ارتباط شاخص‌های پوشش گیاهی با رخداد آتش‌‌سوزی در نواحی رویشی ایران

جغرافیا و مخاطرات محیطی

مقاله 5، دوره 12، شماره 4 - شماره پیاپی 48، بهمن 1402، صفحه 99-116   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2022.78468.1276

نویسندگان

کبری شجاعی زاده¹؛ محمود احمدی^{* 2}؛ عباسعلی داداشی رودباری³

¹دانشجوی دکتری اقلیم‌شناسی، دانشگاه شهید بهشتی، تهران، ایران

²دانشیار اقلیم‌شناسی، دانشگاه شهید بهشتی، تهران، ایران

³پژوهشگر پسادکتری اقلیم‌شناسی، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

مخاطره آتش­سوزی در ایران به‌طور فزاینده­ای به یک ریسک جدی در طول سال تبدیل‌شده و محدود به چند ماه از سال نیست؛ بر این اساس پایش جنگل­ها برای شناسایی و تعیین نواحی مستعد رخداد آتش­سوزی­ها گامی مؤثر برای توسعه سامانه­های هشدار سریع است. این پژوهش با هدف ارتباط شاخص­های پوشش گیاهی با رخداد آتش­سوزی در­ نواحی رویشی ایران انجام شده است. در این پژوهش از داده­های سنجنده MODIS ماهواره Terra شامل محصول آتش­سوزی فعال (MOD14A2) و شاخص­های پوشش ­گیاهی NDVI و EVI (MOD13A3) در بازه زمانی 2020-2001 استفاده شده است. نتایج نشان داد بیشینه رخداد آتش­‌سوزی در نواحی رویشی ایران از اواخر فصل بهار تا اوایل فصل پاییز رخ می­دهد. روند افزایشی رخداد آتش‌­سوزی در دوره گرم سال با افزایش دما، کاهش رطوبت و ذوب زودهنگام برف در فصل بهار و در فصل پاییز هم‌زمان با خزان پوشش گیاهی و شروع دیرهنگام بارش­‌های پاییزی مرتبط است. بیشینه متوسط ارتفاعی رخدادهای آتش­سوزی در ناحیه رویشی ارسباران با 1791 متر در ماه اکتبر و بیشینه ارتفاعی رخدادهای آتش‌­سوزی در ناحیه ایرانی-تورانی با 1565 متر در ماه اوت مشاهده شده است. توزیع فضایی شاخص­های NDVI و EVI حاکی از آن است که تراکم پوشش گیاهی در شدت و گسترش آتش­سوزی تأثیرگذار بوده و شرایط را برای گسترش آتش­سوزی­ها فراهم می­سازد به‌گونه‌ای که مناطق بایر با پوشش گیاهی کم در مرکز، شرق و جنوب شرق ایران تقریباً بدون رخداد آتش­سوزی و بیشینه رخداد آتش‌سوزی­های فعال در شمال، غرب و شمال غرب ایران مشاهده شده است.

کلیدواژه‌ها

آتش‌‌سوزی فعال؛ شاخص NDVI؛ شاخص EVI؛ نواحی رویشی ایران؛ MODIS

مراجع

امامی، حسن؛ شهریاری، حسن؛ 1398. کمّی سازی عوامل محیطی و انسانی در وقوع آتش‌­سوزی جنگل با روش‌­های RS و GIS؛ مناطق حفاظت شده ارسباران. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی سپهر. 28 (112)، 53- 35. https://doi.org/10.22131/sepehr.2020.38606

جانباز قبادی، غلامرضا؛ 1398. بررسی مناطق خطر آتش­‌سوزی جنگل در استان گلستان، بر اساس شاخص خطر آتش­‌سوزی (FRSI) با بهره‌گیری از تکنیک (GIS). تحلیل فضایی مخاطرات محیطی. 6 (3)، 102-89.

 https://doi.org/10.29252/jsaeh.6.3.89

خان‌محمدی، مرتضی؛ رحیمی، محمد؛ کرتولی نژاد، داود؛ 1395. تحلیل خطر آتش­‌سوزی جنگل‏­های هیرکانی شمال‌شرق ایران با استفاده از شاخص­‌های کچ-بایرام و مک-آرتور. تحقیقات حمایت و حفاظت جنگل‌ها و مراتع ایران. 14 (1)، 57-48. https://doi.org/10.22092/IJFRPR.2016.107641

رحیمی، داریوش؛ خادمی، سمانه؛ 1397. تحلیل الگوهای همدید خطر آتش‌سوزی در جنگل­‌های شمال ایران (استان گلستان). مخاطرات محیط طبیعی. 7 (17)، 36-19. https://doi.org/10.22111/JNEH.2017.3279

زرین، آذر؛ داداشی رودباری، عباسعلی؛ 1399. پیش­نگری چشم‌انداز بلندمدت دمای آینده ایران مبتنی بر برونداد پروژة مقایسة مدل­های جفت شدة فاز ششم (CMIP6). فیزیک زمین و فضا. 46 (3)، 602-583.

https://doi.org/10.22059/JESPHYS.2020.304870.1007226

زرین، آذر؛ داداشی رودباری، عباسعلی؛ 1400 الف. پیش نگری همادی نمایه‌های خشکسالی در ایران مبتنی بر برونداد چند مدلی CMIP5. پژوهش­‌های تغییرات آب و هوایی. 2 (7)، 82-71.

https://doi.org/10.30488/CCR.2021.317280.1058

زرین، آذر؛ داداشی رودباری، عباسعلی؛ 1400 ب. پیش­نگری دوره­های خشک و مرطوب متوالی در ایران مبتنی بر برونداد همادی مدل­های تصحیح شده اریبی CMIP6. فیزیک زمین و فضا. 47 (3)، 578-561.

 https://doi.org/10.22059/JESPHYS.2021.319270.1007295

شریف نژاد، طوبی؛ خاوریان نهزک، حسن؛ ورامش، سعید؛ 1398. قابلیت­های سنجش از دور در پایش آتش­سوزی­های عرصه­های منابع طبیعی، اولین کنفرانس بین المللی و چهارمین کنفرانس ملی صیانت از منابع طبیعی و محیط زیست. https://civilica.com/doc/961387

عالی محمودی سراب، سجاد؛ فقهی، جهانگیر؛ جباریان امیری، بهمن؛ 1391. پیش‌بینی وقوع آتش‌­سوزی در جنگل­ها و مراتع با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: جنگل‌­های منطقه زاگرس، شهرستان ایذه). بوم شناسی کاربردی. 1 (2)، 75-86. http://ijae.iut.ac.ir/article-1-188-fa.html

عساکره، حسین؛ مسعودیان، سید ابوالفضل؛ ترکارانی، فاطمه؛ 1399. آشکارسازی روند بلندمدت بارش سالانۀ ایران­زمین در ارتباط با تغییر فراوانی فرین­های بارش روزانه. جغرافیا و مخاطرات محیطی. 9 (4)، 143-123.

 https://doi.org/10.22067/GEOEH.2021.67028.0

فرج زاده اصل، منوچهر؛ قویدل رحیمی، یوسف؛ مکری، ساحل؛ 1394. تجزیه و تحلیل آتش‌­سوزی جنگل با منشأ آب و هوایی با داده­های ماهواره‌ای در منطقه البرز. تحلیل فضایی مخاطرات محیطی. 2 (3)،104-83.

https://doi.org/10.18869/acadpub.jsaeh.2.3.83

محمدی، فریده؛ شعبانیان، نقی؛ پورهاشمی، مهدی؛ فاتحی، پرویز؛ 1389. تهیه نقشه خطر آتش­‌سوزی جنگل با استفاده از GIS و AHP در بخشی از جنگل­های پاوه. تحقیقات جنگل و صنوبر ایران. 18 (4)، 586-569.

https://ijfpr.areeo.ac.ir/article_107645.html

 

Albar, I., Jaya, I.N.S., Saharjo, B.H., Kuncahyo, B. and Vadrevu, K.P., 2018. Spatio-temporal analysis of land and forest fires in Indonesia using MODIS active fire dataset. Land-atmospheric research applications in South and Southeast Asia, 105-127. https://doi.org/10.1007/978-3-319-67474-2_6

Barro, S.C. and Conard, S.G., 1991. Fire effects on California chaparral systems: an overview. Environment International, 17(2-3), 135-149. https://doi.org/10.1016/0160-4120(91)90096-9

Castro, F.X., Tudela, A. and Sebastià, M.T., 2003. Modeling moisture content in shrubs to predict fire risk in Catalonia (Spain). Agricultural and Forest Meteorology, 116(1-2), 49-59. https://doi.org/10.1016/S0168-1923(02)00248-4

Champin, L., Taïbi, A.N. and Ballouche, A., 2022. Spatial analysis of the occurrence and spread of wildfires in Southwest Madagascar. Fire, 5(4), 98. https://doi.org/10.3390/fire5040098.

Chuvieco, E., Aguado, I., Salas, J., García, M., Yebra, M. and Oliva, P., 2020. Satellite remote sensing contributions to wildland fire science and management. Current Forestry Reports, 6, 81-96. https://doi.org/10.1007/s40725-020-00116-5.

Collins, K.M., Price, O.F. and Penman, T.D., 2015. Spatial patterns of wildfire ignitions in south-eastern Australia. International Journal of Wildland Fire, 24(8), 1098-1108. https://doi.org/10.1071/wf15054.

Flannigan, M., Cantin, A.S., De Groot, W.J., Wotton, M., Newbery, A. and Gowman, L.M., 2013. Global wildland fire season severity in the 21st century. Forest Ecology and Management, 294, pp.54-61. https://doi.org/10.1016/j.foreco.2012.10.022

Fu, Y., Li, R., Wang, X., Bergeron, Y., Valeria, O., Chavardès, R.D., Wang, Y. and Hu, J., 2020. Fire detection and fire radiative power in forests and low-biomass lands in Northeast Asia: MODIS versus VIIRS Fire Products. Remote Sensing, 12(18), 2870. https://doi.org/10.3390/ rs12182870.

Giglio, L., Descloitres, J., Justice, C.O. and Kaufman, Y.J., 2003. An enhanced contextual fire detection algorithm for MODIS. Remote sensing of environment, 87(2-3),273-282. https://doi.org/10.1016/s0034-4257(03)00184-6.

Guan, X., Shen, H., Wang, Y., Chu, D., Li, X., Yue, L., Liu, X. and Zhang, L., 2021. Fusing MODIS and AVHRR products to generate a global 1-km continuous NDVI time series covering four decades. Earth System Science Data Discussions, 1-32. https://doi.org/10.5194/essd-2021-156.

Huete, A., Didan, K., Miura, T., Rodriguez, E.P., Gao, X. and Ferreira, L.G., 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote sensing of environment, 83(1-2), 195-213. https://doi.org/10.1016/s0034-4257(02)00096-2.

Justice, C.O., Giglio, L., Roy, D., Boschetti, L., Csiszar, I., Davies, D., Korontzi, S., Schroeder, W., O’Neal, K. and Morisette, J., 2011. MODIS-derived global fire products. Land Remote Sensing and Global Environmental Change: NASA's Earth Observing System and the Science of ASTER and MODIS, 661-679. https://doi.org/10.1007/978-1-4419-6749-7_29.

Katagis, T. and Gitas, I.Z., 2022. Assessing the accuracy of MODIS MCD64A1 C6 and FireCCI51 burned area products in Mediterranean ecosystems. Remote Sensing, 14(3), 602. https://doi.org/10.3390/rs14030602.

 Kerr, J.T. and Ostrovsky, M., 2003. From space to species: ecological applications for remote sensing. Trends in ecology & evolution, 18(6), pp.299-305. https://doi.org/10.1016/s0169-5347(03)00071-5.

Kumari, B. and Pandey, A.C., 2020. MODIS based forest fire hotspot analysis and its relationship with climatic variables. Spatial Information Research, 28(1), 87-99. https://doi.org/10.1007/ s41324-019-00275-z

Li, Y., Gao, X., Li, Z., Jiang, J. and Li, P., 2022. Analysis of Atmospheric Factors affecting wildfires. Authorea Preprints. https://essopenarchive.org/doi/full/10.1002/essoar.10506515.1

Littell, J. S., Peterson, D. L., Riley, K. L., Liu, Y., & Luce, C. H., 2016. A review of the relationships between drought and forest fire in the United States. Global Change Biology, 22(7), 2353–2369. Portico.  https://doi.org/10.1111/gcb.13275

Lizundia-Loiola, J., Otón, G., Ramo, R. and Chuvieco, E., 2020. A spatio-temporal active-fire clustering approach for global burned area mapping at 250 m from MODIS data. Remote Sensing of Environment, 236, p.111493. https://doi.org/10.1016/j.rse.2019.111493.

Mangeon, S., Field, R., Fromm, M., McHugh, C. and Voulgarakis, A., 2016. Satellite versus ground-based estimates of burned area: A comparison between MODIS based burned area and fire agency reports over North America in 2007. The Anthropocene Review, 3(2),76-92. https://doi.org/10.1177/2053019615588790.

Martyn, I., Petrov, Y., Stepanov, S., Sidorenko, A. and Vagizov, M., 2020. Monitoring forest fires and their consequences using MODIS spectroradiometer data. In IOP conference series: earth and environmental science,507(1),012019. https://doi.org/10.1088/1755-1315/507/1/012019.

Oton, G., Ramo, R., Lizundia-Loiola, J. and Chuvieco, E., 2019. Global detection of long-term (1982–2017) burned area with AVHRR-LTDR data. Remote Sensing, 11(18), 2079. https://doi.org/10.3390/rs11182079.

Parajuli, A., Gautam, A.P., Sharma, S.P., Bhujel, K.B., Sharma, G., Thapa, P.B., Bist, B.S. and Poudel, S., 2020. Forest fire risk mapping using GIS and remote sensing in two major landscapes of Nepal. Geomatics, Natural Hazards and Risk, 11(1), pp.2569-2586.  https://doi.org/10.1080/19475705.2020.1853251.

Pradhan, B., Suliman, M.D.H.B. and Awang, M.A.B., 2007. Forest fire susceptibility and risk mapping using remote sensing and geographical information systems (GIS). Disaster Prevention and Management: An International Journal, 16(3), 344-352. https://doi.org/ 10.1108/09653560710758297.

Subedi, P.B., Ayer, K., Miya, M.S., Parajuli, B. and Sharma, B., 2022. Forest Fire Risk Zone Mapping of Aalital Rural Municipality, Dadeldhura District, Nepal. Journal of Multidisciplinary Applied Natural Science, 2(2),70-81. https://doi.org/10.47352/jmans.2774-3047.115.

Sullivan, A.L., 2009. Wildland surface fire spread modelling, 1990–2007. 3: Simulation and mathematical analogue models. International Journal of Wildland Fire, 18(4), 387-403.  https://doi.org/10.1071/wf06144.

Tanase, M.A., Aponte, C., Mermoz, S., Bouvet, A., Le Toan, T. and Heurich, M., 2018. Detection of windthrows and insect outbreaks by L-band SAR: A case study in the Bavarian Forest National Park. Remote Sensing of Environment, 209, 700-711. https://doi.org/10.1016/ j.rse.2018.03.009.

Thome, K.J., Czapla-Myers, J.S. and Biggar, S.F., 2003. Vicarious calibration of Aqua and Terra MODIS. In Earth Observing Systems VIII (Vol. 5151, 395-405). SPIE. https://doi.org/ 10.1117/ 12.506364.

Tomshin, O. and Solovyev, V., 2022. Spatio-temporal patterns of wildfires in Siberia during 2001–2020. Geocarto International, 37(25), 7339-7357. https://doi.org/10.1080/ 10106049. 2021.1973581

Tosic, I., Mladjan, D., Gavrilov, M.B., Zivanovic, S., Radakovic, M.G., Putnikovic, S., Petrovic, P., Mistridzelovic, I.K. and Markovic, S.B., 2019. Potential influence of meteorological variables on forest fire risk in Serbia during the period 2000-2017. Open Geosciences, 11(1), 414-425. https://doi.org/10.1515/geo-2019-0033.

Wang, J., Wang, G., Qi, J., Liu, Y., & Zhang, W., 2021). Research of Forest Fire Points Detection Method Based on MODIS Active Fire Product. In 2021 28th International Conference on Geoinformatics (pp. 1-5). IEEE. https://doi.org/10.1109/IEEECONF54055.2021.9687646

Wu, Z., Li, M., Wang, B., Quan, Y. and Liu, J., 2021. Using artificial intelligence to estimate the probability of forest fires in Heilongjiang, northeast China. Remote Sensing, 13(9), 1813. https://doi.org/10.3390/rs13091813.

Xiao, Y., Zhang, X. and Ji, P., 2015. Modeling forest fire occurrences using count-data mixed models in qiannan autonomous prefecture of Guizhou Province in China. PloS one, 10(3), e0120621. https://doi.org/10.1371/journal.pone.0120621.

Yankovich, K.S., Yankovich, E.P. and Baranovskiy, N.V., 2019. Classification of vegetation to estimate forest fire danger using landsat 8 images: Case study. Mathematical Problems in Engineering, 2019,1-14. https://doi.org/10.1155/2019/6296417.

Zeng, A., Yang, S., Zhu, H., Tigabu, M., Su, Z., Wang, G. and Guo, F., 2022. Spatiotemporal dynamics and climate influence of forest fires in Fujian Province, China. Forests, 13(3), p.423. https://doi.org/10.3390/f13030423.