بررسی رابطه زمانی و مکانی تغییر پارامترهای اقلیمی و آتش سوزی در جنگل ها و مراتع استان گیلان

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 141

فایل این مقاله در 23 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJFRPR-21-1_010

تاریخ نمایه سازی: 29 شهریور 1403

چکیده مقاله:

آتش سوزی یکی از پدیده های مخرب عرصه های طبیعی است که طی سال های اخیر بخش وسیعی از جنگل ها و مراتع استان گیلان را نابود کرده است. این پژوهش به منظور بررسی رابطه زمانی و مکانی بین متغیرهای اقلیمی و آتش سوزی در استان گیلان انجام شد. متغیرهای آتش سوزی شامل تعداد و وسعت آتش سوزی ها و متغیرهای اقلیمی شامل هفت متغیر طی ۲۶ سال اخیر بودند. برای بررسی رابطه زمانی بین آتش سوزی ها و متغیرهای اقلیمی، از همبستگی پیرسون و روابط رگرسیونی استفاده شد. برای بررسی رابطه مکانی بین وقوع آتش سوزی ها و متغیرهای اقلیمی ، از روش های یادگیری ماشین استفاده شد. نقشه آتش سوزی ها در جنگل ها و مراتع استان، از اداره کل منابع طبیعی و آبخیزداری استان گیلان (۱۴۰۰-۱۳۷۵) و سنجنده مادیس (۱۴۰۰-۱۳۸۱) تهیه شد. نقشه متغیرهای اقلیمی با روش های درون یابی در GIS تهیه شدند. اهمیت نسبی متغیرهای اقلیمی در وقوع آتش سوزی با آماره های میانگین کاهش جینی (Mean Decrease Gini: MDG) و میانگین کاهش صحت (Mean Decrease Accuracy: MDA) تعیین شد. برای مدل سازی و تهیه نقشه های احتمال وقوع آتش سوزی، از ۷۰ درصد موقعیت آتش سوزی ها و مدل های مختلف یادگیری ماشین (رگرسیون لجستیک، جنگل تصادفی، ماشین بردار پشتیبان و مدل ترکیبی SVM-RF) در نرم افزار زبان برنامه نویسی R استفاده شد. برای صحت سنجی مدل ها، از ۳۰ درصد موقعیت آتش سوزی ها و مشخصه AUC استفاده شد. نتایج رابطه زمانی نشان داد، طی دوره ۲۶ ساله، بین تعداد آتش سوزی و میانگین بارندگی فصلی به صورت منفی و بین تعداد آتش سوزی و میانگین سرعت باد فصلی و میانگین حداکثر سرعت باد فصلی به صورت مثبت، رابطه معنی داری در سطح اطمینان ۹۵ درصد وجود داشت. به علاوه، بین وسعت آتش سوزی و میانگین بارندگی فصلی، رابطه معنی دار منفی در سطح اطمینان ۹۵ درصد مشاهده شد. نتایج رابطه مکانی نشان داد، میانگین حداکثر درجه حرارت فصلی، میانگین بارندگی فصلی و میانگین رطوبت نسبی فصلی بیشترین اهمیت را در وقوع آتش سوزی استان گیلان در گستره مکانی داشته اند. نتایج اعتبارسنجی نقشه های احتمال وقوع آتش سوزی نشان داد، مدل جنگل تصادفی (AUC: ۰/۸۲) و مدل ترکیبی SVM-RF (AUC: ۰/۷۹) دقت بیشتری در نقشه برداری احتمال وقوع آتش سوزی داشته اند. بنابراین پیش بینی آتش سوزی های ناشی از عوامل اقلیمی در جنگل ها و مراتع استان گیلان با استفاده از نقشه های مذکور امکان پذیر است که کمک شایانی به مدیران منابع طبیعی در انجام اقدامات حفاظتی در مناطق پرخطر می کند. در این مورد، ضروری است که اقدامات کنترلی برای پیشگیری از وقوع آتش سوزی های آینده در مناطق پرخطر آتش سوزی، با حساسیت بیشتری توسط یگان حفاظت اداره کل منابع طبیعی و آبخیزداری استان انجام شود.

کلیدواژه ها:

تحلیل زمانی و مکانی آتش سوزی ، تعداد و وسعت آتش سوزی ، رگرسیون خطی ، متغیرهای اقلیمی ، مدل های یادگیری ماشین

نویسندگان

Saeedeh Eskandari

استادیار پژوهش، بخش تحقیقات جنگل، موسسه تحقیقات جنگلها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

Fatemeh Ahmadloo

استادیار پژوهش، بخش تحقیقات صنوبر، موسسه تحقیقات جنگلها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

Hamid Reza Pourghasemi

استاد، بخش علوم خاک، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران

Yazdanfar Ahangaran

کارشناس ارشد، رییس گروه گیاهپزشکی، دفتر حفاظت و حمایت، سازمان منابع طبیعی و آبخیزداری کشور، تهران، ایران

Zolfaghar Rezapour

کارشناس ارشد، رییس گروه توسعه هواشناسی کاربردی، اداره کل هواشناسی استان کهگیلویه و بویراحمد، یاسوج، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Arabameri, A., Pradhan, B. and Rezaei, K., ۲۰۱۹. Spatial prediction ...
  • Azizi, Gh. and Yousefi, Y., ۲۰۰۹. Warm wind and forest ...
  • Azizi, Gh., Borzou, F. and Alijani, B., ۲۰۱۲. Observational analysis ...
  • Bihamta, M. and Zare Chahooki, M., ۲۰۱۵. Principles of Statistics ...
  • Breiman, L. and Cutler, A., ۲۰۲۲. Random forest for classification ...
  • Chen, F., Niu, Sh., Tong, X., Zhao, J., Sun, Y. ...
  • Chou, Y.H., ۱۹۹۲. Management of wildfires with a geographical information ...
  • Egan, J.P., ۱۹۷۵. Signal detection theory and ROC-analysis (Academic Press ...
  • Eshaghi Rad, J., Seyyedi, N. and Hasanzad Navrodi, I., ۲۰۰۹. ...
  • Eskandari, S. and Chuvieco, E., ۲۰۱۵. Fire danger assessment in ...
  • Eskandari, S. and Jalilvand, H., ۲۰۱۷. Effect of weather changes ...
  • Eskandari, S., Oladi, J., Jalilvand, H. and Saradjian, M.R., ۲۰۱۳. ...
  • Eskandari, S., Oladi, J., Jalilvand, H. and Saradjian, M.R., ۲۰۱۵. ...
  • Flannigan, M., ۲۰۱۳. Global wildland fire season severity in the ...
  • Flannigan, M.D., Stock, B.J. and Wotton, B.M., ۲۰۰۰. Climate change ...
  • Ghorbanzadeh, O., Valizadeh Kamran, Kh., Blaschke, Th., Aryal, J., Naboureh, ...
  • Gilan Natural Resources Administration (GNRA), ۲۰۱۹. Statistics and data of ...
  • Golkarian, A., Naghibi, S.A., Kalantar, B. and Pradhan, B., ۲۰۱۸. ...
  • Guo, F., Su, Zh., Tigabu, M., Yang, X., Lin, F., ...
  • Jolly, W.M., Cochrane, M.A., Freeborn, P.H., Holden, Z.A., Brown, T.J., ...
  • Kordestani, M.D., Naghibi, S.A., Hashemi, H., Ahmadi, K., Kalantar, B. ...
  • Koutsias, N. and Karteris, M., ۱۹۹۸. Logistic regression modelling of ...
  • Leuenberger, M., Kanevski, M. and Vega Orozco, C.D., ۲۰۱۳. Forest ...
  • Martínez, J., Vega-Garcia, C. and Chuvieco, E., ۲۰۰۹. Human-caused wildfire ...
  • Mas, J.F., Filho, B.S.S., Pontius, R.G. and Farfan, M., ۲۰۱۳. ...
  • Meyn, A., White, P.S., Buhk, C. and Jentsch, A., ۲۰۰۷. ...
  • Pourhashemi, M., Eskandari, S., Dehghani, M., Najafi, T., Asadi, A. ...
  • R Core Team, ۲۰۱۴. R: A language and environment for ...
  • Rahimi, D. and Khademi, S., ۲۰۱۸. Analysis Synoptic Patterns for ...
  • Razavi-Termeh, S.V., Sadeghi-Niaraki, A. and Choi, S.M., ۲۰۱۹. Groundwater potential ...
  • Roman, M.V., Azqueta, D. and Rodrigues, M., ۲۰۱۳. Methodological approach ...
  • Smith, M.J., Goodchild, M.F. and Longley, P.A., ۲۰۰۷. Geospatial analysis-a ...
  • Song, Ch., Kwan, M., Song, W. and Zhu, J., ۲۰۱۷. ...
  • Syphard, A.D., Radeloff, V.C., Keuler, N.S., Taylor, R.S., Hawbaker, T.J., ...
  • Tošić, I., Mladjan, D., Gavrilov, M.B., Živanović, S., Radaković, M.G., ...
  • Turco, M., Llasat, M.C., Hardenberg, J.V. and Provenzale, A., ۲۰۱۳. ...
  • Tymstra, C., Flannigan, M.D., Armitage, O.B. and Logan, K., ۲۰۰۷. ...
  • Urrutia-Jalabert, R., Gonzalez, M.E., Gonzalez-Reyes, A., Lara, A. and Garreaud, ...
  • Yesilnacar, E.K., ۲۰۰۵. The application of computational intelligence to landslide ...
  • Zumbrunnen, T., Pezzattic, G.B., Menéndezd, P., Bugmann, H., Bürgia, M. ...
  • نمایش کامل مراجع