- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,726 |
| تعداد مقالات | 31,041 |
| تعداد مشاهده مقاله | 27,853,092 |
| تعداد دریافت فایل اصل مقاله | 16,230,892 |
تهیه‌ی نقشه‌ی خطر آتشسوزی جنگل براساس عوامل فیزیوگرافی، انسانی و اقلیمی با استفاده از شبکه‌ی عصبی مصنوعی در سروآباد استان کردستان | ||
| تحقیقات حمایت و حفاظت جنگلها و مراتع ایران | ||
| مقاله 4، دوره 11، شماره 2، آذر 1392، صفحه 97-107 اصل مقاله (1.57 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijfrpr.2014.8431 | ||
| نویسندگان | ||
| فروزان محمدی سرواله* 1؛ مهتاب پیروقار2؛ نقی شعبانیان2 | ||
| 1دانش‌آموخته کارشناسی ارشد جنگلداری، دانشکده منابع طبیعی، دانشگاه کردستان | ||
| 2گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه کردستان | ||
| چکیده | ||
| آتشسوزی در جنگلهای زاگرس با توجه به نقش حفاظتی این جنگلها در جلوگیری از فرسایش آب و خاک، یک تهدید زیست‌محیطی جدی برای این جنگلها محسوب می‌شود. هدف از انجام این تحقیق، بررسی میزان تأثیر متغیرهای مؤثر در ایجاد آتشسوزی و تهیه‌ی نقشه‌ی حساسیت مناطق مختلف به آتشسوزی میباشد. به همین منظور متغیرهای مؤثر در رخداد آتشسوزی شامل ارتفاع از سطح دریا، شیب، جهت، فاصله از مناطق مسکونی، فاصله از جاده، فاصله از اراضی زراعی، دما و بارندگی برای تعیین میزان تأثیر هر متغیر در ایجاد آتشسوزی بررسی شدند. به‌همین دلیل نمونهبرداری از مناطق جنگلی که آتشسوزی اتفاق افتاده بود و مناطق جنگلی که آتشسوزی در دوره‌ی مورد بررسی اتفاق نیفتاده بود، انجام شد. برای این تحقیق از روش آماریMLP1، استفاده شد تا میزان اهمیت و تاثیر عوامل مختلف به آتشسوزی مشخص شود. نقشه‌ی احتمال خطر مناطق مختلف به آتشسوزی توسط روش شبکه‌ی عصبی مصنوعی تهیه شد. نتایج نشان داد که متغیرهای شیب و فاصله از جاده به‌ترتیب با تأثیر 100 درصدی و 95 درصدی، مهمترین عوامل تأثیرگذار در ایجاد آتشسوزی هستند و متغیر جهت با تأثیر 55 درصد کمترین ارتباط را با ایجاد آتشسوزی در منطقه داشته است. اعتبارسنجی مدل به‌وسیله‌ی ضرایب کاپا انجام شد. نتایج نشان داد که نقشه‌ی حساسیت تهیه شده دارای 90 درصد صحت است و 98 درصد سلولهای شبکه به‌درستی طبقهبندی شدهاند. | ||
| کلیدواژه‌ها | ||
| آتشسوزی؛ شبکه‌ی عصبی مصنوعی؛ عامل انسانی؛ عامل فیزیوگرافی؛ اقلیم؛ سروآباد | ||
| عنوان مقاله [English] | ||
| Application of artificial neural network for forest fire risk mapping based on physiographic, human and climate factors in Sarvabad, Kurdistan province | ||
| نویسندگان [English] | ||
| frouzan Mohammadi Sarvaleh1؛ Mahtab Pir bavaghar2؛ Naghi Shabanian2 | ||
| 1M. Sc., Faculty of Natural Resources, University of Kurdistan, Sanandaj, Iran. | ||
| 2Assistant Professor, Faculty of Natural Resources, University of Kurdistan, Sanandaj, Iran. | ||
| چکیده [English] | ||
| The protective role of the Zagros forests in preventing soil and water erosion is very important. Therefore forest fires account as major environmental hazards for Zagros forests. The aim of this research was to study the influence of variables on fire occurrence and producing fire susceptibility map. Factors affecting fire incidences include altitude, slope, aspect, distance to residential areas, distance to roads and farmlands, temperature and rain. These factors were examined to determine the effect of each variable in occurrence of fire. Sampling procedures was performed in forest areas with previous fire records and in non- affected forest areas and MLP method was used to determine the importance of each factor in the occurrence of fires. Sensitivity maps of different areas to fire were produced using artificial neural network method. Results showed that the slope (100%) and distance to roads (95%) variables are most important factors influencing fire occurrence while aspect with 55% effect has the least correlation with fire occurrence. The model was further validated with Kappa coefficients. Results indicate that the sensitivity map is produced with 90% accuracy, and that 98% of the grid cells are correctly classified. | ||
| کلیدواژه‌ها [English] | ||
| fire, Artificial Neural Networks, human factors, Physiographic factors, climate factors, Sarvabad | ||
| مراجع | ||
|
- اسکندری، س.، اولادی قادیکلایی، ج.، جلیلوند، ح. و سراجیان، م.، 1392. مدلسازی و پیشبینی خطرآتشسوزی در جنگلهای بخش سه نکا- ظالمرود با استفاده از سامانه اطلاعات جغرافیایی. فصلنامه علمی– پژوهشی تحقیقات جنگل و صنوبر ایران، 21(2): 217- 203. - بلندهمت، ا.، 1386. اثرات آتشسوزی روی برخی خصوصیات فیزیکی و شیمیائی خاک جنگلهای منطقه مریوان. پایاننامه کارشناسی ارشد، دانشکده منابع طبیعی و علوم دریایی دانشگاه تربیت مدرس، ص 85. -بینام، 1386. آمار آتشسوزی 4 سال. سازمان جنگلها و مراتع کل کشور ، 36 صفحه. -رحیمی، ا. و اسماعیلی، ع.، 1389. بررسی پتانسیل آتشسوزی جنگلها و مراتع با استفاده از تصاویر ماهوارهای سنجندهMODIS و تکنیکهای سنجش از دور منطقه مورد مطالعه جنگلهای شهرستان مریوان. همایش ژئوماتیک، 12 صفحه. -سرکارگر اردکانی، ع.، ولدان زوج، م. و منصوریان، ع.، 1388. تحلیل فضایی نیروی آتشسوزی مناطق مختلف کشور با استفاده از RS, GIS. محیطشناسی، 52: 34-25. -گراوند، س.، یارعلی، ن. و کاجی، ح.، 1392. الگوی مکانی و نقشه خطر وقوع آتشسوزی در اراضی طبیعی استان لرستان. فصلنامه علمی- پژوهشی تحقیقات جنگل و صنوبر ایران، 21 (2): 242- 231. -محمدی، ف.، 1388. تهیه نقشه خطر آتشسوزی جنگل با استفاده از تصاویر ماهوارهای و GIS در بخشی از جنگلهای پاوه. پایاننامه کارشناسیارشد، گروه جنگلداری. دانشکده منابع طبیعی، دانشگاه کردستان، 64 صفحه.
- Andersson, F. O., Aberg, M. and Jacobsson, S. P., 2000. Algorithmic approaches for studies of variable influence, contribution and selection in neural networks. Chemometrics and Intelligent Laboratory Systems, 51(1): 61–72.
- Bajocco, S., Rosalti, L. and Ricotta, C., 2009. Knowing fire incidence through fuel phenology. A remotely sensed approach. Ecological Modelling, 59-66.
- Banazountas, M., Kallidromitou, D., Kassamenos, P. and Passes, N., 2006. A decision support system for managing forest fire casualties. Journal of Environmental Management, 84(4):412-418.
- Dayhoff, J. E., 1990. Neural Network Architectures. VNR. USA.
- Dong, X., Li-min, D., Gue- fan, Sh., Lei, T. and Hui, W., 2005. Forest fire risk zone mapping from satellite images and GIS for Baihe forestry Bureau, Jilin, China. Journal of Forestry Research. (16)3: 169- 174.
- Erten, E., Kurgun,V. and Musaoglue, N., 2004. Forest fire risk zone mapping from satellite imagery and GIS a case study. Proceedings of 20th Congress of ISPRS, Istanbul, Turkey, 29-33.
- Etter, A., McAlpine, C.,Wilson, K., Phinn, S. and Possingham, H. 2006. Regional patterns of agricultural land use and deforestation in Colombia. Agric. Ecosystems & Environment, 114: 369-386.
- Garcia Strino, J., Alhaddad, B. and RocaGladera, J. 2007. Remote sensing to detect fire risk locations. GéoCongrés, 2-5 octobre.
- Hawes, P., Crook, N., 1999. Using input parameter influence to support the decisions of feedforward neural networks. Neurocomputing, 24: 191-206.
- Hernandez-Leal, P. A., Arbelo, M. and Gonzalez-Clavo, A., 2006. Fire risk assessment using satellite data. Advances in space research, 37: 741- 746.
- Jaiswal, R. K., Mukerjee, S., Raju, D. K. and Saxana, R., 2002. Forest fire risk zone mapping from satellite imagery and GIS. International Journal of Applied Earth observation and Geoinformation, 4: 1-10.
- Pointius, R. G., 2000. Quantification Error versus location Error in comparison of categorical Maps. Photogrammetric Engineering & Remote sensing, 66(8): 1011-1016.
- Sakr, G. E., Elhajj, I. H. and Mitri, G., 2011. Efficient forest fire occurrence prediction for developing countries using two weather parameters. Engineering applications of artificial intelligence. 24: 888 -894.
- Setiawan, I; Mahmud, A; Masnsor, S; Shariff, A; Nuruddin, A; 2004. GIS- grid- based and multi- criteria analysis for identifying and mapping peat swamp forest fire hazard in Pahang, malysia. Disaster Prevention And Management. 13: 379- 386.
-Somashekar, R., Ravikumar, P., Mohankumar, C., Prakash, K. and Nagaraja, B., 2009. Burnt area mapping of Bandipur National Park, India using IRS1C/1D LISS III data. Journal of the Indian Society of Remote Sensing. 37: 37-50.- Vasilokos, CH; Kalabokidis, K; Hatzopoulos, J; Kallos, G; Matsinos, Y;2007. Integrating new methods and tools in fire danger rating. International Journal Of Wildland Fire. 16: 306 – 316.-Yang, L., Dawson, C. W., Brown, M. R. and Gell, M., 2006. Neural network and GA approaches for dwelling fire occurrence prediction. Knowledge-Based Systems, 19(4): 213- 219.
-Yuan,H., 2002. Development and evaluation of advanced classification systems using remotely sensed data for accurate land use/ land-cover mapping. Ph. D, Thesis, Department of forestry, North Carolina state university.
-Zeng, T., Hudson, J., Kay, S. and Laginestra, E., 2003. A fuzzy GIS approach to fire risk assessment: a case study of Sydney Olympic park, Australia. Spatial Sciences Conferences, 1-20 | ||
|
آمار تعداد مشاهده مقاله: 4,491 تعداد دریافت فایل اصل مقاله: 3,056 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب