بررسی پتانسیل ریسک آتشسوزی در جنگل با استفاده از مدل Fire Risk(مطالعه موردی: جنگلهای چالوس)
محل انتشار: دومین کنگره بین المللی علوم زمین و توسعه شهری
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,024
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ESUD02_597
تاریخ نمایه سازی: 22 آبان 1395
چکیده مقاله:
جنگلها یکی از ارزشمندترین سرمایه ها روی کره زمین و محل زندگی انواع گیاهان و جانوران هستند، بنابراین حفاظت از آنها امری مهم و ضروری ا ست. یکی از دلایل ا صلی نابودی جنگلها، آتشسوزیهای کنترل نشده ای هستند که در مدت زمان بسیار کوتاه، پهنه ی وسیعی از جنگلها را از بین برده و باعث بیابانزایی میگردند. سنجش ازدور و GIS برای مطالعه ریسک آتشسوزی، میتواند بسیار مفید باشد . از نقش ریسک آتش سوزی میتموان بمرای جلوگیری و پیشمگیری از آتش سموزی و خساراز ناشی از آن استفاده کرد و به عنوان یک ابزار مطمئن و قوی در مدیریت مناطق مستعد یا ب پتانسیل بالای وقوع آتشسوزی به کار برد . جنگلهای چالوس یکی از مناطق جنگلی استان مازندران است که دارای بیشترین آمار آتش سوزی استان میباشمد. در ایر تحقیق از روش Fire Risk که شامل فاکتورهای محیطی شیب، جهت شیب و پوشش گیاهی است، استفاده شد . طی آن مناطق با پتانسیل خطر آتشسوزی بالای 60 درصد پهن بندی شد. سپس ارتباط بین عوامل انسانی همچون روستاها و جاده های موجود در منطق با آتشسوزیهای رخ داده طی چندین سال موردبرر سی قرار گرفت. نتایج حاکی از آن است ک عوامل ان سانی نقش بسزایی در آتشسوزیهای رخ داده داشت است. از طرفی تطبیق نقاط آتش سوزیهای رخ داده در منطق با نقش حاصل از مد Fire risk و تحلیل نتایج بدست آمده از ایر تحقیق نشان داد که مدل فایر ریسک با توجه به تعداد کم پارامترهای به کار رفت در این مدل، از دقت قابل قبولی برای یش بینی مناطق با ریسک آتش ذیری بالا میباشد.
کلیدواژه ها:
نویسندگان
محمدحسین فتحی
دانشجوی دکتری-عضو هیئت علمی دانشگاه افسری امام علی(ع)،
کیوان محمدزاده
کارشناسی ارشد سنجش از دور و GIS دانشگاه تبریز
مریم ملکی
کارشناسی ارشد سنجش از دور و GIS دانشگاه تبریز
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 :