RT - Journal Article T1 - Predicting and preparing a risk map of rangeland fires using random forest algorithms and support vector machine (Case study: Arak rangelands) JF - rangelandj YR - 2022 JO - rangelandj VO - 16 IS - 2 UR - http://rangelandsrm.ir/article-1-1124-fa.html SP - 413 EP - 426 K1 - Fire K1 - Prevention K1 - Rangeland K1 - Arak. AB - سابقه و هدف: آتش‌سوزی در مراتع آثار مخربی را در سیمای سرزمین، عملکرد و خدمات اکوسیستم­های مرتعی بر جای می­گذارد. علیرغم تلاش­های متخصصان، تصمیم­گیران، ذینفعان و ادارات دولتی در دهه­های اخیر برای کاهش اثرات آتش­سوزی، تعداد آن و خسارات اقتصادی و انسانی مرتبط با آن، در سراسر جهان در حال افزایش است. یکی از مهم‌ترین اقدامات برای کاهش آسیب­های ناشی از آتش­سوزی، پیش­بینی و پیشگیری از وقوع آتش­سوزی است که مبتنی بر تعیین محدوده خطر یا مناطق مستعد و بالقوه برای آتش­سوزی می­باشد. هدف از این تحقیق شناسایی و تعیین مناطق حساس به آتش­سوزی در مراتع قشلاق محمدقلی شهرستان اراک استان مرکزی می­باشد. مواد و روش­ها: مراتع مورد مطالعه به مساحت 3100 هکتار با اقلیم خشک تا نیمه‌خشک در 15 کیلومتری جنوب شرق شهر اراک در استان مرکزی واقع شده ‌است. ارتفاع منطقه 1900 تا 2500 متر از سطح دریا و میانگین بارندگی 225 میلی‌متر، اکسترم­های حرارتی منطقه 11- (بهمن) تا ۳۵ درجه سانتی‌گراد (مرداد) است. بمنظور پهنه‌بندی خطر آتش‌سوزی در منطقه از 9 عامل درجه شیب، جهت شیب، ارتفاع از سطح دریا، زمین‌شناسی، کاربری اراضی، فاصله از جاده، فاصله از شبکه آبراهه، خاک‌شناسی و درصد پوشش گیاهی استفاده شد. رویدادهای آتش‌سوزی به‌عنوان مبنایی برای پیش‌بینی وقوع آتش‌سوزی در آینده در نظر گرفته ­شدند. مناطق غیر آتش‌سوزی نیز مشخص و انتخاب شدند. برای پهنه­بندی و پیش­بینی آتش از دو مدل ماشین­بردار پشتیبان (SVM) و مدل جنگل تصادفی (RF) استفاده شد. به‌منظور ارزیابی نتایج این مدلها از نمایه‌های آماری ضریب تبیین (R2: همبستگی بین داده­های مشاهده­ای و برآوردی)، ریشه دوم میانگین مربعات خطا (RMSE: انحراف مقادیر پیش‌بینی‌شده با مقادیر مشاهده‌شده) و ضریب کارایی (CE: بین منفی بی­نهایت و 1 قرار دارد، هرچه به یک نزدیک‌تر باشد بیانگر کارایی بالاتر مدل در پیش­بینی است) استفاده گردید. خروجی مدل­های جنگل تصادفی و ماشین بردار پشتیبان بین ١ و صفر قرار دارد که به ٥ (طبقه) منطقه با خطرات خیلی کم تا خیلی زیاد آتش­سوزی تقسیم می­شود. مدلها مهم‌ترین متغیرهای مؤثر در آتش‌سوزی گذشته را شناسایی کرده و سپس به پهنه‌بندی خطر آتش­سوزی در منطقه خواهند پرداخت. نتایج: به ترتیب متغیرهای پوشش گیاهی، جهت، شیب و ارتفاع بیشترین تاثیر را در آتش­سوزی داشتند و متغیرهای زمین‌شناسی، کاربری اراضی، فاصله از جاده، فاصله از شبکه آبراهه و خاک‌شناسی به دلیل داشتن ضرایب نامناسب و غیر معنی­دار از فرآیند مدلسازی حذف شدند. حساس­ترین طبقه شیب در وقوع آتش‌سوزی، طبقه 25-12 درصد و بالاتر از آن و طبقه 8-12 کمترین وقوع آتش­سوزی را دارد. همچنین بیشترین آتش‌سوزی در ارتفاع 2100-1900 متر و کمترین آن در ارتفاع 2500-2400 رخ داده است. به لحاظ جهت نیز دامنه­های جنوب غربی و جنوب بیشترین و دامنه­های شمالی و جهت بدون شیب کمترین وقایع آتش‌سوزی را داشته­اند. پوشش گیاهی نیز با فراهم کردن مواد سوختی لازم، بیشترین وقوع آتش‌سوزی را در پوشش 75-50 درصد و کمترین آن را در پوشش زیر 25 درصد نشان داده است. با توجه به نتایج حاصل از اجرای مدل­ها، مدل ماشین بردار پشتیبان با ضریب کارایی 86/0 و خطای 05/3 در مرحله آزمون، مدل دقیق­تری در این مطالعه می­باشد. همچنین نتایج به­دست­آمده نشان داد که ازلحاظ خطر آتش‌سوزی، 11 درصد مراتع موردمطالعه در طبقه خیلی کم، 16 درصد در طبقه کم، 35 درصد در طبقه خطر متوسط، 17 درصد در طبقه خطر زیاد و 21 درصد در طبقه خطر خیلی زیاد قرارگرفته است. نتیجه­‌گیری: شیبها و ارتفاعات بالا با پوشش گیاهی حداکثری (منبع سوختی مناسب) منطقه و شدت چرای کمتر، بیشترین وقایع آتش­سوزی را دارند. در حالیکه در پوشش­های اندک به دلیل ناکافی بودن ماده سوختی و در شیب­های پایین به دلیل تغییر کاربری مراتع به زراعی احتمال رخداد آتش­سوزی کمتری دارند. محدوه جهت جنوب نیز با دریافت حرارت خورشیدی بیشتر، پوشش غالب گون و گرامینه­های یک‌ساله مواد سوختی مناسبی برای آتش­سوزی فراهم می­کند. از بین مدل­های انتخابی نیز، مدل ماشین پشتیبان بردار نسبت به مدل جنگل تصادفی عملکرد بهتری در پهنه­بندی و پیش­بینی خطر آتش­سوزی داشت که ناشی از توانایی آن در ادغام متغیرهای ورودی زیاد بدون تغییر آنها می­باشد و با برقراری ارتباطات غیرخطی بین متغیرها، عوامل مؤثر را شناسایی می­نماید و می­تواند اطلاعات ارزشمندی جهت کنترل و پیشگیری از آتش­سوزی برای مدیران عرصه­های مرتعی فراهم کند. LA eng UL http://rangelandsrm.ir/article-1-1124-fa.html M3 ER -