Pahlavani P, Raei A, Bigdeli B. Determining Effective Factors on Forest Fire Using the Compound of Multivariate Adaptive Regression Spline and Genetic Algorithm, a Case Study: Golestan, Iran. Journal of Spatial Analysis Environmental Hazards 2020; 6 (4) :1-18
URL:
http://jsaeh.khu.ac.ir/article-1-2824-fa.html
پهلوانی پرهام، راعی امین، بیگدلی بهناز. تعیین فاکتورهای موثر بر آتشسوزی جنگل با استفاده از ترکیب مدل رگرسیون اسپلاین تطبیقی چندمتغیره و الگوریتم ژنتیک (مطالعه موردی: جنگل گلستان). تحلیل فضایی مخاطرات محیطی. 1398; 6 (4) :1-18
URL: http://jsaeh.khu.ac.ir/article-1-2824-fa.html
1- دانشگاه تهران ، pahlavani@ut.ac.ir
2- دانشگاه تهران
3- دانشگاه شاهرود
چکیده: (4610 مشاهده)
امروزه شناسایی فاکتورهای موثر بر آتشسوزی جنگلها از اهمیت بسیار بالایی برخوردار است زیرا سالانه مساحت زیادی از جنگلهای جهان بر اثر آتشسوزی نابود میشوند و تکرار این اتفاق در بلندمدت میتواند خسارات جبرانناپذیری بر زمین و ساکنین آن وارد کند. با شناسایی این فاکتورها میتوانیم زمانها و نقاط دارای ریسک بالای آتشسوزی را شناسایی نمائیم و با وضع قوانین و سیاستهای مدیریتی کارآمد، آموزش به مردم و نظارت بیشتر در جهت مقابله با عوامل محرک آتش برآییم. در این تحقیق سعی شده است فاکتورهای موثر بر آتشسوزیهای جنگل گلستان شناسایی شود و برای این منظور از سه روش رگرسیون خطی چندگانه، رگرسیون لجستیک و رگرسیون اسپلاین تطبیقی چندمتغیره در ترکیب با الگوریتم ژنتیک استفاده شد. نتایج این تحقیق نشان داد که هر دو دسته فاکتورهای بیوفیزیکی و انسانی در آتشسوزیهای منطقه مورد مطالعه دارای تأثیر هستند. از این میان تنها فاکتورهای حداقل دما و حداکثر سرعت باد در هر سه حالت موثر شناخته شدند. روش رگرسیون اسپلاین تطبیقی چندمتغیره در مقایسه با دو روش دیگر عملکرد بهتری از خود نشان داد. مقدار RMSE نرمالشده این سه روش برابر 4291/0 برای رگرسیون خطی چندگانه، 9416/0 برای رگرسیون لجستیک و 1757/0 برای رگرسیون اسپلاین تطبیقی چندمتغیره و مقدار R2 آنها نیز به ترتیب برابر 9862/0، 9912/0 و 9886/0 به دست آمد.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
تخصصي دریافت: 1397/5/8 | پذیرش: 1398/10/7 | انتشار: 1398/12/27