ارزیابی احتمال وقوع آتش‌سوزی جنگل با استفاده از مدل دانگ، شبکه عصبی مصنوعی و نزدیک‌ترین همسایه‌ها در حوزه بابلرود، مازندران

آتش‌سوزی جنگل به عنوان یک تهدید مهم برای امنیت زندگی بشری، زیرساخت‌ها و محیط زیست شناخته می‌شود. یکی از مهم‌ترین مراحل در جهت کاهش خطرات آتش‌سوزی جنگل، تعیین مناطق با احتمال وقوع آتش‌سوزی در جنگل است. انتخاب روش‌های مناسب برای مدل‌سازی احتمال وقوع آتش‌سوزی جنگل بسیار مهم می‌باشد. با توجه به اهمیت موضوع در این مطالعه ابتدا با استفاده از مطالعات کتابخانه‌ای و نظرات کارشناسان مهم‌ترین متغیرهای موثر بر وقوع آتش‌سوزی در حوزه بابلرود در استان مازندران به عنوان منطقه مورد مطالعه تعیین شدند و سپس نتایج سه مدل دانگ، شبکه عصبی مصنوعی (ann) و k نزدیک‌ترین همسایه‌ها (knn) در تعیین نقشه احتمال وقوع آتش‌سوزی جنگل با هم مقایسه شد. نتایج نشان داد که مهم‌ترین متغیرهای موثر بر وقوع آتش‌سوزی متغیرهای دما، بارندگی و فاصله از مناطق مسکونی هستند. همچنین نتایج شبکه عصبی مصنوعی نسبت به دو مدل دیگر قابل اطمینان تر است. براساس نتایج حاصله حدود 35 درصد از سطح منطقه مورد مطالعه دارای پتانسیل وقوع آتش‌سوزی طبقه خیلی زیاد و زیاد است.

Assessing the Probability of Forest Fire Occurring using Dong Model, Artificial Neural Network and K Nearest Neighbors in Babolrood Basin, Mazandaran

Forest fire is recognized as a significant threat to the safety of human life, infrastructure and the environment. One of the most important steps in reducing the risk of forest fires is determination of the areas with the high probability of forest fire occurrence. Choosing the appropriate methods for modelling of the forest fires is very important. Due to the importance of the issue in this study, first using library studies and expert advices, the most important variables affecting the occurrence of fire in Babolrood basinMazandaran province were determined and then the results of three models of dong, artificial neural network and K nearest neighbors were compared in determining the probability of fire occurrence. The results showed that the most important variables affecting the fire occurrence are temperature, rainfall and distance from residential areas. The results of artificial neural network are more reliable than the other two models. According to the results, about 35% of the study area has very high and high potential for forest fire.