پیش‌بینی گسترش آتش‌سوزی جنگل با استفاده از اتوماتای سلولی و شبکه عصبی مصنوعی

جنگل ها از جمله مهم ترین منابع طبیعی هر کشوری محسوب می شوند که حفاظت و مراقبت از آن ها دارای اهمیت ویژه ای است. یکی از حوادثی که باعث ایجاد صدمات جدی به جنگل ها می شود، آتش سوزی و گسترش آن می باشد. بنابراین انجام اقداماتی نظیر تعیین فاکتورهای موثر در آتش سوزی و شبیه سازی گسترش آن، برای به حداقل رساندن زیان های ناشی از آن اهمیت فراوانی پیدا می کند. در روش پیشنهادی این تحقیق، برای تعیین فاکتورهای بهینه موثر در آتش سوزی جنگل گلستان، از ترکیب الگوریتم ژنتیک با روش رگرسیون اسپلاین تطبیقی چندمتغیره استفاده شد. 9 فاکتور به عنوان فاکتورهای بهینه تعیین شدند که شامل حداکثر دما، متوسط دما، حداقل دما، جهت باد غالب، حداکثر سرعت باد، جنس خاک، کاربری زمین، جهت شیب و فاصله از مناطق مسکونی بودند. سپس با استفاده از این فاکتورهای بهینه و بکارگیری اتوماتای سلولی و شبکه عصبی مصنوعی، اقدام به شبیه سازی گسترش آتش سوزی جنگل گلستان شد. همچنین برای بررسی تاثیر فیلتر همسایگی بر نتایج حاصل از شبیه سازی، از فیلترهای همسایگی 3×3، 5 ×5 و 7 ×7 استفاده شد. با توجه به نتایج این تحقیق، بهترین دقت برای شبیه سازی آتش سوزی منطقه مورد مطالعه در تاریخ 26 آبان 1389 با فیلتر همسایگی 3×3 و توان تفکیک مکانی 30 متر بدست آمد. در این حالت شاخص کاپا، شاخص عامل نسبی و دقت کلی به ترتیب برابر با 0.890، 0.917 و 0.953 بودند.

Presenting a Morphological Based Approach for Filtering The Point Cloud to Extract the Digital Terrain Model

The Digital terrain model is an important geospatial product used as the basis of many practical projects related to geospatial information. Nowadays, a dense point cloud can be generated using the LiDAR data. Actually, the acquired point cloud of the LiDAR, presents a digital surface model that contains ground and nonground objects. The purpose of this paper is to present a new approach of extracting the digital terrain model from the digital surface model. In the first step, noises were removed by preprocessing; then the irregular point cloud was converted to raster data. In the next step, the proposed gradual geodesic dilation and labeling approaches scan were applied in order to detect and eliminate the nonground objects. The basis of gradual geodesic dilation approach was to increase the structural element size in each step, investigate the height heterogeneity and remove the nonground objects, gradually. Also, utilizing the innovative scan labeling approach which operated based on slope differential helped to remove the nonground objects completely. Finally, the nonground objects were removed and the lost regions were retrieved and the digital terrain model was generated by interpolation. For analyzing the proposed approach, the reference data of the ISPRS was employed. The analyzing results in the five test areas indicated 4.61%, 6.97% and 3.17% for Type I, Type II and total errors, respectively. These results clarify the good performance of the proposed approach for detecting the nonground objects.