Comparison of the effectiveness of machine learning methods in modeling fire-prone areas (Ilam Province, Darehshahr City)

Subject Areas : Natural resources and environmental management

maryam mohammadian ¹ (MSc. Student of assessment and land use planning, Faculty of Agriculture & Natural Resources, Ardakan University, Iran)
Maryam Morovati ² (Associate Professor, Department of Environmental Sciences & Engineering, Faculty of Agriculture & Natural Resources,Ardakan University, P.O.Box184,Ardakan, Iran)
Reza Omidipour ³ (Rangeland and Watershed Managements, Faculties of Natural Resource and Earth Science, Shahrekord University, Shahrekord, IRAN)

Received: 2022-10-30 Accepted : 2022-12-21 Published : 2024-06-26

Keywords: fire modeling, Random forest, ecosystem management, Support vector machine, Ilam province,

Abstract :

Fire is one of the most important natural hazards that has a great impact on the structure and dynamics of natural ecosystems. Due to Iran's location in the arid and semi-arid belt of the world, a large number of human-made and natural fires occur in different regions of the country every year. Therefore, determining sensitive areas to fire occurrence plays an important role in fire management in natural resources. To do so, the current study aims to identify fire-prone areas in Dere Shahr city in Ilam province using two machine learning of random forest (RF) and support vector machine (SVM) and 2024 fire occurrence points. Environmental factors were prepared in categories including topographical factors (altitude, slope direction, slope anlgle), climatic factors (rainfall, relative humidity, wind, temperature), biological factors (vegetation and soil moisture) and man-made factors (distance from residential areas, distance from road, distance from agricultural land, distance from river). The model’s accuracy was evaluated using the area under the curve (AUC) in the ROC curve and cross-validation statistics. Examining the AUC index showed that both models had good accuracy, although the RF model (AUC = 0.97) had higher accuracy than the support vector machine model (AUC = 0.86). According to the results of RF model, about 60% are in the low-risk class and about 20% are in the high fire risk class. Investigating the contribution of the factors affecting the occurrence of fire showed that man-made factors (distance from residential areas) and climatic factors (temperature) played a more important role in areas with a history of fire. Therefore, increasing public culture and reducing dangerous behaviors in nature can reduce the occurrence of fire in this area and contribute greatly to the protection of the environment and preservation of natural resources.

Full-Text:



 

مقایسه کارایی روش های یادگیری ماشینی درمدلسازی مناطق حساس به وقوع آتش (استان ایلام، شهرستان دره­شهر)

 

 

چکیده

آتش از مهمترین مخاطرات طبیعی بوده که تاثیر بسزائی بر ساختار و پویایی اکوسیستم­های طبیعی دارد. با توجه به قرارگیری ایران در کمربند خشک و نیمه­خشک جهان، هر ساله تعداد زیادی آتش­سوزی عمدی و غیر عمدی در مناطق مختلف کشور به وقوع می­پیوندد. به همین دلیل تعیین مناطق حساس به وقوع آتش نقش مهمی در مدیریت آتش­سوزی در منابع طبیعی دارد. به همین دلیل تحقیق حاضر در صدد است تا با استفاده از دو روش یادگیری ماشینی جنگل تصادفی (Random Forest) و ماشین بردار پشتیبان (Support Vector Machine) و 2024 نقطه وقوع آتش، مناطق حساس به وقوع آتش را در شهرستان دره­شهر در استان ایلام را تعیین نماید. عوامل محیطی در چهار گروه اصلی شامل عوامل توپوگرافی (ارتفاع، جهت شیب، تندی شیب)، عوامل اقلیمی (بارش، رطوبت نسبی، باد، درجه حرارت)، عوامل زیستی (پوشش گیاهی و رطوبت خاک) و عوامل انسان ساخت (فاصله از مناطق مسکونی، فاصله از جاده، فاصله از اراضی کشاورزی، فاصله از آبراهه) تهیه شدند. ارزیابی دقت مدل­های مورد استفاده با استفاده شاخص سطح زیر نمودار (AUC) در منحنی ROC و آماره­های ارزیابی متقاطع (Cross-validation) انجام شد. بررسی شاخص AUC نشان داد که هر دو مدل دارای دقت مناسبی بوده هرچند مدل جنگل تصادفی (AUC = 0.97) دارای دقت بالاتری نسبت به مدل ماشین بردار پشتیبان (AUC = 0.86) بود. بر اساس نتایج مدل جنگل تصادفی، از منطقه مورد مطالعه حدود 60 درصد در کلاس کم خطر و حدود 20 درصد در کلاس خطر زیاد آتش قرار دارد. بررسی سهم عوامل تاثیرگذار بر وقوع آتش نشان داد که عوامل انسان ساخت (فاصله از مناطق مسکونی) و عوامل اقلیمی (درجه حرارت) نقش مهمتری در نقاط دارای سابقه آتش داشتند. بنابراین افزایش فرهنگ عمومی و کاهش رفتارهای خطرناک در طبیعت می­تواند موجب کاهش وقوع آتش در این منطقه شده و سهم زیادی در حفاظت از محیط زیست و حفظ منابع طبیعی داشته باشد.

 

کلمات کلیدی: مدیریت اکوسیستم، مدلسازی آتش، جنگل تصادفی، ماشین بردار پشتیبان، استان ایلام.

مقدمه

جنگل‎ها اکوسیستمی زنده و پویا هستند که اهمیت ویژه‎ای در حفاظت از تنوع‎زیستی و ارائه خدمات و کارکردها برای جامع بشری دارند (40 و 37). همچنین جنگل­ها به دلیل تولید اکسیژن و جذب دی اکسید کربن نقش نکار ناپذیری در کاهش گرمایش جهانی و روند تغییر اقلیم دارند و هر گونه تخریب و اربین بردن جنگل­ها موجب تشدید این روند خواهد شد (3). بطور کلی، آتش‌سوزی‏های طبیعی و غیر طبیعی (آتش­سوزی با منشاء انسانی) از مهم‏ترین علل نابودی جنگل‌ها و تغییر در تنوع آن‌ها می‌باشد (35). از سوی دیگر، وقوع آتش خود وابسته به بسیاری از عوامل محیطی از قبیل  بارندگی، دما، رطوبت و ناپایداری هوا است (10). اغلب جنگل‌های دنیا با شرایط آب و هوایی مختلف، آتش‎سوزی‎های با توان تخریب متفاوت رو به رو شده‎اند. عوامل زیادی در تخریب جنگل­ها نقش دارند، اما وقوع آتش‎سوزی‎ها بخصوص آتش­سوزی­های طبیعی یکی از عوامل اصلی تخریب جنگل­ها و تغییر در ساختار آن­ها در دنیا بشمار می­رود (44). پیدایش آتش‎سوزی‎ها به عوامل متعددی از قبیل توپوگرافی، پوشش‌گیاهی و اقلیم بستگی دارد (10 و 23). به منطقه‌های که احتمال گسترش آتش‎سوزی فراوان است، مناطق مستعد آتش‎سوزی گفته می‌شود (5). سالانه بیش از 200 هزار آتش­سوزی در جهان رخ می­دهد که موجب تخریب 5/3 تا 5/4 میلیون ‎کیلومترمربع اراضی جنگلی در دنیا می­شود (26). در ایران نیز کاهش سالیانه 5000 تا 6000 هکتار از پهنای جنگل­ها در اثر آتش­سوزی برآورد شده است (32). این آتش­سوزی­ها غالباً در دوره­های خشکی با وزش بادهای گرم ایجاد و تشدید می­شوند و گسترش می­یابند (23). نقش بشر در پیدایش آتش­سوزی­ها به­طور مستقیم و غیرمستقیم قابل توجه است (4). افزایش فعالیت­های انسانی سبب رشدگستره شهرها، تبدیل جنگل­ها و پوشش­گیاهی به اراضی­کشاورزی شده است. از سوی دیگر، افزایش گازهای گلخانه­ای و تخریب اکوسیستم­های طبیعی گرمایش جهانی را به دنبال داشته­اند، که این گرمایش­جهانی سبب افزایش حساسیت بسیاری از مناطق دنیا به وقوع آتش­سوزی­ها شده است (2). به همین دلیل، خسارت­های شدید آتش­سوزی مدیران و محققان را بر آن داشته است تا تلاش زیادی برای پیش­بینی و تخمین احتمال بروز آتش­سوزی داشته باشند. کشور ایران از جمله کشورهای حادثه­خیز دنیا است که پدیده آتش­سوزی جنگل¹، یکی از مهم­ترین بحران­های آن محسوب می­شود (11 و 21). در سال­های اخیر آتش­سوزی یکی از مهم­ترین عوامل تخریب­کننده و تاثیرگذار بر بوم­سازگان جنگل­های زاگرس بوده است (35). برای مثال، در همین راستا، با بررسی تعداد حوادث آتش­سوزی دو منطقه حفاظت­شده دینارکوه و کبیرکوه استان­ایلام نشان می­دهد که روند این حوادث، روندی افزایشی است و از تعداد 3 مورد در سال1390 به تعداد 8 مورد در سال 1394 رسیده است (19). بررسی سطح مناطق تخریب شده در اثر آتش نیز روندی افزایشی نشان می­دهد بطوری که بررسی مساحت اراضی مورد آتش­سوزی نشان­دهنده روند افزایشی در این نواحی بوده و بر اساس آماری رسمی، از سال1390 (20 هکتار) تا سال 1394 (47 هکتار) افزایشی دو برابری نشان می­دهد (19). با توجه به افزایش تعداد وقوع آتش­سوزی در استان ایلام، تعیین مناطق حساس به وقوع آتش و همچنین عوامل تاثیر گذار بر وقوع آتش از اهمیت مدیریتی بالایی برخودار است. در این راستا، تحقیقات مختلفی در زمینه عوامل مخرب اکوسیستم جنگل و همچنین مدل­سازی مناطق حساس به وقوع آتش انجام شده است. برای مثال، مهدوی و همکاران (24)، در پژوهشی به بررسی تخریب پوشش جنگلی شهرستان چرداول در استان ایلام پرداختند و از تصاویر سنجنده‌های پیمایش‏گر چند طیفی و تصویربردار عملیاتی زمین ماهواره لندست مربوط به سال‎های 1366 و 1393 و روش مدل‎سازی رگرسیون لجستیک² استفاده کردند. نتایج مدل‎سازی نشان داد که متغیر جهت دامنه با دارا بودن بیشترین ضریب تاثیر (7267/0)، مهمترین در تخریب احتمالی جنگل بود. متغیرهای فاصله از روستا و فاصله از جاده هم رابطه معکوسی با مقدار تخریب جنگل در منطقه مورد مطالعه داشتند. در تحقیقی دیگر، محمدپور و دشتی (29)، با هدف پیش­بینی گسترش آتش­سوزی­ها از روش شبیه­سازی آتش با استفاده از مدل فرستس³ در جنگل­های استان ایلام استفاده نمودند. براساس نتایج پهنه­بندی آتش­سوزی استان ایلام، 5/1 درصد از منطقه دارای ریسک بسیار زیاد است. پام و همکاران⁴ (34) در تحقیقی با هدف بررسی ارزیابی عملکرد روش­های یادگیری ماشینی در پیش­بینی و مدل‎سازی آتش­سوزی جنگل­ها در پارک ملی پوت مات ویتنام از روش­های شبکه یادگیری ماشین، نایو بیز⁵، درخت تصمیم­گیری⁶ و رگرسیون لجستیک چندمتغیره استفاده نمودند. تجزیه و تحلیل­های آنان نشان داد که این مدل­ها دارای دقت کافی نسبت به تغییر مجموعه داده­ها می­باشند. علاوه بر این نتایج آنان نشان داد که حساسیت به آتش­سوزی با شدت­های متوسط تا زیاد ارتباط زیادی با فعالت­های انسانی دارد. آن­ها همچنین بیان داشتند که این مطالعه و نیز نقشه­های حساسیت حاصل، می­تواند زمینه­ای را برای توسعه استراتژی­های موثر در اطفاء حریق و نیز سازماندهی سیاست­های موثر در جهت مدیریت پایدار عرصه­های جنگلی فراهم نماید. در تحقیقی دیگر، موهاجان و همکاران⁷ (27) پژوهشی با هدف توسعه استراتژی‎های دقیق جلوگیری از اثرات احتمالی و به حداقل رساندن وقوع حوادث فاجعه‎آمیز تا حد امکان مدل‎سازی و پیش‎بینی شرایط سخت انجام داد و از پنج مدل یادگیری ماشین ترکیبی جدید برای تعیین مناطق حساس به آتش‏سوزی جنگل در شمال مراکش استفاده کردند. نتایج حاصل از انجام مدل‏های پیشنهادی نشان داد که مدل ترکیبی نسبت فرکانس جنگل‏تصادفی در پیش‌بینی آتش‌سوزی جنگل با 989/0 درصدی بالاترین عملکرد را دارد. ببراساس نتایج، پس از این مدل، مدل نسبت فرکانس ماشین بردار پشتیبان با 959/0 درصدی، مدل نسبت فرکانس پرسپترون چند لایه 858/0، مدل نسبت فرکانس-رگرسیون لجستیک با 847/0 درصدی، مدل نسبت فرکانس رده‌بندی و درخت رگرسیون با 809/0 درصد دارای بالاترین عملکرد بودند. بر اساس موارد گفته شده، استفاده­از روش­های یادگیری ماشینی به دلیل عملکرد بالا، نقش مهمی در تعیین صحیح و دقیق مناطق حساس به وقوع آتش و همچنین عوامل تاثیرگذار آن در هر منطقه­ای دارد. هرچند، با تغییر شرایط محیطی، نقش عوامل تعیین کننده و بهترین مدل برای مدل­سازی دقیق و صحیح مناطق حساس به وقوع آتش تغییر خواهد نمود. به همین دلیل، هدف از انجام این تحقیق ارزیابی و تعیین مناطق حساس به آتش و همچنین تعیین مهمترین عوامل تاثیرگذار بر وقوع آتش با استفاده از روش‌های یادگیری‎ماشینی شهرستان دره­شهر می‎باشد.

 

مواد و روش­ها

معرفی منطقه مورد مطالعه:

منطقه مورد مطالعه در تحقیق حاضر شهرستان دره­شهر در استان ایلام می­باشد. شهرستان دره­شهر در قسمت جنوب شرقی استان ایلام و در دامنه شمالی شرقی کبیرکوه واقع شده و یکی زیر حوضه‌های فرعی رودخانه سیمره بشمار می­رود که در قسمت جنوب به کبیرکوه و شهرستان آبدانان و در شمال به کوه مله و رودخانه سمیره محدود می‎شود. این منطقه دارای موقعيت جغرافيايي با طول جغرافیایی 47 درجه و 22 دقیقه و عرض جغرافیایی 33 درجه و 8 دقیقه در سيستم مختصات متريک (U.T.M)⁸ است (شکل 1). شهرستان دره­شهر یکی از شهرهای غربی ایران و کوهپایه‌ای از سلسله کوه‌های زاگرس و مرکز آن شهر دره­شهر است. شهرستان دره­شهر از شرق و جنوب شرقی با شهرستان‌های کوهدشت، رومشکان و پلدختر واقع در استان لرستان و شهرستان اندیمشک واقع در استان خوزستان همجوار است و از شمال، شمال غرب و جنوب غربی به دیگر شهرستان‌های استان ایلام محدود می‌شود. شهر تاریخی ماداکتو یا سیمره (شهر قدیمی دره­شهر) در امتداد ضلع جنوبی شهر کنونی دره­شهر واقع شده است. بيشترين ارتفاع منطقه 1941 متر و كمترين ارتفاع آن معادل 637 متر از سطح دريا مي­باشد. این منطقه دارای آب و هوایی معتدل و خشک بوده که شرایط حاکم بر مناطق غرب و جنوب استان ایلام می­باشد که دارای زمستان­های نسبتا ملایم و تابستان­های گرم و خشک است (33). 

 

شکل 1. موقعیت جغرافیایی شهرستان دره شهر در استان ایلام و ایران

Fig1. Geographical location Dereshahr city in Ilam province and Iran

 

شهرستان دره‎شهر در زون ساختاری زاگرس چین خورده قرار گرفته است. پوشش گیاهی منطقه شامل گونه‎های درختی، درختچه‎ای، بوته‎ای و علفی می‎باشد. گیاهان علفی به همراه گونه‎های پراکنده بوته‎ای اشکوب تحتانی را تشکیل می‌دهد این اشکوب بخصوص در قسمت‎های کم شیب و پایین دست تیپ‎های گیاهی غالبی را تشکیل می‎دهد. مهم‎ترین گیاهان غالب این اشکوب شامل: یولاف، یونجه زرد، گوش بره و اسپند است. گیاهان درختچه‎ای که تشکیل دهنده اشکوب میانی می‎هستند به صورت پراکنده در تمام منطقه دیده می‎شوند. از مهم‎ترین گونه‎های اشکوب میانی می­توان به گونه­های تنگرس، خرزهره و پنج انگشت اشاره نمود. اشکوب فوقانی شامل گونه‎های درختی است. در این منطقه به علت قطع بی رویه توسط گونه‎های تحتانی و میانی جایگزین شده است. مهم‎ترین گونه‎های درختی غالب در این اشکوب شامل بلوط ایرانی، انجیر، کیکم است. از گونه‎های پستانداران شاخص منطقه می‎توان به خرس سیاه، گراز، گرگ، پلنگ، کفتار، شغال، گورکن اشاره نمود. از پرندگان شاخص منطقه می‎توان به عقاب طلائی، سارگپه، دلیجه، کبک، تیهو، هدهد اشاره نمود (33).

 

روش کار

در این تحقیق هدف اصلی تعیین مناطق حساس به وقوع آتش­سوزی است. به همین دلیل در گام اول، بر اساس تحقیقات گذشته و همچنین نظرات کارشناسان و بررسی سابقه مناطق دارای آتش­سوزی، ابتدا عوامل تاثیرگذار بر وقوع آتش­ تعیین شد. از عامل­های تاثیرگذار می­توان به 4 معیار اصلی (عوامل توپوگرافی، بیولوژیکی، اقلیمی و انسان ساخت) و 14 زیر معیار اشاره نمود. هر معیار و زیر معیار­های آن در ادامه بطور مختصر تشریح شده­اند. نقشه مربوط به همه عوامل محیطی بصورتی رستری و با اندازه پیکسل 30 × 30 مترمربعی در محیط نرم افزار Arc GIS 10.8 ساخته شدند. روند مراحل اجرای تحقیق حاضر در شکل 2 ارائه شده است.

 

شکل 2. فلوچارت مراحل انجام تحقیق

Fig 2. Flowchart of the research process

 

عوامل توپوگرافی

عوامل توپوگرافی از مهمترین عوامل محیطی غیر زنده بوده که بسیاری از اعمال حیاتی موجودات زنده را بصورت مستقیم و غیر مستقیم را تحت تاثیر قرار می­دهند. بطور کلی، از میان خصوصات توپوگرافی، سه عامل ارتفاع از سطح دریا، جهت شیب و تندی یا مقدار شیب شناخته شده­تر بوده و در اکثر تحقیقات، بیشتر مورد بررسی قرار می­گیرند.تغییرات در ارتفاع از سطح دریا بر میزان بارش و همچنین مقدار دما موثر است. همچنین دو عامل جهت و درصد شیب به دلیل تاثیر برمیزان دریافت اشعه نور خورشید و ایجاد شرایط خرد اقلیم، تاثیر بسیاری بر ساختار و تراکم پوشش گیاهی دارند که از مهمترین عوامل در ایجاد وقوع آتش بشمار می­رود (6 و 31). همچنین عامل شیب نیز با تغییراتی که در مقدار زاویه بین ماده سوختنی و شعله­های آتش ایجاد می‎کند و جریانات هوایی ایجاد شده، در تسریع گسترش آتش نقش مهمی دارد. جهت شیب نیز در محاسبه میزان رطوبت مواد سوختنی نقش دارد (19 و 20). در تحقیق حاضر از نقشه توپوگرافی با مقیاس1:50000 سازمان نقشه برداری کشور و همچنین نقشه رقومی ارتفاع استخراجی از تصاویر ماهواره ASTER، برای استخراج نقشه­های ارتفاع، شیب و جهت استفاده شد. برای آمادسازی لایه­های توپوگرافی از نرم افزار Arc GIS استفاده شد.

 

عوامل بیولوژیک

معیارهای بیولوژیکی شامل نوع پوشش گیاهی، تراکم پوشش گیاهی و رطوبت خاک می­باشد (2). بطور کلی پوشش گیاهی، بستر اصلی اشتعال پذیری است، که باعث ایجاد و گسترش آتش می­شود. خصوصیات و ویژگی­های پوشش گیاهی تأثیرات زیادی بر برخی خصوصیات آتش از قبیل نقطه اشتعال، شدت آتش، نرخ گسترش و ارتفاع شعله دارد (42). به همین دلیل در بررسی و مدلسازی وقوع آتش در یک منطقه، معیار پوشش گیاهی از جمله نقشه­های ماده سوختنی، میزان تاج پوشش و ارتفاع، توده جنگل مورد توجه قرار می­گیرند. در تحقیق حاضر، تاثیر پوشش گیاهی با استفاده از تولید و محاسبه شاخص پوشش گیاهی NDVI و تصاویر ماهواره­ای لندست 8⁹ به تاریخ 09/05/2022 با درصد ابرناکی 11/0 درصد انجام شد. برای محاسبه رطوبت خاک از دو شاخص شاخص رطوبت تفاضل نرمال¹⁰ (NDWI)و شاخص رطوبت سطحی خاک¹¹ (LSWI) در محیط نرم افزار TerrSet استفاده شد. شاخص NDWI برای اولین بار توسط گائو¹² (12) و شاخص LSWI نیز توسط ژیائو و همکاران¹³ (41) معرفی شدند. این دو شاخص بر اساس روابط 1 و 2 محاسبه شدند.

رابطه (1): NDWI = (NIR-SWIR2)/(NIR+SWIR2)

رابطه (2): LSWI = (NIR-SWIR1)/(NIR+SWIR1)

در این روابط NIR: باندهای مادون قرمز نزدیک، SWIR1: مادون قرمز موج کوتاه اول و SWIR2: مادون قرمز موج کوتاه دوم است.

 

عوامل اقلیمی

شرایط اقلیمی به طور مستقیم در پیدایش آتش تاثیر دارند و به طور غیر مستقیم با اثر بر تیپ و تراکم پوشش گیاهی، بر پیدایش و شدت آتش موثر هستند (16 و 20). میزان نزولات آسمانی و درجه حرارت، رطوبت نسبی، سرعت باد و جهت باد مهمترین پارامترهای اقلیمی مؤثر در هر منطقه به شمار می­روند (19). که در وقوع و گسترش آتش­سوزی در جنگل­ها دارای اهمیت است. با توجه به قرارگیری تنها یک ایستگاه هواشناسی در شهرستان دره­شهر، در تحقیق حاضر برای تهیه نقشه عوامل اقلیمی از برای تهیه داده­های هواشناسی اطلاعات هواشناسی از تمامی ایستگاه سینوپتیک کل استان استفاده شد. پس از استخراج اطلاعات مورد نیاز، ابتدا با استفاده از روش معکوس وزنی فاصله (IDW) نقشه متغیرهای اقلیمی برای کل استان ایلام ایجاد و سپس محدوده مربوط به شهرستان دره­شهر از نقشه اصلی تفکیک شد.

 

عوامل انسانی

عوامل انسانی از مهمتریم عوامل تعیین کننده در آتش بشمار می­روند (9). بطور کلی انسان دو نقش ویژه به عنوان ایجادکننده و مدیریت­کننده آتش دارد. بر اساس نتایج تحقیقات گذشته، هرچه فاصله به سکونتگاه­ها یا عارضه­های انسان ساخت نزدیکتر شود، احتمال وقوع آتش افزایش خواهد یافت (16، 19 و 20). در تحقیق حاضر، لایه عوامل انسانی شامل فاصله از جاده، فاصله از مناطق مسکونی، فاصله از زمین زراعی ایجاد گردید. در ابتدا پس از تعیین هر عارضه (مناطق مسکونی و اراضی کشاورزی) و نقشه جاده (استخراجی از نرم افزار Google Earth) وارد محیط نرم افزار Arc GIS شده و نقشه فاصله با استفاده از روش فاصله اقلیدوسی¹⁴ ایجاد شد.

 

مدل جنگل تصادفی

جنگل تصادفی¹⁵ یک روش جدید و قدرتمند یادگیری ماشینی است که توسعه بسیاری در تکنولوژی عرضه نموده­اند، ولی در تحقیقات اکولوژیک شناخته نیستند. این الگوریتم به دلیل سادگی و قابلیت استفاده، هم برای دسته‌بندی و هم رگرسیون، یکی از پرکاربردترین الگوریتم‌های یادگیری ماشین محسوب می‌شود. رویکرد جنگل تصادفی بر پایه روش­های جدید ترکیب اطلاعات است که در آن تعداد زیادی درخت تصمیم­­گیری به وجود آمده است، سپس تمام درختان با هم برای پیش­بینی ترکیب می­گردند. پارامترهای کلیدی برای مدل جنگل تصادفی، تعداد درختان و تعداد متغیرهای برای پیش­بینی ترکیب می­گردند (20).

 

مدل ماشین بردار پشتیبان

مدل ماشین بردار پشتیبان¹⁶ یکی از مهم­ترین روش­های یادگیری ماشینی است که می­تواند به طور مشترک برای دو عملیات طبقه­بندی و رگرسیونی به­کار رود. این روش شامل مجموعه­ای از توابع طبقه­بندی است که دارای قابلیت ارزیابی خطا و تعمیم مناسب اطلاعات بوده و با استفاده از اطلاعات موجود در لایه­های عوامل موثر و تکرار بالای مدل‎سازی، پیچیدگی رفتار پیدایش پدیده آتش­سوزی را کاهش می­دهد. این مدل شامل یک مرحله آموزشی با ورودی و ارزش­های اهداف خروجی است. برای کمینه کردن میزان خطاهای تعمیم یافته باید میزان خطای آموزشی و پیچیدگی طبقه­بندی کاهش یابد که با استفاده از صفحه جدایش انجام می­شود که وظیفه افزایش حاشیه بین طبقات را بر عهده دارد. الگوریتم­های ماشین بردار پشتیبان، روش کلی برای تخمین توابع ارائه می­نمایند که هدف اصلی آن­ها حل مسائل بهینه­سازی درجه دوم می­باشد (2).

 

مدلسازی و ارزیابی دقت

پس از تهیه لایه­های عوامل محیطی، اطلاعات مربوط به نقاط آتش استخراج گردید. در این تحقیق، تمامی اطلاعات مربوط به وقوع آتش در 20 سال اخیر از منابع موجود جمع­آوری گردید. در این راستا علاوه بر اطلاعات ادارات منابع طبیعی و آبخیزداری و حفاظت محیط زیست، از محصول آتش تصاویر ماهواره مادیس استفاده شد. در مجموع و پس از حذف نقاط تکراری و ادغام نقاط با فاصله کمتر از 100 متر، لایه نهایی نقاط آتش بصورت نقطه‌ای ایجاد شد. این اطلاعات به دو گروه نقاط لازم برای آموزش مدل (70 درصد) و نقاط لازم برای ارزیابی نتایج مدل (30 درصد) بصورت کاملا تصادفی تقسیم شدند. در کل، برای آموزش و ساخت مدل‌ها از 1418 نقطه و برای ارزیابی دقت مدل‌ها از 604 نقطه استفاده شد. مدلسازی مربوط به دو مدل جنگل تصادفی و مایشن بردار پشتیبان در نرم افزار R و به ترتیب بسته­های "randomForest" و "e1071" انجام شد. همچنین برای تعیین اهمیت نسبی متغیرهای محیطی در وقوع آتش در شهرستان دره­شهر، از روش نمودار اهمیت نسبی (varImpPlot) در الگوریتم جنگل تصادفی استفاده شد.

برای تعیین دقت و صحت نتایج و قابلیت اطمینان هر مدل‎سازی، نتایج آن باید ارزیابی شود. ارزیابی نتایج مدل‎سازی سبب افزایش اطمینان به اطلاعات به دست آمده خواهد شد (30). در این تحقیق شاخص سطح زیر نمودار¹⁷ در منحنی نمودار مشخصه عملکرد¹⁸ به معنی مشخصه عملکرد سیستم استفاده شد. همچنین برای مقایسه دو مدل مورد بررسی، برخی از مهمترین آماره­های ارزیابی متقابل شامل ضریب همبستگی (r)، ضریب تبیین (R2)، ریشه میانگین مربعات خطا (RMSE) و میانگین مطلق خطا (MAE) استفاده گردید.

 

 

نتایج

روند سالانه وقوع آتش:

تحقیق حاضر با استفاده از اطلاعات 20 ساله (2002 تا 2022) آتش انجام شد. بررسی وقوع سالانه آتش در شهرستان دره­شهر نشان داد که یک روند افزایشی و مثبت در تعداد وقوع آتش وجود داشته است (شکل 3). بر اساس نتایج بیشترین تعداد وقوع آتش ثبت شده در سال 2016 بوده که برابر با 548 مورد حریق است. همچنین دو سال 2019 و 2020 با به ترتیب 344 و 327 مورد حریق ثبت شده دارای بیشترین تعداد حریق در طی یک سال بودند. در بین سال­های مورد مطالعه (2002 تا 2022) سال 2008 با یک مورد و سال­های 2004 و 2006 تنها با دو مورد حریق دارای کمترین تعداد حریق اتفاق افتاده در طی یکسال بودند.

 

شکل 3. تعداد آتش در طی دوره آماری مورد مطالعه (2002 تا 2022) در شهرستان دره شهر

Fig 3. The number of fires during the statistical period under study (2002 to 2022) in Dereshahr city

 

تهیه نقاط آتش برای مدل‎سازی:

در تحقیق حاضر از مجموعه نقاط آتش ثبت شده توسط ماهواره مادیس و همچنین موقعیت حریق­های اتفاق افتاده که توسط ادارات منابع طبیعی و آبخیزداری و همچنین اداره کل محیط زیست شهرستان دره شهر ثبت گردیده بود استفاده شد. در مجموع و پس از حذف نقاط تکراری و ادغام نقاط با فاصله کمتر از 100 متر، لایه نهایی نقاط آتش بصورت نقطه­ای ایجاد شد. این اطلاعات به دو گروه نقاط لازم برای آموزش مدل (70 درصد) و نقاط لازم برای ارزیابی نتایج مدل (30 درصد) بصورت کاملا تصادفی تقسیم شدند. در کل، برای آموزش و ساخت مدل­ها از 1418 نقطه و برای ارزیابی دقت مدل­ها از 606 نقطه استفاده شد. نمایی از موقعیت نقاط آموزش و ارزیابی مدل در شکل (4) ارائه شده است. همچنین در هر دو نقطه، به ترتیب 604 و 1196 نقطه به عنوان مناطق فاقد سابقه آتش انتخاب و اطلاعات لایه­های مورد استفاده آنها برای مرحله مدل‎سازی استخراج شد.

 

شکل 4. موقعیت نقاط آتش برای آموزش مدل و ارزیابی دقت مدل‎سازی

Fig 4. Location of fire points for model training and modeling accuracy assessment

 

تعیین اهمیت نسبی عوامل موثر در وقوع آتش:

بررسی اهمیت نسبی لایه­های مورد استفاده در مدل‎سازی با استفاده از الگوریتم جنگل تصادفی نشان داد که به ترتیب لایه­های فاصله از مناطق مسکونی (resid_dis)، میانگین دمای سالانه (t_mean) و ارتفاع از سطح دریا (elevation) مهمترین عوامل موثر در وقوع آتش در شهرستان دره شهر بودند (شکل 5). همچنین لایه­های جهت شیب (aspect) و شاخص رطوبت خاک سطحی (ndwi) کم اهمیت­ترین عوامل در مناطق دارای سابقه آتش در شهرستان دره شهر بودند (شکل 5).

 

 

شکل 5. اهمیت نسبی لایه­های مورد استفاده در تعیین مناطق حساس به وقوع آتش

Fig 5. The relative importance of the layers used in determining fire sensitive areas

 

مدل‎سازی آتش:

پس از تهیه نقشه لایه­های عوامل تاثیرگذار، اطلاعات هر لایه مربوط به نقاط آتش مورد استفاده برای آموزش مدل به کمک نرم افزار Arc GIS استخراج شد. سپس این اطلاعات برای مدل‎سازی در دو الگوریتم جنگل تصادفی و ماشین بردار پشتیبان مورد استفاده قرار گرفت. در نهایت رابطه بدست آمده توسط هر مدل با استفاده از تابع پیش‎بینی¹⁹ در نرم افزار R بر روی اطلاعات تمام لایه­های اولیه اعمال و نقشه خطر آتش برای هر مدل بصورت مجزا تولید گردید.

 

مدل‎سازی با استفاده از مدل ماشین بردار پشتیبان:

پس از آموزش مدل با استفاده از اطلاعات تهیه شده، بر اساس شبکه­ای از نقاط (40149 نقطه) ارزش خطر آتش برای همه پیکسل­های منطقه مورد بررسی بر اساس دو الگوریتم ماشین بردار پشتیبان و جنگل تصادفی تهیه شد. بر اساس نتایج بدست آمده از مدل ماشین بردار پشتیبان، عمده مناطق مرکزی، غربی، شمال-غرب و جنوب غرب دارای خطر کمی برای وقوع آتش‎سوزی هستند (شکل 6). همچنین مناطق با خطر متوسط در محدوده­های شمال-شرق و جنوب دیده می­شوند. نتایج مدل‎سازی خطر وقوع آتش در شهرستان دره شهر با استفاده از الگوریتم ماشین بردار پشتیبان در شکل (6) نمایش داده شده است.

 

 

شکل 6. مدل‎سازی خطر وقوع آتش با استفاده از مدل ماشین بردار پشتیبان در شهرستان دره شهر

Fig 6. Modeling risk of fire using support vector machine model in DereShahr city

 

مدل‎سازی با استفاده از مدل جنگل تصادفی:

بر خلاف الگوریتم ماشین بردار پشتیبان، نتایج الگوریتم جنگل تصادفی بیانگر وجود دو منطقه کاملا متمایز در زمینه خطر وقوع آتش بود (شکل 7). بر اساس نتایج، دو منطقه با خطر کم و خطر خیلی زیاد در شهرستان دره­شهر وجود دارد که مناطق جنوبی و شمال تا شمال شرق حوزه مورد بررسی دارای خطر خیلی زیاد در زمینه وقوع آتش هستند و سایر مناطق در محدود خطر کم قرار دارند که احتمال وقوع آتش در آنها کمتر از 25 درصد (کلاس خطر کم وقوع آتش) است (شکل 7).

 

شکل 7. مدل‎سازی خطر وقوع آتش با استفاده از مدل جنگل تصادفی در شهرستان دره شهر

Fig 7. Modeling risk of fire using random forest model in DereShahr city

 

کلاس‎بندی نقشه خطر آتش:

پس از تهیه نقشه خطر آتش، برای تحلیل بهتر اطلاعات و نتایج، این نقشه در چهار کلاس خطر شامل کلاس خطر کم (خطر وقوع صفر تا 25/0)، کلاس خطر متوسط (خطر وقوع 25/0 تا 50/0)، کلاس خطر زیاد (خطر وقوع 50/0 تا 75/0) و کلاس خطر خیلی زیاد (خطر وقوع 75/0 تا 1) دسته­بندی گردیدند (شکل 8 و 9).

بر اساس نتایج، در مدل ماشین بردار پشتیبان کلاس خطر کم دارای بیشترین مساحت در هر دو مدل جنگل تصادفی (63/60 درصد) و ماشین بردار پشتیبان (9/47 درصد) بود ( شکل 10 و جدول 1). در مدل ماشین بردار پشتیبان، دومین کلاس با مساحت زیاد مربوط به کلاس خطر متوسط بود که 69/41 درصد از سطح منطقه مورد مطالعه را شامل می­شود در حالی که در مدل جنگل تصادفی، کلاس خطر خیلی زیاد با مساحت بیش از 90 هزار هکتار معادل 41/20 از سطح منطقه، دومین کلاس با مساحت زیاد در مدل جنگل تصادفی بود (شکل 10 و جدول 1). در نهایت، در مدل ماشین بردار پشتیبان، کمترین مساحت مربوط به کلاس خطر خیلی زیاد بود که تنها 59/258 هکتار (معادل 29/0 درصد) از سطح منطقه را پوشش می­داد در حالی که در مدل جنگل تصادفی، کمترین مساحت مربوط به کلاس خطر زیاد وقوع آتش با مساحتی معادل 5/6273 هکتار (95/6 درصد) بود (شکل 10 و جدول 1).

 

شکل 8. کلاس خطر وقوع آتش با استفاده از مدل ماشین بردار پشتیبان در شهرستان دره شهر

Fig 8. Class risk of fire using support vector machine model in DereShahr city

 

 

شکل 9. کلاس خطر وقوع آتش با استفاده از مدل جنگل تصادفی در شهرستان دره شهر

Fig 9. Class risk of fire using random forest model in DereShahr city

 

شکل 10. مساحت (هکتار) کلاس­های خطر وقوع آتش بر اساس دو مدل جنگل تصادفی و ماشین بردار پشتیبان در شهرستان دره شهر

Fig 10. Area (hectares) of fire risk classes based on two random forest models and support vector machine in DereShahr city

 

جدول 1. مساحت کلاس­های مختلف خطر بر اساس مدل­های مورد استفاده

Table 1. The area of different risk classes based on the models used

 

کلاس خطر وقوع آتش	مدل جنگل تصادفی		مدل ماشین بردار پشتیبان
	مساحت (هکتار)	درصد	مساحت (هکتار)	درصد
خطر کم	07/54739	63/60	60/43327	99/47
خطر متوسط	33/10840	01/12	24/37634	69/41
خطر زیاد	50/6273	95/6	22/9057	03/10
خطر خیلی زیاد	74/18424	41/20	59/258	29/0
کل	647/90277	100	647/90277	100

 

ارزیابی دقت:

برای اطمینان از صحت نتایج بدست آمده، از لایه اطلاعات استفاده نشده در مدل‎سازی که شامل 30 درصد نقاط آتش که شامل 590 نقطه وقوع آتش و 604 نقطه فاقد سابقه وقوع آتش بود استفاده گردید. بر اساس نتایج مشخص گردید که مدل جنگل تصادفی قادر بوده است تا بیش از 82 درصد نقاطی که در آنها آتش اتفاق افتاده است را در کلاس خطر خیلی زیاد قرار دهد در حالی که در مدل ماشین بردار پشتیبان هیچ نقطه­ای با سابقه وقوع آتش در کلاس خطر زیاد وقوع آتش قرار نگرفت است (جدول 2).

بر اساس نتایج، مدل ماشین بردار پشتیبان بیشتر نقاط آتش را در دو کلاس خطر متوسط (325 نقطه معادل 81/53 درصد) و خطر زیاد (220 نقطه معادل 42/36 درصد) طبقه­بندی کرد در حالی که مدل جنگل تصادفی دقت بالاتری داشته و اکثر نقاط دارای سابقه آتش را در کلاس با خطر خیلی زیاد طبقه­بندی کرده بود (جدول 2). همچنین نتایج نشان داد که هر دو مدل کمتر از 10 درصد از نقاط دارای سابقه آتش را در کلاس با خطر کم قرار دادند. در مدل جنگل تصادفی 14/4 درصد و در مدل ماشین بردار پشتیبان 77/9 درصد از نقاط دارای آتش در کلاس خطر کم قرار گرفتند که در این زمینه نیز نتایج بیانگر دقت بالاتر مدل جنگل تصادفی بود. نتایج این بخش در جدول (2) ارائه شده است.

 

جدول 2. ارزیابی دقت مدل­های مورد بررسی با استفاده از نقاط آتش بر اساس کلاس خطر وقوع آتش

Table 2. Assessing the accuracy of the investigated models using fire points based on the fire risk class

 

کلاس خطر وقوع آتش	مدل جنگل تصادفی		مدل ماشین بردار پشتیبان
	تعداد نقطه	درصد	تعداد نقطه	درصد
خطر کم	25	14/4	59	77/9
خطر متوسط	26	30/4	325	81/53
خطر زیاد	54	94/8	220	42/36
خطر خیلی زیاد	499	62/82	0	0
کل	604	100	604	100

 

ارزیابی دقت مدل­های مورد بررسی با استفاده از نقاط فاقد سابقه آتش (نقاط کنترل) نیز بیانگر دقت بالاتر مدل جنگل تصادفی بود (جدول 3). بر اساس نتایج، در مدل جنگل تصادفی 64/85 درصد و در مدل ماشین بردار پشتیبان 08/59 درصد از نقاط فاقد سابقه آتش را در کلاس خطر کم وقوع آتش قرار دادند. خطر متوسط در مدل جنگل تصادفی در برگیرنده 51 نقطه و در مدل ماشین بردار پشتیبان در برگیرنده 227 نقطه بود. در نهایت، در کلاس خطر خیلی زیاد، هر دو مدل کارائی مناسبی داشته و کمتر از 5 درصد از نقاط فاقد سابقه آتش را در این کلاس قرار دادند (جدول 3).

 

جدول 3. نتایج ارزیابی دقت مدل­های مورد بررسی در مناطق دارای فاقد آتش (کنترل)

Table 3. The results of evaluating the accuracy of the investigated models in areas with and without fire (control)

 

کلاس خطر وقوع آتش	مدل جنگل تصادفی		مدل ماشین بردار پشتیبان
	تعداد نقطه	درصد	تعداد نقطه	درصد
خطر کم	519	64/85	358	08/59
خطر متوسط	51	42/8	227	46/37
خطر زیاد	15	48/2	20	30/3
خطر خیلی زیاد	21	47/3	1	17/0
کل	606	100	606	100

 

ارزیابی دقت دو مدل ماشین بردار پشتیبان و جنگل تصادفی بر اساس سطح زیر نمودار (AUC) در منحنی ROC نشان داد که هر دو مدل از دقت مناسبی برخوردار هستند اما مدل جنگل تصادفی دارای دقت بالاتری است. بر اساس نتایج، مدل جنگل تصادفی دارای سطح زیر نمودار 97/0 و مدل ماشین بردار پشتیبان دارای سطح زیر نمودار 86/0 بود (شکل 11).

 

 

شکل 11. ارزیابی دقت مدل­های مورد بررسی با استفاده از سطح زیر نمودار (AUC)

Fig 11. Assessing the accuracy of the investigated models using the area under the graph (AUC)

 

بررسی آماری سطح زیر نمودار در دو مدل نیز نشان داد که هر دو مدل جنگل تصادفی و ماشین بردار پشتیبان از خطای کمی برخودار بوده و سطح زیر نمودار آنها به لحاظ آماری در محدوده معنی­دار قرار می­گیرد. بر اساس نتایج، سطح زیر نمودار در مدل جنگل تصادفی بین فاصله اطمینان دو محدوده 96/0 و 98/0 قرار دارد در حالی که مدل ماشین بردار پشتیبان بین فاصله اطمینان 84/0 تا 88/0 قرار داشت (جدول 4).

 

جدول 4. نتایج آماری ارزیابی دقت مدل‎های جنگل تصادفی و ماشین بردار پشتیبان برای پیش‎بینی خطر وقوع آتش بر اساس سطح زیر نمودار

Table 4. Statistical results of evaluating the accuracy of random forest models and support vector machine for predicting the risk of fire based on the area under the diagram

 

مدل	سطح زیر نمودار	خطا استاندارد	سطح معنی داری	فاصله اطمینان در سطح 95 درصد
				حد بالا	حد پایین
جنگل تصادفی (RF)	971/0	004/0	000/0	963/0	980/0
ماشین بردار پشتیبان (SVM)	861/0	011/0	000/0	840/0	883/0

 

 

ارزیابی مقاطع²⁰:

ارزیابی متقاطع با استفاده از آمارهای مرسوم نشان داد که مدل جنگل تصادفی دارای دقت بالاتری نسبت به مدل ماشین بردار پشتیبان است. بر اساس نتایج، مدل جنگل تصادفی دارای ضریب همبستگی بالاتر ضریب تبیین و ریشه میانگین مربعات خطا و میانگین خطای مطلق کمتری نسبت به مدل ماشین بردار پشتیبان بود (جدول 5).

 

جدول 5. ارزیابی متقاطع دقت مدل‌های جنگل تصادفی و ماشین بردار پشتیبان

Table 5. Cross-validation of the accuracy of random forest and support vector machine models

 

آماره ارزیابی دقت		جنگل تصادفی (RF)	ماشین بردار پشتیبان (SVM)
ضریب همبستگی	R	875/0	623/0
ضریب تبیین	R-squared	765/0	388/0
ریشه میانگین مربعات خطا	RMSE	243/0	392/0
میانگین خطای مطلق	MAE	125/0	309/0
شاخص نرمال شده BIC	Normalized BIC	821/2-	864/1-

 

بحث

مدل‎سازی مناطق حساس به وقوع آتش می­تواند ابزاری کلیدی در راستای مدیریت صحیح و به هنگام مخاطرات طبیعی از جمله آتش باشد. در کشور ایران به عنوان یکی از نقاط حادثه خیز دنیا، آتش­سوزي جنگل، يكي از مهمترين بحران­هاي آن به حساب می­آید (8). اولين راهبرد در خصوص حمایت از جنگل­ها جلوگیری از وقوع آتش‎سوزی می­باشد. از سوی دیگر، در سال­های اخير، یکي از مهمترین عوامل تخریب کننده و تأثيرگذار بر بوم سازگان جنگل­های زاگرس، آتش‎سوزی بوده است (35). بطور کلی بسياری از مدیران منابع طبیعی و محیط زیست در تلاشند تا بهترین راهکار را برای مدیریت آتش­سوزی پیدا نمایند تا بتوانند با استفاده از آن در کوتاه­ترین زمان ممکن آتش­سوزی را مدیریت و کنترل کرد. با توجه به زمان لازم برای کنترل آتش­سوزی و سرمایه­گذاری منابع، تخمین دقيق احتمال خطر وقوع آتش­سوزی و تهيه نقشه­های توزیع آتش، گام نخست در مدیریت آتش‎سوزی و ارزیابي خطر می­باشد (2). تحقیق حاضر نیز به منظور بررسی کارائی روش­های مختلف یادگیری ماشینی در مدل‎سازی مناطق حساس به وقوع آتش و همچنین تعیین مهمترین عوامل تاثیرگذار بر وقوع آتش در شهرستان دره شهر استان ایلام صورت گرفت. بر اساس نتایج مطالعه حاضر در طی سال­های مورد مطالعه (2002 تا 2022) یک روند افزایشی در تعداد نقاط آتش وجود داشت. بیشترین تعداد وقوع آتش ثبت شده در سال 2016 ( 548 مورد حریق) بود. همچنین برای دو سال 2019 و 2020 به ترتیب 344 و 327 مورد حریق ثبت شده که دارای بیشترین تعداد حریق در طی یک سال بودند. سال 2008 با یک مورد و سال­های 2004 و 2006 تنها با دو مورد حریق، دارای کمترین تعداد حریق اتفاق افتاده در طی یکسال بودند. با توجه به کاهش بارندگی و افزایش دما و خشکسالی­های اخیر در منطقه مورد مطالعه (33) و همچنین نتایج حاصل از مدل‎سازی که دما را به عنوان یکی از عوامل موثر بر آتش‎سوزی در منطقه مورد مطالعه پیش‎بینی کرد، افزایش تعداد نقاط آتش در طی دوره زمانی مورد بررسی قابل توجیه است. اسکندری و جلیلوند (8) در مطالعه­ای به بررسی وضعیت آتش در شهرستان نکا پرداختند. براساس نتایج آنان بین تعداد وقوع آتش و متوسط درجه حرارت سالانه و متوسط بارندگی در سطح اطمینان 95% رابطه معنی­داری وجود دارد. به منظور شناسایي مناطق در معرض خطر آتش‎سوزی، مشخص کردن مهمترین عوامل موثر بر وقوع و گسترش آتش از قبيل مواد سوختني، شرایط توپوگرافي، شرایط آب وهوایي و عوامل انساني، لازم و ضروری می­باشد (38). در تحقیق حاضر براساس نتایج حاصل از مدل‎سازی فاصله از مناطق مسکونی، میانگین دمای سالانه و ارتفاع از سطح دریا به ترتیب مهمترین عوامل موثر در وقوع آتش در شهرستان دره شهر بودند و جهت شیب و شاخص رطوبت خاک سطحی کم اهمیت­ترین عوامل در مناطق دارای سابقه آتش در شهرستان دره شهر بودند. نتایج مطالعه اسکندری و همکاران (9) نیز نشان داد که از بین عوامل انسانی فاصله از جاده و فاصله از مناطق مسکونی و عوامل توپوگرافی شیب و ارتفاع، بیشترین سهم را در وقوع آتش‎سوزی در جنگل­های بخش سه نکا-ظالمرود داشتند. محمدی و همکاران (28) نیز عامل فاصله از مناطق مسکونی و دما بالا را از عواملی دانستند که سهم زیادی در وقوع آتش‎سوزی در جنگل­های پاوه داشتند. در مطالعه دیگری توسط ارتن و همکاران²¹ (6) در جنگل­هاي گاليپولي تركيه، مناطق نزديك به جاده و مناطق مسكوني،با پوشش گياهي خشك، شيب بالا و جهت جنوبي قابليت خطر آتش­سوزي زياد دانستند. به علت بیشتر بودن فعالیت مردم در نزدیکی مناطق مسکونی بیشترین احتمال خطر آتش‎سوزی در این نقاط وجود داشت. یکی دیگر از عوامل مهم و موثر بر وقوع آتش‎سوزی در منطقه مورد مطالعه دمای سالانه بود که گرایش نقاط آتش‎سوزی از مناطقی با میانگین دمای سالیانه کمتر به سمت مناطقی با میانگین دمای سالیانه بیشتر بود. بنابراین افزایش دما، بیشترین اثر را در وقوع آتش­سوزي در منطقه مورد مطالعه داشته است. بطور کلی درجه حرارت به عنوان یک عامل مهم در وقوع آتش­سوزي جنگل­ها عنوان شده است (45). براساس مطالعات انجام شده، افزایش دما، خشکی هوا و کاهش بارندگی ازجمله عوامل طبیعی هستند که زمینه را براي ایجادآتش­سوزي­هاي سطحی و گسترده در جنگل­ها فراهم می­کنند (43). همچنین زومبرونن و همکاران²² (45) در مطالعه خود به این نتیجه رسیدند که دما مهمترین عوامل اقلیمی تأثیرگذار در رژیم آتش­سوزي در اکوسیستم­های جنگلی می­باشد و وقوع آتش­سوزي­ها در مناطقی با دماي زیاد و اقلیم گرمسیري خشک و اقلیم­هاي گرمتر بیشتر می­باشد. در مطالعه ای دیگر که توسط هانگ و همکاران²³ (16) انجام شد، نتایج مطالعه آنها نیز نشان داد افزایش دما و کاهش بارندگی بیشترین اثر را در وقوع آتش‎سوزی دارد. عامل سوم موثر بر وقوع آتش‎سوزی در منطقه مورد مطالعه ارتفاع از سطح دریا بود. ارتفاع از سطح دریا فاكتوري است که به طور غیر مستقیم بر وقوع آتش­سوزي از طریق تعدیل شرایط آب و هوایی اثر دارد. رطوبت و دما اثر بيشتری بر آتش‎سوزی در مناطق مرتفع نسبت به مناطق پایين­تر دارند (14). در ارتفاعات بالا وقوع آتش‎سوزی کمتر و بارندگی بیشتر است. براساس نتایج، ارتفاعات پایین و متوسط به ترتیب بیشترین خطر احتمال آتش‎سوزی را در مطالعه حاضر داشتند. بیشتر سطح منطقه مورد مطالعه در ارتفاع پایین و سپس متوسط قراردارد، به همین دلیل در معرض خطر آتش‎سوزی قرار دارند که ناشی از فعالیت­های شدید انسانی (31 و 13)، رطوبت خاک و پوشش گياهي و شرایط آب و هوایی (1) می­باشد. بطور کلی با افزایش ارتفاع و کوهستانی شدن منطقه، قابلیت سکونت آن کاهش می­یابد (31). به همین دلیل در ارتفاعات کم و مناطق با دمای متوسط تراکم جمعیت بیشتر است (13). این امر این ارتفاعات را مستعد آتش‎سوزی مي­کند. یکی دیگر از دلایل احتمال وقوع آتش در ارتفاعات پایین را می­توان به دسترسی راحت عوامل انساني اعم از توريست­ها و طبيعت گردان، دامداران، روستاييان، كشاورزان، مرتع داران و شكارچيان به حضور در این ارتفاعات دانست. مطالعات مختلف اثر عامل ارتفاع بر وقوع آتش‎سوزی را تایید کرده­اند که از جمله می­توان به مطالعه بازیار و همکاران (2) در شهرستان بویر احمد اشاره کرد. نتایج مطالعه آنان نیز نشان داد که احتمال وقوع آتش­سوزی در ارتفاعات مياني بيشتر از سایر ارتفاع است. جانباز قبادی (18) احتمال وقوع آتش در جنگل­های گلستان را بررسی و به این نتیجه رسید که در ارتفاعات متوسط (700 تا 1500 متر) احتمال وقوع خطر آتش‎سوزی در این جنگل­ها بیشتر می­باشد. جایسوال و همکاران²⁴ (17) نیز در مطالعه خود بیشترین میزان احتمال وقوع آتش در ارتفاع کم (1400 تا 1800 متر) گزارش کردند.

بر اساس نتایج، کلاس خطر کم دارای بیشترین مساحت در هر دو مدل جنگل تصادفی (63/60 درصد) و ماشین بردار پشتیبان (9/47 درصد) بود. در مدل ماشین بردار پشتیبان دومین کلاس از نظر مساحت به خطر متوسط (69/41 درصد از سطح منطقه) تعلق داشت و کمترین مساحت مربوط به کلاس خطر خیلی زیاد بود که دارای مساحت /258 هکتار (معادل 29/0 درصد) بود. به عبارتی بر اساس نتایج مدل ماشین بردار پشتیبان کمتر از یک درصد از سطح منطقه مورد مطالعه دارای خطر زیاد وقوع آتش است. درحالیکه در مدل جنگل تصادفی دومین کلاس از نظر مساحت در کلاس خطر خیلی زیاد و کمترین مساحت در کلاس خطر زیاد (95/6) وجود داشت. دو مدل از نظر میزان مساحت در کلاس­های مختلف خطر باهم اختلاف داشتند که این امر ناشی از دقت دو مدل و همچنین حساسیت دو مدل در تعیین مناطق حساس به وقوع آتش است (9). در مطالعه­ای که توسط مهدوی و همکاران²⁵ (24) انجام گرفت ده درصد مناطق در کلاس خطر خیلی زیاد و 40 درصد در کلاس خطر زیاد قرار گرفتند.

اعتبارسنجی نقشه­های حساسیت به آتش با استفاده از مدل­های یادگیری ماشینی، نشان از دقت بالاتر و صحت بالاتر روش جنگل تصادفی نسبت به مدل ماشین بردار پشتیبان بود. مدل جنگل تصادفی بر اساس آماره­های ضریب همبستگی، خطای جذر میانگین مربعات، ضریب تبیین، میانگین خطای مطلق و معیار اطلاعات بیزین به عنوان بهترین مدل، با دقت بیشتری به پیش‎بینی نقشه نقاط آتش‎سوزی در منطقه مورد مطالعه بپردازد. اهمیت نسبی عوامل مورد استفاده در مدلی که بالاترین صحت پیش‎بینی نقشه وقوع آتش‎سوزی داشت نیز تعیین گردید. بر اساس جنگل تصادفی، پارامترهای انسانی فاصله از مناطق مسکونی، دمای سالانه و ارتفاع از سطح دریا تأثیرگذارترین پارامترها در امر آتش‎سوزی جنگل­های شهرستان دره شهر بودند. نتایج مطالعه حاضر در خصوص دقت بالاتر مدل جنگل تصادفی نسبت به مدل ماشین بردار پشتیبان در تهیه نقشه خطر آتش‎سوزی با نتایج برخی از مطالعات انجام شده مطابقت داشت. در حالیکه برخی از مطالعات نیز وجود دارند که مدل­های بردار پشتیبان را برای تهیه نقشه خطر آتش‎سوزی مناسب می­دانند. همچنین از نظر میزان مطابقت وقوع آتش­سوزي با نتایج الگوریتم­ها مشخص شد که هر دو الگوریتم جنگل تصادفی و ماشین بردار پشتیبان توانستند منطقه را به خوبی از نظر احتمال وقوع آتش­سوزي طبقه­بندي نمایند. در این راستا، ساکر و الحاج²⁶ (36) به پیش‎بینی وقوع آتش در جنگل­های آمریکا بر اساس دو مدل ماشین بردار پشتیبان و شبکه عصب مصنوعی پرداختند و نتیجه مطالعه آنان نشان داد که این دو مدل خطای کمتری در پیش‎بینی وقوع آتش‎سوزی داشتند. همچنین هولدن و همکاران²⁷ (15) در مطالعه خود در جنگل­هاي ملی جیلا در جنوب غربی آمریکا در تحقیقی به این نتیجه رسیدند که الگوریتم جنگل تصادفی با صحت کلی 5/79 خطر وقوع آتش­سوزي را به خوبی پیش‎بینی می­کند. اسحاقی و شتایی جویباری (7) نقشه خطر وقوع آتش در پارک ملی گلستان را با استفاده از الگوریتم­های ماشین بردار پشتیبان، جنگل تصادفی و عصب مصنوعی بررسی کردند و به این نتیجه رسیدند که مدل جنگل تصادفی با صحت کلی 75 درصد خطر وقوع آتش­سوزي را بهتر از سایر الگوریتم­ها پیش‎بینی کند. همچنین از نظر میزان مطابقت وقوع آتش­سوزي با نتایج الگوریتم­ها مشخص شد که همه الگوریتم­ها مورد استفاده در مطالعه آنان، منطقه را به خوبی از نظر احتمال وقوع آتش­سوزي طبقه­بندي کردند که با نتایج حاصل از مطالعه حاضر همخوانی دارد. این در حالیست که مطالعه ویسی و همکاران (39) در مراتع با استفاده از دو مدل جنگل تصادفی و ماشین بردار پشتبان نشان داد که مدل ماشین بردار پشتیبان با ضریب کارائی 86/0 و میزان خطای 05/3، از دقت بالاتری برخوردار بود. لئونبرگر و همکاران²⁸ (22) برای تعيين نقشه حساسيت آتش­سوزي در جنگل­های دائو-لافيس کشور پرتغال از دو روش ماشين یادگيری پشتيبان و جنگل تصادفي استفاده کردند و دو روش مذکور را با یک روش قطعي مقایسه نمودند. نتایج آنان نشان داد که مدل به دست آمده با روش جنگل تصادفي بسيار شبيه مدل های قطعي بود. بازیار و همکاران (2) در مطالعه­ای پهنه­بندی و بررسی عوامل مؤثر بر آتش‎سوزی جنگل در شهرستان بویراحمد با استفاده از مدل­های تابع شواهد قطعی و ماشین بردار پشتیبان را بررسی کردند و به این نتیجه رسیدند که مدل ماشین بردار پشتیبان از دقت و صحت بالاتری برخوردار بود. سطح احتمالي در این مطالعه حاضر نشان­دهنده این است که مدل­های ماشین بردار پشتیبان و جنگل تصادفی قابليت پيش­بيني احتمال وقوع آتش­سوزي را دارند ولی دقت روش جنگل تصادفی بیشتر است و برای تهیه نقشه­های پيش­بيني آتش‎سوزی مناسب مي­باشد. این درحالیست که برخی مطالعات بهتر بودن مدل ماشین بردار پشتیبان را تایید کردند. بنابراین، می­توان گفت که با وجود مطالعات انجام شده و تلاش­های فراوان در خصوص پیش‎بینی مناطق حساس به وقوع آتش با استفاده از این دو مدل هنوز شناسایي و معرفی بهترین مدل، امکان پذیر نیست.

بطور کلی، میزان صحت مدل مورد استفاده به عوامل بسیاری وابسته است که می­توان به ویژگی­هاي منطقه مورد مطالعه چون توپوگرافی، ­عوامل مؤثر بر وقوع آتش­سوزي، دقت و نوع لایه هاي متغیرهاي مستقل جهت مدل­سازي احتمال خطر وقوع آتش­سوزي، دقت نقاط و محدوده­هاي ثبت شده آتش­سوزي­هاي به وقوع پیوسته در گذشته و نوع الگوریتم پیش‎بینی مورد استفاده از جمله عوامل تأثیر گذار بر صحت کلی طبقه­بندي اشاره کرد. با توجه به افزایش میزان آتش‎سوزی جنگل­ها و افزایش بحران در مناطق جنگلی، نتایج حاصل از این تحقیق می­تواند به عنوان یک الگو برای مدیریت جنگل­ها در منطقه مورد مطالعه و کمک به مدیران در جهت برنامه­ریزی و اقدامات و فراهم کردن امکانات در مناطق پرخطر و مستعد آتش‎سوزی باشد.

 

نتیجه­گیری

آتش از مهمترین مخاطرات طبیعی بوده و یکی از مهمترین عوامل تخریب منابع طبیعی از قبل جنگل­ها در ایران بشمار می­رود. از سویی دیگر، در سا­های اخر به دلیل افزایش خشکسالی، پتانسیل وقوع آتش در بسیاری از مناطق افزایش یافته است. به همین دلیل تعیین مناطق حساس به وقوع آتش می­تواند نقش مهمی در کنترل وقوع و مدیریت پس از وقوع آتش داشته باشد. تحقیق حاضر با هدف مدل‎سازی و بررسی تاثیر عوامل محیطی مختلف بر وقوع آتش در شهرستان دره­شهر در استان ایلام انجام گردید. نتایج این تحقیق نشان داد که در سال­های اخیر، روند وقوع آتش در منطقه مورد مطالعه یک روند افزایشی بوده و از چند مورد در سال به بیش از 500 مورد در سال افزایش یافته است که همراستا با افزایش وقوع خشکسالی و کاهش بارندگی در منطقه مورد مطالعه بود. نتایج حاصل از مدل‎سازی عوامل تاثیرگذار بر وقوع آتش نشان داد که فاصله از مناطق مسکونی، میانگین دمای سالانه و ارتفاع از سطح دریا به ترتیب مهمترین عوامل موثر در وقوع آتش در شهرستان دره شهر و جهت شیب و شاخص رطوبت خاک سطحی کم اهمیت­ترین عوامل بودند. یافته­های حاصل از این تحقیق بیانگر کارایی بالای روش­های یادگیری ماشینی در مدل‎سازی مخاطرات طبیعی ازجمله آتش بود. بنابراین بکارگیری آنها توسط محقیقن و استفاده از نتایج آنها توسط مدیران و تصمیم­گیران محلی و منطقه­ای توصیه می­شود. بر اساس نتایج مقایسه دو روش مورد بررسی، مدل جنگل تصادفی دارای دقت بیشتر و خطای کمتری نسبت به مدل ماشین بردار پشتیبان بود. بررسی صحت نتایج مدل­ها با استفاده از نقاط آتش‎سوزی که در بخش مدل‎سازی استفاده نشده بود نشان داد که مدل جنگل تصادفی کارای بالایی در پیش‎بینی وقوع آتش در این مناطق داشته در حالی که مدل ماشین بردار پشتیبان، دقت کمتری در این زمینه داشت. نتایج این تحقیق به روشنی نشان داد که استفاده از روش­های مدل مختلف یادگیری ماشینی دارای قابلیت بالایی در تعیین مناطق حساس به وقوع مخاطرات طبیعی از قبیل آتش هستند و بکارگیری آنها توسط محققان و متخصصین می­تواند اطلاعات ارشمندی را برای مدیران و تصمیم­گیران محلی و منطقه در راستای مدیریت صحیح منابع طبیعی فراهم نماید.

 

References

1.       Adab H, Kanniah K.D, Solaimani K. 2013. Modeling forest fire risk in the northeast of Iran using remote sensing and GIS techniques. Natural Hazards, 65: 1723- 1743. Doi: https://doi.org/10.1007/s11069-012-0450-8.

2.       Bazyar M, Oladi Ghadikolaii J, Pourghasemi H.R, Serajyan Maralan M.R. 2020. Zoning and Investigation of Factors Affecting Forest Fire Using Evidential Belief Function Algorithm and Support Vector Machine in Boyer Ahmad City. Iranian Journal of Forest and Range Protection Research, 17 (2): 197- 222. (In Persian).

3.       Carnicer J, Vives‐Ingla M, Blanquer L, Méndez‐Camps X, Rosell C, Sabaté S, Gutiérrez E, Sauras T, Peñuelas J, Barbeta A. 2021. Forest resilience to global warming is strongly modulated by local‐scale topographic, microclimatic and biotic conditions. Journal of Ecology, 109(9):3322-39.

4.       Conciani DE, dos Santos LP, Silva TS, Durigan G, Alvarado ST. Human-climate interactions shape fire regimes in the Cerrado of São Paulo state, Brazil. Journal for Nature Conservation. 2021 Jun 1;61:126006.

5.       Emami H, Shahriyari H. 2020. Quantifying environmental and human factors affecting occurance and spread of wildfires using RS and GIS methods protected area of Arasbaran. Scientific - Research Quarterly of
Geographical Data (SEPEHR), 28 (112): 35- 53. (In Persian).

6.       Erten E, Kurgun V, Musaolu N. 2005. Forest fire risk zone mapping from satellite imagery and firerisk: A recent case study from Mt. Carmel (Israel). Forest Ecology and Management, 262: 1184– 1188.

7.       Eshaghi M.A, Shetaeejoybari, Sh. 2017. Preparation map of Forest Fire Risk Using SVM, RF & MLP Algorithms (Case Study: Golestan National Park, Northeastern Iran). Wood & Forest Science and Technology, 23 (4): 133- 154. (In Persian).

8.       Eskandari S, Jalilvand H. 2012. Climate change and its effect on the frequency and area of forest fires in eastern Mazandaran. Proceedings of the third international conference on non-climate and tree chronology in Caspian ecosystems, Sari, May 2012. (In Persian).

9.       Eskandari S, Oladi Ghadikolaei J, Jalilvand H, Saradjian M.R. 2013. Fire risk modeling and prediction in district three of Neka-Zalemroud forest, using Geographical Information System. Iranian Journal of Forest and Poplar Research, 21 (2): 203- 217. (In Persian).

10.       Esmaeili Sharif M, Jalilvand H, Amoozad M, Jafari A, Sayed Mahale M. 2018. The effect of ecological factors on fire in Hyrcanian forests (Case study: forest areas of Neka, Mazandaran, Iran). Journal of Forest Research and Development, 4 (1): 113- 129. (In Persian).

11.       Feizizadeh B, Omarzadeh D, Mohammadnejad V, Khallaghi H, Sharifi A, Karkarg BG. 2022. An integrated approach of artificial intelligence and geoinformation techniques applied to forest fire risk modeling in Gachsaran, Iran. Journal of Environmental Planning and Management, 8:1-23.

12.       Gao B.C. 1996. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote sensing of environment, 58(3): 257-266.

13.       Guo F, Wang G.Su.Z, Liang H, Wang, W, Lin F.E.A. 2016. What drives forest fire in Fujian, China? Evidence from logistic regression and Random Forests. International Journal of Wildland Fire, 25 (5): 505- 519. DOI:10.1071/WF15121

14.       Hernandez-Leal P, Arbelo M, Gonzalez-Calvo A. 2006. Fire risk assessment using satellite data. Advances in Space research, 37 (4): 741- 746. Doi: https://doi.org/10.1016/j.asr.2004.12.053

15.       Holden Z, Morgan P, Evans J. 2009. A predictive model of burn severity based on 20-year satellite-inferred burn severity data in a large southwestern US wilderness area. For Ecol Manag, 258 (11): 2399– 2406. DOI:10.1016/j.foreco.2009.08.017

16.       Hong H, Naghibi S.A, Moradi Dashtpagerdi M, Pourghasemi H.R, Chen W. 2017. A comparative assessment between linear and quadratic discriminant analyses (LDA-QDA) with frequency ratio and weights-of-evidence models for forest fire susceptibility mapping in China. Arabian Journal of Geosciences, 10: 1- 14. Doi: https://doi.org/10.1007/s12517-017-2905-4

17.       Jaiswal R, Mukherjee S, Kumaran R, Saxena R, 2002. Forest fire risk zone mapping from satellite imagery and GIS. International Journal of Applied Earth Observation and Geoinformation, 4 (1): 1- 10. Doi: https://doi.org/10.1016/S0303-2434(02)00006-5

18.       Janbazghobadi Gh. 2019. Investigation of forest fire hazard areas in Golestan province based on fire risk system index (FRSI) using the technique (GIS). Journal of Spatial Analysis Environmental Hazarts, 6 (3): 89- 102. (In Persian).

19.       Kaboodi A, Azizi Y, Rezaee S. 2017. Investigating the main causes of Zagros forest fires and providing solutions to manage these forests (case study: Ilam province). The third national congress of development and promotion of agricultural engineering and soil science of Iran: 1- 14. (In Persian).

20.       Kargar M, Farzi H, Taheri A. 2018. Comparison of random forest models and artificial neural network in predicting the occurrence of pasture fires in Alborz province. The 7th National Conference on Pasture and Pasture Management of Iran: 1- 13. (In Persian).

21.       Karimi A, Abdollahi S, Ostad-Ali-Askari K, Eslamian S, Singh VP. 2021. Predicting fire hazard areas using vegetation indexes, case study: Forests of Golestan Province, Iran. Journal of Geography and Cartography, 5;4(1):1-6.

22.       Leuenberger M, Parente J, Tonini M, Pereira M.G, Kanevski M. 2018. Wildfire susceptibility mapping: Deterministic vs. stochastic approaches. Environmental Modelling & Software, 101 (2018): 194- 203. Doi: https://doi.org/10.1016/j.envsoft.2017.12.019

23.       Mafi-Gholami D, Jaafari A. 2020. Analysis of relationship between the meteorological and hydrological droughts and biomass change of mangrove forests in the Gwatr Port over a 34-year period. Iranian Journal of Forest and Poplar Research, 28 (2): 149- 162. (In Persian).

24.       Mahdavi A, Rangin S, Mehdizadeh H, Mirzaei Zadeh V. 2018. Modelling the Trend of Zagros Forest Degradation using Logistic Regression (Case study: Chardavol Forest of Ilam province). Geography and Sustainability of Environment, 8 (27): 1- 13. (In Persian).

25.       Mahdavi A. 2012. Forests and rangelands Wild fire risk zoning using GIS and AHP techniques. Caspian Journal of Environmental Sciences. 10 (1), 43- 52. (In Persian).

26.       Meng Y, Deng Y, Shi P. 2015. Mapping forest wildfire risk of the world. World Atlas of Natural Disaster Risk, Springer, Berlin, Heidelberg: 261- 275. DOI:10.1007/978-3-662-45430-5_14

27.       MohaJane M, Costache R, Karimi F, Baopham Q, Essahlaoui A, Nguyen H, Laneve G, Oudija F. 2021. Application of remote sensing and machine Learning algorithms for forest fire mapping in a Mediterranean area. Ecological Indicators, 129: 1- 17. https://doi.org/10.1016/j.ecolind.2021.107869

28.       Mohammadi F, Shabanian N, Pourhashemi M, Fatehi P. 2011. Risk zone mapping of forest fire using GIS and AHP in a part of Paveh forests. Iranian Journal of Forest and Poplar Research, 18 (4): 569- 586. (In Persian).

29.       Mohammadpoor M, Dashti S. 2020. Fire Simulation and Fire Spreading Zoning in Forest Ecosystem Using FARSITE Model (Case Study: Ilam Province Forests). Journal of Geography and Environmental Hazards, 8 (32): 87- 101. (In Persian).

30.       Monavvari M. 2004. Guide to environmental impact assessment of tourism and nature tourism projects. Farzaneh Book Publications, 160 pp. (In Persian).

31.       Oliveira S, Oehler F, San-Miguel-Ayanz, J, Camia, A, Pereira J.M.C. 2012. Modeling spatial patterns of fire occurrence in Mediterranean Europe using Multiple Regression and Random Forest. Forest Ecology and Management, 275: 117– 129. https://doi.org/10.1016/j.foreco.2012.03.003

32.       Omidi M, Mafi Gholami D, Mahmoodi B, Jafari A. 2020. Spatial modeling the probability of wildfire occurrence using frequency ratio and weight- of-evidence models. Iranian Journal of Forest and Range Protection Research, 17 (2): 125- 144. (In Persian).

33.       Organization of Agriculture- Jahad- Ilam. 2000. Physiographic report of DareShahr watershed, 150 pp. (In Persian).

34.       Pham B.T, Jaafari A, Avand M, Al-Ansari N, Dinh Du T, Yen H.P.H, … Tuyen T.T, 2020. Performance evaluation of machine learning methods for forest fire modeling and prediction. Symmetry, 12 (6): 10- 12. Doi: https://doi.org/10.3390/sym12061022

35.       Sadeghifar M, Beheshti Al Agha A, Pourreza M. 2017. Variability of Soil Nutrients and Aggregate Stability in Different Times after Fire in Zagros Forests (Case Study: Paveh Forests). Ecology of Iranian Forests, 4 (8): 19- 27. (In Persian).

36.       Sakr G.E, Elhajj I.H. 2010. Artificial intelligence for forest fire prediction: A comparative study. Proceedings of the Sixth International Conference on Forest Fire Research, Coimbra, Portugal: 653- 661. Doi: https://scholarhub.balamand.edu.lb/handle/uob/983

37.       Tinya F, Kovács B, Bidló A, Dima B, Király I, Kutszegi G, Lakatos F, Mag Z, Márialigeti S, Nascimbene J, Samu F. 2021. Environmental drivers of forest biodiversity in temperate mixed forests–A multi-taxon approach. Science of the Total Environment, 15;795:148720.

38.       Vasilakos C, Kalabokidis K, Hatzopoulos J, Matsinos I. 2009. Identifying wildland fire ignition factors through sensitivity anaiysis of a neural network. J Natural hazards, 50 (1): 125- 143. Doi: https://doi.org/10.1007/s11069-008-9326-3

39.       Veysi R, Fattahi B, Khosrobeigi S. 2022. Predicting and preparing a risk map of rangeland fires using random forest algorithms and support vector machine (Case study: Arak rangelands). Journal of Rangeland, 16 (2): 413- 426. (In Persian).

40.       Viljur ML, Abella SR, Adámek M, Alencar JB, Barber NA, Beudert B, Burkle LA, Cagnolo L, Campos BR, Chao A, Chergui B. 2022. The effect of natural disturbances on forest biodiversity: an ecological synthesis. Biological Reviews, 97(5):1930-47.

41.       Xiao X, Boles S, Frolking S, Salas W, Moore Iii B, Li C, He L, Zhao R. 2002. Observation of flooding and rice transplanting of paddy rice fields at the site to landscape scales in China using VEGETATION sensor data. International Journal of Remote Sensing, 23(15): 3009-3022.

42.       Xie Y, Peng M. 2018. Forest fire forecasting using ensemble learning approaches. Neural Computing and Applications, 2018: 1- 10. https://doi.org/10.1007/s00521-018-3515-0

43.       Yousefi A, Jalilvand H. 2010. Investigation of fire situation on forest and range areas of Mazandaran Province (Natural Resources Administration) from 1994 to 2007. The Second International Conference on Climate Change and Dendrochronology in Khazar Ecosystems, Sari. (In Persian).

44.       Zhao Z, Li W, Ciais P, Santoro M, Cartus O, Peng S, Yin Y, Yue C, Yang H, Yu L, Zhu L. 2021. Fire enhances forest degradation within forest edge zones in Africa. Nature Geoscience, 14(7):479-83.

45.       Zumbrunnen T, Pezzattic G.B, Menéndezd P, Bugmann H, Bürgia M, Conederac M. 2011. Weather and human impacts on forest fires: 100 years of fire history in two climatic regions of Switzerland. Forest Ecology and Management, 261: 2188- 2199. https://doi.org/10.1016/j.foreco.2010.10.009

 

 

 

 

---

[1]  Forest fires

[2]  Logistic Regression

[3]  Model Farsits

[4]  Pham et al

[5]  Naïve Bayes (NB)

[6]  Decistion Tree

[7]  Mohajane et al

[8]  Universal Transverse Mercator

[9]  Landsat_Product_ID = "LC08_L2SP_167037_20220509_20220518_02_T1"

[10]  Normalized Difference Water Index

[11]  Land Surface Water Index

[12]  Gao

[13]  Xiao et al

[14]  Euclidean Distance

[15] 4 Random Forest

[16] 5 Support Vector Machine (SVM)

[17] 1 Area Under Curve (AUC)

[18] 2 Receiver Operating Characteristic (ROC)

[19]  Predict

[20]  Cross-validation

[21]  Erten et al

[22]  Zumbrunnen et al

[23]  Hong et al

[24]  Jaiswal et al

[25]  Mahdavi et al

[26]  Sakr and Elhal

[27]  Holden et al

[28]  Leuenberger et al

Comparison of the effectiveness of machine learning methods in modeling fire-prone areas (Ilam Province, Darehshahr City)

 

Abstract

 

Fire is one of the most important natural hazards that has a great impact on the structure and dynamics of natural ecosystems. Due to Iran's location in the arid and semi-arid belt of the world, a large number of human-made and natural fires occur in different regions of the country every year. Therefore, determining sensitive areas to fire occurrence plays an important role in fire management in natural resources. To do so, the current study aims to identify fire-prone areas in Dere Shahr city in Ilam province using two machine learning of random forest (RF) and support vector machine (SVM) and 2024 fire occurrence points. Environmental factors were prepared in categories including topographical factors (altitude, slope direction, slope anlgle), climatic factors (rainfall, relative humidity, wind, temperature), biological factors (vegetation and soil moisture) and man-made factors (distance from residential areas, distance from road, distance from agricultural land, distance from river). The model’s accuracy was evaluated using the area under the curve (AUC) in the ROC curve and cross-validation statistics. Examining the AUC index showed that both models had good accuracy, although the RF model (AUC = 0.97) had higher accuracy than the support vector machine model (AUC = 0.86). According to the results of RF model, about 60% are in the low-risk class and about 20% are in the high fire risk class. Investigating the contribution of the factors affecting the occurrence of fire showed that man-made factors (distance from residential areas) and climatic factors (temperature) played a more important role in areas with a history of fire. Therefore, increasing public culture and reducing dangerous behaviors in nature can reduce the occurrence of fire in this area and contribute greatly to the protection of the environment and preservation of natural resources.

 

Keywords: ecosystem management, fire modeling, random forest, support vector machine, Ilam province.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

چکیده مبسوط

مقدمه: آتش از مهمترین مخاطرات طبیعی بوده که تاثیر بسزائی بر ساختار و پویایی اکوسیستم­های طبیعی از جمله جنگل­ها و مراتع دارد. از سوی دیگر، با تغییر اقلیم و به موازات گرمایش جهانی، روند افزایش وقوع آتش در بسیاری از مناطق دنیا افزایش یافته است. همچنین مناطقی که تاکنون فاقد سابقه یا پتانسیل وقوع آتش بوده­اند نیز به عنوان مناطق مستعد وقوع آتش شناخته می­شوند. با توجه به قرارگیری ایران در کمربند خشک و نیمه­خشک جهان، هر ساله تعداد زیادی آتش­سوزی عمدی و غیر عمدی در مناطق مختلف کشور به وقوع می­پیوندد. با توجه محدودیت نیروی ادارت منابع طبیعی و محیط زیست، اطلاع از مناطق حساس به وقوع آتش می­تواند نقش بسزائی در مدیریت و کنترل آتش­سوزی داشته باشد. به همین دلیل تحقیق حاضر در صدد است تا با استفاده از روش­های یادگیری ماشین، مناطق حساس به وقوع آتش را در شهرستان دره شهر در استان ایلام را تعیین نماید.

مواد و روش­ها: در تحقیق حاضر مدلسازی مناطق حساس به وقوع آتش با استفاده از دو روش یادگیری ماشینی در این راستا دو روش جنگل تصادفی (Random Forest) و ماشین بردار پشتیبان (Support Vector Machine) انجام شد. همچنین با تجمیع اطلاعات جمع آوری شده از ادارات منابع طبیعی و آبخیزداری و محیط زیست و همچنین نقاط آتش تصاویر ماهواره مادیس (MODIS)، در نهایت 2024 نقطه وقوع آتش تعیین و مورد استفاده قرار گرفت. در کل، برای آموزش و ساخت مدل­ها از 1418 نقطه و برای ارزیابی دقت مدل­ها از 606 نقطه استفاده شد. همچنین در هر دو گروه از نقاط مدلسازی و ارزیابی، به ترتیب 1196 و 604 نقطه به عنوان مناطق فاقد سابقه آتش انتخاب و اطلاعات لایه­های مورد استفاده آنها برای مرحله مدل‎سازی استخراج شد. عوامل محیطی نیز در چهار گروه اصلی شامل عوامل توپوگرافی (ارتفاع، جهت شیب، تند شیب)، عوامل اقلیمی (بارش، رطوبت نسبی، باد، درجه حرارت)، عوامل زیستی (پوشش گیاهی و رطوبت خاک) و عوامل انسان ساخت (فاصله از مناطق مسکونی، فاصله از جاده، فاصله از اراضی کشاورزی، فاصله از آبراهه) تهیه شدند. همه عوامل محیطی بصورت نقشه رستری و با اندازه پیکسل 30 متر در 30 متر در محیط نرم افزار Arc GIS 10.8 تهیه گردید. در نهایت اطلاعات عوامل محیطی برای مجموعه نقاط مورد استفاده برای مدلسازی و ارزیابی دقت در محیط نرم افزار Arc GIS 10.8 استخراج گردید. مدلسازی مناطق حساس به وقوع آتش با استفاده از نرم افزار R و بسته­های آماری "randomForest" و "e1071" انجام شد. ارزیابی متقاطع با استفاده از آماره­های ریشه میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE)، ضریب همبستگی (r) و ضریب تبیین (R2) و سطح معنی­داری آن نیز در نرم افزار SPSS انجام شد. ارزیابی دقت مدل­های مورد استفاده با استفاده سطح زیر نمودار (AUC) در منحنی ROC در نرم افزار R در بسته آماری "PRROC" نجام شد.

نتایج: بررسی سالانه وقوع آتش (2002 تا 2022) نشان داد که یک روند افزایشی و معنی­دار در تعداد وقوع آتش در منطقه وجود دارد و آمار وقوع آتش­سوزی از سالی کمتر از 30 مورد به بیش از 500 مورد افزایش یافته است. بر اساس نتایج بیشترین تعداد وقوع آتش ثبت شده مربوط به سال 2016 بوده که برابر با 548 مورد حریق است در حالیکه سال 2008 با یک مورد و سال­های 2004 و 2006 تنها با دو مورد حریق دارای کمترین تعداد حریق اتفاق افتاده در طی یکسال بودند. بررسی اهمیت نسبی لایه­های مورد استفاده در مدل‎سازی نشان داد که به ترتیب لایه­های فاصله از مناطق مسکونی، میانگین دمای سالانه و ارتفاع از سطح دریا مهمترین عوامل موثر در وقوع آتش و لایه­های جهت شیب و شاخص رطوبت خاک سطحی کم اهمیت­ترین عوامل در مناطق دارای سابقه آتش در شهرستان دره شهر بودند. نتایج مدل­سازی با روش جنگل تصادفی نشان داد که 63/60 درصد از سطح منطقه مورد مطالعه جزو مناطق کم خطر برای وقوع آتش بشمار می­رود در حالی که مناطق با خطر زیاد وقوع آتش بیش از 90 هزار هکتار (20 درصد) از اراضی منطقه را در بر می­گرفت. بر اساس مدل ماشین بردار پشتیبان، تنها حدود نیمی از سطح منطقه در کلاس خطر کم وقوع آتش قرار داشت در حالی که کمتر از یک درصد (59/258 هکتار) از سطح منطقه دارای خطر زیاد وقوع آتش بود. بررسی سطح زیر نمودار نشان داد که هر دو مدل دارای دقت مناسبی بوده هرچند مدل جنگل تصادفی (AUC = 0.97) دارای دقت بالاتری نسبت به مدل ماشین بردار پشتیبان (AUC = 0.86) بود. ارزیابی دقت دو مدل مورد بررسی با استفاده از آماره­های ارزیابی متقاطع نیز نشان داد که مدل جنگل تصادفی با ضریب همبستگی (r = 0.875) و ضریب تبیین (R2 = 0.765) بالاتر نسبت به مدل ماشین بردار پشتیبان (r = 0.623 and R2 = 0.388) دارای دقت بیشتری بود. همچنین بررسی مقدار شاخص ریشه میانگین مربعات خطا و میانگین خطای مطلق نشان داد که مدل جنگل تصادفی (RMSE = 0.243 و MAE = 0.125) دارای نتایج معتبرتری نسبت به مدل جنگل تصادفی (RMSE = 0.392 و MAE = 0.309) است.

بحث و نتیجه­گیری: یافته­های حاصل از این پژوهش نشان داد که در دو دهه اخیر، روند وقوع آتش در منطقه بشدت افزایشی بوده و از چند مورد در سال به بیش از 500 مورد در سال افزایش یافته است که همراستا با روند افزایش وقوع خشکسالی و کاهش بارندگی در منطقه مورد مطالعه بود. نتایج بدست آمده از این تحقیق نشان داد که عوامل انسانی مهمترین عوامل تاثیرگذار بر وقوع آتش در منطقه مورد مطالعه هستند به همین دلیل برای مدیریت صحیح آتش و جلوگیری از وقوع آتش، توجه ویژه­ای به عوامل انسانی شود. همچنین با توجه به رتبه دوم عوامل اقلیمی در بین عوامل تاثیرگذار بر وقوع آتش، توجه و حفاظت بیشتر در زمان­های اوج گرما و در مناطق با حساسیت بیشتر ضروری است. بنابراین افزایش فرهنگ عمومی و کاهش رفتارهای خطرناک در طبیعت می­تواند موجب کاهش وقوع آتش در این منطقه شده و سهم زیادی در حفاظت از محیط زیست و حفظ منابع طبیعی داشته باشد. یافته­های حاصل از این تحقیق بیانگر کارایی بالای روش­های یادگیری ماشینی در مدل‎سازی مخاطرات طبیعی ازجمله آتش بود. بنابراین بکارگیری آنها توسط محققین و استفاده از نتایج آنها توسط مدیران و تصمیم­گیران محلی و منطقه­ای توصیه می­شود.

 

کلمات کلیدی: مدیریت اکوسیستم، مدلسازی آتش، جنگل تصادفی، ماشین بردار پشتیبان، استان ایلام.

 

Extended abstract

Introduction: Fire is one of the most important natural hazards that has a great impact on the structure and dynamics of natural ecosystems, including forests and rangelands. On the other hand, with climate change and parallel to global warming, the trend of fire occurrence has increased in many regions of the world. Also, areas that have no history or potential for fire occurrence (fire-free areas) are also known as areas prone to fire occurrence. Due to Iran's location in the dry and semi-arid belt of the world, a large number of human-made and natural fires occur in different regions of the country every year. Due to the limitations in resources and gards of the natural resources and environment administration, information on fire-prone areas can play a significant role in fire management and control. For this reason, this research aims to to determine the fire-prone areas in Dere-Shahr city in Ilam province useing machine learning methods.

 

Materials and methods: In the current research, modeling of fire-prone areas was done using two machine learning methods: Random Forest and Support Vector Machine. Also, by aggregating the fire occurance points information collected from the Natural Resources and Watershed Management and Environmental Protection Organizations, as well as the fire points of MODIS satellite images. Finally, 2024 fire occurrence points were determined and used. In total, 1418 points were used to train and build the models and 606 points were used to evaluate the accuracy of the models. Also, in both groups of modeling and evaluation points (train and test data), 1196 and 604 points were selected as areas with no history of fire, respectively, and information on the layers used by them was extracted for the modeling stage. Environmental factors are divided into four main groups, including topographical factors (elevation, slope direction, slope angle), climatic factors (rainfall, relative humidity, wind, temperature), biological factors (vegetation cover and soil moisture) and man-made factors (distance from residential areas, distance from the road, distance from agricultural lands, distance from river) were prepared.All environmental factors were prepared as a raster map with a pixel size of 30 meters by 30 meters in the environment of Arc GIS 10.8 software. Finally, information on environmental factors was extracted by the set of points used for modeling and accuracy assessment (train and test) in the environment of Arc GIS 10.8 software. Modeling of fire porn areas was done using R software and "randomForest" and "e1071" packages. Cross-validation was done using root mean square error (RMSE), mean absolute error (MAE), correlation coefficient (r) and determination coefficient (R2) and its significance level in SPSS software. The accuracy of the used models was evaluated using the area under the curve (AUC) in the ROC curve in R software in the "PRROC" statistical package.

 

Results: The annual survey of fire occurence (2002 to 2022) showed that there is a significant increasing trend in the number of fire occurrences in the Dere-Shahr city and the number of fire occurrences has increased from less than 30 cases to more than 500 cases a year. According to the results, the highest number of recorded fires was observed in 2016, which is equal to 548 fires, while 2008 with one fire and 2004 and 2006 with only two fires had the lowest number of fires in a year.Examining the relative importance of the layers used in modeling showed that, the layers of distance from residential areas, average annual temperature and elevation were the most important factors in the occurrence of fire, and layers of slope direction and surface soil moisture index werethe least important factors in the areas with a history of fire in Dere-Shahr city. The results of random forest modeling showed that 60.63% of the studied area was considered to be among the low-risk areas for fire occurrence, while the areas with high risk of fire occurrence were more than 90,000 ha (20%) of studied area. According to the support vector machine model, only about half of the area was in the low fire risk class, while less than one percent (258.59 ha) of the area was high fire risk. Examining the AUC index showed that both models had good accuracy, although the random forest model (AUC = 0.97) had higher accuracy than the support vector machine model (AUC = 0.86).

 

 

The evaluation of the accuracy of the two investigated models using cross-validation statistics also showed that the random forest model has a higher correlation coefficient (r = 0.875) and determination coefficient (R2 = 0.765) than the support vector machine model (r = 0.623 and R2 = 0.388) had more accuracy. Also, the examination of RMS and MAE showed that the random forest model (RMSE = 0.243 and MAE = 0.125) has more valid results than the random forest model (RMSE = 0.392 and MAE = 0.309).

Discussion and conclusion: The findings of this research incicated that in the last two decades, the trend of fire occurrence in Dere-Shahr city has increased from a few cases per year to more than 500 cases per year, which is in line with the increasing trend in occurrence of drought and decrease of rainfall. The results obtained from this research showed that human factors were the most important factors influencing the occurrence of fire in the study area, therefore, for proper fire management and fire prevention, special attention should be paid to human factors. Also, due to the second rank of climatic factors among the factors influencing the occurrence of fire, more attention and protection is necessary during peak heat and in more sensitive areas. Therefore, increasing public culture and reducing dangerous behaviors in nature can reduce the occurrence of fire in this area and contribute greatly to the protection of the environment and preservation of natural resources. The findings of this research revealed the high efficiency of machine learning methods in modeling natural hazards, including fire. Therefore, it is recommended to use them by researchers and use their results by managers and local and regional decision makers.

Keywords: ecosystem management, fire modeling, random forest, support vector machine, Ilam province.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

---