تحلیل عدم قطعیت ریسک مخاطرۀ آتش‌سوزی جنگل مبتنی بر نظریۀ شهود دمپستر- شافر (مطالعۀ موردی: بخشی از جنگل‌های کرمانشاه)

نوع مقاله : پژوهشی کاربردی

نویسندگان

1 دانشجوی دکتری GIS، دانشکدۀ مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی؛ تهران، ایران

2 گروه GIS ، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

3 دانشیار دانشکدۀ جغرافیا، دانشگاه تهران؛ تهران، ایران

چکیده

آتش‌سوزی جنگل‌ها از مخاطرات مهمی است که ممکن است عامل انسانی یا غیرانسانی داشته باشد و موجب مشکلات زیادی در چرخۀ اکوسیستم، تخریب زیرساخت‌های جنگل، فرسایش خاک و از بین رفتن حیات بسیاری از موجودات زنده شود. یکی از راه‌های مدیریت آتش‌سوزی جنگل و کاهش تأثیرات مخرب آن، پیش‌بینی خطر در مناطق مستعد آتش‌سوزی است. به این منظور تهیة نقشة پهنه‌بندی خطر آتش‌سوزی در جنگل‌های مستعد با تمرکز بیشتر بر مناطق پرخطر، ایجاد زیرساخت‌های مناسب برای آموزش آتش‌نشانان و در نهایت برنامه‌ریزی برای مبارزه با آتش‌سوزی با هدف کاهش آسیب و حفظ ایمنی ضرورت دارد. هدف این مقاله، مدل‌سازی پتانسیل آتش‌سوزی در مناطق جنگلی با در نظر گرفتن عدم قطعیت ناشی از وزن‌دهی معیارهای مؤثر مکانی است. نوآوری تحقیق حاضر، به‌کارگیری نظریۀ شهود دمسپتر- شافر به‌منظور کاهش عدم قطعیت ناشی از وزن‌دهی معیارها توسط کارشناسان است. در این رویکرد با توجه به در نظر گرفتن توابع باور و موجه بودن و تجمیع توابع سطوح مختلف عدم قطعیت مدیریت می‌شود که با توجه به تعداد زیاد زیرمعیارها می‌تواند بسیار مؤثر باشد. ابتدا معیارهای توپوگرافی، اقلیمی، انسانی و پوشش گیاهی مدنظر قرار گرفت و زیرمعیارهای مربوط شناسایی شد. معیارها و زیرمعیارها در سه سطح تعریف شدند. در سطح اول چهار معیار، در سطح دوم ده زیرمعیار و در سطح سوم بیست‌وهفت زیرمعیار در نظر گرفته شد. همچنین به‌منظور وزن‌دهی معیارهای مؤثر از نظر سی کارشناس استفاده شد. با استفاده از پرسشنامه‌های تکمیل‌شده توسط متخصصان و وزن هر یک از معیارها و زیرمعیارهای مربوط، اوزان نهایی با استفاده از نظریۀ شهود دمپستر- شافر محاسبه شد. نقشة خطر وقوع آتش‌سوزی با استفاده از روش‌های همپوشانی وزن‌دار و با تلفیق لایه‌ها در چهار طبقه گروه‌بندی شد. نتایج نشان داد که مؤثرترین شاخص‌ها در وقوع آتش‌سوزی به‌ترتیب معیار پوشش گیاهی و سپس معیار انسانی است. وزن معیار انسانی 301/0 و وزن پوشش گیاهی 2595/0محاسبه شد. مقایسة نقشة حاصل با آتش‌سوزی‌های رخ‌داده در منطقة پژوهش نشان می‌دهد که طبقات پرخطر و خطرناک همپوشانی زیادی با نقاط حاصل از این تحقیق دارند و مدل پیشنهادی می‌تواند با دقت زیاد وقوع آتش‌سوزی جنگل‌ها و مراتع را پیش‌بینی کند. همچنین آزمون مدل توسط منحنی مشخصة عملکرد سیستم دقت زیاد مدل با مقدار 92 درصد  را نشان داد.

کلیدواژه‌ها

مراجع

  • عباس‌زاده تهرانی، نادیا؛ مروتی، آذر؛ خانبانی، سارا؛ و جانعلی‌پور، میلاد (1400). «ارزیابی عملکرد پردازش تک‌زمانه و چندزمانۀ تصاویر ماهوارۀ لندست 8 مبتنی بر طبقه‌بندی‌کننده‌های ماشین بردار پشتیبان و جنگل‌ تصادفی در پایش آتش‌سوزی جنگل‌ها»، مدیریت مخاطرات محیطی، دورۀ 8، شمارۀ 2، صفحۀ135-119.
  • Beynon, M.; Curry, B.; & Morgan, P. (2000). The Dempster-Shafer theory of evidence: An alternative approach to multicriteria decision modelling, Omega. 28, pp: 37-50. 10.1016/S0305-0483(99)00033-X.
  • Bui, D.; Hoang, N-D.; & Samui, P. (2019). “Spatial Pattern Analysis and Prediction of Forest Fire Using New Machine Learning Approach of Multivariate Adaptive Regression Splines and Differential Flower Pollination Optimization: A case study at La Cai province (Vietnam)”, Journal of Environmental Management, 10.1016/j.jenvman.2019.01.108.
  • Bukhori, S. (2018). Forest Fire Model, 10.5772/intechopen.72591.
  • Castillo Soto, M. (2012). “The identification and assessment of areas at risk of forest fire using fuzzy methodology,” Applied Geography, 35, pp: 199–207. 10.1016/j.apgeog.2012.07.001.
  • Castillo Soto, M.; & Silva, F. (2015). “Quantitative analysis of forest fire extinction efficiency”, Forest Systems, 24. 2171-9845. 10.5424/fs/2015242-06644.
  • Dempster, A. (2008). Upper and Lower Probabilities Induced by a Multivalued Mapping, 10.1007/978-3-540-44792-4_3.
  • Finney, M. (2005). “The challenge of quantitative risk analysis for wildland fire”, Forest Ecology and Management, 211, pp: 97-108. 10.1016/j.foreco.2005.02.010.
  • González, C.; Castillo Soto, M.; Chevesich, P.; & Barrios, J. (2017). “Dempster-Shafer theory of evidence: A new approach to spatially model wildfire risk potential in central Chile”, The Science of the total environment, pp: 613-614. 1024-1030. 10.1016/j.scitotenv.2017.09.105.
  • González-Sanchis, M.; Ruiz-Pérez, G.; Del Campo, A.; García-Prats, A.; Francés, F.; & Lull, C. (2019). “Managing low productive forests at catchment scale: Considering water, biomass and fire risk to achieve economic feasibility”, Journal of Environmental Management, 231. pp: 653-665. 10.1016/j.jenvman.2018.10.078.
  • Khan, M.; & Anwar, S. (2019). “Paradox Elimination in Dempster–Shafer Combination Rule with Novel Entropy Function: Application in Decision-Level Multi-Sensor Fusion”, Sensors, 19. 4810. 10.3390/s19214810.
  • Monjarás-Vega, N.; Briones-Herrera, C.; Vega-Nieva, D.; Calleros-Flores, E.; Corral-Rivas, J. J.; López Serrano, P.; Pompa-García, M.; Rodrı́guez-Trejo, D.; Carrillo-pzrra, A.; González-Cabán, A.; Alvarado, E.; & Jolly, W. (2020). “Predicting forest fire kernel density at multiple scales with geographically weighted regression in Mexico”, Science of The Total Environment, 718. 137313. 1016/j.scitotenv.2020.137313.
  • Murthy, K.; Sinha, S.; Kaul, R., & Vaidyanathan, S. (2019). “A fine-scale state-space model to understand drivers of forest fires in the Himalayan foothills”, Forest Ecology and Management, 432. pp: 902–911. https://doi.org/10.1016/j.foreco.2018.10.009
  • Naderpour, Mohsen; Rizeei, Hossein; Khakzad, Nima; & Pradhan, Biswajeet. (2019). “Forest Fire Induced Natech Risk Assessment: A Survey of Geospatial Technologies”, Reliability Engineering & System Safety, 191. 106558. 10.1016/j.ress.2019.106558.
  • Novković, Ivan; Goran, B.; Markovic, Goran; Lukic, Djordje; Dragicevic, Slavoljub; Milosevic, Marko; Djurdjic, Snezana; Samardžić, Ivan; Lezaic, Tijana; & Tadic, Marija. (2021). “GIS-Based Forest Fire Susceptibility Zonation with IoT Sensor Network Support: Case Study-Nature Park Golija”, Sensors (Basel, Switzerland). 21. 10.3390/s21196520.
  • Ngoc-Thach, N.; Dang Ngo, T.; Pham, X-C.; Nguyen, H-Th.; Bui, H.; Hoang, N-D.; & Bui, D. (2018). “Spatial Pattern Assessment of Tropical Forest Fire Danger at Thuan Chau area (Vietnam) using GIS-Based Advanced Machine Learning Algorithms: A comparative study”, Ecological Informatics, 46. 10.1016/j.ecoinf.2018.05.009.
  • Pique, M.; Olabarria, J.; & Reynolds, K. (2019). Strategic and tactical planning to improve suppression efforts against large forest fires in the Catalonia region of Spain, Forest Ecology and Management, 432. 612-622. 10.1016/j.foreco.2018.09.0.
  • Pourghasemi, Hamid (2015). “GIS-based forest fire susceptibility mapping in Iran: A comparison between evidential belief function and binary logistic regression models”, Scandinavian Journal of Forest Research, 31. 10.1080/02827581.2015.1052750.
  • Preisler, H.; & Ager, A. (2013). Forest-fire models. Encyclopedia of Environmetrics. 3.
  • Rathman, J.; Yang, Ch.; & Zhou, H. (2018). “Dempster-Shafer theory for combining in silico evidence and estimating uncertainty in chemical risk assessment”, Computational Toxicology, 6. 10.1016/j.comtox.2018.03.001.
  • Razavi-Termeh, Seyed Vahid; Sadeghi-Niaraki, Abolghasem; & Choi, Soo-Mi (2020). “Ubiquitous GIS-Based Forest Fire Susceptibility Mapping Using Artificial Intelligence Methods”, Remote Sensing, 12. 1689. 10.3390/rs12101689.
  • Sentz, K.; & Ferson, S. (2002). Combination of Evidence in Dempster-Shafer Theory. 10.2172/800792.
  • Srivastava, R.; Mock, Th.; & Gao, L. (2011). “The Dempster‐Shafer Theory: An Introduction and Fraud Risk Assessment Illustration”, Australian Accounting Review, 21. 282 - 291. 10.1111/j.1835-2561.2011.00135.x.
  • Sivrikaya, Fatih; & Kucuk, Omer (2021). “Modeling forest fire risk based on GIS-based analytical hierarchy process and statistical analysis in Mediterranean region”, Ecological Informatics, 68. 101537. 10.1016/j.ecoinf.2021.101537.
  • Valizadeh kamran, K.; Omrani, K.; & Khosroshahi, S. (2014). “Forest Fire Risk Assessment Using MultiCriteria Analysis: A Case Study Kaleybar Forest”.
  • Wang, J.; Qiao, K.; Zhang, Zh.; & Xiang, F. (2017). “A new conflict management method in Dempster–Shafer theory”, International Journal of Distributed Sensor Networks, 13. 155014771769650. 10.1177/1550147717696506.
  • Zadeh, Lotfi; & Ralescu, Anca (2013). On the Combinality of Evidence in the Dempster-Shafer Theory.
  • Zhao, Pengcheng; Zhang, Fuquan; Lin, Haifeng; & xu, Shuwen. (2021). “GIS-Based Forest Fire Risk Model: A Case Study in Laoshan National Forest Park”, Remote Sensing, 13. 3704. 10.3390/rs13183704.
  • Zheng, Zhong; Gao, Yanghua; Yang, Qingyuan; Zou, Bin; Xu, Yongjin; Chen, Yanying; Yang, Shiqi; Wang, Yongqian; & Wang, Zengwu (2020). “Predicting forest fire risk based on mining rules with ant-miner algorithm in cloud-rich areas”, Ecological Indicators, 118. 106772. 10.1016/j.ecolind.2020.106772.
مدیریت مخاطرات محیطی
دوره 8، شماره 4
دی 1400
صفحه 413-430

فایل ها

هم رسانی

ارجاع به این مقاله

آمار