مقایسه عملکرد الگوریتم های Fuzzy C-means و K-medoids در مدل سازی وقوع آتش سوزی جنگل (مطالعه موردی: جنگل های سراوان، گیلان)

نناحیه رویشی هیرکانی (خزری) یکی از مهم­ترین نواحی رویشی ایران محسوب شده که با توجه به قدمت آن، ارزش بوم­ سامانه­ ای بالایی دارد. از طرفی این بوم­ سامانه همه­ ساله درگیر آتش­سوزی­ های متعدد شده و سطح قابل ملاحظه­ ای از پوشش گیاهی خود را از دست می­ دهد، لذا به­ کارگیری روش­های علمی برای پیش ­بینی مکان­های دارای پتانسیل خطر آتش ­سوزی در مدیریت حفاظتی جنگل­های هیرکانی بسیار حائز اهمیت است. بسیاری از سیستم­ های دنیای واقعی از نظر تشخیص الگو مورد استفاده قرار می­ گیرند بنابراین استفاده صحیح از روش­های یادگیری ماشین در کاربردهای عملی ضروری است. از طرفی استفاده از روش­های مبتنی بر خوشه ­بندی با توجه به رویکرد آن در تشخیص الگو و کشف خروجی به­ عنوان یک روش موثر مورد تاکید است. هدف از انجام تحقیق حاضر بررسی توانایی و مقایسه عملکرد رویه ­های متفاوت خوشه­ بندی از دو الگوریتم مبتنی بر خوشه­ بندی Fuzzy C-Means و k-Medoids در مدل­سازی آتش ­سوزی جنگل با تاکید بر قابلیت­های عملکرد الگوریتم­ های موصوف است. با توجه به­ وجود آتش ­سوزی­ های دوره ای موجود از الگوریتم ­های مذکور  به­ صورت ارتقاء سطح کدنویسی در نرم­افزار متلب در راستای بهبود مطالعات در زمینه پیش ­بینی خطر حریق جنگل استفاده شد. معیارهای ورودی مدل در این مطالعه عبارتند از نقاط ثبت ­شده آتش ­سوزی، فاصله از مناطق کشاورزی، فاصله از جاده، فاصله از رودخانه، فشار هوا، بازتابش خورشید، شیب، جهت شیب، سرعت باد، درصد تراکم تاج پوشش و تیپ جنگل. نتایج به ­دست­ آمده از نقشه پیش ­بینی خطر آتش­ سوزی هر دو الگوریتم، نشان از توانایی بالای آن­ها در پیش­ بینی مدل وقوع  آتش­ سوزی دارد. همچنین بر اساس نتایج جدول ماتریس درهم آمیختگی مقایسه دو الگوریتم، الگوریتم FCM عملکرد بهتری نسبت به الگوریتم  k-medoids در پیش­بینی مکان­های دارای پتانسیل خطر آتش ­سوزی از خود نشان داد. لذا استفاده از الگوریتم FCM به ­عنوان یکی از روش­های موثر در خوشه ­بندی تفکیکی برای مطالعات آینده پیشنهاد می­ شود.

کلیدواژه ها:

Clustering Algorithm ، Fire Occurrence Modeling ، Saravan Forest ، الگوریتم خوشه بندی ، جنگل سراوان ، مدل سازی وقوع آتش سوزی