CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

شناسایی نواحی دارای پتانسیل بالای آتش سوزی با استفاده از شبکه عصبی و تصمیم گیری چندمعیاره

عنوان مقاله: شناسایی نواحی دارای پتانسیل بالای آتش سوزی با استفاده از شبکه عصبی و تصمیم گیری چندمعیاره
شناسه ملی مقاله: JR_GIS-5-2_005
منتشر شده در در سال 1392
مشخصات نویسندگان مقاله:

یونس جعفری گلدرق - دانشگاه خواجه نصیرالدین طوسی
علی محمد زاده - دانشگاه خواجه نصیرالدین طوسی
علی سرکارگر اردکانی - دانشگاه امام حسین

خلاصه مقاله:
آتش سوزی جنگل پدیده ای است که خسارت های مالی و برخی مواقع جان بسیار زیادی به بار می آورد. شناسایی و بررسی اثر پارامترهای موثر در وقوع آتش سوزی و مدل سازی آن ها در پیشگیری آتش سوزی و کاهش خسارت های ناشی از آن بسیار مفید است. در این تحقیق، با استفاده از روش های شبکه عصبی و تصمیم گیری چندمعیاره، مناطق دارای پتانسیل بالای آتش سوزی در استان گلستان شناسایی شده است. در روش پیشنهادی برای تهیه نقشه خطر آتش سوزی، ابتدا با استفاده از تصمیم گیری چندمعیاره نقشه خطر استاتیک و سپس از طریق شبکه عصبی مصنوعی، نقشه خطر دینامیک تهیه می شود. سرانجام از ترکیب این دو، نقشه خطر آتش سوزی به دست می آید که مقادیر هر پیکسل در آن بیانگر میزان احتمال وقوع آتش سوزی برای آن پیکسل است. برای ارزیابی مدل از داده های آتش سوزی ماه ژوئن سال ۲۰۰۵ استفاده شده است. مدل پیشنهادی درصدی از مساحت منطقه را به عنوان منطقه پرخطر شناسایی می کند. با توجه به این که درصد آتش سوزی اتفاق افتاده در آن منطقه نیز معلوم است، معیار دقت از تقسیم درصد آتش سوزی های رخ داده در منطقه پرخطر به درصد مساحت آن منطقه تعریف می شود. این معیار دقت برای نقشه استاتیک با وزن های یکسان پارامترها برابر ۸۶/۱ و در حالت استخراج وزن ها به روش AHP برابر ۲۱/۲ به دست آمد، که بیانگر بهبود دقت مدل از طریق روش AHP است. طبق نتایج مدل نهایی، حدود ۴۹/۷۰ درصد آتش سوزی ها در مناطقی که به عنوان مناطق پرخطر شناسایی شده، اتفاق افتاده است. در حالی که در مناطق بی خطر و کم خطر هیچ آتش سوزی اتفاق نیفتاده و در منطقه با خطر متوسط ۵۱/۲۹ درصد از آتش سوزی ها اتفاق افتاده است. همچنین معیار دقت برای مدل نهایی برابر ۷۷/۲ به دست آمده است.

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1306314/