مدل‌سازی ریسک آتش‌سوزی با استفاده از روش‌های سنجش‌ازدور و شبیه‌سازی رفتار آتش‌ در استان گیلان

جغرافیا و مخاطرات محیطی

مقاله 5، دوره 13، شماره 4 - شماره پیاپی 52، دی 1403، صفحه 102-129   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2024.86597.1462

نویسندگان

رقیه جهدی^{* 1}؛ محمد واثق الحاج خلف²

¹دانشیار گروه علوم و مهندسی جنگل، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

²دانشجوی دکتری جنگلداری، دانشکده علوم جنگل، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

چکیده

استان گیلان یکی از شاخص­ترین نمونه­های ریسک آتش­سوزی جنگل­ها و مراتع در ایران است. در این تحقیق، شاخص ریسک آتش‌سوزی در این استان بر اساس داده‌های مکانی و تصاویر ماهواره‌ای سنجش‌ازدور که عوامل انسانی و بیوفیزیکی سیمای سرزمین را توصیف می‌کند، تهیه شد. با استفاده از تصاویر ماهواره­ای Landsat-8 OLI/TIRS L1TP سال 2021 و نیز الگوریتم طبقه‌بندی ماشین بردار پشتیبان (SVM)، طبقه‌بندی نظارت شده این تصاویر برای تهیه نقشه پوشش زمین منطقه مورد مطالعه انجام شد. شاخص ریسک آتش‌سوزی (دامنه ارزش از 0/0 تا 1) بر اساس 1) رفتار آتش­سوزی (شدت خط آتش و نرخ گسترش آتش که توسط مدل شبیه­ساز آتش FlamMap (Finney, 2006) مشخص می­شود)؛ 2) تاریخچه آتش­سوزی (مربوط به داده­های آماری آتش­سوزی طی سال­های 1992 تا 2022)؛ و 3) عوامل انسانی (با استفاده از رابطه معکوس این تأثیر با فاصله اقلیدسی از جاده­ها و سکونت­گاه­ها) محاسبه شد. با توجه به نتایج مدل‌سازی، ریسک آتش در منطقه مورد مطالعه از 0/0 تا 68/0 با میانگین 11/0 متغیر بود. مقدار کمینه شاخص ریسک آتش در بخش‌های پست و کم ارتفاع که عمدتاً توسط مدل­های ماده سوختنی غیرقابل سوختن (اراضی لخت، باغ-زراعت آبی، مناطق انسان­ساز و مناطق آبی) پوشیده شده است، مشاهده می­شود. درحالی‌که مقدار بیشینه شاخص ریسک آتش در ارتفاعات، جایی که پوشش­های جنگلی متراکم و با دسترسی محدود به جاده و تجهیزات اطفای آتش در مقایسه با مناطق کم ارتفاع وجود دارد، مشاهده می­شود. شاخص ریسک آتش‌سوزی محاسبه‌شده نشان داد که حدود 21 درصد از استان، ازجمله مهم‌ترین بوم­سازگان­های جنگلی اولیه و کهن­رُست از نظر اکولوژیکی، در برابر آتش‌سوزی‌های جنگلی آسیب‌پذیر است. بر اساس این نتایج، در این مناطق باید منابع مدیریت آتش با تمرکز بیشتری کنترل و برنامه­ریزی شود، زیرساخت­های پیشگیری از آتش تقویت شود، آموزش پیشگیری از آتش برای ارتقای آگاهی مردم در برابر آتش انجام شود و اقدامات مختلفی برای افزایش تاب­آوری بوم­سازگان­های آسیب­پذیر این مناطق باید در نظر گرفته شود.

کلیدواژه‌ها

شاخص خطر آتش‌سوزی؛ مدل‌سازی رفتار آتش؛ عوامل انسانی موثر بر آتش‌سوزی؛ تاب‌آوری اکوسیستم؛ استان گیلان؛ ایران

مراجع

 Abed, H., Sahraeyan, F., & Rezaei, P. (2016). The Effects of Garmesh Wind on Weather Conditions of Rasht Synoptic Weather Station. Journal of Geography and Environmental Hazards, 4(2), 59-76. [In Persian] https://doi.org/10.22067/geo.v4i2.29820

Alcasena, F., Ager, A., Le Page, Y., Bessa, P., Loureiro, C., & Oliveira, T. (2021). Assessing Wildfire Exposure to Communities and Protected Areas in Portugal. Fire, 4, 82. https://doi.org/10.3390/fire4040082

Alhaj Khalaf, M. W., Shataee Joibary, S., Jahdi, R., & Bacciu, V. (2021). Improved forest fire spread mapping by developing custom fire fuel models in replanted forests in Hyrcanian forests, Iran. Forest Systems, 30(2), e008. https://doi.org/10.5424/fs/2021302-17980

Awad, M., & Khanna, R. (2015). Support Vector Machines for Classification. In Efficient Learning Machines. Apress, Berkeley, CA. https://doi.org/10.1007/978-1-4302-5990-9_3

Byram, G. M. (1959). Combustion of forest fuels. Forest Fire Control and Use, 61 - 89.

Calkin, D. E., Ager, A. A., & Gilbertson-Day, J. (2010). Wildfire risk and hazard: procedures for the first approximation. Gen. Tech. Rep. RMRS-GTR-235. Fort Collins, CO: US Department of Agriculture, Forest Service, Rocky Mountain Research Station.

Catry, F. X., Rego, F. C., Bação, F. L., & Moreira, F. (2009). Modeling and mapping wildfire ignition risk in Portugal. International Journal of Wildland Fire, 18(8), 921-931. https://doi.org/10.1071/WF07123

De Cáceres, M., Martin StPaul, N., Turco, M., Cabon, A., & Granda, V. (2018). Estimating daily meteorological data and downscaling climate models over landscapes. Environmental Modelling & Software, 108, 186-196. https://doi.org/10.1016/j.envsoft.2018.08.003

Dorph, A., Marshall, E., Parkins, K. A., & Penman, T. D. (2022). Modelling ignition probability for human- and lightning-caused wildfires in Victoria, Australia. Natural Hazards and Earth System Sciences, 22, 3487–3499. https://doi.org/10.5194/nhess-22-3487-2022.

Evers, C., Holz, A., Busby, S., & Nielsen-Pincus, M. (2022). Extreme Winds Alter Influence of Fuels and Topography on Megafire Burn Severity in Seasonal Temperate Rainforests under Record Fuel Aridity. Fire, 5, 41. https://doi.org/10.3390/fire5020041

Finney, M. A. (2004). FARSITE, Fire Area Simulator--model development and evaluation . US Department of Agriculture, Forest Service, Rocky Mountain Research Station.

Finney, M. A. (2005). The challenge of quantitative risk analysis for wildland fire. Forest Ecology and Management, 211, 97–108. https://doi.org/10.1016/j.foreco.2005.02.010

Finney, M. A. (2006). An overview of FlamMap fire modeling capabilities. In: Andrews, Patricia L.; Butler, Bret W., comps. Fuels Management-How to Measure Success. Proceedings RMRS-P-41. Fort Collins, CO: US Department of Agriculture, Forest Service, Rocky Mountain Research Station. 213-220 .

Ghayour, L., Neshat, A., Paryani, S., Shahabi, H., Shirzadi, A., Chen, W., … & Ahmad, A. (2021). Performance Evaluation of Sentinel-2 and Landsat 8 OLI Data for Land Cover/Use Classification Using a Comparison between Machine Learning Algorithms. Remote Sensing, 13, 1349. https://doi.org/10.3390/rs13071349

Glaves, D. J., Crowle, A. J. W., Bruemmer, C., & Lenaghan, S. A. (2020). The causes and prevention of wildfire on heathlands and peatlands in England. Natural England Evidence Review NEER014. Peterborough: Natural England.

Heydari, H., Arabi, M., & Warziniack, T. (2021a). Effects of Climate Change on Natural-Caused Fire Activity in Western U.S. National Forests. Atmosphere, 12, 981. https://doi.org/10.3390/atmos12080981

Heydari, M., Attar Roshan, S., Jaferyan, E., & Abiyat, M. (2021b). Modeling and Zoning of Fire Prone Areas in Zagros Forests Using Geographic Information System Based on Logistic Regression. Journal of Geography and Environmental Hazards, 10(2), 43-58. [In Persian] https://doi.org/10.22067/geoeh.2021.68903.1019

Hood, S. M., Varner, J. M., Jain, T. B., & Kane, J. M. (2022). A framework for quantifying forest wildfire hazard and fuel treatment effectiveness from stands to landscapes. Fire Ecology, 18, 33. https://doi.org/10.1186/s42408-022-00157-0

Jahdi, R., Salis, M., Alcasena, F. J., Arabi, M., Arca, B., & Duce, P. (2020). Evaluating landscape-scale wildfire exposure in northwestern Iran. Natural Hazards, 101, 911–932. https://doi.org/10.1007/s11069-020-03901-4

Jahdi, R., Salis, M., Alcasena, F., & Del Giudice, L. (2023). Assessing the Effectiveness of Silvicultural Treatments on Fire Behavior in the Hyrcanian Temperate Forests of Northern Iran. Environmental Management, 72, 682–697. https://doi.org/10.1007/s00267-023-01785-1

Janbozorgi, M., Hanifepour, M., & Khosravi, H. (2021). Temporal changes in meteorological-hydrological drought (Case study: Guilan Province). Water and Soil Management and Modeling, 1 (2), 1-13. [In Persian] https://doi.org/10.22098/mmws.2021.1215

Kolanek, A., Szymanowski, M., & Raczyk, A. (2021). Human Activity Affects Forest Fires: The Impact of Anthropogenic Factors on the Density of Forest Fires in Poland. Forests, 12, 728. https://doi.org/10.3390/f12060728

Land use plan of Guilan Province. (2016). Management and Planning Organization (MPO) of Guilan Province. [In Persian]

Mauri, E., Hernández Paredes, E., Núñez Blanco, I., & García Feced, C. (2023). Key Recommendations on Wildfire Prevention in the Mediterranean. European Forest Institute,10. https://doi.org/10.36333/rs6

Meteorological Quarterly of the Guilan Province. (2019). General Meteorological Department of Guilan Province. [In Persian]

Mohammad Hasani Lor, S., Vafakhah, M., & Pourghasemi, H. R. (2016). Determining the land use area of ​​Gilan Province using supervised classification. Paper presented of the 2th National Conference on Passive Defense in Agriculture, Natural Resources and Environment with Sustainable Development Approach, Tehran.[In Persian] https://civilica.com/doc/567112

Narayanaraj, G., & Wimberly, M. C. (2012). Influences of forest roads on the spatial patterns of human- and lightning-caused wildfire ignitions Applied Geography. Applied Geography, 32(2), 878-888. https://doi.org/10.1016/j.apgeog.2011.09.004

Nelson Jr, R. M. (2000). Prediction of diurnal change in 10-h fuel stick moisture content. Canadian Journal of Forest Research, 30(7), 1071-1087. https://doi.org/10.1139/x00-032

Okano, Y., & Yamano, H. (2015). Forest fire propagation simulations for a risk assessment methodology development for a nuclear power plant. Case Studies in Fire Safety, 4, 1-10. https://doi.org/10.1016/j.csfs.2015.05.001

Oliveira, S., Rocha, J., & Sá, A. (2021). Wildfire risk modeling. Current Opinion in Environmental Science & Health, 23, 100274. https://doi.org/10.1016/j.coesh.2021.100274

Parisien, M. C., Dawe, D. A., Miller, C., Stockdale, C. A., & Armitage, O. B. (2019). Applications of simulation-based burn probability modelling: A review. International Journal of Wildland Fire, 28, 913-926. https://doi.org/10.1071/WF19069

Ratcliff, F., Rao, D., Barry, S., Dewees, S., Macaulay, L., Larsen, R., … & Forero, L. (2022). Cattle grazing reduces fuel and leads to more manageable fire behavior. California Agriculture, 76(2), 60-69. https://doi.org/10.3733/ca.2022a0011

Rothermel, R. C. (1972). A mathematical model for predicting fire spread in wildland fuels (Vol. 115). Intermountain Forest & Range Experiment Station, Forest Service, US Department of Agriculture.

Sá, A. C. L., Aparicio, B. A., Benali, A., Bruni, C., Salis, M., Silva, F., … & Pereira, J. (2022). Coupling wildfire spread simulations and connectivity analysis for hazard assessment: a case study in Serra da Cabreira, Portugal. Natural Hazards and Earth System Sciences, 22, 3917–3938. https://doi.org/10.5194/nhess-22-3917-2022

Salis, M., Arca, B., Del Giudice, L., Palaiologou, P., Alcasena-Urdiroz, F., Ager, A., … & Duce, P. (2021). Application of simulation modeling for wildfire exposure and transmission assessment in Sardinia, Italy. International Journal of Disaster Risk Reduction, 58,102189. https://doi.org/10.1016/j.ijdrr.2021.102189

Scott, J. H., & Burgan, R. E. (2005). Standard Fire Behavior Fuel Models : A Comprehensive Set for Use with Rothermel’ S Surface Fire Spread Model. US Department of Agriculture, Forest Service, Rocky Mountain Research Station.

Scott, J. H., Thompson, M. P., & Calkin, D. E. (2013). A wildfire risk assessment framework for land and resource management. USDA Forest Service, Rocky Mountain Research Paper RMRS-GTR-315.

Shi, C., & Zhang, F. (2023). A Forest Fire Susceptibility Modeling Approach Based on Integration Machine Learning Algorithm. Forests, 14, 1506. https://doi.org/10.3390/f14071506

Statistical Yearbook of Guilan Province. (2019). Guilan Province Governor's Planning Office, Office of Statistics and Information GIS(2011-2018). .[In Persian]

Teimouri, M., & Kornejady, A. (2023). Evaluating Fire Hazard Potentials using Fuzzy Analytic Hierarchy Process and Logistic Regression Approaches in Golestan National Park. Journal of Geography and Environmental Hazards, 12(3), 171-191. [In Persian]  https://doi.org/10.22067/geoeh.2023.79999.1313

Twidwell, D., West, A. S., Hiatt, W. B., Ramirez, A., Winter, J. T., Engle, D. M., … & Carlson, J. D. (2016). Plant Invasions or Fire Policy: Which Has Altered Fire Behavior More in Tallgrass Prairie?. Ecosystems, 19, 356–368. https://doi.org/10.1007/s10021-015-9937-y

Wollstein, K., Creutzburg, M. K., Dunn, C., Johnson, D. D., O'Connor, C., & Boyd, C. S. (2022). Toward Integrated Fire Management to Promote Ecosystem Resilience. Rangelands, 44(3), 227-234. https://doi.org/10.1016/j.rala.2022.01.001

Xofis, P., Konstantinidis, P., Papadopoulos, I., & Tsiourlis, G. (2020). Integrating Remote Sensing Methods and Fire Simulation Models to Estimate Fire Hazard in a South-East Mediterranean Protected Area. Fire, 3, 31. https://doi.org/10.3390/fire3030031