نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی

.کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در تهیه نقشه پتانسیل خطر آتش سوزی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد سنجش از دور و GIS دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز

2 کارشناسی ارشد سنجش از دور و GIS دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز

3 استادیار گروه مهندسی منابع آب ، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران

10.22034/rsgi.2023.48807.1002

چکیده

آتش‌سوزی در جنگل‌ها باعث نابودی بخش عظیمی از منابع طبیعی منطقه جنگلی کهگیلویه و بویراحمد شده است. هدف تهیه نقشه خطر آتش‌سوزی، با استفاده از معیارها و زیر معیارهای توپوگرافی (شیب، فاصله از رودخانه، ارتفاع، جهت شیب)، معیار فیزیکی (نوع پوشش گیاهی، تراکم پوشش گیاهی، رطوبت خاک)، معیار انسانی (فاصله از راه‌ها، فاصله از روستا) و معیار اقلیم (میانگین دمای سالانه، بارش، رطوبت نسبی و جهت باد غالب) است که وابستگی میان معیارها با استفاده از تکنیک دیماتل تعیین شد. سپس با استفاده از فرآیند تحلیل شبکه تمامی معیارها و زیر معیارها در نرم‌افزار سوپردسیژن وزن دهی شدند و سپس لایه‌ها فازی سازی شده و در محیط GIS نقشه نهایی پتانسیل خطر آتش‌سوزی تهیه گردید. درنتیجه از بین معیارها، معیار توپوگرافی (0.423)، دارای وزن بالا و وزن معیار انسانی، زیست‌شناختی و اقلیم به ترتیب از راست به چپ (0.257)، (0.194) و (0.124) دارند. درصد مساحت نقشه‌های فازی شده با عملگر فازی برای طبقه پتانسیل آتش‌سوزی بالا به ترتیب؛ عملگرپروداکت ( PRODUCT ) 5 درصد، AND68/35، Gamma 82/ 34 و عملگر SUM84/34 درصد است. همچنین مدل فایر ریسک با استفاده از تصاویر لندست 8، مدل رقومی ارتفاعی، شیب و جهت شیب برای منطقه تهیه شد. درنهایت با استفاده از داده‌های نقطه‌ای آتش‌سوزی برای 4 سال (93-96) تهیه گردید. مقایسه نتایج حاصل از نقشه مکانی ( FUZZY-ANP )و نقشه رستری ( FIRE RISK ) بدست‌آمده از داده‌های نقطه‌ای آتش‌سوزی‌های رخ‌داده در منطقه جنگلی، تطابق بالایی با مناطق پرخطر در نقشه‌ نهایی پتانسیل ‌خطر آتش سوزی دارد.

تازه های تحقیق

آتش‌سوزی یکی از بحران­هایی است که همه‌ساله حجم زیادی از درختان را در مناطق جنگلی جهان نابود می­کند و علاوه بر مضرات زیست‌محیطی، زیان‌های بسیاری را درزمینهٔ حیات­وحش، اقتصادی و امنیت جانی انسان‌ها به دنبال دارد به‌منظور پیشگیری از این رخداد خطرناک یکی از بهترین راهکارها تهیه مدل ریسک آتش‌سوزی برای جنگل می­باشد این پدیده به دلیل پیچیدگی زیاد به پارامترهای مختلف طبیعی و انسانی وابسته است (16). در این پژوهش برای ارزیابی پتانسیل خطر آتش‌سوزی در منطقه جنگلی کهگیلویه و بویراحمد، با بهره‌گیری از سنجش‌از دور و GIS و مدل فایر ریسک و مدل ترکیبی فازی ای ان پی که تاکنون در این منطقه چنین پژوهشی با استفاده بیشتر عوامل تأثیرگذار بر خطراتش سوزی انجام نگرفته است. در مدل فازی ای ان پی از چهار عامل اصلی: عوامل اقلیمی، فیزیکی (زیست‌شناختی)، توپوگرافی و عوامل انسانی با 14 زیر معیار اجرا گردید. بر اساس مقایسات زوجی و درونی معیارها که وزن دهی معیارهای انسان ساخت، بیولوژیکی، اقلیمی و توپوگرافی (11) با استفاده از نرم‌افزار SuperDecision با ضریب خطا کمتر از 1/0 وزن دهی گردید که آماده‌سازی و اعمال وزن بر لایه‌ها در محیط نرم‌افزار GIS انجام گرفت. با توجه به وزن­های بدست آمده برای معیارها، دما، جهت شیب و نوع پوشش گیاهی بالاترین وزن را در بین عوامل موثر داشتند که نتایج با  مطالعات موسی بیگی و مییرزا بیگی (23) همخوانی دارد. با توجه به مقایسه نقشه خطراتش سوزی به‌دست‌آمده از مدل رستری فایر ریسک با نقشه طبقه‌بندی‌شده نقاط آتش‌سوزی اتفاق افتاده در سال‌های 93-96 همپوشانی قابل قبولی در مناطق با خطر آتش‌سوزی بالا دارند به‌ویژه مناطق جنوبی و جنوب غرب، غرب و مرکز منطقه بخصوص بخش شمالی و مرکزی یاسوج که نزدیک به جاده‌ها هستند. با توجه به این‌که در نقشه خطر آتش‌سوزی تنها عوامل توپوگرافی و پوشش گیاهی دخیل هستند بیشتر این نواحی پرخطر در مناطق با پوشش گیاهی قرار دارد. همچنین نتایج نهایی نقشه‌های به‌دست‌آمده از مدل تحلیل شبکه فازی که در سه‌طبقه با پتانسیل خطر آتش‌سوزی کم، متوسط و بالا طبقه‌بندی‌ گردید؛ که در بین عوامل تأثیرگذار بر خطر آتش‌سوزی با توجه به نتایج می‌توان گفت معیار توپوگرافی با وزن 423/0 بالاترین عامل اثرگذار در پتانسیل آتش‌سوزی منطقه کهگیلویه و بویراحمد و از بین زیر معیارهای آن جهت شیب (106/0) بالاترین وزن را دارد و در مرتبه بعدی معیار انسانی با وزن (0.257)، زیست‌شناختی (194/0) و اقلیم (124/0) را به دست آوردند. در این در بین عوامل زیست­شناختی نوع پوشش گیاهی و پوشش گیاهی به‌عنوان ماده سوختنی قابل اشتعال، بیشترین وزن را در آتش‌سوزی ایفا می­کنند که با نتایج مطالعه المدیا (8) تطابق دارد و ازنظر پوشش گیاهی در شرایط مناسبی برای تقویت خطر آتش‌سوزی هستند و جزء مناطق با خطر بالا قرارگرفته‌اند در منطقه موردمطالعه بخش‌های شمال غربی و شمال و شمال شرق مناطق با پتانسیل آتش‌سوزی کم و متوسط قرارگرفته‌اند که این مناطق جهت شیب و ارتفاع می‌تواند از عوامل اثرگذار در آن باشد. با مقایسه نقشه نقاط آتش‌سوزی با نتایج نهایی عملگر AND وسعت بیشتری در طبقه با خطر بالای آتش‌سوزی قرار داده که بیشتر نواحی وقوع آتش‌سوزی را پوشش می­دهد و در قسمت شمال غرب و غرب قسمتی که وقوع آتش‌سوزی در آنجا اتفاق نیفتاده را نیز جزء مناطق پرخطر قرارگرفته است. نقشه به‌دست‌آمده از عملگر توابع، OR با 72 درصد از مساحت کل منطقه در بین توابع بیشترین مساحت را برای طبقه حساس به پتانسیل بالای خطر آتش‌سوزی را نشان می‌دهد. همچنین برای مناطق کم‌خطر درصد مساحت کمی (4 درصد) را شناسایی کرده است؛ و عملگر PRODUCT کمترین مساحت را از مناطق با خطر بالا پوشش می‌دهد که بیشتر این مناطق با مناطق وقوع آتش‌سوزی همپوشانی دارند. در کل نقشه آتش‌سوزی واقعی حاصل از نتایج عملگرها در مدل مکانی فازی ای ان پی نسبت به مدل فایر ریسک همپوشانی بالایی با مناطق با مناطق وقوع آتش‌سوزی نشان می­دهندکه با نتایج اسکندری و همکاران (12)، انصاری همکاران (11)، موسی بیگی و مییرزا بیگی (23)، دانگ و همکاران (11) و پرادهان ( 25) مطابقت دارد. که این به دلیل در نظر گرفتن بیشتر عوامل مهم تأثیرگذار در مدل‌سازی پتانسیل خطر آتش‌سوزی می­باشد. این نشانگر دقت نتایج به‌دست‌آمده در این پژوهش است .

در شرایط کنونی شناسایی مناطق با پتانسیل بالا آتش‌سوزی همچنین شناسایی عوامل تأثیرگذار در آن و کاهش هزینه‌ها با استفاده از فناوری‌های سنجش‌ازدور و GIS، موجب برنامه‌ریزی و تصمیم‌گیری‌های آگاهانه‌تر در راستای حفاظت منابع طبیعی و کنترل بحران‌های آتش‌سوزی گردد. این امر می‌توانند از بسیاری از آتش‌سوزها که موجب از دست رفتن منابع باارزش جنگلی این منطقه و مخدوش ساختن چهره طبیعت که ازجمله مناطق گردشگری محسوب می‌شود، جلوگیری شود. همچنین پیشنهاد می‌شود در پژوهش‌های بعدی عوامل تأثیرگذار انسانی بیشتر موردتوجه قرار گیرد که در این تحقیق وزن پایین در پتانسیل وقوع آتش‌سوزی به این خاطر بوده است. البته بیشتر تأثیر انسان به‌صورت غیرمستقیم است و این نیز این موضوع را پررنگ‌تر می‌کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Application of remote sensing and GIS in mapping the potential of forest fire risk

نویسندگان [English]

  • maryam sadeghi 1
  • HOOMAN Moradpour 2
  • MAHDI BABAIE 1
  • Hosain Fathian 3

1 Master of Remote Sensing and University of Tabriz

2 MSc. of remote sensing and GIS, Faculty of Planning and Environmental Sciences of Tabriz University, I.R.Iran

3 4Assistant Prof, Department of Water Resources Engineering, Faculty of Agriculture and Natural Resources, Ahvaz Islamic Azad University, Ahvaz, Iran

چکیده [English]

Fires, in the forests and parks become causative to fall away to natural resources largeness of locale sector Kohgiluyeh and Boyer-Ahmad forests. The purpose of this research is, Forest fire risk zone mapping using utilization from of topography criteria and sub‌‌ criteria (slope, distance from the river, height, direction of inclination), Physical (type of vegetation, vegetation density, soil moisture), human (distance from roads, distance from the village), and climate (average annual temperature, precipitation, relative humidity, and windiness direction), that criterions connection became distinctive relationship between criteria Fuzzy DEMATEL technique. Network analysis process, was used to weighting all parameters in Super Decision software. by fuzzy logic method, maps is fuzzed, and in the GIS environment getting Forest fire risk zone final mapping. results of this study expressing that among of the criteria, was the topographic criteria (0.423) and the between sub-criteria's t slope map is high weight and human criteria, biological and climatic getting from right to left value of%0.257, %0.194 and%0.124. the percentage area classification mapping forest fire potential by Boolean operator for is in series, PRODUCT PROCESSOR value of 5%, AND 35.68%, Gamma 34.82%, and SUM 34.84%. Too model FIRE RISK using images Landsat 8, digital elevation model, slope and windiness direction provide for the region. Fire classification map was prepared using fire point data for 4 years (93-96).Comparing its results with the results of the FUZZY ANP model and FIRE RISK indicates a high degree of compliance in areas with high fire risk.

کلیدواژه‌ها [English]

  • Dimatel
  • Fire Hazard Potential
  • Kohgiluyeh and Boyerahmad
  • Fuzzy ENP

آتش‌سوزی در جنگل‌ها و مراتع باعث نابودی بخش عظیمی از منابع طبیعی منطقه جنگلی کهگیلویه و بویراحمد شده است. هدف از این تحقیق تهیه نقشه پتانسیل خطر آتش‌سوزی، با استفاده از معیارها و زیر معیارهای توپوگرافی (شیب، فاصله از رودخانه، ارتفاع، جهت شیب)، معیار فیزیکی (نوع پوشش گیاهی، تراکم پوشش گیاهی، رطوبت خاک)، معیار انسانی (فاصله از راه‌ها، فاصله از روستا) و معیار اقلیم (میانگین دمای سالانه، بارش، رطوبت نسبی و جهت باد غالب) است که وابستگی میان معیارها با استفاده از تکنیک دیماتل تعیین شد. سپس با استفاده از فرآیند تحلیل شبکه تمامی معیارها و زیر معیارها در نرم‌افزار سوپردسیژن وزن دهی شدند و در گام آخر لایه‌ها توسط منطق فازی، فازی سازی شده و در محیط GIS نقشه نهایی پتانسیل خطر آتش‌سوزی تهیه گردید. درنتیجه از بین معیارها، معیار توپوگرافی (0.423)، دارای وزن بالا و وزن معیار انسانی، زیست‌شناختی و اقلیم به ترتیب از راست به چپ (0.257)، (0.194) و (0.124) دارند. درصد مساحت نقشه‌های فازی شده با عملگر فازی برای طبقه پتانسیل آتش‌سوزی بالا به ترتیب؛ عملگرپروداکت ( PRODUCT ) 5 درصد، AND68/35، Gamma 82/ 34 و عملگر SUM84/34 درصد است. همچنین مدل فایر ریسک با استفاده از تصاویر لندست 8، مدل رقومی ارتفاعی، شیب و جهت شیب برای منطقه تهیه شد. درنهایت با استفاده از داده‌های نقطه‌ای آتش‌سوزی برای 4 سال (93-96) تهیه گردید. 

  1. Abedini M, Beheshti E. 1397. Evaluation of the flood situation in Lighvan-e-Chai watershed using the combined model of network analysis and fuzzy logic, Zeomorpholosicism research, seventh edition. no.1, pp. 169-179. (In Persian).
  2. Ahmadi O, Mortazavi A, Seyyed B, ChaininA.  2017 . Choosing optimal method for analysis of accidents in petroleum industry using  fuzzy ANP and TOPSIS multi – criteria decision methods, Journal of Health Administration Volume 14, Issue : 2.
  3. Abedi H G, Feizizadeh B. 2017. An integrated approach of analytical network process and fuzzy based spatial decisio making systemsn applied to landslide risk mappin, Journal of African Earth Sciences 133 15-24.
  4. Ataei M. 1394. Decisions with Multiple Criteria, Shahrood University Press, Second Edition, 264 P.
  5. Adab H, K Devi Kanniah K, Solaimani. 2012. Modeling forest fire risk in the northeast of Iran using remote sensing and GI techniques, Natural Hazard, 65(3): 1723-1743.
  6. Aalim Tabriz A, Mohammad Bagh zadeh A. 2010. Decision Making Process for Fuzzy Network Analysis for Selecting a Strategic Supplier, Quarterly Journal of Commerce Research, Vol. 554, pp. 57-86.
  7. Adab H, Nokhandan M, Miza Bayati R, Adab Firouzjani A.2008. Mapping fire risk in forests of Mazandaran province using Molgan Precautionary Index and GIS, Abstracts of 1st International Conference on Climate Change and Botany in Caspian Ecosystems, Iran, 178-189.
  8. Almedia, R.1994. Forest fire risk areas and definition of the priority planning actions using GIS, pp:1-9.
  9. Adrevu KP, Eaturu A,Badarinath AVS KD, Raju R. 2002. Saxena Forest Fire Risk Zone Mapping through Satellite Imagery & Geographical Information System, International Journal of Applied Earth Observation and Geoinformation, Elsevier Publications, 4:1 -10.
  10. Azadkhani PA, Navai,Kh. 2013. Resource Map, Attractions and Cultural Heritage in Attracting Tourists (Case Study: Kohkiluyeh and Boyer-Ahmad Provinces), 2 National Conference on Environmental Protection and Planning, Hamedan, Farda Environmental Thinkers Company.
  11. Dong, X.U., Li-min, D., Guo-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.
  12. Eskandari E, Olad Qadiklayi J, Jalilvand H, Serajian MR.2014. Modeling and predicting fire risk in the forests of Seh Neka-Zalmarud section Using GIS, Iranian Journal of Forest and Poplar Research,203-217.
  13. Gadow, K.V., (2000), "Evaluating risk in forest planning models”, Silva Fennica, Vol. 34 No. 2, pp. 181-91. (In Persian).
  14. Gonzales R, Wintz P.1977). Digital Image Processing (Addison Wesley) 503 pp.
  15. Jaiswal RK, Mukhrjee S, Raju KD, Saxena R. 2002. Forest fire risk zone Maping form satellite Imagery and GIS, International Journal of A pllid Earth Observation and Geoinformation:1-10
  16. Jaiswal RK, Prasad KVS, Badarinath A. 2008. Eaturu.Biophysical and Plateau Management ,86: 1–13.
  17. Jafarzadeh J, Rostamzadeh H, Nikjou (deceased) M R, Asadas I. 2016. Assessment of water resource potential of Ardebil Plain using Fuzzy Network Analysis Process (GIS)", Journal of Research Geography and Planning, No. 61, pp. 146-16. (In Persian).

18 Hoseinpoor Milaghardan A. 2012.Modeling forest fire potential using geospatial information systems (case study: golestan forest), A Thesis Submitted as a Partial Fulfillment of the Requirements for the Degree of Master, Graduate University of Advanced Technology Faculty of Civil and Surveying Engineering. (In Persian).

  1. Laxmi K, Sharma SK, Mahendra S N, Suman S, Prem Chandra P. 2012. Fuzzy AHP for forest fire risk modeling. Products", Disaster Prevention and Management, Vol. 21 Iss: 2 pp. 160 – 171.
  2. Li R. 1998. Potential of High-resolution Satellite Imagery, National Mapping Journal of Photogrammetric Engineering and Remote Sensing, 64(12), pp: 116-1166.
  3. Mobarghai N, Sherzei GH A, Makhdoum M, Yavari AR, Jafari R. 2009. The Spatial Valuation Pattern of Co2 Absorption Function in Caspian Forests of Iran", Journal of Environmental Science, 35(3): 57-68.
  4. Miguel-Ayanz SJ, Vogt J, De Roo A, Schmuck G. 2000. Natural hazards monitoring: forest fires, droughts and floods - the example of European pilot projects. Surv. Geophys., 21, pp: 291-305.
  5. Musa Beigi Mo, Mirzabeigi F .2013. Forest Fire Risk Zoning Using Network Analysis Model and Geographic Information System (Case Study: Manesht and Qalarang Protected Area (Quarterly Journal of Environmental Sciences, Volume 14, Number 4. Page 175 - 178.
  6. Perry DA. 1998. The scientific basis of forestry, Annu Rev Ecol Syst 29:435-466.
  7. Pradhan B,Bin Suliman MH, Bin Awang MA. 2007. Forest fire susceptibility and risk mapping using remote sensing and geographical information systems (GIS). Proceedings of Disaster Prevention and Management, 16(3): 344 – 352. Lumpur, India, 3 – 4 May 2006: 7-12.26.
  8. Ramkumar M, Jenamani M. 2015b. Sustainability in Supply Chain Through E-Procurement—An Assessment Framework Based on DANP and Liberatore Score”, IEEE Systems Journal, Forthcomming.
  9. Lin H (a. b), Liu X.W (c), Liu Y(a,b). 2018. A fuzzy inference and big data analysis algorithm for the prediction offorest fire based on rechargeable wireless sensor networks, Sustainable Computing: Informatics and Systems.101-111.
  10. Yin HH, Knowlton BJ, Balleine BW. 2004. Lesions of dorsolateral striatum preserve outcome expectancy but disrupt habit formation in instrumental learning. Eur. J. Neurosci, 19, 181–189.
  11. Zadeh LA. 1965. Fuzzy sets. Information and Content, University Shahrood, 8:338–356. (In Persian).
نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی
دوره 4، شماره 12
آبان 1403
صفحه 48-30
  • تاریخ دریافت: 14 آبان 1400
  • تاریخ بازنگری: 17 بهمن 1400
  • تاریخ پذیرش: 18 بهمن 1400