مقایسه‌‌ عملکرد مدل‌‌های اولیه و بهینه‌شده اتوماسیون سلولی در پیش‌بینی گسترش آتش‌سوزی جنگل

مدل‌‌ اتوماسیون سلولی به‌عنوان یکی از پرکاربردترین مدل‌‌های شبیه‌‌سازی گسترش آتش، نیازمند به‌کارگیری پارامترهای مناسب و ضریب‌های دقیق هستند. هدف اصلی پژوهش پیش‌رو، مقایسه‌‌ مدل‌‌های اولیه اتوماسیون سلولی و مدل بهینه‌شده با استفاده از الگوریتم کلونی زنبورعسل به‌منظور پیش‌بینی نرخ گسترش آتش‌ در یک جنگل دست‌کاشت در شمال شرقی استان گلستان است. با تهیه نقشه واقعیت زمینی نمونه‌ای، قابلیت داده‌های طیفی نوری و راداری ماهواره‌‌های سنتینل 1 و 2 برای تهیه نقشه تیپ و تراکم پوشش گیاهی مورد نیاز در مدل‌سازی گسترش آتش به‌عنوان هدف فرعی بررسی شد. پس از تصحیح تصاویر و استخراج شاخص‌های گیاهی، نقشه‌های نوع و تراکم پوشش گیاهی با استفاده از الگوریتم جنگل تصادفی تهیه شد. نتایج ارزیابی صحت نشان داد که بهترین نتیجه با تلفیق داده‌‌های نوری و راداری به‌دست می‌آید (صحت کلی و ضریب کاپا به‌ترتیب 0.81 و 0.75). مدل‌سازی گسترش آتش با استفاده از مدل‌های اولیه و نیز با ضریب‌های بهینه‌شده در پژوهش‌های پیشین انجام شد. به‌منظور بهبود نتایج و بررسی مقایسه‌ای، ضریب‌های مدل براساس شرایط منطقه با استفاده از الگوریتم کلونی زنبورعسل بهینه‌سازی شد. سپس، مدل‌سازی تکرار شد و با آتش‌سوزی واقعی مقایسه شد. نتایج نشان داد که مدل‌های بهینه‌شده با الگوریتم کلونی زنبورعسل (بهینه‌شده alexandridis و همکاران (2011) با صحت کلی، ضریب کاپا و ضریب سورنسن به‌ترتیب 0.92، 0.74 و 0.78 و بهینه‌شده alexandridis و همکاران (2008) به‌ترتیب 0.93، 0.74 و 0.78) مطابقت بیشتری با آتش‌سوزی واقعی در مقایسه با مدل‌های اولیه و بهینه‌شده پیشین داشتند.

Comparative study of basic and Bee Colonyoptimized models cellular automation for prediction of wildfire spread

As one of the most widely used models for fire spread simulation, cellular automata models commonly require appropriate parameters and the optimized coefficients. The main aim of this study was to compare the basic models of cell automation set by previous studies and optimized models using the Bee Colony Algorithm (ABC) to predict the rate of fire spread in a reforestation area in northeastern Golestan province, Iran. Furthermore, a subobjective was to test the ability of optical and radar sensors (Sentinel 1 and 2) for mapping the vegetation stand type and density required for fire spread modeling. Following preprocessing and extraction of vegetation indices, vegetation type and density were mapped by the Random Forest algorithm. The accuracy assessment showed that the best result was obtained by combining the optical and radar data (Kappa coefficient (KC) = 0.75 and Overall accuracy (OA) = 0.81). Moreover, the fire spread was modeled using previous and optimized coefficients from previous studies. Model coefficients were optimized based on environmental conditions using the BCA algorithm and were compared with the occurred fire to improve the results and comparative evaluation. The results showed that the optimized models were more consistent (Sorenson coefficient (SC) = 0.78; KC = 0.74 and OA = 0.93 for Alexandridis et al., 2011; and SC = 0.78; KC = 0.74 and OA = 0.92 for Alexandridis et al., 2008) with the observed fire than the other applied cellular automation models.