مقایسه عملکرد الگوریتم های Fuzzy C-means و K-medoids در مدل سازی وقوع آتش سوزی جنگل (مطالعه موردی: جنگل های سراوان، گیلان)
- سال انتشار: 1400
- محل انتشار: دوفصلنامه بوم شناسی جنگل های ایران، دوره: 9، شماره: 17
- کد COI اختصاصی: JR_IFEJ-9-17_017
- زبان مقاله: فارسی
- تعداد مشاهده: 377
نویسندگان
Department of Forestry, Faculty of Natural Resources, Guilan University, Iran
Department of Forestry, Faculty of Natural Resources, Guilan University, Iran
Faculty of Fisheries and Environment, Gorgan University of Agricultural Sciences and Natural Resources
Department of Forestry, Faculty of Natural Resources, Guilan University, Iran
چکیده
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 سوزیاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.