نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد سنجش‌ازدور وGIS ، گروه سنجش از دور و GIS، دانشگاه تبریز

2 استادیار گروه سنجش‌ازدور وGIS ، دانشکده جغرافیا و برنامه ریزی، دانشگاه تبریز

چکیده

جنگل‌ها به‌عنوان ریه‌های تنفسی زمین، بخشی از منابع طبیعی ما بوده که نقش مهمی را در سلامت جسمی و روانی موجودات زنده ایفا می‌کنند. آتش‌سوزی جنگل در ایران و به‌ویژه در جنگل‌های شمالی، آثار مخربی را در سیمای ظاهری این مناطق به‌جای گذاشته است. یکی از روش‌های پیشگیری و مدیریت مخاطرات ایجاد شده در زمینه آتش‌سوزی جنگل، تعیین محدوده خطر آتش‌سوزی می‌باشد. هدف از این تحقیق تعیین مناطق حساس به آتش‌سوزی در جنگل‌های نوشهر می‌باشد. پس از شناسایی عوامل مؤثر در آتش‌سوزی (شیب، جهت شیب، طبقات ارتفاعی، پوشش زمین، دما، بارندگی، فاصله از سکونتگاه، فاصله از جاده)، وزن هرکدام از معیارها و زیر معیارها با استفاده از تکنیک‌های تصمیم‌گیری چند معیاره محاسبه و نقشه آتش‌سوزی در محیط نرم‌افزاری ARC GIS تهیه شد. نتایج نشان داد که 32/17 درصد از مساحت منطقه که 8/311 کیلومتر مربع را شامل می‌شود، در کلاس‌های خطر زیاد و بسیار زیاد و 82/47 درصد از مساحت منطقه که 67/860 کیلومتر مربع را شامل می‌شود، در کلاس‌های خطر کم و خیلی کم قرار گرفته است. همچنین ارزیابی نتایج به‌دست‌آمده با استفاده از ضریب آماری کاپا نشان می‌دهد که روش مورد استفاده با ضریب 64/0 از دقت خوبی در پهنه بندی خطر آتش‌سوزی جنگل برخوردار می‌باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Evaluation and zoning of forest fire risk using multi-criteria decision-making techniques and GIS

نویسندگان [English]

  • Hassan Abedi Gheshlaghi 1
  • Khalil Valizadeh Kamran 2

1 MSc of GIS & RS, Department of Remote Sensing and GIS, Faculty of Geography and Planning, University of Tabriz, Iran

2 Assistant Professor of GIS & RS, Department of Remote Sensing and GIS, Faculty of Geography and Planning, University of Tabriz, Iran

چکیده [English]

Forests as the lung of land part of our natural resources have an important role to play in the physical and mental health of living beings. Forest fires in Iran and especially in boreal forests had been devastating effects on the appearance of these areas. One method of prevention and risk management established within the field of forest fires is a determination of hazard distance. The purpose of this study was to determine areas vulnerable to fires in Noshahr forests. After identifying the factors contributing to the fire (slope, aspect, elevation, land cover, temperature, precipitation, distance from settlements, distance from roads), weights each of criteria and sub-criteria calculated using multi-criteria decision-making techniques and fire map were prepared in the environment ARC GIS software. The results showed that 17.32 percent of the area which is 311.8 Km² in classes risk high and very high and 17.32 percent of the area which is 311.8 Km² are located in classes risk low and very low. Furthermore, evaluate result's using of kappa statistics coefficient shows that the methods used with coefficient 0.64 are of a good accuracy zoning the forest fire risk.

کلیدواژه‌ها [English]

  • Forest fire
  • zoning
  • Multi-criteria decision-making
  • Noshahr forests
  • GIS

اسکندری، سعیده (۱۳۹۲)، ارائه الگوی پتانسیل آتش‌سوزی جنگل و گسترش آن با استفاده از RS و GIS، پایان‌نامه دکتری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، دانشکده‌ی منابع طبیعی.

بخشنده سواد رودباری، مریم؛ مروی مهاجر، محمدرضا (۱۳۹۰)، بررسی تغییرات پوشش علفی جنگل بعد از آتش‌سوزی، مجموعه مقالات نخستین همایش بین المللی در عرصه های منابع طبیعی در دانشگاه علوم کشاورزی و منابع طبیعی گرگان.

بلواسی، ایمان (1393)، مقایسه مدل شبکه عصبی مصنوعی با فرآیند تحلیل سلسله مراتبی در ارزیابی خطر زمین‌لغزش با استفاده از GIS ( مطالعه موردی : حوضه آبریز الشتر) ، پایان‌نامه کارشناسی ارشد، دانشکده جغرافیا، دانشگاه تبریز.

جلالی، قباد؛ طهرانی، محمد مهدی؛ برومند، ناصر. و سنجری، صالح (1392)، مقایسه روش‌های زمین­آمار در تهیه نقشه پراکنش مکانی برخی عناصر غذایی در شرق استان مازندران. فصلنامه­ پژوهش‌های خاک (علوم خاک و آب). جلد 27، صص 196- 204.

حبیبی، محمد حسین؛ ندیری، عطا الله و اصغری مقدم، اصغر (1394)، ارائه مدل ترکیبی ژنتیک - کریجینگ برای پیش‌بینی زمانی و مکانی سطح آب زیرزمینی (مطالعه موردی: دشت هادی شهر). مجله تحقیقات منابع آب ایران، سال 11، شماره 3، صص 85- 99.

دیوسالار، اسداله (1392)، بررسی نقش ژئوتوریسم در توسعه پایدار فرهنگی شهرهای ساحلی مورد مطالعه: شهرستان های نوشهر و چالوس، مجله آمایش جغرافیایی فضا ، سال سوم، شماره 4 ،صص 79-98.

زرع کار، آزاده؛ کاظمی زمانی، بهاره؛ قربانی، ساره؛ عاشق معلا، مریم و جعفری، حمیدرضا (۱۳۹۲)، تهیه نقشه پراکندگی فضایی خطر آتش‌سوزی جنگل با استفاده از روش تصمیم‌گیری چندمعیاره و سامانه اطلاعات جغرافیایی (مطالعه موردی: سه حوزه جنگلی در استان گیلان)، تحقیقات جنگلی و صنوبر ایران، جلد ۲۱ شماره ۲، صص ۲۱۸-۲۳۰.

سلامتی، حمید؛ مصطفی لو، حمید؛ مستوری، علی و هنردوست، فرهاد (۱۳۹۰)، ارزیابی و تهیه نقشه خطر آتش‌سوزی جنگل با استفاده از GIS در جنگل‌های استان گلستان، مجموعه مقالات نخستین همایش بین المللی آتش‌سوزی در عرصه های منابع طبیعی، گرگان.

فتحی هفشجانی، الهام؛ بیگی هرچگانی، حبیب الله؛ داودیان دهکردی، علیرضا و طباطبایی، سید حسن (1393)، مقایسه چند روش درونیابی مکانی و انتخاب مناسب ترین روش برای پهنه بندی نیترات و فسفات در آب زیرزمینی شهرکرد، فصلنامه علمی پژوهشی مهندسی آبیاری و آب، سال چهارم، شماره 15، صص 51-63.

کرد، مهدی؛ اصغری مقدم، اصغر و نخعی، محمد (1394)، مدل سازی کمّی توزیع نیترات در آبخوان دشت اردبیل با استفاده از منطق فازی، نشریه محیط شناسی، دوره 41، شماره 1، صص 67-79.

کرم، امیر؛ یعقوب نژاد اصل، نازیلا (1392)، کاربرد منطق فازی در ارزیابی تناسب زمین برای توسعه کالبدی شهر (مطالعه موردی: کلان‌شهر کرج )، فصل‌نامه علمی پژوهشی انجمن جغرافیایی ایران، سال یازدهم، شماره 36 ،صص 231-248.

گل محمدی، گلمر.؛ معروفی، صفر و محمدی، کورش (1386)، منطقه­ای نمودن ضریب رواناب در استان همدان با استفاده از روش‌های زمین‌آماری و GIS. فصلنامه علوم و فنون کشاورزی و منابع طبیعی. سال دوازدهم. شماره 46، صص 501- 514.

مهر شاهی، داریوش؛ خسروی، یونس (1387)، ارزیابی روش‌های میانیابی کریجینگ و رگرسیون خطی بر پایه­ی مدل ارتفاعی رقومی جهت تعیین توزیع مکانی بارش سالانه (مطالعه­ی موردی استان اصفهان). فصلنامه­ی برنامه­ریزی و آمایش فضا. دوره چهاردهم، شماره 4، صص 233- 249.

Adab, H., Kanniah, K.D. and Solaimani, K., (2013), Modeling forest fire risk in the northeast of Iran using remote sensing and GIS techniques. Natural Hazards, 65(3), pp.1723-1743.

Alexandridis, A., Vakalis, D., Siettos, C.I. and Bafas, G.V., (2008), A cellular automata model for forest fire spread prediction: The case of the wildfire that swept through Spetses Island in 1990. Applied Mathematics and Computation, 204(1), pp.191-201.

Bisquert, M., Caselles, E., Sánchez, J.M. and Caselles, V., (2012), Application of artificial neural networks and logistic regression to the prediction of forest fire danger in Galicia using MODIS data. International Journal of Wildland Fire, 21(8), pp.1025-1029.

Chang, C.W., Wu, C.R., Lin, C.T. and Lin, H.L., (2007), Evaluating digital video recorder systems using analytic hierarchy and analytic network processes. Information Sciences, 177(16), pp.3383-3396.

Chuvieco, E. ed., (2003), Wildland fire danger estimation and mapping: the role of remote sensing data (Vol. 4). World Scientific.

Colson, G. and De Bruyn, C., (1989), Models and methods in multiple objectives decision making. Mathematical and Computer Modelling, 12(10-11), pp.1201-1211.

Eugenio, F.C., Dos Santos, A.R., Fiedler, N.C., Ribeiro, G.A., da Silva, A.G., Dos Santos, Á.B., Paneto, G.G. and Schettino, V.R., (2016), Applying GIS to develop a model for forest fire risk: a case study in Espírito Santo, Brazil. Journal of environmental management, 173, pp.65-71.

Goldarag, Y.J., Mohammadzadeh, A. and Ardakani, A.S., (2016), Fire Risk Assessment Using Neural Network and Logistic Regression. Journal of the Indian Society of Remote Sensing, pp.1-10.

Hung, S.J., (2011), Activity-based divergent supply chain planning for competitive advantage in the risky global environment: A DEMATEL-ANP fuzzy goal programming approach. Expert Systems with Applications, 38(8), pp.9053-9062.

Isaaks, E.H., and Srivastava, R.M., (1989), Applied Geostatistics: Oxford University Press. New York, p.561.

Isalou, A.A., Zamani, V., Shahmoradi, B. and Alizadeh, H., (2013), Landfill site selection using integrated fuzzy logic and analytic network process (F-ANP). Environmental earth sciences, 68(6), pp.1745-1755.

Krock, L., (2001), Accidental Discoveries. Public Broadcasting Service Website. NOVA) http://www.pbs.org/wgbh/nova/body/accidental-discoveries.html.

Mahdavi, A., Fallahshamsi, R., Nazari, R. and Heidari, M., (2011), Provision of fire risk map in forest and pasture lands in Ilam city using AHP. Proceeding of the First International Conference on Fire in Natural Resources, Gorgan, Iran, 26-28 Oct.: pp.65-78.

Oliveira, D.S., (2002), Zoneamento de Risco de Inc^endios Florestais no Norte de Santa Catarina ([Forest Fire Risk Zoning in Northern Santa Catarina, Brazil]). Thesis (Masters in Forestry). Setor de Ci^encias Agrarias, Universidade Federal do Parana [Agricultural Sciences Division, Federal University of Parana], Curitiba.

Pontius, R.G., Cornell, J.D. and Hall, C.A., (2001), Modeling the spatial pattern of land-use change with GEOMOD2: application and validation for Costa Rica. Agriculture, Ecosystems & Environment, 85(1), pp.191-203.

Pourghasemi, H.R., (2016), GIS-based forest fire susceptibility mapping in Iran: a comparison between evidential belief function and binary logistic regression models. Scandinavian Journal of Forest Research, 31(1), pp.80-98.

Pourtaghi, Z.S., Pourghasemi, H.R. and Rossi, M., (2015), Forest fire susceptibility mapping in the Minudasht forests, Golestan province, Iran. Environmental Earth Sciences, 73(4), pp.1515-1533.

Pyne, S.J., Andrews, P.L. and Laven, R.D., (1996), Introduction to Wildland Fire (No. Ed. 2). John Wiley and Sons.

Saaty, T.L., (1990), How to make a decision: the analytic hierarchy process. European journal of operational research, 48(1), pp.9-26.

Safi, Y. and Bouroumi, A., (2013), Prediction of forest fires using artificial neural networks. Applied Mathematical Sciences, 7(6), pp.271-286.

Satir, O., Berberoglu, S. and Donmez, C., (2015), Mapping regional forest fire probability using artificial neural network model in a Mediterranean forest ecosystem. Geomatics, Natural Hazards, and Risk, pp.1-14.

Sujatha, E.R. and Rajamanickam, G.V., (2015), Landslide hazard and risk mapping using the weighted linear combination model applied to the Tevankarai stream watershed, Kodaikkanal, India. Human and Ecological Risk Assessment: An International Journal, 21(6), pp.1445-1461.

Vakalis, D., Sarimveis, H., Kiranoudis, C., Alexandridis, A. and Bafas, G., (2004), A GIS-based operational system for wildland fire crisis management I. Mathematical modeling and simulation. Applied Mathematical Modelling,28(4), pp.389-410.

Verma, K.T.V., Mani, S. and Shanmuganathan Jayakumar, S., (2015), Monitoring Changes in Forest Fire Pattern in Mudumalai Tiger Reserve, Western Ghats India, using Remote Sensing and GIS. Global Journal of Science Frontier Research, 15(4), pp.12-20.

Voogd H., (1983), Multi-criteria Evaluations for Urban and Regional Planning. Princeton University, Princeton, NJ, USA.

Xaud, H.A.M., Martins, F.D.S.R.V. and dos Santos, J.R., (2013), Tropical forest degradation by mega-fires in the northern Brazilian Amazon. Forest Ecology and Management, 294, pp.97-106.

Zhang, D., Han, S., Zhao, J., Zhang, Z., Qu, C., Ke, Y. and Chen, X., (2009), April. Image based forest fire detection using dynamic characteristics with artificial neural networks. In Proceedings of the 2009 International Joint Conference on Artificial Intelligence, pp. 290-293.