بررسی گسترده‌ترین آتش‌سوزی‌های فعال در تالاب هورالعظیم با استفاده از تصاویر ماهواره‌ای
الموضوعات : Applications in natural hazard and disasterصمد خسروی یگانه 1 , مصطفی کرمپور 2
1 - گروه جغرافیا دانشکده ادبیات و علوم انسانی
2 - دانشگاه لرستان، خرم آباد، ایران
الکلمات المفتاحية: صحت سنجی آتش‌سوزی, تصاویر مادون‌قرمز قابل دید, تالاب هورالعظیم, سنجش‌ازدور,
ملخص المقالة :
امروزه تصاویر سنجنده های MODIS و VIIRSبه دلیل قدرت تفکیک طیفی و زمانی بالا به طور گسترده ای برای شناسایی آتش فعال مورد استفاده می گیرند. هدف از انجام این مطالعه ارزیابی آتش‌سوزی‌های فعال در تالاب هورالعظیم با استفاده از روش سنجش از دور است. بدین منظور تصاویر سنجنده MODIS Terra)و(Aqua و VIIRS در دوره زمانی 2022-2002 مربوط به ماه‌های ژوئن، ژولای و اوت اخذ گردید. پس از بررسی های اولیه، تصاویر با نرم افزار ENVI پردازش و مساحت آتش سوزی ها با Arc GIS محاسبه شد. مشخص گردید که اکثر آتش‌سوزی‌ها در قسمت های غربی تالاب رخ‌داده و امکان استفاده از داده‌های زمینی مربوط به آتش‌سوزی وجود نداشت، بنابراین برای صحت ارزیابی‌ها و دقت تصاویر ماهواره‌ای از تصاویر Landsat 8/OLI به‌عنوان نقشه صحت زمینی استفاده و نتایج آن با بهره گیری از روش ترکیب باندی مورد تائید قرار گرفت. بر اساس نتایج حاصل شده، وسیع‌ترین آتش‌سوزی ها در این تالاب در ژولای 2018 و اوت 2015 به ترتیب با مساحت 13564 و 13500 هکتار به وقوع پیوسته است. در 2018 و2022 به ترتیب 36 و 27 درصد آتش سوزی ها رخ داده و بیش از 70 درصد آتش سوزی ها کمتر از 10000هکتار مساحت دارند. روند وقوع آتش سوزی های وسیع افزایش یافته است. 39 درصد آتش سوزی ها مربوط به ژولای بوده که نسبت به ماه های ژوئن و اوت بیشترین میزان را داشته است. در 2018 بیشترین تعداد آتش‌سوزی‌های وسیع در این تالاب مشاهده شد. به دلیل مشخص نبودن علت یا علل موثر در وقوع آتش سوزی در محدوده مطالعاتی، نمی توان روند خاصی برای تغییرات مکانی و زمانی حریق در نظر گرفت. تغییرات مکانی و زمانی وقوع آتش سوزی در این تالاب به گونه ای است که طراحی مدل یا الگوی مکانی و زمانی برای آن مشکل است.
1.جهان تیغ، م و جهان تیغ، م.1398. بررسی تاثیر بهره وری سیلاب بر روند تغییرات پوشش گیاهی با استفاده از داده های میدانی و تصاویر لندست(مطالعه موردی: منطقه شندک سیستان. فصلنامه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی10(4)57-73.
2.فرج الهی، الف.، عسگری، ح.، اونق، م.، محبوبی،م و سلمان ماهینی، ع.1394. پایش و پیش بینی روند تغییرات مکانی زمانی کاربری، پوشش اراضی(مطالعه موردی: منطقه مراوه تپه، گلستان. فصلنامه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی5(6)1-14.
3.Barmpoutis P, Papaioannou P, Dimitropoulos K, Grammalidis N. 2020. A review on early forest fire detection systems using optical remote sensing, Sensors , 20, 6442. doi http://doi.org/10.3390/s20226442.
4.Bailey. A.W and Anderson. M.L.(1980). Fire Temperatures in Forest Communities Grass, Shrub and Aspen of Central Alberta. Journal of Range Managemen, 33(1): 37-40.
5.Csiszar I, Schroeder W. 2008. Short-term observations of the temporal development of active fires from consecutive same-day ETM+ and ASTER imagery in the Amazon: Implications for active fire product validation, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 1(4), 248–253.
6.Certini G. 2005. Effects of fire on properties of forest soils: A review, Oecologia , 143, 1–10.
7.Engel C, Jones S.D , Reinke K. 2021. Seasonal-window ensemble-based thresholding technique used to detect active fires in geostationary remotely sensed data, IEEE Trans,Geosci, Remote sensing, 59, 4947–4956 . doi http://doi.org/10.1109/TGRS.2020.3018455.
8.Fan Q, Wang C, Zhang D , Zang S.2017. Environmental influences on forest fire regime in the Greater Hinggan Mountains, Northeast China. Forests, 8, 372. doi http://doi.org/10.3390/f8100372.
9.Flasse S.P, Ceccato, P. 1996. contextual algorithm for AVHRR fire detection. Int, Journal of Remote sensing, 17, 419–424. doi http://doi.org/10.1080/01431169608949018.
10.Fornacca, D; Ren, G and Xiao, W.(2017). Performance of Three MODIS Fire Products,(MCD45A1, MCD64A1, MCD14ML), and ESA Fire_CCI in a Mountainous Area of Northwest Yunnan, China, Characterized by Frequent Small Fires, Remote Sensing, 9(11): 1-20. https://doi.org/10.3390/rs9111131.
11.Giglio L, Csiszar I, Restas A, Morisette J. T, Schroeder W, Morton D. 2008. Active fire detection and characterization with the advanced spaceborne thermal emission and reflection radiometer (ASTER),Remote Sensing of Environment, 112, 3055–3063.
12.Giglio L, Descloitres J, Justice C. O, & Kaufman Y. J. 2016. An enhanced contextual fire detection algorithm for MODIS, Remote Sensing of Environment, 87, 273–282. doi http://doi.org/10.1016/S0034-4257(03)00184-6.
13.Hally B , Wallace L, Reinke K, Jones, S Skidmore. 2018. Advances in active fire detection using a multi-temporal method for next-generation geostationary satellite data, Int, Journal of Digit, Earth, 12, 1030–1045. doi http://doi.org/10.1080/17538947.2018.1497099.
14.Kushida K. 2010. Detection of active wildland fires using multitemporal MODIS images. IEEE Geosci, Remote sensing .Lett. 7, 301–305. doi http://doi.org/10.1109/LGRS.2009.2034029.
15.Kaufman Y.J, Justice C.O , Flynn L.P , Kendall J.D, Prins E.M , Giglio L, Ward D.E, Menzel W.P , Setzer A.W. 1998. Potential global fire monitoring from EOS-MODIS, Journal of Geophys, Res, Atmos, 103, 32215–32238.
16.Katoch S, Chauhan S.S, Kumar V. 2021. review on genetic algorithm: Past, present, and future, Multimed, Tools Appl, 80, 8091–8126. doi http://doi.org/10.1007/s11042-020-10139-6.
17.Lin Z, Chen F, Li B , Yu B, Jia H , Zhang MLiang D . 2019. contextual and multitemporal active-fire detection algorithm based on FengYun-2G S-VISSR data, IEEE Trans. Geosci, Remote sensing, 57, 8840–8852. doihttp://doi.org/10.1109/TGRS.2019.2923248.
18.Moritz M.A, Parisien M. A , Batllori E, Krawchuk M.A, Van Dorn J, Ganz D.J, Hayhoe K. 2012. Climate change and disruptions to global fire activity, Ecosphere , 3, 1–22. doi http://doi.org/10.1890/ES11-00345.1.
19.Morisette J. T, Giglio, L, Csiszar I, Justice C. O. 2005. Validation of the MODIS active fire over Southern Africa with ASTER data. International Journal of Remote Sensing, 26(19), 4239–4264 doi. https://www.researchgate.net/publication/236770604.
20.Panuju D, Trisasongko B, Susetyo, B, Raimadoya M, Lees B. 2010. Historical fire detection of tropical forest from NDVI time-series data: Case study on Jambi, Indonesia. ITB , Journal of Sci, 42, 49–66. doi http://doi.org/10.5614/itbj.sci.2010.42.1.5.
21.Reid C.E, Brauer M, Johnston F.H, Jerrett M, Balmes J.R, Elliott C.T. 2016. Critical review of health impacts of wildfire smoke exposure, Environ,Health Perspect, 124, 1334–1343. doi http://doi.org/10.1289/ehp.1409277.
22.Roberts G, Wooste M.J. 2014. Development of a multi-temporal Kalman filter approach to geostationary active fire detection & fire radiative power (FRP) estimation, Remote Sens. Environ, 152, 392–412. doi http://doi.org/10.1016/j.rse.2014.06.020.
23.Szpakowski D.M, Jensen J.L.R. 2019. review of the applications of remote sensing in fire ecology, Remote sensing, 11, 2638. doi https://d oi.org/10.3390/rs11222638.
24.Schroeder W, Oliva P, Louis Giglio L, Csiszar A. 2013. The New VIIRS 375 m active fire detection data product: Algorithm description and initial assessmen, Remote Sensing of Environment,(143) 85–96. doi https:// doi.org/10.1016/j.rse.2013.12.008.
25.Schroeder W, Prins E, Giglio L, Csiszar I, Schmidt C, Morisette J. T. 2008. Validation of GOES and MODIS active fire detection products using ASTER and ETM data, Remote Sensing of Environment, 112, 2711–2726. doi https://www.infona.pl/resource/bwmeta1.element.elsevier-a860dea6-1ba3-39fd-93ed-67309c85f903.
26.Tian X.R, Mcrae D.J, Shu L.F, Wang M.Y, Hong L. 2005. Satellite remote-sensing technologies used in forest fire management, Journal For. Res, 16, 7.
27.Vakalis D, Sarimveis H, Kiranoudis C, Alexandridis A. Bafas G. 2004. GIS based operational system for wildland fire crisis management, Mathematical modeling and simulation, Applied Mathematical Modelling, 28 (4): 389-410.
28.Veraverbeke S, Sedano F, Hook S.J Randerson J.T. 2014. Mapping The Daily Progression Of Large Wildland Fires Using MODIS Active Fire Data, International Journal of Wildland Fire, 23 (5): 655-667. doi http://doi.org/10.1071/WF13015.
29.Wu M. Y, Han N, Luo Q. J. 2012. smoke detection algorithm based on discrete wavelet transform and correlation analysis. In Proceedings of the 2012 Fourth International Conference on Multimedia Information Networking and Security, Nanjing, China, pp. 281–284.
30.Xie Z, Song W, Ba R, Li X, Xia L.2018. spatiotemporal contextual model for forest fire detection using Himawari-8 satellite data, Remote sensing. 10, 1992. doi http://doi.org/10.3390/rs10121992.
31.Yin H.W, Kong F.H. Li X.Z. 2004. RS and GIS-based forest fire risk zone mapping in da hinggan mountains. Chinese Geographical Science, 14 (3): 251-257.
