ارزیابی خطر آتش‌سوزی در جنگل‌های زاگرس با استفاده از سیستم اطلاعات جغرافیایی و روش بهترین- بدترین (BWM) (مطالعه موردی: شهرستان دوره چگنی، استان لرستان)

محورهای موضوعی : GIS

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

تاریخ دریافت : 1402/05/04 تاریخ پذیرش : 1402/07/08 تاریخ انتشار : 1403/02/11

کلید واژه: تغییر اقلیم, مخاطرات طبیعی, آتش‌سوزی جنگل, روش بهترین-بدترین, پوشش گیاهی.,

چکیده مقاله :

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.

چکیده انگلیسی:

Due to the effect of climate change, the frequency and intensity of wildfires is continuously increasing. Wildfire risk assessment is an important part of fire prevention because pre-fire planning requires tools to monitor an area in terms of when and where fire is most likely to occur, or when a fire will have the most severe negative effects. Wildfires are one of the most important natural hazards in Zagros forest ecosystems in western Iran. This study was conducted to analyze the risk of fire and investigate the factors affecting fire in the forest area of Dore Chegeni County. The main goal of the current study is to try to prepare a wildfire risk zoning map by combining topographic data and other auxiliary data through the geographic information system and using the Best-Worst Method for the study area. The fire risk map was obtained by scoring and weighing the layers of effective fire factors (vegetation, slope, aspect, elevation, climate, and distance from settlements and roads). Based on the results, the study area was classified into four fire risk classes. Very high (7%) and high (11%) fire risk areas were identified in the study area. Furthermore, 8% and 74% of the study area were placed in medium and low fire risk classes, respectively. This analysis helps land managers to understand patterns of vulnerability and fire risk in the landscape. By using the analysis of the results, investments in conditions of limited resources, forest restoration, fuel treatments and other mitigation measures to reduce fire risk can be targeted in areas with high fire risk.

منابع و مأخذ:

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

متن کامل:



ارزیابی خطر آتش­سوزی در جنگل­های زاگرس با استفاده از سیستم اطلاعات جغرافیایی و روش بهترین-بدترین (BWM) (مطالعه موردی: شهرستان دوره چگنی، استان لرستان)

 

   

چکیده

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.

 

واژگان کلیدی: تغییر اقلیم، مخاطرات طبیعی، آتش­سوزی جنگل، روش بهترین-بدترین، پوشش گیاهی.

 

مقدمه

از جمله اجزای جدایی­ناپذیر طبیعت می­توان به آتش­سوزی اشاره کرد که خسارات آن بر ابعاد اقتصادی و محیط­زیستی مشهود می­باشد (نوروزی، 55، 1402). آتش‌سوزی در سطح جنگل‌های دنیا به‌طور متوسط به حدود ۴ میلیون هکتار از منابع طبیعی خسارت وارد می‌کند (Ozbayoglo and Bozer, 283, 2012). رفتار، شدت و گسترش آتش در سطح جنگل­ها وابستگی زیادی به نوع و حجم مواد قابل اشتعال و همچنین اقلیم و توپوگرافی یک منطقه دارد (کرامت میرشکارلو و همکاران، 121، 1402).کشور ایران علاوه بر اینکه در زمره پنجاه و شش کشور فقیر جهان از منظر جنگل به حساب می‌آید، سالیانه شاهد تخریب و از بین رفتن هزاران هکتار از این منابع به دلایل مختلف از جمله آتش­سوزی می‌باشد (Hoshyarkhah & Jamshidi Alashti, 9, 2007؛Sarkargar Ardakani, 290, 2007). عوامل طبیعی و انسانی متعددی در وقوع و گسترش آتش‌سوزی­ها نقش دارند که با نابودی پوشش گیاهی در بوم­سازگان­های طبیعی زمینه را برای جنگل­زدایی و بیابان‌زایی فراهم می‌کنند (Sasikala and Petrou, 121, 2001; Cochrane, 914, 2003). آتش­سوزی در جنگل­ها با هر منشأیی که رخ دهد، چه انسانی و چه طبیعی به­عنوان یک چالش مهم و بحران قلمداد می­گردد (طبیبیان، 63، 1401). آتش­سوزی­های جنگل­ها می­تواند منجر به آثار درازمدت مهم بر سیستم­های اقتصادی، اجتماعی و اکولوژیکی شود. استفاده از تصاویر ماهواره­ای و سامانه اطلاعات جغرافیایی (GIS) به­منظور پایش و اندازه­گیری مناطق دارای خطر آتش­سوزی نقش مهمی در مدیریت و برنامه­ریزی منابع طبیعی دارد (فروتن و اسلام­زاده، 375، 1401). بنابراین شناسایی و تعیین خطر آتش­سوزی در مناطق پرخطر از جمله ابزار اساسی جهت کنترل و مقابله با آتش­سوزی قلمداد می­شود (آزاده و همکاران، 81، 1401). ارزیابی خطر یک رویکرد علمی برای شناسایی خطر است و به عنوان یک سیستم پشتیبان تصمیم­گیری عمل می­کند که در تصمیم­گیری­های راهبردی، عملیاتی و تکنیکی کمک به آگاهی­رسانی برای مدیران می­کند. در سال­های گذشته توسعه فناوری­ها و سیستم­های پشتیبان تصمیم­گیری مختلف، قابلیت ارزیابی، پایش و واکنش به خطر آتش­سوزی را بهبود بخشیده است. در صورت نبود ارزیابی­های خطر آتش­سوزی، تصمیم­گیری­ها و مدیریت آتش احتمالا کم­تر کارآمد خواهد بود (Bar Massada et al, 1990, 2009). ارزیابی­های شرایط فعلی محیط زیست آتش (توپوگرافی، پوشش گیاهی و آب و هوا) به مدیران منابع و زمین برای درک بهتر توزیع آتش در سیمای سرزمین آنها، شناسایی منابع در معرض بیشترین آسیب­ها و تلفات مورد انتظار و اطلاع­رسانی در تصمیم­گیری­ها برای برنامه­ریزی آمادگی و طراحی روشهای مختلف کاهش آسیب آتش مانند انواع تیمارهای ماده سوختنی کمک می­کند (Qin et al, 12, 2022). 

گسترش آتش در یک منطقه مشخص وابسته به عوامل متعددی است که بیشر تحت تاثیر توپوگرافی، پوشش گیاهی و آب و هوای محلی است (Stocks et al, 5.1, 2003). از میان این سه عامل، ویژگی­های جغرافیایی به صورت ایستا و ثابت است، در حالی که پوشش گیاهی به تدریج و به مرور زمان تغییر می­کند. علاوه بر این، تغییرات در طرح­های انسانی کاربری زمین، مانند کشاورزی صنعتی، یا گسترش شهر می­تواند منجر به تغییرات در پوشش گیاهی شود. آب و هوا پویاترین عامل موثر بر خطر آتش­سوزی است. در جنگل­ها آتش­سوزی طبیعی در اثر عواملی از جمله: افزایش درجه حرارت، برخورد صاعقه، تجمع لاشبرگ و وزش بادهای گرم ایجاد می­گردد (اسحاقی و همکاران، 294، 1401) از این­رو طبیعت غیرقابل پیش­بینی آب و هوا ارزیابی خطر آتش­سوزی و مدلسازی گسترش آن را بسیار پیچیده می­سازد (Mohammed et al, 184, 2022). 

کمی کردن خطر آتش­سوزی به دلیل پیچیدگی حوادث آتش­سوزی در مقیاس­های مکانی و زمانی متفاوت، آثار این حوادث آتش­سوزی روی بوم­سازگان­های طبیعی، و رژیم­های آتش متنوع که با این حوادث آتش­سوزی در طول زمان ایجاد می­شود، کاری بسیار دشوار است (Finney, 97, 2005). خطر آتش­سوزی با احتمال یک آتش­سوزی که موجب از بین رفتن زیستگاه می­شود (Ager et al, 46, 2007)، توزیع احتمالی احتراق­ها، اندازه­های آتش و شرایط سوختن (Parisien et al, 107, 2005)، رخداد آب و هوای آتش (Gill et al, 300, 1987) و تکرار حوادث آتش کمیاب (Neuenschwander et al, 36, 2000) تعریف شده است. به منظور پشتیبانی از برنامه­ریزی مدیریت خطر آتش­سوزی پیشرفت­های قابل توجهی در استفاده از GIS و تکنیک­های مدل­سازی مکانی در دو دهه گذشته انجام شده است. انواع مختلف برنامه­های کاربردی GIS برای تامین نیازمندی­های خاص ارزیابی خطر و مدیریت آتش توسعه یافته است (Gollberg et al, 3, 2001). هدف این برنامه­های کاربردی تعیین خطر آتش­سوزی در یک روش مکانی مشخص و کمک به مدیران آتش از طریق یک سیستم پشتیبان تصمیم­گیری مدیریت خطر است. طی سالیان اخیر، پژوهش‌های فراوانی در ارتباط با تعیین خطر آتش­سوزی و پهنه‌بندی جنگل‌ها از نظر احتمال آتش‌سوزی با استفاده از این برنامه­ها صورت گرفته است. Zumbrunnen و همکاران (2188، 2010) شناسایی تاثیر مهم­ترین متغیرهای آب و هوایی و فعالیت­های انسانی بر وقوع آتش­سوزی در نواحی حساس به آتش در سوئیس را انجام دادند. Verma و همکاران (12، 2015) به ارزیابی الگوهای مکانی و زمانی آتش‌سوزی جنگل‌ها بین سال‌های 1999 و 2014 با استفاده از سنجش از دور و GIS در ذخیره‌گاه جنگلی در غرب هند پرداختند. Zhang و همکاران (14، 2023) در مطالعه خود پهنه­بندی خطر آتش­سوزی و تعیین فاکتورهای پیشران خطر بر اساس مدل رگرسیون لجستیک پارامتر بهینه در منطقه جنگلی در چین را انجام دادند. همچنین در ایران مطالعات متعددی به ارزیابی و پهنه‌بندی خطر آتش‌سوزی جنگل‌ با استفاده از GIS به همراه تکینک­های مختلف تصمیم­گیری به ویژه تکنیک تصمیم‌گیری چند معیاره پرداخته­اند. به­ویژه در جنگل­های زاگرس، جعفری و مافی غلامی (234، 1396) به بررسی قابلیت روش نسبت فراوانی و ترکیب آن با انتروپی شانون به بررسی خطر آتش در استان چهارمحال و بختیاری پرداختند. بر اساس نتایج، نرخ موفقیت و پیش­بینی برای مدل نسبت فراوانی و مدل ترکیبی به ترتیب 79.02 و 75.72 درصد و 85.16 و 82.91 درصد محاسبه شد و در مجموع بیش از یک سوم مساحت استان در طبقات خطر زیاد تا خیلی زیاد آتش­سوزی قرار گرفته است. باقرآبادی و همکاران (66، 1401) به شناسایی مناطق پرخطر آتش در جنگل­های زاگرس در شهرستان دالاهو با استفاده از GIS و فرآیند تحلیل سلسله مراتبی پرداختند. نتایج نشان داد که مناطق با خطرپذیری زیاد و خیلی زیاد در مجموع حدود 20 درصد از جنگل­های منطقه را در بر می­گیرد. عابدینی و همکاران (51، 1401) نیز اقدام به پایش و برآورد وسعت مناطق مستعد آتش­ در بخشی از جنگل­های  زاگرس با استفاده از تصاویر ماهواره­ای لندست نمودند که نتایج بدست آمده اطلاعات مناسبی از تغییرات آتش­سوزی با بهره­گیری از شاخص­های NBR و dNBR  را ارائه داد.

با توجه به موقعیت کوهستانی و محصور بودن منطقه لرستان در میان سلسله جبال زاگرس میانی شرایط مساعدی برای تقویت و تشدید بارش­ها در این منطقه وجود دارد (نوری آرا و همکاران، 33، 1401) که منجر به قرارگیری استان لرستان در بین سه استان پر بارش کشور شده است. این عامل در رشد گیاهان یک ساله می­تواند نقش ویژه­ای داشته باشد که منجر به افزایش پوشش گیاهی بهاره و در نتیجه افزایش بار ماده سوختنی قابل اشتعال در انتهای بهار و اوایل تابستان و در نهایت زیاد شدن احتمال احتراق و گسترش آتش­سوزی در منطقه می­شود. علی ­نیا و همکاران (128، 1400) نیز مخاطره آتش‌سوزی‌های عرصه‌های طبیعی در دوره گرم سال را یکی از مهم‌ترین مخاطرات اقلیمی استان لرستان نام بردند. به­طور کلی، این منطقه به دلیل شرایط محیط­زیستی خاص مستعد تهدیدات مختلف تنوع زیستی و بلایای طبیعی مختلف مانند آتش­سوزی است که نیاز به ارزیابی خطر و تدوین برنامه مدیریت محیط­زیستی با رویکردی جامع و کاربردی است (بهمن‌پور و همکاران، 114، 1401). بنابراین، تحقیق حاضر با هدف ارزیابی خطر آتش­سوزی در بخش از جنگل­های زاگرس در شهرستان دوره چگنی، استان لرستان انجام شد. این تحقیق به شناسایی مناطق مستعد و در معرض آتش‌سوزی بر پایه استفاده از GIS و با بهره‌گیری از روش بهترین- بدترین (BWM، تصمیم‌گیری چند معیاره) برای وزن‌دهی معیارها به‌منظور کسب نتایج دقیق در یک منطقه حساس به آتش­سوزی در ناحیه رویشی زاگرس در غرب ایران می­پردازد. ارزیابی احتمالی وقوع و خطر آتش‌سوزی در منطقه مورد مطالعه، تعیین مهم‌ترین فاکتورهای تأثیر گذار در گسترش آتش و پهنه‌بندی خطر آتش‌سوزی و استفاده از تکنیک نوین تصمیم‌گیری چند معیاره (BWM) از اهداف اصلی این مطالعه است. نتایج این تحقیق می­تواند به منظور اطلاع­رسانی مدیریت و کنترل آتش­سوزی در مناطق مستعد آتش­سوزی در جنگل­های زاگرس مورد استفاده قرار گیرد.

 

داده‌ها و روش‌ها 

منطقه مورد مطالعه

محدوده مطالعاتی شهرستان دوره چگنی در غرب استان لرستان، غرب ایران است که در طول‌های جغرافیایی ʹ۳۷ ˚۴۷ تا ʹ۱۵ ˚۴۸ شرقی و عرض­های جغرافیایی ʹ۲٠ ˚۳۳ تا ʹ۵۳ ˚۳۳ شمالی واقع شده است (شکل ۱). بخش زیادی از تنوع اکولوژیکی این منطقه می­تواند به دلیل توپوگرافی با تغییرپذیری زیاد و دامنه گسترده ارتفاع (۳٠۷۱-۹۱۶ متر) باشد. ارتفاع متوسط این منطقه ۱۲۹۴ متر از سطح دریا می‌باشد. اقلیم منطقه بیشتر تحت تاثیر سلسه جبال زاگرس میانی است که در معرض عبور بادهای باران­آور غربی و ورود سیستم­های مدیترانه­ای- سودانی است. محدوده مورد مطالعه از نظر شرایط آب و هوایی دارای میانگین دما و بارش سالیانه به ترتیب ۲۲ درجه سانتیگراد و ۴۶۶ میلی‌متر است. (سازمان هواشناسی استان لرستان، 1398)، از نظر کاربری/ پوشش زمین بخش اعظم منطقه مورد مطالعه اراضی مرتعی و دارای کاربری دیم­کاری- مرتع است که مستعد آتش­سوزی است، نقش کاربری موجود با استفاده از تصاویر ماهواره­ای Landsat 8 در اداره کل منابع طبیعی استان لرستان تهیه شده است (شکل ۲). پوشش جنگلی این منطقه نیز شامل تیپ غالب بلوط ايراني (Quercus brantii var.perisica)، همراه با سایر گونه­های درختی و درختچه­ای از جمله کیکم (Acer monspessulanum subsp. Cinerascens)، گلابی وحشی (Pyrus spp.)، بنه (Pistacia atlantica Desf.)، بادام (Amygdalus spp.)، گیلاس وحشی (Cerasus microcarpa) و زالزالک (Crataegus aronia L.) است (دریکوندی و همکاران، 98، 1393). وسعت منطقه مورد مطالعه ۱۸۹۲۰۰ هکتار است که از حوزه‌های اصلی آبریز کرخه به شمار می‌رود.

 

شکل ۱: موقعیت شهرستان دوره چگنی در غرب ایران (الف) و در استان لرستان (ب)؛ نقشه مدل رقومی ارتفاع شهرستان دوره چگنی به همراه نقشه موقعیت روستاها، راه­های موجود و رودخانه­ها (پ)، (ماخذ: نویسندگان، 1402)

 

 

شکل ۲: نقشه کاربری/پوشش زمین منطقه مورد مطالعه، (منبع: اداره منابع طبیعی استان لرستان، ۱۳۹۸)

 

در پژوهش حاضر به‌منظور فراهم نمودن، تجزیه و تحلیل اطلاعات و پردازش نهایی از روش مطالعات کتابخانه‌ای افزون بر بازنگری اطلاعات از سیستم اطلاعات جغرافیایی، در زمینه پهنه‌بندی، شناخت شاخص­ها و مسائل مربوط به آتش‌سوزی شهرستان دوره چگنی استفاده شده است. لازم به ذکر است به‌منظور وزن‌دهی معیارهای مورد استفاده در این پژوهش از روش BWM استفاده گردیده است.

 

شاخص­ها برای ارزیابی خطر آتش­سوزی

این مطالعه نمونه­ای از استفاده از سیستم اطلاعات جغرافیایی (GIS) برای ارزیابی خطر آتش­سوزی در یک مقیاس محلی است. طرح­های مکانی ترکیب و ساختار سیمای سرزمین (توپوگرافی و ماده سوختنی) برای خطر آتش­سوزی مهم است، زیرا این طرح­ها روی گسترش و شدت آتش اثر می­گذارد (Loehle, 265, 2004). وقوع و گسترش آتش در ارتباط با تنوع پوشش گیاهی، فاصله از سکونت­گاه­ها و جاده­ها، منابع آبی (دریاچه­ها، رودخانه­ها و ...)، ویژگی­های توپوگرافی (شیب، جهت و ارتفاع) و پارامترهای اقلیمی (درجه حرارت و بارندگی) است. به منظور ارزیابی خطر آتش­سوزی نیاز به تهیه داده­ها و اطلاعات مربوط به این متغیرها در مقیاس مورد مطالعه است.

بطور کلی سه گروه از شاخص­ها برای ارزیابی خطر آتش­سوزی جنگل بر اساس مقیاس زمانی آنها تعریف شده است:

- شاخص­های ساختاری یا درازمدت، که در کوتاه­مدت تغییر نمی­کنند مانند توپوگرافی، تیپ پوشش گیاهی، پوشش زمین، شیب، جهت، ارتفاع، فاصله با جاده­ها و نزدیکی به مناطق شهری، تراکم جمعیتی، اقلیم و خاک­ها.

- شاخص­های پویا یا کوتاه­مدت، که به صورت ملایم و پیوسته در طول زمان تغییر می­کند، مانند عوامل پوشش گیاهی (مانند نوع، اندازه و رطوبت) یا آب و هوایی. این شاخص به منظور تعیین اشتعال­پذیری مواد سوختنی در طول فصل آتش­سوزی استفاده می­شود و از متغیرهایی بهره می­گیرد که در یک مدت زمان کوتاه تغییر می­کند (Chuvieco and Congalton, 150, 1989). شاخص آب و هوای آتش کانادایی نمونه­ای از این شاخص کوتاه مدت است.

- شاخص­های ترکیبی یا پیشرفته، که شامل عوامل ساختاری و پویا مانند موارد اشاره شده در بالا است. اما موضوع خیلی مهم در این رویکرد این است که چگونه به شکل موثری این عوامل مرتبط را برای بدست آوردن یک معیار منسجم ترکیب کنیم (Adab et al, 19, 2011). 

تمرکز اصلی این مطالعه بر استفاده از شاخص­های ساختاری/ درازمدت موثر بر آتش­سوزی در جنگل­ها و مراتع است. در اغلب مطالعات مرتبط پیشین (Ozelkan and Ormeci, 53, 2009; Adab et al, 19, 2011; Thakur and Singh, 83, 2014) از عوامل پوشش گیاهی، نزدیکی به جاده­ها، نزدیکی به سکونت­گاهها، شیب، جهت و ارتفاع استفاده شده است که در این تحقیق نیز این عوامل برای منطقه مورد مطالعه گزینش شد. تفاوت­های اصلی شاخص­های موجود برای پهنه­بندی خطر آتش داده مورد استفاده برای برآورد خطر ماده سوختنی و وزن­دهی این فاکتورها است. بنابراین در این تحقیق ارزیابی خطر آتش بر پایه پیشران­های اصلی رفتار آتش شامل توپوگرافی، پوشش گیاهی (ماده سوختنی) و آب و هوا، به همراه اطلاعات زیرساخت­های فیزیکی (جاده و سکونت­گاهها) در منطقه مورد مطالعه انجام می­شود (جدول ۱). در این جدول رتبه­بندی خطر آتش در منطقه مورد مطالعه مطابق با رتبه­بندی­های گزارش شده در مطالعات Adab و همکاران (2011) و جانباز ‌قبادی (91، 1398) انجام شد. 

 

جدول ۱: شاخص­ها و کلاسه­های خطر آتش مورد استفاده در منطقه مورد مطالعه (Adab et al., 19, 2011؛ جانباز قبادی، 91، 1398)

شاخص	کلاسه­ها	رتبه­بندی خطر
شیب	>۳۵%, %۳۵-۲۰, %۲۰-۱۰ ,%۱۰-۵, ۵%<	۵, ۴, ۳, ۲, ۱
جهت	شمال، جنوب غرب، جنوب غرب، دشت، غرب، شرق، شمال غرب، شمال شرق، شمال	۲, ۳, ۴,۵, ۶, ۷, ۸, ۹, ۱٠
ارتفاع	> m۲۶۹٠, ۲۶۹٠-۱۶۷٠ , ۱۶۷٠-۱۲۹٠, ۱۲۹٠<	۱, ۲, ۳, ۴
پوشش	مرتع (علفی/بوته­ای)، درختچه­زار، جنگل، اراضی کشاورزی (مخلوط دیم­کاری- مرتع و باغات)، مناطق شهری یا ساخته­شده، اراضی لخت و آبی	٠,۱, ۲, ۳, ۴
فاصله از جاده­ها	> m۵٠۰, ۵٠۰-۴۰۰, ۴٠۰-۳٠۰ , ۳٠٠-۲٠٠, ۲۰٠<	۱, ۲, ۳, ۴, ۵
فاصله از سکونت­گاهها	> m۲٠۰٠,۲۰٠۰-۱۵۰٠, ۱۵۰٠-۱۰٠۰ , ۱٠۰٠-۵۰۰, ۵٠۰<	۵, ۴, ۳, ۲, ۱
اقلیم	مدیترانه­ای، نیمه خشک سرد، نیمه خشک معتدل و مرطوب معتدل	۱, ۲, ۳, ۴

 

ارزیابی خطر آتش با استفاده از روش بهترین-بدترین (BWM)

روش بهترین-بدترین (BWM) از تکینک­های جدید تصمیم­گیری چندمعیاره است که توسط Rezaei (2015) ارائه شده است. در این روش ابتدا توسط تصمیم­گیرنده بهترین (با اهمیت‌ترین و خوشایندترین) و بدترین (بی­اهمیت‌ترین و ناپسندترین) معیارها مشخص، سپس به مقایسه­های زوجی میان هر یک از شاخص‌ها و زیر معیارها می‌پردازد. از جمله مزیت‌های این روش در مقایسه با الگوهای مشابه می‌توان به مقایسه­های کمتر به همراه سازگاری این مقایسه­ها اشاره کرد که منجر به قابل اطمینان­تر شدن نتیجه تصمیم­گیری می‌گردد (Rezaei, 320, 2015). گام‌های اصلی روش BWM شامل موارد زیر است:

گام ۱: بیان معیارهای تصمیم‌گیری به‌منظور تصمیم‌گیری به صورت {C1, C2, …, Cn}

گام ۲: بدون مقایسه بهترین و بدترین به تعریف بهترین و بدترین شاخص می‌پردازیم.

گام ۳: مشخص نمودن برتری بهترین معیار با اعداد ۱ تا ۹ و نمایش برداری آن به صورت.ABB=(aB1, aB2, …, aBn)  که در این بردار ارجحیت معیار B به شاخص  j با بردار  aBJنشان داده می­شود.

گام ۴: در این گام ارجحیت هر یک از شاخص‌ها با بدترین معیار با اعداد ۱ تا ۹ همانند گام ۳ تعیین شده است.

گام ۵: یافتن مقادیر بهینه وزن­ها ((W*1, W*2, …, W*n و محاسبه نرخ سازگاری، برای این منظور از مدل بهینه‌ساز استفاده می­شود (رضایی، 2015).

Min ξ

s.t.

                                                                                                     (۱)

                                                                                                     (٢)

                                                                                                                               (۳)

                                                                                                                  (۴)

محاسبه نرخ سازگاری در روش BWM

با بهره­گیری از ξ و استفاده از جدول ۲ نرخ سازگاری از رابطه  به­دست می­آید. در این رابطه با استفاده از شاخص سازگاری جدول (۲) نرخ سازگاری را محاسبه نموده، و آن را در بازه ]۰ ۱ [قرار داده، هر چه این نرخ به صفر نزدیکتر سازگاری و ثبات بیشتر و با نزدیک شدن این مقدار به صفر سازگاری و ثبات کمتر می­شود. همچنین در این پژوهش به منظور همسان­سازی معیارها در ساخت نقشه­ها از استانداردسازی داده­ها با دامنه صفر و یک استفاده شده است (Siu, 20, 1999).

 

جدول ۲: شاخص سازگاری در روش BWM (Siu, 20, 1999)

aBW	۱	۲	۳	۴	۵	۶	۷	۸	۹
شاخص سازگاری	٠	44	۱	1/63	2/3	۳	3/73	4/47	5/23

 

شاخص‌های موثر در پهنه‌بندی مناطق مستعد آتش‌سوزی در جدول ۳ ارایه شده­اند.

 

جدول ۳: شاخص‌ها و وزن­های مناطق مستعد آتش‌سوزی (Siu, 20, 1999)

ردیف	شاخص­ها	رتبه شاخص	وزن نهایی شاخص­ها
۱	شیب	۱	25/0
۲	جهت	۵	11/0
۳	ارتفاع	۲	18/0
۴	پوشش	۴	14/0
۵	اقلیم	۶	10/0
۶	فاصله از سکونتگاه­ها	۷	062/0
۷	فاصله از جاده­ها	۳	14/0

 

یافته‌های تحقیق

شاخص­های خطر آتش در منطقه مورد مطالعه

توپوگرافی: شیب

یکی از مهم‌ترین پارامترها که نقش اساسی در پهنه‌های آتش‌سوزی دارد، نقشه شیب است. پخش آتش‌سوزی در شیب‌های بالای ۲٠ درجه، دو برابر پخش آن در شیب‌های پایین می‌باشد (Estes et al, 1794, 2017) (جدول ۴). توپوگرافی منطقه مورد مطالعه به دلیل کوهستانی بودن و پستی­ و بلندی­های پیچیده و ناهموار، نقش مهمی را در نرخ گسترش آتش ایفا می­کند. در شیب­های بیشتر، به دلیل انتقال گرما و پیش­گرمایش ماده سوختنی در پیشانی آتش و نیز نزدیکی بیشتر شعله به مواد سوختنی در پیشانی آتش، آتش سریع­تر و با شدت بیشتری به مواد سوخته­نشده گسترش می­یابد.

 

توپوگرافی: جهت

به دلیل تفاوت رژیم رطوبتی و پوشش گیاهی در جهت­های مختلف، جهت نیز برای ارزیابی خطر آتش رتبه­بندی می­شود. جهت­های شمال معمولا با پوشش گیاهی مرطوب­تر و با بار سنگین­تر و جهت­های غربی با پوشش گیاهی خشک­تر و با بار سبک­تر هستند. جدول ۴ ارتباط بین درجه حرارت، بار و رطوبت ماده سوختنی با رفتار آتش را توصیف می­کند. بیشترین تابش خورشیدی به ترتیب در دامنه‌های جنوبی، شرقی، غربی، شمالی و مناطق دشتی مشهود و این مناطق در معرض آتش‌سوزی می‌باشند (Vadrevu et al, 223, 2009).

 

توپوگرافی: ارتفاع

ارتفاع متغیر فیزیوگرافی مهمی است که با درجه حرارت، رطوبت و باد مرتبط است (Zhang et al, 2, 2014). کلاسه­بندی­های متضادی از خطر آتش در زمینه ارتفاع وجود دارد. Ozelkan و Ormeci (2009) در مطالعه خود بیان کردند که ارتفاع­های بالاتر نسبت به ارتفاع­های پائین­تر حساس­تر به آتش­سوزی هستند. در حالی که در مطالعه Adab و همکاران (2011) مناطق با ارتفاع­های پائین­تر پرخطر­تر برآورد شده است که مبنای رتبه­بندی خطر آتش در این مطالعه نیز می­باشد. Chuvieco و Congalton (1989) نیز در مطالعه خود به نقش افزایش ارتفاع در ازدیاد رطوبت و نقش متضاد پهنه آتش‌سوزی و ارتفاع اشاره کردند. بنابراین خطر عامل ارتفاع باید مطابق با مشخصات هر منطقه برآورد شود.

 

 

جدول ۴: اثر توپوگرافی: درصد شیب و جهت روی گسترش آتش (منبع، Chuvieco و Congalton، 1989)

شاخص			توصیف		رتبه­بندی خطر
شیب	%۲٠>		طول شعله و فعل و انفعال ماده سوختنی ایجاد شده با شیب خیلی کم است، نرخ گسترش آتش کم		۱
۳٠-۲۱%		کج شدن شعله برای پیش­گرمایش ماده سوختنی شروع می­شود، نرخ گسترش آتش متوسط		۲
۴۵-۳۱%		کج شدن شعله برای پیش­گرمایش ماده سوختنی انجام شده و فرو رفتن شعله­ها درون ماده سوختنی شروع می­شود، نرخ گسترش آتش زیاد		۳
۶٠-۴۶%		کج شدن شعله برای پیش­گرمایش ماده سوختنی انجام شده و فرو رفتن شعله­ها درون ماده سوختنی ادامه می­یابد، نرخ گسترش آتش خیلی زیاد		۴
<۶٠%		کج شدن شعله برای پیش­گرمایش ماده سوختنی انجام شده و فرو رفتن شعله­ها درون ماده سوختنی با افزایش شیب بیشتر می­شود، نرخ گسترش آتش شدید		۵
جهت	شمال		میزان رطوبت بیشتر، بارهای ماده سوختنی سنگین، اثر خیلی کم ناشی از تایش خورشید.		۱
شرق/ جلگه		اندکی خش­تر از جهت شمال، بار ماده سوختنی متوسط. تنها اثر واقعی از تابش خورشیدی آفتاب صبح است.		۲
غرب		ماده سوختنی خشک سبک، به خوبی در معرض خورشید برای دریافت تابش آفتاب است.		۳
جنوب		ماده سوختنی خشک سبک، دریافت تابش آفتاب طولانی­تر از سایر جهت­ها است.		۴

 

نقشه­های ارتفاع، جهت و شیب منطقه مورد مطالعه از مدل رقومی ارتفاعی (DEM) ده متری تهیه شده از مرکز تحقیقات استان لرستان در سال 1398 استخراج شده است (شکل ۳).

 

شکل ۳- نقشه­های کلاسه­بندی شده ارتفاع (الف)، جهت (ب) و شیب (پ) منطقه مورد مطالعه (ماخذ: نویسندگان، 1402)

 

پوشش گیاهی

نوع پوشش گیاهی نقش مهمی در تعیین خطر نسبی و رفتار احتمالی آتش جنگل ایفا می­کند (Gerdzheva, 22, 2014). انواع مختلف کلاسه­بندی­های پوشش زمین و تیپ پوشش گیاهی و نیز روشهای متفاوتی برای برآورد شرایط بیومس که می­تواند به عنوان داده­ای برای برآورد خطر آتش بکار رود، وجود دارد. در این پژوهش از نقشه پوشش زمین تهیه شده در مقیاس ۱:۵٠٠٠٠ توسط سازمان جنگل‌ها، مراتع و آبخیزداری کشور تهیه شده در سال ۱۳۹۷ استفاده شده است (شکل ۴ ب).

 

اقلیم

اقلیم به میزان زیادی تحت تاثیر شکل زمین و سیمای سرزمین (مشخصه­های عرض جغرافیایی و توپوگرافی) است (Wright, 132, 1961). بیشترین و کمترین میزان بارندگی سالانه به ترتیب ۳,۸٠ و ٠ میلی­متر در ماههای فروردین و تیر در منطقه مورد مطالعه است. متوسط رطوبت نسبی منطقه مورد مطالعه بین ۵۷% در ماه­های مهر، آبان و اردیبهشت و ۲۵% در ماه مرداد نوسان دارد. متوسط دمای ماهانه بین ۱۳,۵ و ۹,۴۱ درجه سانتی­گراد است. آتش­سوزی­ها در طول دوره خشک در ماه­های تیر و مرداد (فصل تابستان) با احتمال زیاد احتراق مواد سوختنی بویژه به دلیل دسترسی مواد سوختنی علفی خشک زیاد در کف جنگل رخ می­دهد.

تغییرات اقلیمی با افزایش دما و تاثیر بر نوع پوشش گیاهی بر وقوع آتش­سوزی در منطقه تاثیرگذار می­باشد. منطقه مطالعاتی دارای اقلیم­های متنوع مدیترانه­ای (تابستان گرم و خشک)، نیمه خشک سرد (پوشش نیمه خشک)، نیمه خشک معتدل (پوشش و رطوبت کم) و مرطوب معتدل (رطوبت دار در تمام فصول) است (سازمان هواشناسی استان لرستان، ۱۳۹۸) و از نظر خطر آتش­سوزی به کلاسه­های مختلفی تقسیم می­گردد (شکل ۴ الف).

 

شکل ۴- نقشه کلاسه­بندی شده اقلیم (الف) و پوشش زمین (ب) منطقه مورد مطالعه (ماخذ: نویسندگان، 1402)

نزدیکی به جاده و سکونت­گاهها

با توجه به نقش انسان‌ها در تخریب و ایجاد آتش‌سوزی در مناطق جنگلی با نزدیکی محدوده به جاده خطر آتش‌سوزی افزایش پیدا می‌کند. همچنین نزدیکی جنگل به مناطق مسکونی از یک سو با استفاده مستقیم جوامع انسانی از منابع جنگلی برای تامین نیازهای خود و از سوی دیگر با بی­توجهی در استفاده از آتش در مناطق جنگلی، موجب تخریب این منابع می­شود. فعالیت­های انسانی در جاده­ها فرصت­هایی را برای آتش­سوزی­های تصادفی/ انسان­ساخت ایجاد می­کند. بنابراین جنگل­های نزدیک­تر به جاده­ها، حساس­تر به آتش­سوزی هستند. بی­دقتی مردم در مواردی مانند پرتاب ته­سیگار از ماشین­های خود موجب این آتش­سوزی­های انسان­ساخت می­شود (Gerdzheva, 22, 2014).  نقشه کلاسه­بندی شده نزدیکی به جاده و سکونت­گاهها در منطقه مورد مطالعه در شکل ۵ ارائه شده است.

شکل ۵- نقشه کلاسه­بندی شده فاصله از سکونت­گاهها (الف) و نزدیکی به جاده (ب) در منطقه مورد مطالعه (ماخذ: نویسندگان، 1402)

 

نقشه خطر آتش با استفاده از روش BWM

درر این مطالعه با ورود وزن­های محاسباتی هر شاخص به بانک اطلاعاتی آن اقدام به تهیه نقشه رستری هر شاخص نموده، و با تلفیق نقشه­ها در محیط سیستم اطلاعات جغرافیایی نقشه نهایی خطر آتش­سوزی به­دست آمد (شکل ۶). توزیع مکانی طبقات خطر آتش در منطقه مورد مطالعه در این نقشه خطر آتش نشان داده شده است. بر اساس ارزیابی کمی این نقشه، ۷ درصد از منطقه مورد مطالعه در طبقه "خطر خیلی زیاد" قرار دارد. همچنین، ۱۱ و ۸ درصد از منطقه مورد مطالعه به ترتیب در طبقه "خطر زیاد" و "خطر متوسط" قرار دارد. در نهایت ۷۴ درصد منطقه مورد مطالعه نیز در طبقه "خطر کم" قرار دارد.

 

شکل ۶- نقشه رتبه­بندی خطر آتش­سوزی در منطقه مورد مطالعه (ماخذ: نویسندگان، 1402)

 

بحث

با دقت به اینکه الگوهای تصمیم‌گیری چند معیاره متعددی در پیش‌بینی و آماده‌سازی پهنه‌بندی مخاطرات استفاده می­شود، با این حال به طور قطع و یقین نمی‌توان یک روش را برتر از سایر روش‌ها قلمداد نمود. در این مطالعه که فاکتورهای تصمیم‌گیری نقش کاهشی و افزایشی بر یکدیگر داشته از روشBWM   بهره گرفته شده است. در این تحقیق با توجه به شاخص‌های مورد استفاده (شکل­های 3، 4، 5) و ادغام آن‌ها در هم پس از تأثیر وزن­های به دست آمده در این روش کلاسه­های خطر آتش محاسبه شد. بر اساس مطالعات صورت گرفته و تجزیه و تحلیل نتایج مستخرج از این پژوهش محدوده مطالعاتی در ۴ طبقه خطر خیلی زیاد، خطر زیاد، خطر متوسط و خطر کم قرار گرفت (شکل ۶).  نتایجی که با مقایسه نقشه خطر آتش­سوزی و کاربری منطقه می­توان استخراج نمود، قرارگیری کلاس خطر خیلی زیاد را در مناطق جنگلی و در بالاترین ارتفاعات نشان می­دهد. با بررسی سابقه آتش­سوزی­های رخ داده در این منطقه مشخص شد که حدود 90 درصد آتش­سوزی­ها در جنگل­های زاگرس با تراکم پوشش گیاهی نسبتا کم و در ارتفاعات بالا گسترش یافته است که این مورد به دلیل تابش مستقیم نور خورشید در ارتفاعات بالا و در نتیجه استقرار پوشش علفی فراوان در کف جنگل و از دست دادن سریع رطوبت ماده سوختنی توسط این پوشش گیاهی علفی با شروع فصل گرما و احتمال زیاد اشتعال آن و گسترش سریع آتش می­باشد (بیرانوند و همکاران، 10، 1390). همچنین طبقه خطر زیاد و متوسط در مناطق با ترکیب مراتع علوفه­ای و بوته­ای، دیم کاری، کشاورزی و درختچه­زارها در مناطق جنوبی و مرکزی متمرکز است. بر اساس نتایج مطالعه عابدینی و همکاران (58، 1401) آتش­سوزی­ها در جنگل­های زاگرس به صورت پراکنده و با شدت زیاد از شمال غرب منطقه آغاز شده و به سمت جنوب شرق ادامه می­یایند که مطابق با الگوی مکانی توزیع خطر آتش در این مطالعه است. توجه به نتایج بدست آمده، در مناطق مرکزی با وجود داشتن راه‌های ارتباطی فراوان و تجمع جمعیتی زیاد، به همراه دما و خشکی زیاد این محدوده، به دلیل پوشش گیاهی ضعیف امکان رخداد آتش‌سوزی بسیار کم برآورد شده است. ضعیف بودن پوشش گیاهی در این مناطق می­تواند ناشی از تکرار آتش­سوزی­های گذشته در این نواحی باشد که مطابق با مطالعه مرادی و همکاران (381، 1395) در جنگل­های زاگرس، آتش­سوزی­ها بر وضعیت پوشش گیاهی اثر داشته و ساختار توده­های جنگلی را تغییر می­دهد. در مطالعه Alcasena  و همکاران (2016) و نیز Jahdi و همکاران (2023) کم بودن احتمال سوختن در مناطق با پوشش گیاهی ضعیف و در نتیجه بار ماده­سوختنی اندک گزارش شده است. در مناطق شمالی به‌ویژه شمال غربی با توجه به پوشش گیاهی مناسب و اقلیم مدیترانه‌ای که در این ناحیه وجود دارد، این نواحی را مستعد آتش‌سوزی در شرایط خشکی زیاد قرار داده است. مطابق با تحقیقات قبلی در مناطق مدیترانه­ای، تغییرات اقلیمی و سایر عوامل محیطی و اجتماعی-اقتصادی در دهه­های اخیر، به طور قابل توجهی بر رژیم آتش­سوزی و ارتباط آتش-اقلیم تاثیر گذاشته است (Syphard et al, 13750, 2017; Ruffault and Mouillot, 2, 2015). به طور خاص، Pausas و Paula (2012) نشان دادند که در بوم­سازگان­های مدیترانه، پوشش گیاهی (ماده­سوختنی) رابطه آتش و اقلیم را تعیین می­کند، زیرا مناطق مرطوب و حاصلخیز نسبت به مناطق خشک به شرایط قابل اشتعال حساس‌تر هستند.

با توجه به نتایج روش تصمیم‌گیری چند معیاره (BWM) مورد استفاده در این پژوهش شاخص شیب و ارتفاع اهمیت بالاتری را نسبت به سایر شاخص­ها در ارزیابی خطر آتش نشان داد. همچنین کمترین اهمیت نیز به فاصله از سکونتگاه و اقلیم تعلق گرفت، که با نتیجه مطالعه Akay و Erdoğan  (2017)، بهزادی و همکاران (1397) و امامی و شهریاری (1398) در استفاده از روش تصمیم­گیری چندمعیاره، و نیز استفاده از تکنیک­های RS و GIS مطابقت دارد. با این وجود عدم انطباق با نتایج مطالعه Zumbrunnen و همکاران (2010) و Fiqh و همکاران (2018) با بهره‌گیری از شبکه عصبی مصنوعی که در آن بیشترین نقش به اقلیم داده شد، مشاهده شد. در مطالعه Pourtaghi و همکاران (2015) و Eugenio و همکاران (2016) نیز که از فرآیند تحلیل شبکه استفاده نمودند بالاترین امتیاز به فاکتورهای دما و بارندگی تعلق گرفت.

لازم به ذکر است که ارزیابی صحت نقشه خطر آتش محاسبه شده در این مطالعه به دلیل نبود بانک داده آتش تاریخی از منطقه مورد مطالعه امکان­پذیر نبود. با این وجود با توجه به آمار موجود در منابع طبیعی استان لرستان در طی چند سال گذشته و طبقه­بندی شهرستان­های این استان در سه گروه خیلی بحرانی، بحرانی و نیمه بحرانی، و قرارگیری شهرستان دوره چگنی در دسته خیلی بحرانی، نتایج این مطالعه و قرارگیری ۲۶ درصد از منطقه در طبقات خطر خیلی زیاد تا متوسط صحت نتایج تحقیق مذکور را نشان می­دهد.

 

نتیجه‌‌گیری

در پژوهش حاضر با هدف واکاوی مناطق مستعد آتش­سوزی در بخشی از سلسله جبال زاگرس بر اساس روش تصمیم­گیری چند معیاره از روش BWM با هدف وزن‌دهی در محیط ArcGIS استفاده شد. پهنه‌بندی مناطق دارای خطر آتش‌سوزی در جنگل‌های شهرستان دوره چگنی به منظور مدیریت آتش و کاهش این مخاطره طبیعی، منجر به شناسایی مناطق دارای خطر آتش‌سوزی خیلی زیاد (7 درصد)، خطر زیاد (11 درصد)، خطر متوسط (8 درصد) و خطر کم (74 درصد) شد. با وجودی که درصد بالایی از منطقه مورد مطالعه در محدوده خطر کم آتش­سوزی قرار دارد، مناطق با سطوح خطر بالا باید در اولویت برنامه­ریزی به منظور پیشگیری و کنترل آتش در منطقه مورد مطالعه قرار گیرد. از میان شاخص­های ارزیابی خطر آتش مورده استفاده در منطقه مورد مطالعه به ترتیب شاخص­های شیب، ارتفاع، مجاورت با جاده و پوشش زمین بیشترین تاثیر را در خطر آتش برآورد شده داشته­اند. شناسایی مناطق با سطوح خطر آتش بالا به همراه مهم­ترین عوامل محیطی و انسانی اثرگذار بر وقوع و گسترش آتش، اطلاعات مفیدی را برای تمرکز فعالیت­های پیشگیرانه و توزیع بهینه منابع اطفای حریق برای واکنش فوری در صورت رخداد آتش در مناطق پرخطر را برای مدیریان اراضی و آتش ارائه می­دهد. با توجه به تکرار زیاد آتش‌سوزی­هایی که هر ساله در مناطق جنگلی استان لرستان روی می‌دهد و بهره‌گیری از دانش سیستم اطلاعات جغرافیایی و استفاده از نظر کارشناسان و تجربه مدیریت حوادث آتش در گذشته، تحقیق حاضر به دنبال کاهش این رخدادها و هزینه‌های شناسایی و برخورد با عواقب پیش‌روی آن به بهترین شکل می‌باشد. بر اساس نتایج توزیع مکانی احتمال خطر آتش­سوزی جنگل در منطقه مورد مطالعه، در نواحی دارای خطر آتش‌سوزی با درصدهای خیلی زیاد و زیاد پیشنهاد می­شود که از نظر منابع احتراق موجود و گسترش آتش­سوزی در این نواحی کنترل و مدیریت شود، زیرساخت­های پیشگیری از آتش­سوزی تقویت شود، آموزش پیشگیری از آتش­سوزی در جنگل­ها برای ارتقای آگاهی مردم در برابر آتش­سوزی انجام شود و اقدامات مختلفی در بلندمدت برای حفاظت جنگل­ها انجام شود.

 

منابع

آزاده، ج. اعتماد، و. نمیرانیان، م. 1401.  بررسی کارایی مدل های مختلف در پهنه بندی پتانسیل خطر آتش سوزی در جنگل های استان استان کهگیلویه و بویراحمد. علوم و تکنولوژی محیط زیست، 24(7): 94-81.

اسحاقی، م.ا.، شتایی جویباری، ش.، قربانی، خ. 1401. بررسی کارآیی سیستم شاخص‌ اقلیمی آتش‌سوزی جنگل کانادا در استان گلستان. پژوهش و توسعه جنگل، 8(3): 293-309.

امامی، ح.، شهریاری، ح. 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): 53-35.

باقرآبادی، ر.، شیخ کانلوی میلان، ف.، زارعی محمد آباد، م. 1401. ارزیابی خطر آتش سوزی در جنگل های زاگرس (مطالعه موردی شهرستان دالاهو). مدیریت اکوسیستم، 2 (3): 72-60. 

بهزادی، ح.، محتشم­نیا، س و قره­داغی، ح. 1397. پهنه­بندی خطر آتش­سوزی مراتع و جنگل­ها با استفاده از GIS و مدل AHP، تحقیقات مرتع و بیابان ایران، 25(4): 828-817.

بهمن‌پور، ه، بالی،ع، ولیان، ط. 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)، 129-114.

 بیرانوند، ع.، بابایی کفاکی، س.،کیادلیری، ه. 1390. بررسی تاثیر عوامل اکولوژیک بر توسعه آتش سوزی در اکوسیستم های جنگلی (مطالعه موردی: کاکا رضا- لرستان). تحقیقات منابع طبیعی تجدید شونده، 2 (2): 13-1. 

جانباز ‌قبادی، غ. 1398. بررسی مناطق خطر آتش سوزی جنگل در استان گلستان، بر اساس شاخص خطر آتش سوزی (FRSI)  با بهره گیری از تکنیک (GIS). تحلیل فضایی مخاطرات محیطی، 23(6): 102-89.

جعفری، ا.، مافی غلامی، د. 1396. پهنه­بندی خطر آتش­سوزی جنگل با استفاده از روش ترکیبی نسبت فراوانی- آنتروپی شانون، فصلنامه علمی-پژوهشی تحقیقات جنگل و صنوبر ایران، 25(2): 243-232.

دریکوندی، آ.، خسروی، م.، تاسه، م.، حیدرپور منفرد، ا. 1393. بررسی تغییرات گستره جنگل های زاگرس میانی با استفاده از تفسیر عکس های هوایی و بهره گیری از GIS (مطالعه موردی: منطقه کاکا رضا، استان لرستان). اکوسیستم­های طبیعی ایران، 5 (4): 109-95. 

سازمان هواشناسی استان لرستان. 1398. شناسنامه اقلیمی شهرستان کوهدشت.

طبیبیان، س. 1401.  پهنه­بندی کالبدی خطر آتش­سوزی جنگل با روش AHPفازی ‌و GIS (مورد مطالعه: ‌اسالم). برنامه ریزی توسعه کالبدی، 7(2): 61-72.

عابدینی، م.، محمدزاده شیشه گران، م.، قلعه، ا. 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، 1.، گندمکار، ا.، عباسی، ع. 1400. تحلیل زمانی - مکانی رخدادهای مخاطره آتش‌سوزی‌های طبیعی در استان لرستان با استفاده از محصولات سنجندة مادیس. جغرافیا و پایداری محیط. 11 (1): 127-113.

فروتن، س، اسلام زاده، ن. 1401.  بررسی آتش‌‌سوزی در مراتع و جنگل‌‌های مازندران با استفاده از تصاویر لندست.  پژوهش­های محیط زیست. 13(26): 373-382.

کرامت میرشکارلو، ا.، بانج شفیعی، ع.، بیگی حیدرلو، ه. 1402. مدل سازی رفتار آتش ‌سوزی‌ های کنترل‌‎ ‌ شده و ‌تصادفی در جنگل‌ های زاگرس شمالی با تأکید ‌بر حجم ‌مواد سوختی. بوم‏ شناسی جنگل‏ های ایران، 11(21): 120-137.

مرادی، ب.، روانبخش، ه.، مشکی، علیرضا.، شعبانیان، ن. 1395. تأثیر آتش‌سوزی بر ساختار پوشش‌ گیاهی در جنگل‌های زاگرس (مطالعه موردی: شهرستان سروآباد، استان کردستان). جنگل ایران، 8 (3): 392-381.

نوری آرا، ر.، دریاباری، س.ج.، علیجانی، ب.، برنا، ر. 1401. تحلیل سینوپتیکی بارش‌های سیل آسای فروردین 1398 ایران (مطالعه موردی استان لرستان). پژوهش­های اقلیم شناسی، 13(52): 36-21.

نوروزی، م.، محمدیان بیشه، ا.، افشین، ح.، فرهانیه، ب.، جهدی، ر. 1402. بررسی عددی آثار رطوبت هوا بر گسترش آتش در جنگل‌ها (مطالعة موردی: جنگل ملکرود سیاهکل)، نشریه جنگل و فرآورده های چوب، 76(1): 55-64.

Adab H, Kanniah K, Solaimani K. 2011. GIS-based Probability Assessment of Fire Risk in Grassland and Forested Landscapes of Golestan Province, Iran. 2011 International Conference on Environmental and Computer ScienceIPCBEE vol.19 (2011) © (2011) IACSIT Press, Singapore 

Ager A. A, Finney M. A, Kerns B. K, Maffei H. 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, Radeloff V. C, Stewart S. I, Hawbaker T. J. 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. Fire science for rainforests. Nature 421, 913-919, 2003. 

Estes, B. L., E. E. Knapp, C. N. Skinner, J. D. Miller, and H. K. Preisler. 2017. Factors influencing fire severity under moderate burning conditions in the Klamath Mountains, northern California, USA. Ecosphere 8(5):e01794. 10.1002/ecs2.1794

Eugenio F.C, Dos Santos A.R, Fiedler N.C, Ribeiro G.A, da Silva A.G, Dos Santos Á.B, Paneto G.G, Schettino V.R. 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. 

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 2007, 8-13.

Jahdi, R., Salis, M., Alcasena, F. Del Giudice, L. 2023. Assessing the Effectiveness of Silvicultural Treatments on Fire Behavior in the Hyrcanian Temperate Forests of Northern Iran. Environmental Management. https://doi.org/10.1007/s00267-023-01785-1

Loehle C. Applying landscape principles to fire hazard reduction. Forest Ecology and Management, 198: 261–267, 2004.

Mahamed, M., Wittenberg, L., Kutiel, H., Brook, A. 2022. Fire Risk Assessment on Wildland–Urban Interface and Adjoined Urban Areas: Estimation Vegetation Ignitability by Artificial Neural Network. Fire, 5, 184. https://doi.org/10.3390/fire5060184

Neuenschwander L. F, Menakis J, Miller M, Sampson R. N, Hardy C. C, Averill R, Mask R. 2000. Indexing Colorado watersheds to risk of wildfire. Journal of Sustainable Forestry, 11: 35-56. 

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. Risk assessment of forest fires by using satellite data with remote sensing techniques, Remote Sensing for a Changing Europe, IOS Press: 53-60. 

Qin, D., Gao, P., Aslam, F., Sufian, M., Alabduljabbar, H. 2022. A comprehensive review on fire damage assessment of reinforced concrete structures. Case Studies in Construction Materials  Pub Date: 2021-12-17 , DOI:10.1016/j.cscm.2021.e00843

Parisien M. A, Kafka V. G, Hirsch K. G, Todd J. B, Lavoie S. G, Maczek P. D. 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, 290, 2007.

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 DZ. 1999. A Fuzzy GIS Modeling Approach for Urban land Evaluation. Computer, Environment, and Urban systems. 

Syphard, A. D., Keeley, J. E., Pfaff, A. H. & Ferschweiler, K. 2017. Human presence diminishes the importance of climate in driving fire activity across the United States. Proc. Natl Acad. Sci. USA 114, 13750–13755.

Thakur AK, 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, Pezzatti G, Menéndez P, Bugmann H, Bürg I.M, Conedera M. 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, Wollersheim M, Griffiths S, Maddox I. 2014. National fire risk map for continental USA: Creation and validation. IOP Conference Series: Earth and Environmental Science, 18: 1-6.

Zhang F, Zhang B, Luo J, Liu H, Deng Q, Wang L, Zuo Z. 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

 

 

 

Wildfire Risk Assessment in Zagros Forests using Geographic Information System and Best-Worst Method (BWM) (Case Study: Chegeni Dore County, Lorestan Province)

 

 

 

 

Abstract

Due to the effect of climate change, the frequency and intensity of wildfires is continuously increasing. Wildfire risk assessment is an important part of fire prevention because pre-fire planning requires tools to monitor an area in terms of when and where fire is most likely to occur, or when a fire will have the most severe negative effects. Wildfires are one of the most important natural hazards in Zagros forest ecosystems in western Iran. This study was conducted to analyze the risk of fire and investigate the factors affecting fire in the forest area of Chegeni Dore County. The main goal of the current study is to try to prepare a wildfire risk zoning map by combining topographic data and other auxiliary data through the geographic information system and using the Best-Worst Method for the study area. The fire risk map was obtained by scoring and weighing the layers of effective fire factors (vegetation, slope, aspect, elevation, climate, and distance from settlements and roads). Based on the results, the study area was classified into four fire risk classes. Very high (7%) and high (11%) fire risk areas were identified in the study area. Furthermore, 8% and 74% of the study area were placed in medium and low fire risk classes, respectively. This analysis helps land managers to understand patterns of vulnerability and fire risk in the landscape. By using the analysis of the results, investments in conditions of limited resources, forest restoration, fuel treatments and other mitigation measures to reduce fire risk can be targeted in areas with high fire risk.

 

Keywords: Climate change, Natural hazard, Wildfire, Best and Worst Method, Vegetation.

 

 

 

---