WAI بر اساس ارزیابی ریسک آتش‌سوزی ارائه شد که به هدایت تصمیمات مدیریت زمین و راهبردهای پیشگیری از آتش‌سوزی کمک می‌کند. این تحقیق، بررسی روندها و بزرگی تغییرات مناطق WAI در نواحی هیرکانی شمال ایران را پیشنهاد می‌کند و بر ضرورت شناسایی اقداماتی که می‌توان برای مقابله با رشد WAI و کاهش ریسک آتش‌سوزی‌های مرتبط با آن انجام داد، تأکید دارد.  

المصادر:

جان‌بزرگی، محمد؛ حنیفه‌پور، مهین؛ خسروی، حسن (1400). تغییرات زمانی خشکسالی هواشناسی- هیدرولوژیکی (مطالعه موردی: استان گیلان). مدل‌سازی و مدیریت آب و خاک. 1 (2)، 13-1. https://doi.org/10.22098/mmws.2021.1215
جهدی، رقیه؛ مسیح‌پور، مهرنوش (1404). مدل‌سازی مبتنی بر احتمال برای تحلیل کمی ریسک آتش‌سوزی در مناطق حفاظت شده استان گیلان. مدل‌سازی و مدیریت آب و خاک. 5 (1)، 265-282. https://doi.org/10.22098/mmws.2025.16219.1518
جهدی، رقیه؛ الحاج خلف، محمد واثق (1403). مدل‌سازی ریسک آتش‌سوزی با استفاده از روش‌های سنجش‌ازدور و شبیه‌سازی رفتار آتش‌ در استان گیلان. جغرافیا و مخاطرات محیطی. 13 (4)، 102-129. https://doi.org/10.22067/geoeh.2024.86597.1462
وزارت منابع طبیعی و جنگلداری، انتاریو، کانادا (2014). کتابچه راهنمای مرجع ارزیابی و کاهش ریسک آتش‌سوزی جنگل-در حمایت از بیانیه سیاست استانی. ترجمه رقیه جهدی. اردبيل: انتشارات دانشگاه محقق اردبیلی.
یوسفی ماتک، حمیدرضا و ديگران (1402). آینده‌پژوهی تأثیر مهاجرت از فلات مرکزی به استان گیلان بر اجرای طرح‌های جامع و توسعه شهری و روستایی. آینده پژوهی ایران. 8 (2)، 270-296. https://doi.org/10.30479/jfs.2024.19112.1492

Ager, A. et al (2019). Wildfire exposure to the wildland urban interface in the western US. Applied Geography. 111, 102059. https://doi.org/10.1016/j.apgeog.2019.59
Alcasena, F.J.; Evers, C.R. & Vega-Garcia, C. (2018). The wildland-urban interface raster dataset of Catalonia. Data Brief. 17, 124-128. https://doi.org/10.1016/j.dib.2017.12.066
Alipour, H. et al (2017). Second home tourism impact and governance: Evidence from the Caspian Sea region of Iran. Ocean & Coastal Managment. 136, 165-176. https://doi.org/10.1016/j.ocecoaman.2016.12.006
Argañaraz, J.P. et al (2017). Assessing wildfire exposure in the Wildland-Urban Interface area of the mountains of central Argentina. Journal of Evironmental Management. 196, 499–510. https://doi.org/10.1016/j.jenvman.2017.03.058
Bar-Massada, A. et al (2023). The wildland – urban interface in Europe: Spatial patterns and associations with socioeconomic and demographic variables. Landscape and Urban Planning. 235, 104759. https://doi.org/10.1016/j.landurbplan.2023.104759
Bar-Massada, A. (2021). A comparative analysis of two major approaches for mapping the wildland-urban interface: a case study in California. Land. 10 (7), 679. https://doi.org/10.3390/land10070679
Bar-Massada, A. et al (2013). Using structure locations as a basis for mapping the wildland urban interface. Journal of Environmental Management. 128, 540–547. https://doi.org/10.1016/j.jenvman.2013.06.021
Bruno, B. et al (2024). Mapping the wildland-urban interface at municipal level for wildfire exposure analysis in mainland Portugal. Journal of Environmental Management. 368, 122098. https://doi.org/10.1016/j.jenvman.2024.122098
Calkin, D.; Price, O. & Salis, M. (2020). WUI Risk Assessment at the Landscape Level. Manzello, S.L. (eds). Encyclopedia of Wildfires and Wildland-Urban Interface (WUI) Fires. Cham: Springer. https://doi.org/10.1007/978-3-319-52090-2_97
Carlson, A.R. et al (2022). The wildland–urban interface in the United States based on 125 million building locations. Ecological Applications. 32 (5), e2597. https://doi.org/10.1002/eap.2597
Chen, B. et al (2024). Wildfire risk for global wildland–urban interface areas. Nature Sustainability. 7 (4), 1-11. https://doi.org/10.1038/s41893-024-01291-0
Christ, S.; Schwarz, N. & Sliuzas, R. (2022). Wildland urban interface of the City of Cape Town 1990–2019. Geographical. Research. 60 (3), 395-413. https://doi.org/10.1111/1745-5871.12535
Del Giudice, L. et al (2021). The wildland-anthropic interface raster data of the Italy-France maritime cooperation area (Sardinia, Corsica, Tuscany, Liguria, and Provence-Alpes-Côte d’Azur). Data Brief. 38 (21), 107355. https://doi.org/10.1016/j.dib.2021.107355
Ganatsas, P.; Oikonomakis, N. & Tsakaldimi, M. (2022). Small-scale analysis of characteristics of the wildland–urban interface area of Thessaloniki, Northern Greece. Fire. 5(5), 159. https://doi.org/10.3390/fire5050159
Filkov, A.I. et al (2020). Impact of Australia’s catastrophic 2019/20 bushfire season on communities and environment. Retrospective analysis and current trends. Journal of Safety Science and Resilience. 1 (1), 44–56. https://doi.org/10.1016/j.jnlssr.2020.06.009
Gonzalez, S. & Ghermandi, L. (2024). How to define the wildland-urban interface? Methods and limitations: towards a unified protocol. Frontiers in Environmental Science. 11, 1284631. https://doi.org/10.3389/fenvs.2023.1284631
Guo, Y. et al (2024). Global expansion of wildland-urban interface intensifies human exposure to wildfire risk in the 21st century. Science Advances. 10 (45), eado9587. https://doi.org/10.1126/sciadv.ado9587
Hantson, H. et al (2022). Human-ignited fires result in more extreme fire behavior and ecosystem impacts. Nature Communication. 13, 2717. https://doi.org/10.1038/s41467-022-30030-2
Jiang, F. et al (2025). Methodology for wildland–urban interface mapping in anning city using high-resolution remote sensing. Land. 14 (6), 1141. https://doi.org/10.3390/land14061141
Li, S. et al (2022). Mapping the wildland-urban interface in California using remote sensing data. Scientific Report. 12, 5789. https://doi.org/10.1038/s41598-022-09707-7
National Wildfire Coordinating Group (NWCG) (2018). Glossary of Wildland Fire Terminology. National Wildfire Coordinating Group) Available at https://www.nwcg.gov/glossary/a-z
Radeloff, V.C. et al (2005). The wildland–urban interface in the United States. Ecological Applications. 15 (3), 799–805. https://doi.org/10.1890/04-1413
Radeloff, V.C. et al (2018). Rapid growth of the US wildland–urban interface raises wildfire risk. Proceedings of the National Academy of Sciences. 115, 3314–3319. https://doi.org/10.1073/pnas.1718850115
Millward, H. (2002). Peri-urban residential development in the Halifax region 1960–2000: Magnets, constraints, and planning policies. Canadian Geographer-Geographe Canadien. 46 (1), 33-47. https://doi.org/10.1111/j.1541-0064.2002.tb00729.x
Oliveira, S.; Rocha, J. & Sá, A. (2021). Wildfire risk modeling. Health. 23, 100274. https://doi.org/10.1016/j.coesh.2021.100274
Pandey, P. et al (2023). A global outlook on increasing wildfire risk: Current policy situation and future pathways. Trees, Forests and People. 14 (42), 100431. https://doi.org/10.1016/j.tfp.2023.100431
Salis, M. et al (2022). Spatial patterns and intensity of land abandonment drive wildfire hazard and likelihood in Mediterranean Agropastoral areas. Land. 11 (11), 1942. https://doi.org/10.3390/land11111942
Sanucci, C.; Gonzalez, S. & Ghermandi, L. (2022). Mapping the wildland-urban interface from houses location and terrain slope in Patagonia, Argentina. Environmental Sciences Proceedings. 22 (1), 14. https://doi.org/10.3390/IECF2022-13041
Schug, F. et al (2023). The global wildland–urban interface. Nature. 621, 94–99. https://doi.org/10.1038/s41586-023-06320-0
The Openstreetmap data files (2022). Europe. https://www.geofabrik.de/. (accessed 23 October 2022).
Taylor, L. (2011). No boundaries: exurbia and the study of contemporary urban dispersion. Geo Journal. 76 (4), 323–339. https://doi.org/10.1007/s10708-009-9300-y
U.S. Fire Administration (2025). What Is the WUI? Available at: https://www.usfa.fema.gov/ (Accessed March 15, 2025).