مروری بر روش‌های مبتنی‌بر سنجش از دور در شناسایی و پایش آتش‌سوزی جنگل

مطالعات متعددی که طی چندین دهه اخیر درمورد پدیده آتش ‌سوزی انجام شده، مجموعه گسترده‌ای از داده‌های ورودی و روش‌های اجرا و ارزیابی را فراهم کرده است. با این ‌حال این مجموعه گسترده نتایج و تحقیقات، به‌صورت ساختاریافته، به ‌منظور ارائه نقشه راه به کاربران جدید این حوزه و راهنمایی در زمینه کاربردها و شرایط گوناگونی فراهم آمده است که تا کنون تحلیل نشده‌اند. به‌عبارتی دیگر، خلا تحقیقی منسجم درمورد عملکرد نسبی فرایندهای گوناگون سنجش از دور در این حوزه، به ‌منظور تولید اطلاعات متفاوت و مرتبط با کاربری‌ها، احساس می‌شود. برای رفع این خلا، در این تحقیق، تحلیلی نسبتاً جامع از مطالعات انجام ‌شده درباره آتش ‌سوزی در نشریات سنجش از دور صورت پذیرفته‌ است. چند عامل کلی مورد ارزیابی در مطالعات پیش، حین و پس از آتش‌ سوزی، تغییر در داده‌های ورودی، بررسی الگوریتم‌ها و توسعه آنها بودند زیرا تحلیلگران می‌توانند این عوامل را کنترل کنند تا دقت نهایی تحلیل‌ها و نتایج حاصل را بهبود بخشند. یکی از مسائل مهم در موضوع آتش‌سوزی، پس از شناسایی و کشف آتش، با توجه به تغییرات دائمی ایجادشده در ساختار و ترکیب پوشش گیاهی، بررسی نحوه بازیابی پوشش گیاهی و میزان رشد آن طی سالیان پس از آتش ‌سوزی است. براساس بررسی انجام‌‌شده درباره مطالعات آتش‌سوزی در کشور، حدود 48 % از این پژوهش‌ها به شناسایی و گسترش آتش‌سوزی و حدود 52% دیگر به احیا و بازیابی پرداخته‌اند. در بررسی تحقیقات درباره مطالعات شناسایی، مشخص شد که تقریباً 5% از آنها با استفاده از روش‌های یادگیری و 43% دیگر با روش‌های سنتی انجام شدند. درعین‌حال از سهم مرتبط با مطالعات احیا نیز، تقریباً 21% به بررسی پوشش گیاهی و 31% به بررسی خاک زیر سطح آتش پرداختند. یافته‌های این تحقیق می‌تواند به محققان، برای تصمیم‌گیری در انتخاب داده‌ها و الگوریتم‌های مورد استفاده، با توجه به هدف مطالعه، در شاخه‌های گوناگون مطالعات مرتبط با آتش‌سوزی کمک موثری برساند. بااین‌حال تحلیلگران می‌توانند، علاوه‌بر این دستورالعمل‌های کلی، ترجیحات شخصی یا مزایای الگوریتم ویژه‌ای را که ممکن است به برنامه‌ای خاص مربوط باشد، در نظر بگیرند.

A Review of Remote Sensing Methods in Identifying and Monitoring Forest Fires

Numerous studies on the phenomenon of fire over the past several decades have provided an extensive set of input data and implementation and evaluation methods. However, this vast array of results and research is structured to provide a roadmap to new users in the field and guidance on various applications and conditions that have not yet been analyzed. In other words, the absence of coherent research on the relative performance of different remote sensing processes in the fire is felt to produce various products or the resulting utilities. To fill this gap, a relatively comprehensive analysis of fire studies in remote sensing publications has been performed in this study. Some of the general factors evaluated in the pre, during, postfire studies were the manipulation of input data, the review of algorithms, and their development, as these are factors that can be controlled by analysts to improve the Final accuracy of analyzes and results. One of the important issues in the field of fire after the identification and discovery of fire, due to the permanent changes in the structure and composition of vegetation, is to study how vegetation is restored and its growth rate during the years after the fire. According to a study of fire studies in the country, about 48% of them are related to the identification and spread of fire and the remaining 52% are related to resuscitation and recovery. In a review of research related to identification studies, it was found that approximately 5% of its share was done using learning methods and the remaining 43% was done using traditional methods. At the same time, of the studyrelated share of Resuscitation studies approximately 21% to examine vegetation and 31% of the soil under the fire surface. The findings of this study can be useful in helping researchers to make decisions in the selection of data and algorithms used according to the purpose of study, in different branches of studies associated with fire. However, in addition to these general guidelines, an analyst can consider personal preferences or the benefits of a particular algorithm that may be relevant to a particular program.