ارزیابی خطر آتشسوزی در جنگلهای زاگرس با استفاده از سیستم اطلاعات جغرافیایی و روش بهترین- بدترین (BWM) (مطالعه موردی: شهرستان دوره چگنی، استان لرستان)
الموضوعات :
رقیه جهدی
1
,
وحید بیرانوندی
2
,
حامد امینی
3
1 - دانشیار، گروه علوم و مهندسی جنگل، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران
2 - دانشجوی دکتری، گروه علوم و مهندسی آبخیز، دانشکده منابع طبیعی و علوم دریایی نور، دانشگاه تربیت مدرس، تهران، ایران
3 - دانشجوی دکتری، گروه علوم و مهندسی آبخیز، دانشکده منابع طبیعی و علوم دریایی نور، دانشگاه تربیت مدرس، تهران، ایران
الکلمات المفتاحية: تغییر اقلیم, مخاطرات طبیعی, آتشسوزی جنگل, روش بهترین-بدترین, پوشش گیاهی.,
ملخص المقالة :
به دلیل اثر تغییر اقلیم، فراوانی و شدت آتشسوزی جنگل‌ها به طور مداوم در حال افزایش است. ارزیابی خطر آتشسوزی جنگل بخش مهمی از پیشگیری آتش است، زیرا برنامه‌ریزی قبل از آتش نیاز به ابزارهای پایش یک منطقه از نظر زمان و مکان که در آن وقوع آتش محتمل‌تر است، یا وقتی که آتش آثار منفی شدیدتری خواهد داشت، دارد. آتش جنگل از مهم‌ترین مخاطرات طبیعی در بوم‌سازگان‌های جنگلی زاگرس در غرب ایران است. این مطالعه به منظور تجزیه و تحلیل خطر آتشسوزی و بررسی عوامل موثر بر آتشسوزی در محدوده جنگلی شهرستان دوره چگنی انجام شد. هدف اصلی مطالعه حاضر تلاش برای تهیه نقشه پهنه‌بندی خطر آتشسوزی با ترکیب داده‌های توپوگرافی و سایر داده‌های کمکی از طریق سیستم اطلاعات جغرافیایی و استفاده از روش بهترین-بدترین برای منطقه مورد مطالعه است. نقشه خطر آتشسوزی از طریق نمره‌دهی و وزن‌دهی لایه‌های عوامل موثر آتشسوزی (پوشش گیاهی، شیب، جهت، ارتفاع، اقلیم و فاصله از سکونت‌گاه‌ها و جاده‌ها) بدست آمد. بر اساس نتایج، منطقه مورد مطالعه به چهار کلاسه خطر آتشسوزی طبقه‌بندی شد. مناطق با خطر آتش خیلی زیاد (7 درصد) و زیاد (11 درصد) در منطقه مورد مطالعه شناسایی شد. همچنین به ترتیب 8 و 74 درصد از منطقه مورد مطالعه در کلاسه‌های خطر آتش متوسط و کم قرار گرفت. این تجزیه و تحلیل به مدیران زمین در درک الگوهای آسیب‌پذیری و خطر آتش در سیمای سرزمین کمک می‌کند. با استفاده از تجزیه و تحلیل نتایج، سرمایه‌گذاری‌ها در شرایط محدودیت منابع، بازسازی جنگل، تیمارهای ماده سوختنی و سایر اقدامات کاهش آسیب آتش می‌تواند در نواحی با خطر آتشسوزی زیاد هدف‌گذاری شود.
آزاده، جواد؛ اعتماد، وحيد؛ نمیرانیان، منوچهر (1401). بررسی کارایی مدل‌های مختلف در پهنه‌بندی پتانسیل خطر آتشسوزی در جنگلهای استان استان کهگیلویه و بویراحمد. علوم و تکنولوژی محیط زیست. 24 (7)، 81-94.
اسحاقی، محمد امين، شتایی جویباری، شعبان؛ قربانی، خليل (1401). بررسی کارآیی سیستم شاخص اقلیمی آتشسوزی جنگل کانادا در استان گلستان. پژوهش و توسعه جنگل. 8 (3)، 293-309.
امامی، حسن؛ شهریاری، حسن (1398). کمی‌سازی عوامل محیطی و انسانی در وقوع آتشسوزی جنگل با روش‌های RS و GIS، مناطق حفاظت شده ارسباران. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی. 28 (112)، 35-53.
باقرآبادی، رسول؛ شیخ کانلوی میلان، فرهاد؛ زارعی محمد آباد، محسن (1401). ارزیابی خطر آتشسوزی در جنگلهای زاگرس (مطالعه موردی شهرستان دالاهو). مدیریت اکوسیستم. 2 (3)، 60-72.
قره‌داغی، حسين؛ محتشم‌نیا، سعيد؛ بهزادی، حسن (1397). پهنه‌بندی خطر آتشسوزی مراتع و جنگل‌ها با استفاده از GIS و مدل AHP. تحقیقات مرتع و بیابان ایران. 25 (4)، 817-828.
بهمن‌پور، هومن؛ بالی، علي؛ ولیان، طيبه (1401). ارزیابی توان اکولوژیک و تناسب کاربری اراضی زاگرس مرکزی با بهره‌گیری از سامانه اطلاعات جغرافیایی و مدل اکولوژیکی سرزمین. جغرافیا و مطالعات محیطی. 11 (44)، 114-129.
بابایی کفاکی، ساسان؛ کیادلیری، هادي؛ بیرانوند، عطيه (1390). بررسی تاثیر عوامل اکولوژیک بر توسعه آتشسوزی در اکوسیستم‌های جنگلی (مطالعه موردی: کاکا رضا- لرستان). تحقیقات منابع طبیعی تجدید شونده. 2 (2)، 1-13.
جانباز قبادی، غلامرضا (1398). بررسی مناطق خطر آتشسوزی جنگل در استان گلستان، بر اساس شاخص خطر آتش سوزی (FRSI) با بهره گیری از تکنیک (GIS). تحلیل فضایی مخاطرات محیطی. 23 (6)، 89-102.
جعفری، ابوالفضل؛ مافی غلامی، داوود (1396). پهنه‌بندی خطر آتشسوزی جنگل با استفاده از روش ترکیبی نسبت فراوانی- آنتروپی شانون. فصلنامه علمی-پژوهشی تحقیقات جنگل و صنوبر ایران. 25 (2)، 232-243.
دریکوندی، آرش و ديگران (1393). بررسی تغییرات گستره جنگلهای زاگرس میانی با استفاده از تفسیر عکس‌های هوایی و بهره‌گیری از GIS (مطالعه موردی: منطقه کاکا رضا، استان لرستان). اکوسیستم‌های طبیعی ایران. 5 (4)، 95-109.
سازمان هواشناسی استان لرستان (1398). شناسنامه اقلیمی شهرستان کوهدشت.
طبیبیان، سحر (1401). پهنه‌بندی کالبدی خطر آتشسوزی جنگل با روش AHPفازی و GIS (مورد مطالعه: اسالم). برنامه ریزی توسعه کالبدی. 7 (2)، 61-72.
عابدینی، موسي؛ محمدزاده شیشه گران، مريم؛ قلعه، احسان (1401). پایش و برآورد وسعت مناطق گرفتار حریق بخشی از کوهستان زاگرس با استفاده از تصاویر ماهوارهای لندست. جغرافیا و برنامه ریزی محیطی. 33 (4)، 49-62.
علی نیا، اكرم؛ گندمکار، امير؛ عباسی، عليرضا (1400). تحلیل زمانی - مکانی رخدادهای مخاطره آتش‌سوزی‌های طبیعی در استان لرستان با استفاده از محصولات سنجندة مادیس. جغرافیا و پایداری محیط. 11 (1)، 113-127.
فروتن، سارا؛ اسلام زاده، نيلوفر (1401). بررسی آتشسوزی در مراتع و جنگلهای مازندران با استفاده از تصاویر لندست. پژوهش‌های محیط زیست. 13 (26)، 373-382.
کرامت میرشکارلو، اسما؛ بانج شفیعی، عباس؛ بیگی حیدرلو، هادي (1402). مدل سازی رفتار آتش سوزی‌های کنترل شده و تصادفی در جنگلهای زاگرس شمالی با تأکید بر حجم مواد سوختی. بوم شناسی جنگلهای ایران. 11 (21)، 120-137.
مرادی، بهمن و ديگران (1395). تأثیر آتشسوزی بر ساختار پوشش گیاهی در جنگلهای زاگرس (مطالعه موردی: شهرستان سروآباد، استان کردستان). جنگل ایران. 8 (3)، 392-381.
نوری آرا، رسول و ديگران (1401). تحلیل سینوپتیکی بارش‌های سیل آسای فروردین 1398 ایران (مطالعه موردی استان لرستان). پژوهش‌های اقلیم شناسی. 13 (52)، 21-36.
نوروزی، محمد و ديگران (1402). بررسی عددی آثار رطوبت هوا بر گسترش آتش در جنگل‌ها (مطالعة موردی: جنگل ملکرود سیاهکل). نشریه جنگل و فرآورده‌های چوب. 76 (1)، 64-55.
Adab H.; Kanniah K. & Solaimani K. (2011). GIS-based probability assessment of fire risk in grassland and forested landscapes of Golestan province, Iran. International Conference on Environmental and Computer ScienceIPCBEE. © (2011) IACSIT Press, Singapore.
Ager A. A. et al (2007). Modeling wildfire risk to northern spotted owl (Strix occidentalis caurina) habitat in Central Oregon, USA. Forest Ecology and Management. 246, 45-56.
Akay A. E. & Erdoğan A. (2017). A GIS based multi criteria decision analysis for forest fire risk mapping. ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci. IV-4/W4, 25–30. https://doi.org/10.5194/isprs-annals-IV-4-W4-25-2017.
Alcasena, F.J.; Salis, M. & Vega-García, C. A. (2016). Fire modeling approach to assess wildfire exposure of valued resources in central Navarra, Spain. Eur J Forest Res. 135, 87–107. https://doi.org/10.1007/s10342-015-0919-6
Bar Massada, A. et al (2009). Wildfire risk in the wildland–urban interface: a simulation study in northwestern Wisconsin. Forest Ecology and Management. 258 (9), 1990-1999.
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.
Cochrane, M.A. (2003). Fire science for rainforests. Nature. 421, 913-919.
Estes, B.L. et al (2017). Factors influencing fire severity under moderate burning conditions in the Klamath Mountains, northern California, USA. Ecosphere. 8 (5), e01794. https://doi.org/10.1002/ecs2.1794.
Eugenio, F.C. et al (2016). Applying GIS to develop a model for forest fire risk: a case study in Espírito Santo, Brazil. Journal of Environmental Management. 173, 65-71. DOI:10.1016/j.jenvman.2016.02.021
Finney, M. A. (2005). The challenge of quantitative risk analysis for wildland fire. Forest Ecology and Management. 211, 97-108.
Fiqh, J.; Ali Mahmoudi Sarab, S. & Khajeh, P. (2018). Preparation of forest fire hazard map using artificial neural network in Golestan province. Journal of Wood and Forest Science and Technology Research. 25 (2), 136-123.
Gerdzheva, A.A. (2014). A comparative analysis of different wildfire risk assessment models (a case study for Smolyan district, Bulgaria. European Journal of Geography. 5 (3), 22 -36.
Gill, A.M.; Christian, K.R. & Moore, R.I. (1987). Bushfire incidence, fire hazard, and fuel reduction burning. Australian Journal of Ecology. 12, 299-306.
Gollberg, G.E. & Neuenschwander, L.F. (2001). Integrating Spatial Technologies and Ecological Principles for a New Age in Fire Management. International Journal of Wildland Fire. 10, 3-4.
Hoshyarkhah, B. & Jamshidi Alashti, R. (2007). Forest Fire Regimes and Coping Strategies. Tehran. 25 December. 8-13.
Jahdi, R. et al (2023). Assessing the effectiveness of silvicultural treatments on fire behavior in the hyrcanian temperate forests of northern Iran. Environmental Management. 72 (3), 1-16. https://doi.org/10.1007/s00267-023-01785-1
Loehle, C. (2004). Applying landscape principles to fire hazard reduction. Forest Ecology and Management. 198, 261–267.
Mahamed, M.et al (2022). Fire risk assessment on wildland–urban interface and adjoined urban areas: Estimation vegetation ignitability by artificial neural network. Fire. 5 (6), 184. https://doi.org/10.3390/fire5060184
Neuenschwander L. F. et al (2000). Indexing colorado watersheds to risk of wildfire. Journal of Sustainable Forestry. 11 (1-2), 35-55. DOI:10.1300/J091v11n01_03
Ozbayoglo, A. M. & Bozer, R. (2012). Estimation of the burned area in forest fires using computational intelligence techniques. Procedia Computer Science. 12, 282–287.
Ozelkan, E. & Ormeci, C. (2009, June). Risk assessment of forest fires by using satellite data with remote sensing techniques, 28th EARSeL Symposium: Remote Sensing for a Changing Europe. Istanbul. Turkey. DOI:10.3233/978-1-58603-986-8-53
Qin, D. et al (2022). A comprehensive review on fire damage assessment of reinforced concrete structures. Case Studies in Construction Materials. 16, e00843, 12-17. DOI:10.1016/j.cscm.2021.e00843
Parisien, M.A. et al (2005). Mapping wildfire susceptibility with the BURN-P3 simulation model. Informational Report NOR-X-405. Canadian Forest Service Northern Forestry Centre, Edmonton Alberta, Canada.
Pausas, J.G. & Paula, S. (2012). Fuel shapes the fire-climate relationship: evidence from Mediterranean ecosystems. Glob. Ecol. Biogeogr. 21, 1074–1082.
Pourtaghi, Z.S.; Pourghasemi, H.R. & Rossi, M. (2015). Forest fire susceptibility mapping in the Minudasht forests, Golestan province, Iran. Environmental Earth Sciences. 73 (4), 1515-1533.
Rezaei, J. (2015). Best-worst multi-criteria decision-making method. Omega. 53, 49-57.
Ruffault, J. & Mouillot, F. (2015). How a new fire-suppression policy can abruptly reshape the fire-weather relationship. Ecosphere. 6, 1–19.
Sarkargar Ardakani, A. (2007). Analysis of Radiometric- Spatial Characteristics of Fire and its Application in Identification and Separation by Remote Sensing Data. PhD Thesis. Faculty of Engineering. Khaje- Nasir- Toosi University. Tehran. Iran.
Sasikala, K. & Petrou, M. (2001). Generalised fuzzy aggregation in estimating the risk of desertification of a burned forest. Fuzzy Sets and Systems. 118 (1), 121-137.
Stocks, B.J.; Mason, J.A. & Todd, J.B. (2003). Large forest fires in Canada, 1959–1997. Journal of Geophysical Research. 108 (1), 5.1–5.12.
Sui, D.Z. (1999). A Fuzzy GIS Modeling Approach for Urban land Evaluation. Computer, Environment, and Urban systems. 16 (2), 101-115.
Syphard, A.D. et al (2017). Human presence diminishes the importance of climate in driving fire activity across the United States. Proc. Natl Acad. Sci. USA. 114 (52), 13750–13755.
Thakur, A.K. & Singh, D. (2014). Forest fire risk Zonation using geospatial techniques and analytic hierarchy process in Dehradun district, Uttarakhand, India. Universal Journal of Environmental Research and Technology. 4 (2), 82-89.
Vadrevu, K.P.; Eaturu, A. & Badarinath, K.V.S. (2009). Fire risk evaluation using multicriteria analysis, A case study. Environment Monitoring Assessment. 166, 223-239.
Verma, K.T.V.; Mani, S. & Shanmuganathan Jayakumar, S. (2015). Monitoring changes in forest fire pattern in Mudumalai tiger reserve, western Ghats India, using remote sensing and GIS. Global Journal of Science Frontier Research. 15 (4), 12-20.
Wright, H.E. (1961). Pleistocene glaciation in Kurdistan. Eiszeitalter Und Gegenwart. 12, 131–164.
Zumbrunnen, T. et al (2010). Weather and human impacts on forest fires: 100 years of fire history in two climatic regions of Switzerland. Forest Ecology and Management. 261 (12), 2188-2199.
Zhang, Q. et al (2014). National fire risk map for continental USA: Creation and validation. IOP Conference Series: Earth and Environmental Science. 18, 1-6.
Zhang, F. et al (2023). Forest fire driving factors and fire risk zoning based on an optimal parameter logistic regression model: A case study of the Liangshan Yi Autonomous prefecture, China. Fire. 6 (9), 336. https://doi.org/10.3390/fire6090336
