مقایسه کارایی روش های یادگیری ماشینی درمدلسازی مناطق حساس به وقوع آتش (استان ایلام، شهرستان دره شهر)

آتش از مهمترین مخاطرات طبیعی بوده که تاثیر بسزائی بر ساختار و پویایی اکوسیستم های طبیعی دارد. با توجه به قرارگیری ایران در کمربند خشک و نیمه خشک جهان، هر ساله تعداد زیادی آتش سوزی عمدی و غیر عمدی در مناطق مختلف کشور به وقوع می پیوندد. به همین دلیل تعیین مناطق حساس به وقوع آتش نقش مهمی در مدیریت آتشسوزی در منابع طبیعی دارد. به همین دلیل تحقیق حاضر در صدد است تا با استفاده از دو روش یادگیری ماشینی جنگل تصادفی (random forest) و ماشین بردار پشتیبان (support vector machine) و 2024 نقطه وقوع آتش، مناطق حساس به وقوع آتش را در شهرستان دره شهر در استان ایلام را تعیین نماید. عوامل محیطی در چهار گروه اصلی شامل عوامل توپوگرافی (ارتفاع، جهت شیب، تند شیب)، عوامل اقلیمی (بارش، رطوبت نسبی، باد، درجه حرارت)، عوامل زیستی (پوشش گیاهی و رطوبت خاک) و عوامل انسان ساخت (فاصله از مناطق مسکونی، فاصله از جاده، فاصله از اراضی کشاورزی، فاصله از آبراهه) تهیه شدند. ارزیابی دقت مدل های مورد استفاده با استفاده سطح زیر نمودار (auc) در منحنی roc و آماره های ارزیابی متقاطع (cross-validation) انجام شد. بررسی شاخص auc نشان داد که هر دو مدل دارای دقت مناسبی بوده هرچند مدل جنگل تصادفی (auc = 0.97) دارای دقت بالاتری نسبت به مدل ماشین بردار پشتیبان (auc = 0.86) بود. بر اساس نتایج مدل جنگل تصادفی، حدود 60 درصد در کلاس کم خطر و حدود 20 درصد در کلاس خطر زیاد آتش قرار دارد. بررسی سهم عوامل تاثیرگذار بر وقوع آتش نشان داد که عوامل انسان ساخت (فاصله از مناطق مسکونی) و عوامل اقلیمی (درجه حرارت) نقش مهمتری در نقاط دارای سابقه آتش داشتند. بنابراین افزایش فرهنگ عمومی و کاهش رفتارهای خطرناک در طبیعت می تواند موجب کاهش وقوع آتش در این منطقه شده و سهم زیادی در حفاظت از محیط زیست و حفظ منابع طبیعی داشته باشد.

comparison of the effectiveness of machine learning methods in modeling fire-prone areas (ilam province, darehshahr city)

fire is one of the most important natural hazards that has a great impact on the structure and dynamics of natural ecosystems. due to iran's location in the arid and semi-arid belt of the world, a large number of human-made and natural fires occur in different regions of the country every year. therefore, determining sensitive areas to fire occurrence plays an important role in fire management in natural resources. to do so, the current study aims to identify fire-prone areas in dere shahr city in ilam province using two machine learning of random forest (rf) and support vector machine (svm) and 2024 fire occurrence points. environmental factors were prepared in categories including topographical factors (altitude, slope direction, slope anlgle), climatic factors (rainfall, relative humidity, wind, temperature), biological factors (vegetation and soil moisture) and man-made factors (distance from residential areas, distance from road, distance from agricultural land, distance from river). the model’s accuracy was evaluated using the area under the curve (auc) in the roc curve and cross-validation statistics. examining the auc index showed that both models had good accuracy, although the rf model (auc = 0.97) had higher accuracy than the support vector machine model (auc = 0.86). according to the results of rf model, about 60% are in the low-risk class and about 20% are in the high fire risk class. investigating the contribution of the factors affecting the occurrence of fire showed that man-made factors (distance from residential areas) and climatic factors (temperature) played a more important role in areas with a history of fire. therefore, increasing public culture and reducing dangerous behaviors in nature can reduce the occurrence of fire in this area and contribute greatly to the protection of the environment and preservation of natural resources.