سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

ارزیابی خطر آتش سوزی جنگل‎ های استان مازندران با استفاده از مدل AHP فازی

Publish Year: 1403
Type: Journal paper
Language: Persian
View: 271

This Paper With 16 Page And PDF Format Ready To Download

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:

Document National Code:

JR_IFEJ-12-2_007

Index date: 3 November 2024

ارزیابی خطر آتش سوزی جنگل‎ های استان مازندران با استفاده از مدل AHP فازی abstract

چکیده مبسوط مقدمه و هدف: فعالیت های انسانی، تنوع آب و هوا و تنش های محیطی به‎شدت بر اکوسیستم های جنگلی در سطح جهان تاثیر گذاشته است. آتش سوزی جنگل ها یکی از مهم ترین عوامل تخریب اکوسیستم جهانی است. آتش‎سوزی در جنگل چه منشا انسانی و چه منشا طبیعی داشته باشد به‎عنوان بحران جدی در سال‎های اخیر مطرح شده است. از این‎رو، ارزیابی خطر آتش سوزی نقش مهمی در مدیریت آتش سوزی در جنگل های ایفا می کند؛ زیرا دانستن مکان با بالاترین خطر برای به حداقل رساندن تهدیدات برای منابع، جان و اموال ضروری است. ادغام اطلاعات مکانی از منابع مختلف با استفاده از تحلیل‎های آماری در محیط GIS ابزاری مناسبی جهت مدیریت و گسترش آتش‎سوزی جنگل‎ها است، که یکی از مهم‎ترین مخاطرات طبیعی در شمال ایران به‎شمار می‎رود. بنابراین، تهیه نقشه ارزیابی خطر آتش‎سوزی جهت برنامه‎ریزی و حفاظت از جنگل‎ها ضروری است. مواد و روش ها: پژوهش حاضر از بعد ماهیت، کاربردی و از منظر شیوه تحقیق ترکیبی از روش های اسنادی، توصیفی و مبتنی بر مدل های کمی است. در مطالعه حاضر با ترکیب مدل های منطق فازی (Fuzzy) و سلسله مراتبی (AHP)، خطر آتش سوزی جنگل‎های استان مازندران در ۵ کلاس؛ به‎ترتیب خیلی زیاد، زیاد، متوسط، کم و خیلی‎کم به‎کمک ۴ معیار اصلی و ۹ زیر معیار؛ توپوگرافی (ارتفاع، شیب، جهت و رودخانه‎ها)، عوامل اقلیمی (بیشنه دما، بارش)، عوامل انسانی (مناطق مسکونی، شبکه راه‎های ارتباطی) و بیولوژیکی (پوشش گیاهی) مورد بررسی قرار گرفت. شاخص نرمال شده تفاوت پوشش گیاهی (NDVI) بر روی مجموعه تصاویر ماهواره سنتینل-۲ در بازه زمانی ۵ ساله (۲۰۱۷ تا ۲۰۲۲) در سامانه تحت وب GEE اعمال شد، به این طریق پوشش گیاهی خالص به‎دست آمد. نقشه‎های ارتفاع، شیب و جهت شیب منطقه مطالعاتی از مدل رقومی ارتفاعی (DEM) ۱۲/۵ متر از مجموعه داده سنجنده ALOS AVNIR-۲ تهیه گردید. همچنین در نرم افزار ArcMAP با استفاده از ابزار Euclidean distance فاصله از رودخانه‎ها، مناطق مسکونی و شبکه راه‎ها محاسبه گردید. موقعیت جغرافیایی ایستگاه های سینوپتیک هواشناسی از سازمان هواشناسی دریافت و اطلاعات آن به‎عنوان داده‎های ورودی هواشناسی مورد استفاده قرار گرفته است. در محیط ArcMap از ایستگاه های سینوپتیک نقشه میانگین بارش سالانه و بیشینه دما از طریق درون یابی برای بازه زمانی ۲۰۰۷ تا ۲۰۲۱ تهیه گردید. براساس این روش مدل سازی، از نظرات کارشناسان جهت اهمیت و اولویت نسبی معیارها و زیرمعیارها در خطر آتش سوزی جنگل های منطقه مورد مطالعه استفاده شد. سپس وزن فازی معیارها و زیرمعیارها به‎دست آمد. براساس ضرایب وزن‎های اعمال شده در طرح حاضر، وزن نهایی معیارها و زیر معیارها موثر در آتش سوزی جنگل از بیش‎ترین وزن به کمترین به‎ترتیب مربوط به معیارهای توپوگرافی، بیولوژیکی، اقلیمی و انسانی است و در بین زیر معیارها بیش‎ترین وزن و کم‎ترین وزن به‎ترتیب مربوط به پوشش گیاهی و شیب است. نرخ سازگاری (CR) برای ماتریس های عوامل موثر برابر با ۶/۲۵٪ حاصل شده که مقدار آن کم‎تر از ۱۰٪ بوده، در واقع نشان‎دهنده آن است که وزن زیر معیارها متناسب و قابل اعتماد می‎باشد. بیش‎ترین وزن‎ها مربوط به پوشش گیاهی و جهت شیب بوده و کم‎ترین وزن‎ها مربوط به فاصله از رودخانه و شیب است. در نهایت، نقشه ارزیابی خطر آتش‎سوزی با تلفیق نقشه‎های فازی زیرمعیارها در GIS تهیه گردید. یافته ها: به‎طور کلی، نتایج این مطالعه نشان داد که ۷۲ درصد از منطقه مورد مطالعه دارای پتانسیل خطر آتش سوزی متوسط تا خیلی زیاد است. از مجموع مساحت حدود ۲۳۷۳۱۸۹ هکتاری استان مازندران؛ ۸/۴ درصد از منطقه در آسیب پذیری خیلی کم؛ ۱۸/۳ درصد در آسیب پذیری کم؛ ۲۳/۶۶ درصد در آسیب پذیری متوسط؛ ۲۵/۶۲ در آسیب پذیری زیاد و بالغ بر ۲۴ درصد در محدوده آسیب پذیری خیلی زیاد قرار دارد. بخش‎های شرق و جنوب شرقی نسبت به سایر بخش‎های منطقه مطالعاتی از پتانسیل آتش سوزی بالاتری برخوردار هستند. با مراجعه به لایه‎های فازی مذکور مشخص است در این بخش‎ها ارتفاع، شیب و میزان بارش کم و علاوه بر آن تراکم مناطق مسکونی و شبکه راه‎های ارتباطی بالا بوده و هم‎چنین میزان دما نیز بالا است. در واقع این چند عامل احتمال خطر آتش سوزی را در این بخش‎ها بالا برده است. بیش‎ترین پتانسیل آتش سوزی در پژوهش حاضر در ارتفاعات پایین مشاهده شده که می تواند به‎دلیل تمرکز بیشتر فعالیت های انسانی در ارتفاعات پایین باشد. همچنین بیش‎تر آتش سوزی ها در شیب‎های کم در منطقه مورد مطالعه رخ داده است. لایه فاصله از آبراهه‎ها نیز در بروز آتش سوزی نقش دوگانه ای دارد. نتایج حاصل از مدل نشان می دهد که بین فاصله از جاده‎ها و پتانسیل آتش سوزی همبستگی معکوس وجود دارد. براساس نتایج مدل AHP فازی، احتمال آتش سوزی با کاهش بارش و افزایش دمای سالانه افزایش یافت. کاهش میزان بارش باعث کاهش رطوبت خاک و پوشش گیاهی شده، در نتیجه احتمال آتش‎سوزی افزایش می‎یابد. از طرفی افزایش دما باعث خشک شدن پوشش گیاهی و کاهش رطوبت گردیده، بنابراین احتمال آتش سوزی بالا می‎رود. نتیجه گیری: بنابراین، می توان نتیجه گرفت که تهیه نقشه ارزیابی خطر آتش سوزی می تواند به مدیران و برنامه‎ریزان در شناسایی مناطق با پتانسیل بالا و همچنین مدیریت بحران در مناطق آسیب پذیر کمک کند. نقشه ارزیابی خطر آتش‎سوزی به‎دست آمده می تواند به‎عنوان یک سیستم پشتیبانی تصمیم‎ساز برای پیش‎بینی آتش‎سوزی‎های آینده در منطقه مورد مطالعه استفاده شود.

ارزیابی خطر آتش سوزی جنگل‎ های استان مازندران با استفاده از مدل AHP فازی Keywords:

ارزیابی خطر آتش سوزی جنگل‎ های استان مازندران با استفاده از مدل AHP فازی authors

سعدی بیگلری قلدره

Department of Remote Sensing and GIS, Faculty of Earth Sciences, Shahid Beheshti University, Tehran, Iran

پیمان طهماسبی

Department of Water Science and Engineering, Faculty of Agriculture, Bu-Ali Sina University, Hamadan, Iran

محمد رحمانی

Department of Environmental Sciences, Mazandaran University, Babolsar, Iran

امین کریمی فام

Department of Remote Sensing and GIS, Faculty of Earth Sciences, Shahid Beheshti University, Tehran, Iran

پگاه گل محمدی قانع

Department of Science and Water Engineering, Faculty of Agriculture, University of Kurdistan, Sanandaj, Iran

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
Abedi Gheshlaghi, H. (۲۰۱۹). Using GIS to develop a model ...
Abdo, H. G., Almohamad, H., Al Dughairi, A. A., & ...
Adab, H., Kanniah, K. D., & Solaimani, K. (۲۰۱۳). Modeling ...
Amalina, P., Prasetyo, L. B., & Rushayati, S. B. (۲۰۱۶). ...
Ashtiani, E. F., Daryaei, M. G., Samani, K. M., & ...
Baqer Rasooli, S., & Bonyad, A. E. (۲۰۱۹). Evaluating the ...
Bazyar, M., Oladi Ghadikolaii, J., Pourghasemi, H. R., & Serajyan ...
Brown, K. J., Hebda, N. J., Conder, N., Golinski, K. ...
Bui, D. T., Bui, Q. T., Nguyen, Q. P., Pradhan, ...
Chen, F., Du, Y., Niu, S., & Zhao, J. (۲۰۱۵). ...
de Zea Bermudez, P., Mendes, J., Pereira, J. M. C., ...
Dong, X. U., Li-min, D. A. I., Guo-fan, S., Lei, ...
Emami, H., & Shahriari, H. (۲۰۱۸). Quantification of environmental and ...
Eskandari, S. (۲۰۱۴). Assessing the forest fire risk potential using ...
Eskandari, S. (۲۰۱۲). Providing a forest fire potential model and ...
Eugenio, F. C., dos Santos, A. R., Fiedler, N. C., ...
Falkowski, M. J., Gessler, P. E., Morgan, P., Hudak, A. ...
Fox, D. M., Laaroussi, Y., Malkinson, L. D., Maselli, F., ...
Geng, M., Ma, K., Sun, Y., Wo, X., & Wang, ...
Gerdzheva, A. A. (۲۰۱۴). A comparative analysis of different wildfire ...
Giglio, L. (۲۰۱۰). MODIS collection ۵ active fire product user’s ...
Hong, H., Tsangaratos, P., Ilia, I., Liu, J., Zhu, A. ...
Jaafari, A., Gholami, D. M., & Zenner, E. K. (۲۰۱۷). ...
Jaafari, A., Zenner, E. K., & Pham, B. T. (۲۰۱۸). ...
Jaafari, A., Mafi-Gholami, D., Thai Pham, B., & Tien Bui, ...
Jaafari, A., Pazhouhan, I., & Bettinger, P. (۲۰۲۱). Machine learning ...
Jin, X. Y., Jin, H. J., Iwahana, G., Marchenko, S. ...
Kayet, N., Chakrabarty, A., Pathak, K., Sahoo, S., Dutta, T., ...
Lautenberger, C. (۲۰۱۳). Wildland fire modeling with an Eulerian level ...
Li, J., Zhao, Y., Zhang, A., Song, B., & Hill, ...
Liu, Q., Shan, Y., Shu, L., Sun, P., & Du, ...
Mafi-Gholami, D., Jaafari, A., Zenner, E. K., Kamari, A. N., ...
Mahdavi, A. (۲۰۱۲). Forests and rangelands? wildfire risk zoning using ...
Marozas, V., Racinskas, J., & Bartkevicius, E. (۲۰۰۷). Dynamics of ...
McGuire, S. (۲۰۱۵). FAO, IFAD, and WFP. The state of ...
Mhawej, M., Faour, G., Abdallah, C., & Adjizian-Gerard, J. (۲۰۱۶). ...
Mohammadi, F., Shabanian, N., Porhashmi, H., Fatehi, P. (۲۰۱۰). Preparing ...
Mohammed, O. A., Vafaei, S., Kurdalivand, M. M., Rasooli, S., ...
Naderpour, M., Rizeei, H. M., Khakzad, N., & Pradhan, B. ...
Nuthammachot, N., & Stratoulias, D. (۲۰۲۱). A GIS-and AHP-based approach ...
Oliveira, S., Oehler, F., San-Miguel-Ayanz, J., Camia, A., & Pereira, ...
Pourghasemi, H. R. (۲۰۱۶). GIS-based forest fire susceptibility mapping in ...
Pourtaghi, Z. S., Pourghasemi, H. R., Aretano, R., & Semeraro, ...
Rasooli, S. B., Bonyad, A. E., & Pir Bavaghar, M. ...
Saaty, T. L. (۱۹۸۰). The analytic hierarchy process: planning, priority ...
Sachdeva, S., Bhatia, T., & Verma, A. K. (۲۰۱۸). GIS-based ...
Sahana, M., & Ganaie, T. A. (۲۰۱۷). GIS-based landscape vulnerability ...
Salloum, J., & Abdo, H. (۲۰۱۶). Statistical modeling of conservation ...
Satir, O., Berberoglu, S., & Donmez, C. (۲۰۱۶). Mapping regional ...
Tabibian, S. (۲۰۲۲). Physical zoning of forest fire risk using ...
Tanvir, M. S., & Mujtaba, I. M. (۲۰۰۶). Neural network ...
Tariq, A., Shu, H., Siddiqui, S., Munir, I., Sharifi, A., ...
Thach, N. N., Ngo, D. B. T., Xuan-Canh, P., Hong-Thi, ...
Tiwari, A., Shoab, M., & Dixit, A. (۲۰۲۱). GIS-based forest ...
Tuyen, T. T., Jaafari, A., Yen, H. P. H., Nguyen-Thoi, ...
Vadrevu, K., & Lasko, K. (۲۰۱۵). Fire regimes and potential ...
Veena, H. S., Ajin, R. S., Loghin, A. M., Sipai, ...
Verde, J. C., & Zêzere, J. L. (۲۰۱۰). Assessment and ...
Wang, X., Wotton, B. M., Cantin, A. S., Parisien, M. ...
Wotton, B. M., Martell, D. L., & Logan, K. A. ...
Zhang, G., Wang, M., & Liu, K. (۲۰۱۹). Forest fire ...
نمایش کامل مراجع