مقایسه عملکرد الگوریتم های fuzzy c-means و k-medoids در مدل سازی وقوع آتش سوزی جنگل (مطالعه موردی: جنگل های سراوان، گیلان)

ناحیه رویشی هیرکانی (خزری) یکی از مهم ترین نواحی رویشی ایران محسوب شده که با توجه به قدمت آن، ارزش بوم سامانه ای بالایی دارد. از طرفی این بوم سامانه همه ساله درگیر آتش سوزی های متعدد شده و سطح قابل ملاحظه ای از پوشش گیاهی خود را از دست می دهد، لذا به کارگیری روش های علمی برای پیش بینی مکان های دارای پتانسیل خطر آتش سوزی در مدیریت حفاظتی جنگل های هیرکانی بسیار حائز اهمیت است. بسیاری از سیستم های دنیای واقعی از نظر تشخیص الگو مورد استفاده قرار می گیرند بنابراین استفاده صحیح از روش های یادگیری ماشین در کاربردهای عملی ضروری است. از طرفی استفاده از روش های مبتنی بر خوشه بندی با توجه به رویکرد آن در تشخیص الگو و کشف خروجی به عنوان یک روش موثر مورد تاکید است. هدف از انجام تحقیق حاضر بررسی توانایی و مقایسه عملکرد رویه های متفاوت خوشه بندی از دو الگوریتم مبتنی بر خوشه بندی fuzzy cmeans و kmedoids در مدل سازی آتش سوزی جنگل با تاکید بر قابلیت های عملکرد الگوریتم های موصوف است. با توجه به وجود آتش سوزی های دوره ای موجود از الگوریتم های مذکور به صورت ارتقاء سطح کدنویسی در نرم افزار متلب در راستای بهبود مطالعات در زمینه پیش بینی خطر حریق جنگل استفاده شد. معیارهای ورودی مدل در این مطالعه عبارتند از نقاط ثبت شده آتش سوزی، فاصله از مناطق کشاورزی، فاصله از جاده، فاصله از رودخانه، فشار هوا، بازتابش خورشید، شیب، جهت شیب، سرعت باد، درصد تراکم تاج پوشش و تیپ جنگل. نتایج به دست آمده از نقشه پیش بینی خطر آتش سوزی هر دو الگوریتم، نشان از توانایی بالای آن ها در پیش بینی مدل وقوع آتش سوزی دارد. همچنین بر اساس نتایج جدول ماتریس درهم‌آمیختگی مقایسه دو الگوریتم، الگوریتم fcm عملکرد بهتری نسبت به الگوریتم kmedoids در پیش بینی مکان های دارای پتانسیل خطر آتش سوزی از خود نشان داد. لذا استفاده از الگوریتم fcm به عنوان یکی از روش های موثر در خوشه بندی تفکیکی برای مطالعات آینده پیشنهاد می شود.

Comparison of the Performance of Fuzzy C-Means and K-Medoids in Modeling Forest Fire Occurrence (Case Study: Saravan Forests, Gilan)

Hyrcanian (Caspian) area is one of the most important vegetation areas in Iran, which due to its antiquity, has a high ecosystem value. On the other hand, this ecosystem is involved in multiple fires every year and loses a significant level of vegetation, so the use of scientific methods to predict places with potential fire risk is very important. This can be used for the conservation management of Hyrcanian forests. Many realworld systems are used in terms of pattern recognition, so proper use of machine learning methods is essential in practical applications. However, the use of clusteringbased methods is emphasized as an effective method due to its approach in pattern recognition and output discovery. The purpose of this study was to evaluate the ability and compare the performance of Fuzzy CMeans and kMedoids clustering in modeling forest fire occurrence with emphasis on the performance capabilities of the algorithm. Due to the existence of periodic fires, the mentioned algorithms were used to improve the level of coding in MATLAB software in order to improve studies in the field of forest fire risk prediction. Model input criteria in this study are recorded fire points, distance to agricultural areas, distance to the road, distance to the river, air pressure, solar radiation, slope, aspect, wind speed, forest type and percentage of canopy density. The results obtained from the fire hazard prediction map of both algorithms show their high ability to predict the fire occurrence model. Also, based on the results of the confusion matrix table of the comparison of the two algorithms, the FCM algorithm showed better performance than the kmedoids algorithm in predicting places with potential fire risk. Therefore, the use of FCM algorithm is suggested as one of the effective methods in differential clustering for future studies.