علل آتش‌سوزی‌های جنگلی بسیار پیچیده است و مقیاس سوختن و احتمال وقوع آن‌ها تحت تأثیر تأثیر متقابل عوامل مختلفی مانند عوامل هواشناسی، توپوگرافی، فعالیت‌های انسانی و نوع پوشش گیاهی است. درک عمیق مکانیسم های ترکیبی عوامل مؤثر بر وقوع و گسترش آتش سوزی های بوته ای برای حمایت از توسعه طرح های پیشگیری از آتش سوزی مؤثر و اقدامات مهار آتش و برنامه ریزی کمک برای نگهداری جغرافیایی، اکولوژیکی و مدیریت اضطراری شهری مورد نیاز است. این مطالعه با هدف بررسی چگونگی تعامل آتش‌سوزی‌ها، تغییرپذیری هواشناسی و سایر عوامل طبیعی در طول 40 سال گذشته در NSW استرالیا و اینکه چگونه این عوامل تأثیرگذار به طور هم‌افزایی باعث ایجاد آتش‌سوزی در جنگل‌ها می‌شوند، انجام شد. کیت ابزار Spark CSIRO برای شبیه‌سازی آتش‌سوزی در بوته‌ها که در 24 ساعت پخش می‌شود، استفاده شده است. این مطالعه از داده‌های آتش‌سوزی جنگلی NSW از سال‌های 1981 تا 2020، همراه با عوامل هواشناسی (دما، بارش، سرعت باد)، داده‌های پوشش گیاهی (داده‌های NDVI، نوع پوشش گیاهی) و داده‌های توپوگرافی (شیب، رطوبت خاک) برای تجزیه و تحلیل رابطه بین آتش‌سوزی‌ها و تأثیرگذاری استفاده می‌کند. عوامل کمی سپس از رگرسیون جنگل تصادفی یادگیری ماشینی برای تعیین تفاوت در تأثیر عوامل آتش‌سوزی در میزان وقوع و مقیاس سوختگی بوته‌ها استفاده شد. در نهایت، داده‌های مربوط به هر عامل تأثیر به اسپارک وارد شد و از نتایج مدل جنگل تصادفی برای تنظیم وزن‌های تأثیر متفاوت در Spark برای تجسم گسترش آتش‌سوزی‌هایی که بیش از 24 ساعت در چهار منطقه کانونی آتش‌سوزی در NSW می‌سوختند استفاده شد. سرعت باد، دمای هوا و رطوبت خاک بیشترین تأثیر را بر گسترش آتش‌سوزی‌های بوته‌ها دارند، با سهم ترکیبی این سه عامل بیش از 60٪، تعیین کننده گسترش آتش‌سوزی‌ها و مقیاس آتش‌سوزی. بارش و پوشش گیاهی تأثیر بیشتری بر فراوانی سالانه آتش‌سوزی‌ها نشان داد. علاوه بر این، شبیه‌سازی سوختگی نشان می‌دهد که جهت باد بر جهت اصلی گسترش آتش تأثیر می‌گذارد، در حالی که شکل جبهه شعله عمدتاً به دلیل تأثیر طبقه‌بندی زمین است. علاوه بر این، نتایج شبیه‌سازی اسپارک می‌تواند گسترش زمانی و مکانی آتش را پیش‌بینی کند، که یک کمک تصمیم گیری بالقوه برای آژانس‌های ضد حریق است.

کلید واژه ها:

آتش سوزی جنگلی ; GIS ; جنگل تصادفی ; الگوریتم یادگیری ماشین ; شبیه سازی آتش ؛ تحلیل فضایی

1. مقدمه

بین سال‌های 1981 تا 2017، آتش‌سوزی‌های جنگلی تقریباً 6.2 میلیون نفر را تحت تأثیر قرار دادند و بیش از 2000 مجروح و مرگ را در سراسر جهان ایجاد کردند [ 1 ]. استرالیا یکی از کشورهای مستعد آتش سوزی در جهان است که از سال 1851 تاکنون بیش از 800 نفر و میلیاردها حیوان در این کشور جان خود را از دست داده اند. آتش سوزی های جنگلی استرالیا از نوامبر 2019 تا فوریه 2020 یکی از بدترین موارد ثبت شده بوده و 12.8 میلیون هکتار را سوزانده است. زمین، ضربه مهلکی به محیط زیستی استرالیا وارد کرده و 57 درصد از جمعیت استرالیا را تحت تأثیر قرار می دهد [ 2 ]. در عین حال، آتش‌سوزی‌ها در استرالیا اجتناب‌ناپذیر هستند، جایی که گونه‌های جنگلی تحت سلطه درختان اکالیپتوس هستند که با آتش‌سوزی‌ها سازگار شده‌اند، زیرا ساوانای شمالی سالانه می‌سوزد [ 3 ]]. جنوب شرقی سرزمین اصلی استرالیا به دلیل ویژگی های آب و هوایی منحصر به فرد خود یکی از مناطق پر خطر آتش سوزی در جهان است. این منطقه نه شهر از ده شهر بزرگ استرالیا و سه چهارم جمعیت این کشور را در خود جای داده است. این منطقه به شدت جنگلی است، با اکالیپتوس قرمز و Flindersia australis به عنوان گونه های درختی غالب، و کف جنگل با انواع درختچه ها و قارچ ها پوشیده شده است [ 4 ]. انباشت سریع سوخت و تعادل بالای بارهای سوخت مشخصه این جامعه گیاهی است [ 5 ]. آب و هوای منطقه مدیترانه ای، با تابستان های گرم و خشک و زمستان های معتدل و مرطوب است [ 6 ]]. باران در بهار و زمستان باعث رشد سوخت (پوشش گیاهی) می شود، در حالی که تابستان های خشک خطر آتش سوزی را افزایش می دهد. سوزاندن جنگل‌ها گازهای گلخانه‌ای، ذرات جامد و سایر گازها را آزاد می‌کند که خطرات جدی برای جو و سلامت انسان ایجاد می‌کنند و آتش‌سوزی‌های گسترده جنگل‌ها می‌توانند برای اکوسیستم‌ها، زیستگاه‌ها و زندگی انسان‌ها خطرناک باشند [ 7 ، 8 ، 9 ]. بنابراین، درک مکانیسم‌های ترکیبی عواملی که بر وقوع و گسترش آتش‌سوزی‌های جنگلی تأثیر می‌گذارند، برای توسعه برنامه‌های مؤثر پیشگیری از آتش‌سوزی و اقدامات اطفاء حریق، و همچنین کمک به برنامه‌ریزی جغرافیایی، نگهداری اکولوژیکی و مدیریت اضطراری شهری مفید است.
علل آتش سوزی در بوته ها بسیار پیچیده است و مقیاس و احتمال وقوع آنها تحت تأثیر تأثیر متقابل عوامل هواشناسی، توپوگرافی، فعالیت های انسانی، نوع پوشش گیاهی و بسیاری از عوامل دیگر است. تأثیر این عوامل بر گسترش آتش سوزی های بوته ای نیز با توجه به منطقه مورد مطالعه و مقیاس فضایی متفاوت است. به طور خاص، آب و هوا به طور گسترده ای به عنوان یک عامل مهم تأثیرگذار بر تغییرات در پویایی آتش سوزی در بوته ها شناخته می شود [ 10 ، 11 ، 12 ، 13 ، 14 ، 15 ، 16 ، 17]. تأثیر آب و هوا بر آتش‌سوزی‌ها عمدتاً در مقیاس‌های فضایی بزرگ آشکار می‌شود، جایی که از دو طریق بر وقوع آتش‌سوزی‌ها تأثیر می‌گذارد: با افزایش غلظت دی اکسید کربن در هوا و افزایش دما، و با تغییر محتوای آب و الگوهای توزیع مواد قابل احتراق. مواد موجود در محیط [ 18 ]. در مقیاس های کوچک، عواملی مانند مواد قابل احتراق، توپوگرافی و فعالیت های انسانی احتمالاً عوامل اصلی مؤثر بر آتش سوزی در بوته ها هستند. نوع و محتوای آب مواد قابل احتراق مستقیماً بر ظرفیت آتش سوزی منطقه تأثیر می گذارد [ 19]. توپوگرافی (به عنوان مثال، ارتفاع، شیب و جنبه) نیز بر مقدار و ساختار توزیع فضایی پوشش گیاهی یا مواد قابل احتراق در منطقه و در نتیجه سرعت و جهت گسترش آتش سوزی تأثیر می گذارد. ثانیاً، فعالیت‌های انسانی از طریق اقداماتی مانند گسترش ساختمان، ساخت شبکه‌های حمل‌ونقل و فعالیت‌های بیرونی بر الگوی فضایی و فراوانی آتش‌سوزی‌ها تأثیر می‌گذارد [ 20 ]. این عوامل با یکدیگر تعامل دارند و در نهایت باعث ایجاد تغییراتی در پویایی آتش‌سوزی‌های جنگلی می‌شوند و مطالعه این مکانیسم‌های تعاملی می‌تواند به ما در درک دقیق‌تر آتش‌سوزی‌ها کمک کند.
مطالعات فعلی در مورد محرک‌های آتش‌سوزی و پیش‌بینی آتش‌سوزی عمدتاً بر اساس روش‌های ریاضی و آماری است. با برون یابی مدل‌های ریاضی رابطه بین شرایط آتش‌سوزی و عناصر مختلف مانند هواشناسی، توپوگرافی و علوم اجتماعی-انسانی، مطالعات کنونی احتمال وقوع آتش‌سوزی در بوته‌ها را بیشتر پیش‌بینی می‌کنند. در این میان، رگرسیون خطی چندگانه و رگرسیون لجستیک (LR) به طور گسترده ای برای مدل سازی احتمال وقوع آتش سوزی جنگل استفاده می شود [ 21 ]. برادستاک از رگرسیون لجستیک بیزی برای بررسی تأثیر نسبی اجزای محیطی و خشکسالی شاخص خطر آتش سوزی جنگل (FFDI) بر احتمال اشتعال آتش استفاده کرد [ 22 ].]. مطالعه دیگری از داده‌های تصویر سنجش از دور استفاده کرد و یک مدل رگرسیون لجستیک باینری برای تولید نقشه احتمال وقوع آتش‌سوزی در جنوب شرقی استرالیا ساخت [ 23 ]. رگرسیون وزن‌دار جغرافیایی نیز در مدل‌های لجستیک (GWLR) برای تحلیل تأثیر عوامل انسانی بر آتش‌سوزی‌های جنگلی معرفی شده است [ 24 ]. علاوه بر مدل‌های LR و GWLR، الگوریتم جنگل تصادفی نیز روشی است که در تحقیقات شبیه‌سازی آتش‌سوزی جنگلی مورد استفاده قرار گرفته است. الگوریتم جنگل تصادفی می تواند تعداد زیادی متغیر مستقل را مدیریت کند و می تواند به طور خودکار متغیرهای مهم را انتخاب کند. با افزایش تعداد درختان، عملکرد آزمایشی جنگل تصادفی کاهش نمی‌یابد (به دلیل برازش بیش از حد) [ 25 ]]. بنابراین، زمانی که محققان به تعداد دلخواه از درخت استفاده می کنند، بیش از حد مناسب نیست. الگوریتم‌های جنگل تصادفی انعطاف‌پذیری بیشتری نسبت به روش‌های رگرسیون معمولی [ 25 ] در ارزیابی تعاملات پیچیده بین متغیرها فراهم می‌کنند. چندین مطالعه از مدل‌های تصادفی جنگل برای تعیین کمیت اثرات آب و هوا، نوع پوشش گیاهی، توپوگرافی و فعالیت‌های انسانی بر الگوهای توزیع آتش‌سوزی‌ها استفاده کرده‌اند. نتایج با روش‌های رگرسیون خطی چندگانه سنتی مقایسه شد و نشان داد که الگوریتم جنگل تصادفی در پیش‌بینی بهتر بود [ 26 ]]. در حال حاضر، مطالعات در مورد تأثیر عوامل آتش‌سوزی عمدتاً بر روی یک منطقه خاص متمرکز شده‌اند، در حالی که تجزیه و تحلیل تأثیر بر آتش‌سوزی‌های بوته‌ها در مقیاس‌های فضایی وسیع و جغرافیایی هنوز وجود ندارد. در این تحقیق، مقیاس مطالعه در کل نیو ساوت ولز است و مقیاس زمانی برای تجزیه و تحلیل داده‌های آتش‌سوزی تاریخی تا 40 سال افزایش یافته است.
علاوه بر این، آتش‌سوزی‌ها می‌توانند به سرعت تغییر کنند و پیش‌بینی به موقع تغییرات مکانی و زمانی در آتش سوزی یکی از چالش‌های اصلی مدیریت آتش‌سوزی‌های جنگلی است. هم منابع محدود آتش نشانی و هم نیاز به واکنش سریع اضطراری، مدیران را ملزم می کند که بتوانند به طور دقیق محل آتش سوزی و روند گسترش آتش را در یک دوره کوتاه پیش بینی کنند [ 27 ]. ساده سازی الگوهای وقوع آتش سوزی بزرگ، نقشه برداری آتش سوزی، شناسایی مکانیسم های گسترش آتش و مدل سازی اثرات آتش بهترین اقدامات برای برنامه ریزی و کاهش اثرات آتش سوزی است [ 28 ].]. با افزایش قدرت پردازش تصویر رایانه‌ای و بلوغ فناوری محاسبات ابری، تصدیق پیش‌بینی آتش سوزی از اشکال مختلف محاسبه مدل‌های ریاضی به مدل‌های شبیه‌سازی دو بعدی آتش‌سوزی مبتنی بر رایانه تغییر کرده است [ 29 ]. Spark ابزاری است که توسط CSIRO در استرالیا برای شبیه‌سازی گسترش آتش‌سوزی در جنگل‌ها بر روی زمین توسعه یافته است [ 30 ]. این جعبه ابزار شامل چندین ماژول است که خواندن و نوشتن داده های جغرافیایی، مدل های محاسباتی برای شبیه سازی گسترش جبهه شعله و تجسم و طیف وسیعی از ابزارهای تجزیه و تحلیل داده حاصل را امکان پذیر می کند. این به کاربر اجازه می دهد تا هر گونه الگوریتم گسترش آتش موجود را بسته به موقعیت و ترجیح اعمال کند [ 31]. شبیه‌سازی‌های آتش‌سوزی که توسط Spark انجام می‌شود نیاز به ورودی بسیاری از مجموعه‌های داده، از جمله نقشه‌های طبقه‌بندی زمین یا انواع سوخت، زمین، اطلاعات سوخت و داده‌های آب و هوا دارد. Spark همچنین به کاربر اجازه می دهد تا به طور مستقل اسکریپت ها را وارد کند تا این مجموعه داده ها را به روش های مختلف برای محاسبه گسترش مناطق مختلف ترکیب کند. تمام محاسبات در Spark بر روی معماری GPU موازی شده‌اند و به شبیه‌سازی‌ها اجازه می‌دهند بسیار سریع‌تر از زمان واقعی اجرا شوند [ 31 ]. این پیش‌بینی سریع گسترش آتش‌سوزی می‌تواند در کوتاه‌مدت استراتژی واکنش اضطراری روشنی را در اختیار آژانس‌های مدیریتی قرار دهد و منابع نجات را به موقع بسیج کند تا از آسیب‌های شدید جلوگیری شود.
همانطور که قبلا ذکر شد، بسیاری از جنبه های تحقیقات آتش سوزی در استرالیا به روش های مختلف مورد بحث قرار گرفته است، اما برخی از شکاف ها باقی مانده است. تا به امروز، تحقیقات مستند کمتری با استفاده از داده‌های مکانی-زمانی بلندمدت برای تجزیه و تحلیل محرک‌های تأثیرگذار و پیش‌بینی الگوهای فضایی بالقوه آتش‌سوزی‌های جنگلی انجام شده است. این مطالعه تلاش می‌کند با استفاده از ۴۰ سال داده‌های آتش‌سوزی تاریخی، عوامل اقلیمی و سایر تأثیرات در نیو‌وساوت ولز، این شکاف را برطرف کند تا تأثیر عوامل مختلف را بر فراوانی و مقیاس آتش‌سوزی‌ها در سراسر NSW تحلیل کند. با توجه به محدودیت داده ها، مطالعات قبلی در مورد عوامل تاثیر آتش سوزی در جنگل و پیش بینی آتش سوزی جنگل بر روی یک منطقه خاص متمرکز شده است، در حالی که تجزیه و تحلیل هایی که در آن منطقه مورد مطالعه کل یک حالت مستعد آتش سوزی را پوشش می دهد، وجود ندارد. برای پر کردن این شکاف، اهداف این مقاله عبارتند از:
  • برای بررسی تعاملات بین داده‌های آتش‌سوزی تاریخی، داده‌های هواشناسی و سایر داده‌های 40 سال گذشته در منطقه وسیعی در استرالیا، به عنوان مثال، NSW، با مساحت 801150 کیلومتر مربع و جمعیت 8.166 میلیون نفر (تا سپتامبر 2020).
  • برای پیش‌بینی گسترش سوزاندن آتش‌سوزی به مدت 24 ساعت در چهار منطقه کانونی با استفاده از کیت ابزار Spark.

2. مواد و روشها

برای دستیابی به اهداف این مطالعه، همانطور که در شکل 1 نشان داده شده استاین مطالعه برای اولین بار از داده‌های باز آتش‌سوزی NSW در سال‌های 1981-2020، همراه با داده‌های هواشناسی، داده‌های پوشش گیاهی و داده‌های توپوگرافی برای تجزیه و تحلیل آماری رابطه بین فراوانی وقوع آتش‌سوزی در بوته‌ها، مقیاس سوختگی و عوامل تأثیرگذار استفاده کرد. سپس از رگرسیون جنگل تصادفی یادگیری ماشینی برای تعیین تفاوت در تأثیر عوامل تأثیرگذار آتش‌سوزی در میزان وقوع و مقیاس سوختگی بوته‌ها استفاده شد. در واقع، این الگوریتم به ما کمک کرد تا اهمیت نسبی هر راننده را در آتش سوزی بررسی کنیم. در نهایت، داده‌های مربوط به هر عامل تأثیر به اسپارک وارد شد و از نتایج مدل جنگل تصادفی برای انتخاب مهم‌ترین محرک‌ها برای مدل گسترش شعله در اسپارک برای شبیه‌سازی گسترش آتش‌سوزی بوته‌ها در 24 ساعت در چهار نقطه داغ استفاده شد. مناطق NSW

2.1. منطقه مطالعه

نیو ساوت ولز در جنوب شرقی قاره استرالیا واقع شده است و از شمال و جنوب با ویکتوریا و کوئینزلند و از شرق با اقیانوس آرام همسایه است ( شکل 2 را ببینید ). این ایالت را می توان از نظر جغرافیایی به چهار منطقه تقسیم کرد: سیدنی، نیوکاسل، ولونگونگ و کوه آبی. این یکی از پرجمعیت ترین ایالت های استرالیا است. این ایالت در حال حاضر حدود هشت میلیون نفر جمعیت دارد که دو سوم آنها در منطقه سیدنی بزرگ زندگی می کنند [ 32 ].

2.2. داده ها

به منظور تجزیه و تحلیل داده های آتش سوزی جنگلی و محرک های آن، طیفی از داده ها در این مطالعه جمع آوری شد که در جدول 1 نشان داده شده است.

2.2.1. داده های آتش سوزی جنگلی

منبع اولیه داده‌های آتش‌سوزی، فایل Shapefile با عنوان «تاریخچه آتش‌سوزی NPWS-Wildfires and Rescribed Burns» بود که توسط دپارتمان برنامه‌ریزی، صنعت و محیط زیست NSW در سال 2010 منتشر شد. این مجموعه داده شامل مرزهای آتش‌سوزی نهایی برای هر سال از سال 1900 به بعد است. انواع آتش سوزی به دو دسته “Wildfire” و “Prescribed Burn” تقسیم می شوند. مرزهای آتش با سال آتش‌سوزی متمایز می‌شوند و جدول ویژگی Shapefile حاوی اطلاعاتی در مورد تاریخ منشأ، نوع، منطقه و محیط آتش‌سوزی است.
2.2.2. داده های آب و هوا
داده های بارش و دما از CRU TS4.04 به دست آمد: واحد تحقیقات آب و هوایی (CRU) تغییرات زمان به ماه در اقلیم منتشر شده توسط واحد تحقیقات اقلیمی دانشگاه شرق آنگلیا (CRU). فرمت داده های NetCDF شامل تغییرات ماه به ماه جهانی در ابر، محدوده دمای روزانه، فرکانس روز یخبندان، فرکانس روز مرطوب، تبخیر و تعرق بالقوه (PET)، بارش، میانگین دمای روزانه، میانگین دمای ماهانه، و دمای حداکثر و حداقل روزانه است. برای دوره 1901 تا 2020 [ 33 ]. توزیع فضایی این داده ها شبکه هایی با وضوح بالا (0.5 × 0.5 درجه) است که با استفاده از درون یابی ADW تولید می شود.
2.2.3. داده های رطوبت خاک
داده های رطوبت خاک با استفاده از مجموعه داده “CPC Soil Moisture” منتشر شده توسط مرکز پیش بینی آب و هوا NOAA (CPC) به دست آمد. این مجموعه داده حاوی داده های میانگین ماهانه رطوبت خاک از سال 1948 تا مه 2021 با وضوح مکانی 0.5 درجه است. داده ها با استفاده از پایتون پاکسازی، تجزیه و تحلیل آماری و تجسم شدند.
2.2.4. داده های باد
این مطالعه داده‌های سرعت باد را از مجموعه داده ERA5 انتخاب کرد، نسل پنجم مجموعه داده‌های تحلیل مجدد آب و هوا و آب و هوای ECMWF برای 40 تا 70 سال گذشته، که از چهار زیر گروه اصلی تشکیل شده است: داده‌های ساعتی و ماهانه، از جمله سطوح فشارسنجی (فرودگاه‌های فوقانی). ) و سطوح منفرد (میزان جو، موج و سطح زمین) [ 34 ]. این مجموعه داده تخمین‌های ساعتی حجم اتمسفر، موج و سطح زمین را از سال 1950 ارائه می‌کند و برای وسایل و توزیع مجموعه از قبل محاسبه شده است. این مطالعه از پایتون برای پردازش مجموعه داده استفاده کرد.
2.2.5. داده های گیاهی
در این مطالعه، شاخص تفاوت عادی شده گیاهی (NDVI) از مجموعه 5 مجموعه 5 سری محصولات شاخص گیاهی ماهانه جهانی MODIS (MYD13A3) به دست آمد. این مجموعه داده یک محصول شبکه بندی شده سطح 3 در طرح سینوسی با وضوح فضایی 1 کیلومتر (کیلومتر) در ماه، از جمله MODIS NDVI و شاخص گیاهی پیشرفته (EVI) [ 35 ] ارائه می دهد. شاخص گیاهی برای نظارت بر وضعیت پوشش گیاهی جهانی و برای محصولاتی که پوشش زمین و تغییر پوشش زمین را نشان می دهند استفاده می شود. این داده ها می توانند به عنوان ورودی برای شبیه سازی فرآیندهای بیوژئوشیمیایی و هیدرولوژیکی جهانی و آب و هوای جهانی و منطقه ای استفاده شوند [ 35 ]]. در این مطالعه از آن به عنوان شاخص بار سوخت استفاده شد. طبق فنولوژی سنجش از دور USGS (2018)، مقادیر NDVI از +1.0 تا -1.0 متغیر است. نواحی صخره ای، شنی یا برفی بایر معمولاً مقادیر NDVI پایینی را نشان می دهند (مثلاً 0.1 یا کمتر). پوشش گیاهی کم نظیر درختچه ها و چمن یا محصولات مسن ممکن است مقادیر متوسط ​​NDVI (حدود 0.2 تا 0.5) را نشان دهد. مقادیر بالای NDVI (حدود 0.6 تا 0.9) با پوشش گیاهی متراکم در جنگل های معتدل و گرمسیری یا محصولات در اوج رشد مطابقت دارد [ 36 ].

2.3. پردازش و تجزیه و تحلیل داده ها

2.3.1. پردازش داده ها

همانطور که در جدول 1 ارائه شده استسه فرمت داده در این کار وجود داشت: Shapefile (.shp)، NetCDF (.nc) و GeoTIFF (tif.). در این کار، این داده ها با استفاده از پایتون خوانده، استخراج، پردازش و تجسم شدند. داده های تاریخی آتش سوزی در قالب Shapefile بودند. GeoPandas در پایتون یک کتابخانه منبع باز برای کار و دستکاری داده های جغرافیایی است که در اینجا برای خواندن داده های آتش سوزی استفاده شده است. نوع هندسی این داده‌های جغرافیایی چند ضلعی بود که مناطق گسترده آتش‌سوزی را نشان می‌داد، که می‌توان آن را برای تجزیه و تحلیل بیشتر با مرکز آن جایگزین کرد. فرمت داده های توپوگرافی و داده های پوشش گیاهی GeoTIFF بود که با استفاده از ArcGIS می توان آنها را به Shapefile تبدیل کرد. بنابراین، آنها را نیز می توان توسط GeoPandas به دست آورد. داده‌های آب و هوا، رطوبت خاک و باد فایل‌های NetCDF بودند که توسط یکی دیگر از کتابخانه‌های پایتون به نام Xarray قابل خواندن هستند. داده های خوانده شده توسط Xarray شبیه یک آرایه n بعدی است که شامل اطلاعات جغرافیایی است، در حالی که داده های خوانده شده توسط GeoPandas که GeoDataFrame بودند، مانند یک صفحه داده با یک ستون از اطلاعات هندسی به نظر می رسید. برای ثابت نگه داشتن قالب داده در پایتون، از شبکه مشبک برای تبدیل داده های Xarray به GeoDataFrame استفاده شد که نوع هندسه آن چند ضلعی بود. پس از به دست آوردن تمام داده ها در پایتون، طرح ریزی بین نقاط و چند ضلعی ها برای ایجاد ارتباط بین داده های آتش سوزی و سایر داده ها مورد استفاده قرار گرفت. در نهایت می توان آنها را با استفاده از روش های آماری تحلیل کرد. از شبکه مشبک برای تبدیل داده های Xarray به GeoDataFrame استفاده شد که نوع هندسی آن چند ضلعی بود. پس از به دست آوردن تمام داده ها در پایتون، طرح ریزی بین نقاط و چند ضلعی ها برای ایجاد ارتباط بین داده های آتش سوزی و سایر داده ها مورد استفاده قرار گرفت. در نهایت می توان آنها را با استفاده از روش های آماری تحلیل کرد. از شبکه مشبک برای تبدیل داده های Xarray به GeoDataFrame استفاده شد که نوع هندسی آن چند ضلعی بود. پس از به دست آوردن تمام داده ها در پایتون، طرح ریزی بین نقاط و چند ضلعی ها برای ایجاد ارتباط بین داده های آتش سوزی و سایر داده ها مورد استفاده قرار گرفت. در نهایت می توان آنها را با استفاده از روش های آماری تحلیل کرد.
2.3.2. تجزیه و تحلیل همبستگی

پس از به دست آوردن داده‌های آتش‌سوزی در مورد هفت عامل تأثیرگذار کلیدی (دمای هوا، بارش، رطوبت خاک، سرعت باد، شیب، NDVI و قابلیت اشتعال پوشش گیاهی)، ابتدا می‌خواهیم همبستگی آنها را بررسی کنیم. در این کار، از ضریب همبستگی پیرسون برای اندازه‌گیری درجه همبستگی (همبستگی خطی) بین دو متغیر (مثلا X و Y) با مقداری بین 1- و 1 استفاده شد. ضریب همبستگی پیرسون بین دو متغیر به صورت تعریف شده است. ضریب کوواریانس و انحراف معیار بین این دو متغیر [ 37 ]:

ρایکس،Y=covایکس،YσایکسσY=Eایکس-μایکسY-μYσایکسσY

معادله بالا ضریب همبستگی کلی را تعریف می کند و اغلب با حرف کوچک یونانی ρ به عنوان نماد نشان داده می شود. تخمین کوواریانس و انحراف معیار نمونه، ضریب همبستگی پیرسون را به دست می‌دهد که اغلب با حرف کوچک r نشان داده می‌شود [ 37 ]:

r=∑من=1nایکسمن-ایکس¯Yمن-Y¯∑من=1nایکسمن-ایکس¯2∑من=1nYمن-Y¯2

r را نیز می توان از میانگین نمرات استاندارد در نقاط نمونه بدست آورد تا بیانی معادل معادله فوق بدست آورد:

r=1n-1∑من=1nایکسمن-ایکس¯σایکسYمن-Y¯σY
که در ایکسمن-ایکس¯σایکس، ایکس¯و σایکسنشان دهنده نمره استاندارد، و میانگین نمونه و انحراف استاندارد نمونه از ایکسمنبه ترتیب (راجرز و نیسواندر، 1988). مقدار منفی r نشان دهنده یک همبستگی منفی است، در حالی که یک مقدار مثبت نشان دهنده یک همبستگی مثبت است. علاوه بر این، 0 ≤ |r| < 0.3 نشان دهنده یک همبستگی کم است. 0.3 ≤ |r| < 0.8، همبستگی متوسط. و 0.8 ≤ |r| <= 1، همبستگی بالا. لازم به ذکر است که همبستگی با علیت یکی نیست. یک همبستگی نشان می دهد که متغیرهای هر دو طرف علامت مساوی به طور همزمان تغییر می کنند، در حالی که یک رابطه علی به این دلیل است که یک متغیر باعث تغییر در متغیر دیگر می شود [ 38 ].

2.4. الگوریتم یادگیری ماشین جنگل تصادفی

با توجه به پیچیدگی داده‌های آتش‌سوزی، از تحلیل همبستگی برای به دست آوردن رابطه متقابل بین آتش‌سوزی‌های جنگلی و هفت محرک تأثیرگذار آن استفاده شد. با این حال، علت این عوامل بررسی نشد. به منظور تخمین اهمیت هر یک از محرک‌ها در وقوع آتش‌سوزی جنگلی، یک روش رگرسیون تصادفی جنگل برای مدل‌سازی داده‌های آتش‌سوزی جنگلی و سایر داده‌های تأثیرگذار رانندگان استفاده شد. قبل از انجام رگرسیون جنگل تصادفی، چند خطی بودن بین متغیرهای مدل باید بررسی شود.

2.4.1. تست چند خطی برای عوامل مدل

چند خطی وجود یک رابطه خطی کامل یا تقریباً کامل بین متغیرهای توضیحی در یک معادله است. برای مثال، یک متغیر توضیحی را می توان با ترکیبی خطی از متغیرهای توضیحی دیگر نشان داد [ 39 ]]. این موضوع مهمی است که معمولاً در تحلیل های رگرسیون چندگانه فعلی مطرح می شود. اگر چند خطی معمولی بین این متغیرهای مستقل وجود داشته باشد، آنگاه برازش رگرسیون تخمین‌های متغیر کمکی را ایجاد می‌کند و خطاهای استاندارد قابل‌توجهی را در ضرایب رگرسیون ایجاد می‌کند. سپس ثبات مدل کاهش می یابد و استنتاج آماری در نتیجه باطل می شود. دستیابی به استقلال کامل بین متغیرهای مستقل مختلف در جلسات تحلیل رگرسیون خاص آسان نیست. بنابراین، قبل از انجام تحلیل رگرسیون، متغیرهای مستقل باید برای چند خطی بودن تشخیص داده شوند و متغیرهای دارای چند خطی باید حذف شوند تا دقت مدل بهبود یابد. در این مطالعه از ضریب تورم واریانس (VIF) برای تشخیص چند خطی استفاده شده است.

VIFمن=11-آرمن2
آرمن2ضریب تعیین در رگرسیون خطی است و نشان دهنده درصد تغییر در متغیر وابسته است که توسط معادله رگرسیون توضیح داده شده است [ 40 ]. می توان آن را از مجذور ضریب همبستگی مختلط بین متغیرهای وابسته و مستقل یا از نسبت مجذور باقیمانده به مجموع مجذورات معادله رگرسیون به دست آورد. وقتی 0 < VIF < 10 باشد، هیچ خطی چند خطی بین متغیرها وجود ندارد. وقتی 10 ≤ VIF < 100، چند خطی قوی بین متغیرها وجود دارد. وقتی 100 ≤VIF، چند خطی شدید بین متغیرها وجود دارد [ 39 ]. در آزمون واقعی، عوامل با VIF بالا از فاکتورها حذف شدند و عوامل با VIF پایین حفظ شدند و به همین ترتیب تا زمانی که ترکیبی از عوامل با همبستگی پایین برای افزایش قدرت توضیحی مدل به دست آمد.
2.4.2. نظریه و روشهای الگوریتم جنگل تصادفی
جنگل تصادفی یک نظریه آماری است که برایمن و کاتلر در سال 2001 ارائه کردند [ 41 ]. این یک طبقه‌بندی ترکیبی است که می‌تواند هم مسائل طبقه‌بندی و هم مشکلات رگرسیون را حل کند [ 41]. الگوریتم جنگل تصادفی از روش بوت استرپ برای انتخاب x نمونه از داده‌های اصلی با نمونه‌گیری تصادفی پس‌انداز استفاده می‌کند و در مجموع x جلسات نمونه‌گیری برای تولید x مجموعه‌های آموزشی انجام می‌شود. برای هر یک از این مجموعه های آموزشی x، مدل های درخت تصمیم X آموزش داده می شوند. سپس، متغیرهای y به طور تصادفی در گره‌های هر درخت تصمیم انتخاب می‌شوند و یکی با بهترین نسبت به دست آوردن اطلاعات (شاخص جینی) در بین متغیرهای y برای تقسیم انتخاب می‌شود. با توجه به Fotheringham و Brunsdon (2010)، متغیر با بهترین قدرت طبقه بندی باید برای شاخه شدن در این نقطه انتخاب شود، و هر درخت آزاد بماند تا حداکثر رشد کند بدون هیچ هرس، و در نتیجه x نتایج [ 42 ]]. نتیجه جنگل تصادفی بر اساس ترکیب این نتایج x است. برای مشکلات طبقه بندی، نتیجه طبقه بندی نهایی با رای طبقه بندی کننده تعیین می شود. برای مسائل رگرسیون، پیش بینی نهایی با میانگین مقادیر پیش بینی شده تعیین می شود. مزایای الگوریتم جنگل تصادفی این است که می تواند تعداد زیادی از متغیرهای ورودی را مدیریت کند، اهمیت متغیرها را ارزیابی کند و به طور کلی از برازش بیش از حد آزاد است [ 26 ]. الگوریتم جنگل تصادفی همچنین می تواند امتیازهای اهمیت را برای متغیرهای مربوطه محاسبه کند تا اهمیت هر عامل خطر آتش سوزی در مدل را ارزیابی کند.
بنابراین، در این تحقیق از الگوریتم جنگل تصادفی برای محاسبه وزن عوامل مختلف محیطی طبیعی در منطقه سوخته شده توسط بوته‌ها استفاده شد. هر چه امتیاز اهمیت یک عامل بیشتر باشد، تأثیر آن عامل بر منطقه سوخته شده توسط بوته‌ها بیشتر است. به گفته کاتلر و همکاران. (2007)، دو معیار کلی برای اهمیت یک عامل وجود دارد: یکی کاهش میانگین شاخص جینی، که در آن هر چه مقدار بیشتر باشد، اهمیت عامل بیشتر است، و دیگری کاهش دقت پیش‌بینی زمانی است که نویز اضافه می شود، جایی که هر چه کاهش قابل توجه تر باشد، اهمیت فاکتور بیشتر می شود [ 43 ].

2.5. پیش‌بینی مبتنی بر جرقه برای الگوی فضایی آینده آتش‌سوزی‌ها

پس از تکمیل تجزیه و تحلیل اهمیت هفت عامل آتش‌سوزی، پیش‌بینی‌هایی با استفاده از آن محرک‌ها قابل تحقق است. در این کار از Spark به عنوان پلت فرمی برای پیش‌بینی وقوع و گسترش آتش‌سوزی استفاده شد. شماتیک در شکل 3 ارائه شده است .
بر اساس Vinser و همکاران. [ 44 ]، تجزیه و تحلیل نقاط گرم و سرد وقوع آتش سوزی در نیو ساوت ولز در طول 40 سال گذشته و تجزیه و تحلیل رانندگان آتش سوزی در بوته ها، و فراوانی و شدت وقوع آتش سوزی در مناطق مختلف تحت تأثیر عوامل مختلف (دما، بارش، رطوبت خاک، سرعت باد، شیب، NDVI و قابلیت اشتعال پوشش گیاهی). برای بررسی بیشتر روند گسترش آتش، این مطالعه یک شبیه‌سازی 24 ساعته آتش‌سوزی بر اساس سکوی Spark برای مناطق جدید در NSW که در Visner و همکاران شناسایی شده‌اند، انجام داد. مطالعه [ 44 ].
پلت فرم Spark توسعه یافته توسط CSIRO در این مطالعه برای شبیه سازی گسترش آتش سوزی استفاده شد. Spark ابزاری برای شبیه‌سازی گسترش آتش‌سوزی‌های جنگلی در سطح زمین است [ 45 ]. این جعبه ابزار شامل ماژول‌های زیادی است که خواندن و نوشتن داده‌های جغرافیایی، مدل‌های محاسباتی برای شبیه‌سازی گسترش جبهه‌های شعله، و تجسم و طیف وسیعی از ابزارهای تجزیه و تحلیل داده‌های حاصل را امکان‌پذیر می‌سازد. احتراق یک مشکل پیچیده جریان واکنش است که حل آن در مقیاس های زمانی و مکانی بزرگ دشوار است. بنابراین، برای انجام شبیه‌سازی‌های آتش‌سوزی جنگلی در مقیاس‌های زمانی بزرگ و مکانی، چندین مدل تجربی برای توصیف رفتار گسترش آتش‌سوزی‌ها توسعه یافته‌اند [ 46 ].]. این مدل‌ها میزان گسترش جبهه‌های آتش‌سوزی را از طریق چندین عامل محرک (دما، سرعت باد، رطوبت خاک، توپوگرافی، نوع زمین و غیره) محاسبه می‌کنند. تیم CSIRO در حال حاضر ده‌ها مدل پخش شعله را برای طبقه‌بندی‌های مختلف زمین ارائه می‌کند که به صورت رایگان در این پلتفرم در دسترس هستند [ 45 ]. همانطور که در شکل 4 نشان داده شده است، محاسبات در Spark در لایه های عمودی روی هم قرار می گیرند. لایه بالایی داده ها طبقه بندی زمین است که دارای مدل های مختلف سرعت شعله برای پیکربندی های مختلف زمین است و لایه های دیگر لایه های محرک دیگر هستند (دما، سرعت باد، جهت باد، ارتفاع، رطوبت نسبی، خشکی و غیره). . بنابراین، برای هر شبکه، اسپارک از مدل محاسباتی مربوطه و داده های درایور برای محاسبه سرعت انتشار شعله برای آن شبکه استفاده می کند.
طبق تنظیمات Spark GUI، فرآیند محاسبه خاص به شرح زیر است:
  • پارامترهای محاسبه را پیکربندی کنید. پارامترهای اصلی شبیه سازی ابتدا به صورت زمان شروع/پایان، زمان کل شبیه سازی، وضوح شبیه سازی و طرح ریزی شبیه سازی تنظیم می شوند. سپس منطقه آتش با وارد کردن مختصات نقطه آتش، شعاع آتش و زمان آتش سوزی تنظیم می شود. در نهایت، فرمت فایل خروجی، به عنوان یک فایل GeoTIFF یا به صورت Shapefile، در صورت نیاز تنظیم می شود.
  • ورود داده. بسته به نیاز محاسبه، این قسمت نیاز به وارد کردن داده های هواشناسی (سرعت باد، جهت باد، دما، رطوبت نسبی، شاخص خشکی) دارد و فرمت داده ها به فرمت NetCDF محدود نمی شود. داده‌های توپوگرافی مهم‌تری که باید در اینجا وارد شوند، طبقه‌بندی زمین و داده‌های ارتفاعی هستند که از نوع فایل GeoTIFF هستند، و مناطق سوخته‌شده‌ای که می‌توان آن‌ها را برای نادیده گرفتن داده‌های طبقه‌بندی زمین تنظیم کرد. Spark ورودی های سفارشی را برای وارد کردن داده های اضافی برای بخش های ورودی خاص مدل محاسباتی فراهم می کند.
  • ورودی سری داده های ورودی همچنین می توانند داده های ورودی سری و داده های ورودی شبکه ای باشند که با وارد کردن یک فایل CSV و ارائه یک فایل اسکریپت پایتون برای خواندن آن می توان به دست آورد.
  • مدل اولیه یک مدل پیش پردازش است که اجازه می دهد تا داده های وارد شده قبل از قبل پردازش شوند و سپس به مدل محاسباتی وارد شوند که یک مدل مفید است.
  • در صورت نیاز به خروجی لایه‌های داده سفارشی‌شده پس از تکمیل محاسبات، می‌توان از مدل‌های پس پردازش برای تنظیم مدل‌های پس پردازش استفاده کرد.
بر اساس پلت فرم Spark و فرآیند محاسباتی آن که در بالا توضیح داده شد، این مطالعه چهار منطقه مختلف آتش سوزی را در مناطق کانون آتش سوزی در NSW طی 40 سال تعیین کرد. این مطالعه از Spark برای شبیه‌سازی گسترش آتش‌سوزی در مناطق پرخطر در طول زمان حیاتی نجات، که 24 ساعت پس از وقوع آتش‌سوزی است، برای ارجاع ایمنی آتش‌سوزی در جنگل‌های NSW استفاده کرد. با توجه به فرآیند محاسبه اسپارک، زمان شبیه‌سازی روی 24 ساعت تنظیم شد و مختصات نقاط شروع آتش در منطقه آرمیدیل (30.546511-، 151.685837)، منطقه Nyngan (-31.684909، 147.0605735، 147.0605735) بود. ، 149.230795) و منطقه Wauchope (-31.465117، 152.745067). شعاع منطقه احتراق طبق شبیه‌سازی‌های قبلی ما 1200 متر تعیین شد که مشاهده گسترش آتش‌سوزی‌ها را تسهیل می‌کرد. پارامترهای هواشناسی (دما، سرعت باد، رطوبت نسبی و غیره) با استفاده از میانگین سالانه 40 ساله برای سایت محاسبه شد و جهت باد در تقسیم شمال غربی برای مقایسه یکنواخت استفاده شد. با توجه به صرفه جویی و دقت در محاسبه و استفاده از مدل گسترش آتش سوزی، این 35 نوع به چهار کلاس گروه بندی شدند که کلاس 0 مناطق آبی است، یعنی مناطق غیر قابل سوختن در نظر گرفته می شوند. کلاس 1 مناطق مرتعی است که سوزاندن آنها آسان تر است. کلاس 2 مناطق جنگلی است که سوزاندن آنها نسبتاً آسان تر از مناطق مرتعی است. و کلاس 3 مناطق شهری هستند که سرعت سوزش آنها عمدتاً تحت تأثیر سرعت باد است. سپس مدل آتش سوزی مربوطه با توجه به طبقه بندی انتخاب شد. با تنظیم مدل های آتش سوزی برای چهار منطقه مختلف با آتش سوزی شدید به این روش،

3. نتایج

3.1. رابطه بین آتش‌سوزی‌های جنگلی و عوامل مؤثر بر آن

برای تجسم رابطه بین تنوع آتش سوزی و محرک های آن، این مقاله با استفاده از منطقه گسترش آتش سوزی، میزان تأثیر هفت دسته از عوامل (دما، بارش، رطوبت خاک، سرعت باد، شیب، NDVI و قابلیت اشتعال پوشش گیاهی) را بررسی کرد. فرکانس سالانه آتش سوزی به عنوان متغیرهای وابسته این هفت عامل تأثیرگذار معمولاً به طور قابل توجهی بر آتش‌سوزی‌های جنگلی تأثیر می‌گذارند. با این حال، با تغییرات در گستره جغرافیایی و مقیاس زمانی، نیروهای عوامل تأثیرگذار نیز ممکن است تغییر کنند [ 18 ، 19 ]]. بنابراین، این مطالعه ابتدا داده‌های عوامل مؤثر بر آتش‌سوزی را پردازش کرد تا با داده‌های آتش‌سوزی در همان نقطه زمانی مطابقت داشته باشند. سپس از تجسم داده ها برای نشان دادن رابطه خطی و همبستگی بین داده های آتش سوزی و داده های هفت عامل تأثیرگذار استفاده شد. این برای بررسی رابطه بین آتش‌سوزی‌هایی که در NSW رخ داد و این عوامل تأثیرگذار انجام شد. نتایج تجسم داده ها در زیر نشان داده شده است ( شکل 5 ، شکل 6 ، شکل 7 و شکل 8 ).

3.1.1. تحلیل رگرسیون خطی بین آتش‌سوزی‌های جنگلی و عوامل مؤثر

با توجه به تعداد زیاد آتش‌سوزی‌های جنگلی در نیو ساوت ولز در طول چهار دهه، چندین آتش‌سوزی جنگلی می‌تواند در یک نقطه زمانی رخ دهد. بنابراین، این مطالعه از میانگین گسترش منطقه آتش‌سوزی در سال برای این تحلیل استفاده کرد. شکل 5 تغییرات و تناسب خطی میانگین منطقه سوخته شده بوته‌ها را در طی 40 سال در نیو ساوت ولز با هفت دسته از عوامل تأثیرگذار (دما، بارش، رطوبت خاک، سرعت باد، شیب توپوگرافی، NDVI و قابلیت اشتعال پوشش گیاهی) نشان می‌دهد.
در کار حاضر، از روش رگرسیون خطی برای تحلیل اولیه روابط بین آتش‌سوزی‌ها و هفت عامل تأثیرگذار آن استفاده شد. در مقایسه با سایر عوامل (با مربع R بسیار کمتر از 0.1)، تناسب خطی منطقه گسترش آتش با بارش و سرعت باد نسبتاً معنی‌دار بود، به‌ترتیب با R-square 0.16 و 0.12. به طور کلی، رابطه خطی قوی نبود. با این حال، بر اساس شیب مثبت و منفی برازش خطی، می توان روند بین گسترش آتش و این هفت عامل تأثیرگذار را به طور تقریبی تعیین کرد. با افزایش میانگین سالانه دما، بارندگی، رطوبت خاک و سرعت باد، متوسط ​​منطقه سوخته شده بوته‌ها کاهش یافت. متوسط ​​منطقه سوخته آتش سوزی با افزایش شیب و مقادیر NDVI افزایش یافت. بعلاوه،
به طور مشابه، این مطالعه رابطه خطی بین فراوانی سالانه آتش‌سوزی‌های جنگلی و عوامل مؤثر در طول چهار دهه در نیو ساوت ولز را در نظر گرفت. شکل 6تغییرات فراوانی سالانه آتش‌سوزی‌های جنگلی را با هفت عامل تأثیرگذار نشان می‌دهد. منحنی برازش خطی نیز برای هر عامل تأثیرگذار برای نشان دادن روند انجام شد. میانگین دمای سالانه، رطوبت خاک و NDVI تناسب خطی بسیار ضعیفی را با فرکانس آتش سوزی در بوته نشان داد. مشابه تجزیه و تحلیل میانگین منطقه سوخته شده در بوته‌ها، بارش و سرعت باد تناسب خطی نسبتاً بالایی با فرکانس آتش‌سوزی در بوته‌ها در مقایسه با سایر عوامل نشان دادند. با این حال، مربع R آنها زیر 0.3 بود که هنوز هم بسیار ضعیف است. به طور کلی، یک رابطه خطی ضعیف بین هفت دسته راننده و فرکانس آتش سوزی در بوته در سال وجود دارد. آتش‌سوزی‌های جنگلی همگی در اثر فعل و انفعالات پیچیده رانندگان مختلف در مقیاس‌های مکانی و زمانی مختلف ایجاد می‌شوند [ 47 , 48 ]]. بنابراین، این مطالعه به محاسبه ضرایب همبستگی پیرسون بین همه عوامل تأثیرگذار و همچنین بین آنها و گسترش و فراوانی آتش‌سوزی‌ها در یک زمینه مکانی و زمانی می‌پردازد.
3.1.2. تجزیه و تحلیل همبستگی پیرسون بین آتش سوزی های جنگلی و عوامل موثر
ضرایب همبستگی بین منطقه سوخته شده در بوته و هفت عامل تأثیرگذار در شکل 7 آورده شده است. روند بین آنها را می توان با توجه به ضرایب همبستگی مثبت و منفی قضاوت کرد. بسته به مقدار مطلق ضریب همبستگی، قدرت همبستگی را می توان قضاوت کرد. میانگین بارندگی، سرعت باد و شیب با گسترش آتش مرتبط بود، در حالی که چهار عامل تأثیرگذار دیگر همبستگی بسیار کمی با گسترش آتش نشان دادند. بین هر یک از هفت عامل تأثیرگذار برهمکنش های متفاوتی وجود داشت.
اگرچه روابط بین آتش‌سوزی‌ها و عوامل آنها خطی نیست، نتایج برازش خطی می‌تواند در ابتدا تمایل به تغییر ناخالص آنها را ارائه دهد. همانطور که در شکل 7 نشان داده شده است ، با در نظر گرفتن میانگین تغییرات در طول سال، منطقه سوخته شده توسط آتش سوزی با دمای هوا کاهش یافت. با این حال، مطابق شکل 6با افزایش دما، فراوانی سالانه آتش‌سوزی‌ها افزایش می‌یابد. این پدیده ممکن است به این دلیل باشد که وقتی دما بالاتر است، محتوای آب مواد قابل احتراق کمتر است و احتمال اشتعال مواد قابل احتراق بیشتر است. آتش‌سوزی‌های مکرر مواد قابل احتراق زیادی را مصرف می‌کرد، و بنابراین، مناطق سوخته در بوته‌ها به دلیل از بین رفتن مواد قابل احتراق کوچک شدند. این بدان معناست که وقتی میانگین دمای سال بالاتر است، مناطق آتش‌سوزی ممکن است کوچک باشند، اما فرکانس آتش‌سوزی می‌تواند در طول سال زیاد باشد.
علاوه بر این، مناطق سوخته شده در بوته‌ها همبستگی منفی قوی با بارش و رطوبت خاک نشان دادند، که نشان می‌دهد سال‌هایی که بارندگی یا رطوبت خاک بیشتر است، احتمال وقوع آتش‌سوزی‌های بزرگ کمتر است. بارش کافی و خاک مرطوب تضمین می کند که منطقه جنگلی در سطح خوبی از رطوبت قرار دارد و محتوای آب مواد قابل احتراق زیاد است و در نتیجه از گسترش آتش سوزی جلوگیری می کند.
همبستگی منفی بین منطقه سوخته شده در بوته سوز و سرعت باد وجود داشت. هنگامی که آتش سوزی در بوته ها رخ می دهد، ریزاقلیم ایجاد می شود، که تأثیر بیشتری بر وقوع آتش سوزی و ویژگی های رفتاری آن نسبت به اقلیم های کلان دارد، زیرا مکانیسم های تعاملات داخلی آتش سوزی بسیار پیچیده است. مطابق شکل 6 ، با افزایش سرعت باد، تناوب سالانه آتش سوزی در بوته ها کاهش می یابد. سرعت باد زیاد باعث می شود شعله کوچک خاموش شود [ 49]، منجر به مشکل در شعله ور کردن آتش سوزی می شود. بنابراین، تعداد سالانه آتش‌سوزی‌ها کاهش می‌یابد و سطح آتش‌سوزی در بوته‌ها نیز کاهش می‌یابد. علاوه بر سرعت باد، گسترش آتش نیز تحت تأثیر جهت و توپوگرافی باد است. آتش‌سوزی‌های به سمت باد سریع‌تر از آتش‌سوزی‌های رو به باد گسترش می‌یابند و آتش‌سوزی‌های باد جانبی در بین [ 50 ] قرار دارند. با توجه به شکل 7 ، منطقه سوخته شده توسط آتش سوزی با شیب همبستگی مثبت داشت. جبهه‌های آتش در شیب‌های سربالایی سریع‌تر و در شیب‌های سراشیبی کندتر پیشروی می‌کنند، بنابراین بر وسعت آتش تأثیر می‌گذارند [ 1 ].
علاوه بر این، NDVI با منطقه سوخته شده توسط بوته‌های آتش‌سوزی همبستگی مثبت داشت، در حالی که یک همبستگی بسیار ضعیف بین قابلیت اشتعال پوشش گیاهی و منطقه آتش‌سوزی در بوته‌ها وجود داشت. این مطالعه از مقادیر NDVI برای نشان دادن رشد پوشش گیاهی استفاده کرد که مقادیر بالاتر نشان دهنده رشد بیشتر گیاه است. اشتعال پذیری پوشش گیاهی بر اساس نوع پوشش گیاهی طبقه بندی شد و مقادیر بالاتر قابل اشتعال تر بود [ 51 ]. پوشش گیاهی شرط ضروری برای سوزاندن جنگل ها است. مناطق غنی از تجمع مواد قابل احتراق برای گسترش آتش مساعد هستند. شکل‌ها، ساختارها، اندازه‌ها و محتوای آب مختلف مواد قابل احتراق منجر به مقیاس‌های مختلف گسترش آتش می‌شود [ 3 ].
نتایج تجزیه و تحلیل در شکل 8 با استفاده از فرکانس سالانه آتش سوزی به عنوان پارامتر مطالعه نشان داده شده است. از نظر عوامل اقلیمی، همبستگی مثبت ضعیفی بین میانگین دمای سالانه و فراوانی وقوع سالانه آتش‌سوزی‌ها وجود داشت. تغییرات دما بر محتوای آب مواد قابل احتراق جنگل تأثیر می گذارد. هر چه دما بیشتر باشد، میزان آب مواد قابل احتراق کمتر و احتمال اشتعال آن، به ویژه برگ های مرده و مواد قابل احتراق ریز در گودال ها و مراتع حوضچه ها، دامنه های بایر و غیره بیشتر می شود [ 52 ]. علاوه بر این، آتش سوزی های جنگلی معمولاً به دلایل طبیعی یا آتش سوزی های انسانی می سوزند. در مورد اشتعال انسانی، اثرات عوامل اقلیمی و زمین شناسی کاهش می یابد.
میانگین بارندگی سالانه و رطوبت خاک با فراوانی آتش‌سوزی‌ها همبستگی منفی داشت، در حالی که همبستگی مثبت قوی بین بارش و رطوبت خاک وجود داشت. بارش می تواند محتوای آب مواد قابل احتراق جنگل، رطوبت نسبی هوا و رطوبت خاک را افزایش دهد. اگرچه بارش مناسب و رطوبت خاک باعث رشد شدید گیاهان می شود، اما مقدار معینی از مواد قابل احتراق را برای آتش سوزی در جنگل ها جمع می کنند. بنابراین، سطوح رطوبت هوا و خاک می تواند گیاهان را به مواد قابل اشتعال بدون مقدار ثابتی از بارندگی تبدیل کند و در نتیجه احتمال آتش سوزی در بوته ها را افزایش دهد.
باد با تأثیرات دیگر تعامل می کند تا بر وقوع آتش سوزی در بوته ها تأثیر بگذارد [ 50 ]. داده‌های مورد استفاده در این مطالعه داده‌های میانگین سرعت باد ماهانه بود که با فراوانی سالانه آتش‌سوزی‌ها همبستگی منفی داشت. سرعت باد زیاد به راحتی شعله کوچکی را خاموش می کند [ 49 ]. شعله ور شدن بوته در یک محیط با باد شدید چالش برانگیز است که شیوع آتش سوزی در بوته ها را محدود می کند.
شیب با فراوانی سالانه آتش‌سوزی‌ها همبستگی مثبت داشت. اندازه شیب به طور مستقیم بر تغییر رطوبت در مواد قابل احتراق تأثیر می گذارد [ 53 ]. در شیب های زیاد یا تند، زمان ماندن رطوبت کوتاه است و مواد قابل احتراق تمایل به خشک شدن دارند، در نتیجه آنها را در برابر آتش سوزی های بوته ای حساس تر می کند. برعکس، شیب ملایم با زمان ماندن رطوبت طولانی، کف جنگلی مرطوب و رطوبت بالای مواد قابل احتراق، احتمال آتش سوزی را کاهش می دهد.
علاوه بر این، همانطور که در شکل 8 نشان داده شده است ، NDVI با فرکانس آتش سوزی سالانه همبستگی مثبت داشت. اشتعال پذیری پوشش گیاهی با هر دو فرکانس آتش سوزی و NDVI همبستگی منفی داشت. از آنجایی که NDVI می تواند برای تخمین تراکم پوشش گیاهی در یک منطقه از زمین استفاده شود [ 54]، همبستگی منفی بین اشتعال پذیری پوشش گیاهی و NDVI نشان می دهد که هر چه اشتعال پذیری پوشش گیاهی بیشتر باشد، تراکم پوشش گیاهی کمتر است. این ممکن است به این معنی باشد که مناطق با قابلیت اشتعال پوشش گیاهی بالا تحت تأثیر آتش سوزی قرار گرفته و رشد پوشش گیاهی ضعیف تری را نشان می دهند. علاوه بر این، به دلیل بدتر شدن رشد پوشش گیاهی، میزان مواد قابل احتراق آتش کاهش می یابد و در نتیجه تعداد آتش سوزی در بوته ها کاهش می یابد. این روند ممکن است در یک چرخه چرخه ای اتفاق بیفتد، که در آن هنگامی که فرکانس آتش تثبیت می شود، پوشش گیاهی به طور مجلل رشد می کند و منطقه ممکن است دوباره وارد حالت اشتعال شود.
به طور کلی، تجزیه و تحلیل فوق ارتباط عوامل مؤثر بر آتش سوزی های بوته ای و ارتباط آنها با یکدیگر را تأیید می کند. هفت عامل تأثیرگذار با یکدیگر تعامل دارند و بر وقوع و گسترش آتش‌سوزی در مقیاس مکانی و زمانی یکسان تأثیر می‌گذارند. این امر شناسایی اهمیت نسبی هر یک از عوامل مؤثر بر آتش‌سوزی‌های جنگلی را پیچیده می‌کند. به منظور تجزیه و تحلیل میزان تأثیر هر یک از آنها بر توسعه آتش سوزی جنگلی و درک اهمیت این تأثیرات بر آتش سوزی های جنگلی، این مطالعه نتایج بیشتری را در بخش 3.2 از طریق یک مدل رگرسیون جنگل تصادفی ارائه می دهد.

3.2. مدل رگرسیون جنگل تصادفی – تحلیل اهمیت نسبی عوامل موثر

3.2.1. نتیجه تست چند خطی

شکل 9 و شکل 10 به ترتیب نتایج هفت عامل موثر بر آتش سوزی در بوته های آتش سوزی و فرکانس سالانه را نشان می دهد. دو نمودار میله ای بسیار شبیه بودند. بسیاری از مقادیر VIF نزدیک به 1 بودند، که نشان می‌دهد هیچ رابطه خطی کامل یا تقریباً کاملی بین اکثر محرک‌های آتش‌سوزی وجود ندارد. در مقابل، به دلیل همبستگی قوی بین بارش و رطوبت خاک، مقادیر VIF کمی بالاتر از سایر محرک‌ها داشتند. به طور کلی، تمام مقادیر VIF کمتر از 10 بودند، که به معنای عدم وجود چند خطی بین این هفت عامل مؤثر بر آتش سوزی است [ 39 ].
3.2.2. اهمیت نسبی تأثیرگذاری بر رانندگان
پس از آزمایش چند خطی بودن در متغیرهای مستقل، این مطالعه از رگرسیون تصادفی جنگل برای مدل‌سازی فراوانی سالانه آتش‌سوزی در منطقه بر اساس 40 سال وقوع آتش‌سوزی در NSW با کمک کتابخانه کلاس جنگل تصادفی در scikit-learn استفاده کرد [ 55 ]]. scikit-learn یک کتابخانه رایگان یادگیری ماشین برای زبان برنامه نویسی پایتون است که دارای الگوریتم های طبقه بندی، رگرسیون و خوشه بندی مختلف است. تعداد فراگیران (n_ برآوردگرها) 400، حداکثر عمق درخت تصمیم (max_depth) 10 و حداقل تعداد نمونه های زیربخش گره داخلی (min_samples_split) 5 تنظیم شد. مدل رگرسیون گسترش آتش سوزی در بوته مساحت با تنظیم max_leaf_nodes بر روی 60 به دست آمد. برای تعیین اهمیت هر محرک در منطقه گسترش آتش سوزی، می توان مقادیر اهمیت را با استفاده از “feature_importance_” در scikit-learn بررسی کرد که یک تست جایگشت برای یافتن اهمیت است. از نقاط ویژگی
مدل رگرسیون تصادفی جنگل می‌تواند اهمیت نسبی هر محرک مؤثر بر آتش‌سوزی را کمیت کند. اهمیت نسبی برای منطقه بوته آتش سوزی و فراوانی سالانه به ترتیب در شکل 11 و شکل 12 نشان داده شده است. مشاهده می شود که اهمیت نسبی هفت محرک برای منطقه بوته سوز و فراوانی سالانه متفاوت بوده است. سه عامل مهم برای منطقه آتش سوزی عبارتند از: سرعت باد، دمای هوا و رطوبت خاک، که در مجموع بیش از 60 درصد از اهمیت را به خود اختصاص می دهند، و نشان می دهد که آنها نقش مهمی در تعیین گسترش آتش سوزی دارند ( شکل 11).). در مورد فراوانی سالانه آتش‌سوزی در بوته‌ها، سه عامل مهم آن سرعت باد، بارندگی و اشتعال‌پذیری پوشش گیاهی بود که کمی با موارد مربوط به منطقه آتش‌سوزی متفاوت بود. به طور کلی، سرعت باد مهم‌ترین عامل تأثیرگذار برای منطقه و فرکانس آتش‌سوزی بود.

3.3. پیش‌بینی‌های مبتنی بر جرقه برای الگوی فضایی آینده آتش‌سوزی‌های جنگلی

تجزیه و تحلیل بالا رابطه بین آتش سوزی های جنگلی و عوامل موثر بر آنها را نشان داد. در ادامه، پیش‌بینی گسترش آتش‌سوزی برای چهار منطقه کانونی در این بخش نشان داده شده است.

3.3.1. منطقه آرمیدیل

اشتعال در این منطقه در جنوب شرقی شهر اصلی آرمیدیل قرار داشت و نتایج شبیه سازی گسترش آتش در 24 ساعت در این منطقه در شکل 13 نشان داده شده است . جهت گسترش آتش عمدتاً تحت تأثیر جهت باد بوده و از شمال غربی به جنوب شرقی گسترش می یابد. همانطور که در شکل 13 نشان داده شده استب، ج، نوع زمین و توپوگرافی این منطقه آتش سوزی نسبتاً یکنواخت است و اکثر آنها انواع مرتعی و کوهستانی هستند. بنابراین، آتش با جلوی شعله نسبتاً یکنواخت به بیرون گسترش یافت. سرعت گسترش آتش در منطقه شهری، اگرچه وجود دارد، اما نسبتاً کم بود. محاسبات تخمین زده است که در 24 ساعت، آتش در حال گسترش به منطقه جنگلی به سمت جنوب شرقی خواهد بود. بنابراین، برای جلوگیری از آتش سوزی بزرگتر، باید این نوع آتش سوزی را ظرف 24 ساعت مهار کرد.
3.3.2. منطقه Nyngan
محل آتش سوزی در جنوب غربی فرودگاه نینگان تنظیم شده است و شکل 14 گسترش آتش را در 24 ساعت پس از ظهور در منطقه نشان می دهد. به طور مشابه، جهت اصلی گسترش آتش با جهت باد، از شمال غربی به جنوب شرقی مطابقت داشت. برخلاف منطقه آرمیدیل، جبهه شعله در این منطقه هموار نبود که عمدتاً به دلیل توزیع ناهموار پوشش گیاهی در منطقه است، همانطور که در شکل 14 ب نشان داده شده است. شکل 14 ج نتایج شبیه سازی گسترش آتش بر روی لایه های توپوگرافی در منطقه Nyngan را در مدت 24 ساعت نشان می دهد. توپوگرافی در این منطقه نسبتاً یکنواخت است و تأثیر آن در جبهه شعله نسبتاً ثابت بود. همانطور که از شکل 14 مشاهده می شودالف، دو جاده ترافیکی در محدوده شعله 24 ساعته وجود دارد: جاده پانجی و جاده تاتنهام. بر اساس گسترش آتش، واضح است که جاده پانجی 3 تا 4 ساعت پس از وقوع آتش سوزی تحت تأثیر این آتش سوزی قرار خواهد گرفت. تاتنهام نیز 13 تا 14 ساعت پس از وقوع آتش سوزی در آتش خواهد سوخت. بنابراین، کنترل به موقع جاده های مربوطه برای اطمینان از ایمنی جان در هنگام آتش سوزی ضروری است.
3.3.3. منطقه Queanbeyan
منطقه اشتعال در جنوب شرقی منطقه اصلی شهری Queanbeyan قرار داشت و جهت باد به سمت شمال غربی تنظیم شده بود. در مجاورت این منطقه اشتعال، انواع طبقه بندی اراضی از جمله شهرها، علفزارها و آبها وجود دارد. شکل 15 گسترش 24 ساعته آتش را نشان می دهد. در شمال غربی محل اشتعال، آتش با سرعت طولانی گسترش و اساساً بدون تمایل به شمال غرب، به سمت بالا و به سمت شهر گسترش یافت. در مقابل، آتش با سرعت بیشتری به جنوب شرقی محل آتش سوزی سرایت کرد. همانطور که در شکل 15 نشان داده شده استb,c به دلیل انسداد آب آتش در جهت جنوب غربی مهار شد. جهت جنوب شرقی جایی است که مناطق اصلی مسکونی در منطقه Queanbeyan جمع شده است. بنابراین، مهار آتش و تخلیه سریع ساکنان تا 24 ساعت پس از آتش سوزی ضروری است.
3.3.4. منطقه واچوپه
منطقه Wauchope در ساحل واقع شده است و همچنین منطقه ای پرخطر برای آتش سوزی در بوته ها است. به طور مشابه، آتش سوزی در منطقه Wauchope به تدریج به سمت دریا در جهت باد شمال غربی گسترش یافت. شکل 16 شبیه سازی گسترش آتش در منطقه Wauchope را نشان می دهد که جبهه آتش پس از 24 ساعت درست تا دریا گسترش می یابد. مانند منطقه Queanbeyan، آتش در جهت شمال غربی به دلیل باد شمال غربی بسیار آهسته گسترش یافت، در حالی که آتش در جهت جنوب شرقی سریعتر گسترش یافت. شکل 16b لایه‌ای از طبقه‌بندی زمین را نشان می‌دهد که نشان می‌دهد طبقه‌بندی زمین در این منطقه سوزاننده نسبتاً یکنواخت است و بنابراین منجر به یک جبهه آتش گردتر در شبیه‌سازی می‌شود. چهار تا پنج ساعت پس از شروع آتش سوزی در این محل آتش سوزی، شعله های آتش به مجاورت آب سرایت کرد. اگرچه آب قابل احتراق نیست، اما آتش می تواند در اطراف آب گسترش یابد. شکل 16 ج نتایج گسترش آتش بر روی توپوگرافی منطقه Wauchope را نشان می دهد که از آن مشاهده می شود که توپوگرافی تأثیر کمی بر گسترش آتش داشته است.

4. بحث

4.1. رابطه بین آتش‌سوزی‌های جنگلی و عوامل مؤثر بر آن

این مطالعه از ضرایب همبستگی پیرسون برای بررسی بیشتر مکانیسم‌های تعامل بین محرک‌های آتش‌سوزی و نحوه همکاری آنها برای ایجاد آتش‌سوزی استفاده کرد. در مورد منطقه سوخته شده توسط بوته‌ها، تجزیه و تحلیل نشان داد که تغییرات گسترش آتش‌سوزی در امتداد عوامل آن غیرخطی است و روندها پیچیده هستند و توصیف کمی آنها را دشوار می‌کند. با این حال، واضح است که احتمال وقوع آتش سوزی در مقیاس بزرگ در دمای متوسط ​​بالاتر (> 14 درجه سانتیگراد)، میانگین بارندگی کمتر (<75 میلی متر در ماه)، رطوبت خاک کمتر (<400 میلی متر)، باد کمتر بیشتر است. سرعت (<4 متر بر ثانیه) و NDVI بالاتر (> 0.5).
علاوه بر این، نقشه همبستگی فراوانی سالانه آتش‌سوزی و محرک‌های تأثیرگذار نشان می‌دهد که تنها یک همبستگی مثبت ضعیف با دمای هوا و NDVI، یک همبستگی مثبت متوسط ​​با شیب و یک همبستگی منفی متوسط ​​با بارش، رطوبت خاک و سرعت باد وجود دارد. دمای هوا و NDVI مواد قابل احتراق خشک را برای آتش سوزی در بوته ها فراهم می کند که به وقوع و گسترش آتش سوزی در بوته ها کمک می کند. علاوه بر این، جبهه‌های آتش در شیب‌های سربالایی سریع‌تر پیشروی می‌کنند و در شیب‌های سرازیری سرعت خود را کاهش می‌دهند. به ازای هر 10 درجه افزایش شیب، سرعت جبهه آتش دو برابر می شود [ 1]. بنابراین تغییر در شیب و جهت شیب بر گسترش آتش سوزی در بوته ها تأثیر می گذارد. علاوه بر این، بین رطوبت خاک، بارندگی و فراوانی سالانه آتش‌سوزی‌ها همبستگی منفی وجود دارد که فرضیه قبلی را ثابت نگه می‌دارد که هر چه رطوبت خاک بیشتر باشد، وقوع آتش‌سوزی کمتر است. بر اساس تجزیه و تحلیل در بخش 3.1واضح است که خواص فیزیکی خاک در فاصله بین آتش سوزی های بوته ای کاهش می یابد و در نتیجه میزان نفوذ و سرعت رشد پوشش گیاهی کاهش می یابد. این روی انباشت سوخت تأثیر می گذارد. رطوبت خاک نیز در مناطقی که سوخته اند نسبتا کم است و کمبود مواد قابل احتراق برای سوختن وجود دارد. باد همچنین یک عامل نسبتاً قوی برای آتش سوزی در بوته ها است. از یک طرف، می تواند با حذف بخار آب از جنگل، کاهش رطوبت هوای داخل جنگل و تامین اکسیژن آتش سوزی، احتمال وقوع آتش سوزی را افزایش دهد. اما از طرف دیگر، سرعت باد زیاد می تواند دمای مواد احتراق جنگل را به دلیل انتقال حرارت همرفتی و اتلاف حرارت تبخیر تا حد زیادی کاهش دهد که احتمال وقوع آتش سوزی در بوته ها را کاهش می دهد. در این کار، مشخص شد که اثر کلی سرعت باد بر فرکانس سالانه آتش سوزی در بوته ها منفی است. به طور کلی، ارتباط ترکیبی همه درایورها در اینجا در همان سناریو محاسبه شد، به طوری که تأثیر سایر درایورها باید هنگام تجزیه و تحلیل پارامترهای فردی در نظر گرفته شود.
ما توصیه می‌کنیم که مطالعات آینده به‌دست آوردن اطلاعات دقیق‌تر عوامل هواشناسی و طبیعی (یعنی داده‌های ماهانه یا فصلی) برای مناطق خاص و ترکیب عوامل انسانی (یعنی تراکم جمعیت، تراکم ساختمان) برای بررسی عمیق‌تر مکانیسم‌های تعامل بین تأثیرات در نظر گرفته شود. و چگونه آنها به طور هم افزایی آتش سوزی های جنگلی را هدایت می کنند.

4.2. مدل رگرسیون جنگل تصادفی – تحلیل اهمیت نسبی عوامل موثر

الگوی فضایی مناطق بوته‌سواری توسط عوامل زیادی مانند آب و هوا، توپوگرافی و پوشش گیاهی هدایت می‌شود، اما تفاوت‌هایی در مشارکت عوامل مختلف وجود دارد. یک مدل رگرسیون تصادفی جنگل برای محاسبه اهمیت نسبی هر محرک در مورد مساحت و فرکانس سالانه گسترش آتش سوزی استفاده شد. تجزیه و تحلیل نشان داد که سه عامل اصلی مهم در منطقه بوته‌ها، سرعت باد، دمای هوا و رطوبت خاک بودند که مجموع اهمیت آنها بیش از 60٪ است که نشان می‌دهد آنها نقش تعیین‌کننده‌ای در گسترش روند آتش‌سوزی در بوته‌ها دارند. در مورد فراوانی سالانه آتش‌سوزی در بوته‌ها، سه عامل مهم آن سرعت باد، بارندگی و اشتعال‌پذیری پوشش گیاهی بود که کمی با موارد مربوط به منطقه آتش‌سوزی در بوته‌ها متفاوت بود. برای هر دوی آنها، سرعت باد مهمترین عامل بود. باد با دمیدن شعله در سوخت تازه، رساندن آن به نقطه اشتعال و تامین مداوم اکسیژن، آتش را شروع می کند. باد همچنین با پراکنده کردن اخگرهای در حال سوختن در هوا آتش‌های جدیدی را شعله‌ور می‌کند. در عین حال، باد می تواند همرفت حرارتی را تغییر داده و جریان افقی گرما را افزایش دهد و به طور قابل توجهی گرمای جلوی سر آتش را افزایش داده و گسترش آن را تسریع کند. با این حال، سرعت باد زیاد می تواند تا حد زیادی دمای مواد احتراق جنگل را به دلیل انتقال حرارت همرفتی و اتلاف حرارت تبخیر کاهش دهد که احتمال وقوع آتش سوزی در بوته ها را کاهش می دهد. باد می تواند همرفت حرارتی را تغییر داده و جریان افقی گرما را افزایش دهد و به طور قابل توجهی گرمای جلوی سر آتش را افزایش داده و گسترش آن را تسریع کند. با این حال، سرعت باد زیاد می تواند تا حد زیادی دمای مواد احتراق جنگل را به دلیل انتقال حرارت همرفتی و اتلاف حرارت تبخیر کاهش دهد که احتمال وقوع آتش سوزی در بوته ها را کاهش می دهد. باد می تواند همرفت حرارتی را تغییر داده و جریان افقی گرما را افزایش دهد و به طور قابل توجهی گرمای جلوی سر آتش را افزایش داده و گسترش آن را تسریع کند. با این حال، سرعت باد زیاد می تواند تا حد زیادی دمای مواد احتراق جنگل را به دلیل انتقال حرارت همرفتی و اتلاف حرارت تبخیر کاهش دهد که احتمال وقوع آتش سوزی در بوته ها را کاهش می دهد.
علاوه بر سرعت باد، دو عامل مهم دیگر برای منطقه آتش‌سوزی، دمای هوا و رطوبت خاک هستند که با فرکانس سالانه آتش‌سوزی در بوته‌ها متفاوت است. تفاوت بین منطقه آتش‌سوزی در بوته‌ها و فرکانس سالانه آتش‌سوزی در این است که منطقه آتش‌سوزی تحت تأثیر گسترش آتش است، در حالی که فرکانس سالانه آتش‌سوزی بیشتر تحت تأثیر اشتعال آتش است. تغییرات دمای هوا بر محتوای آب مواد قابل احتراق جنگل تأثیر می گذارد. هر چه دما بیشتر باشد، محتوای آب مواد قابل احتراق کمتر و خشک‌تر می‌شود، و بنابراین، آتش گرفتن مواد قابل احتراق آسان‌تر است و با وجود منبع اشتعال، آتش‌سوزی در بوته‌ها آسان‌تر می‌شود. رطوبت خاک یک عامل محیطی حساس به تغییرات آب و هوایی است و تحت تأثیر دما و بارندگی است. تجزیه و تحلیل رطوبت خاک تصویر واضحی از روند آب و هوای منطقه ارائه می دهد. رطوبت مناسب خاک همچنین به معنای رشد خوب پوشش گیاهی و همچنین تجمع مواد قابل احتراق است. بنابراین، این دو محرک برای گسترش آتش (منطقه آتش سوزی) اهمیت بیشتری دارند. بارش مستقیماً آتش های کوچک را خاموش می کند و دفعات وقوع آتش سوزی را کاهش می دهد. اشتعال پذیری پوشش گیاهی نشان دهنده اشتعال پذیری مواد سوخته است که تعیین می کند آیا آتش می تواند مشتعل شود یا خیر. بنابراین، این نشان می دهد که بارش و اشتعال پذیری پوشش گیاهی دو عاملی هستند که تأثیرات نسبتاً زیادی بر فرکانس سالانه آتش سوزی در بوته ها دارند. این دو محرک برای گسترش آتش (منطقه آتش سوزی) اهمیت بیشتری دارند. بارش مستقیماً آتش های کوچک را خاموش می کند و دفعات وقوع آتش سوزی را کاهش می دهد. اشتعال پذیری پوشش گیاهی نشان دهنده اشتعال پذیری مواد سوخته است که تعیین می کند آیا آتش می تواند مشتعل شود یا خیر. بنابراین، این نشان می دهد که بارش و اشتعال پذیری پوشش گیاهی دو عاملی هستند که تأثیرات نسبتاً زیادی بر فرکانس سالانه آتش سوزی در بوته ها دارند. این دو محرک برای گسترش آتش (منطقه آتش سوزی) اهمیت بیشتری دارند. بارش مستقیماً آتش های کوچک را خاموش می کند و دفعات وقوع آتش سوزی را کاهش می دهد. اشتعال پذیری پوشش گیاهی نشان دهنده اشتعال پذیری مواد سوخته است که تعیین می کند آیا آتش می تواند مشتعل شود یا خیر. بنابراین، این نشان می دهد که بارش و اشتعال پذیری پوشش گیاهی دو عاملی هستند که تأثیرات نسبتاً زیادی بر فرکانس سالانه آتش سوزی در بوته ها دارند.

4.3. پیش‌بینی‌های مبتنی بر جرقه برای الگوی فضایی آینده آتش‌سوزی‌های جنگلی

این پیش‌بینی‌ها یک شبیه‌سازی 24 ساعته از گسترش آتش‌سوزی در هر یک از چهار نقطه داغ وقوع آتش‌سوزی در NSW بر اساس چهار دهه تجزیه و تحلیل کانون آتش‌سوزی با پلت‌فرم Spark ارائه می‌کنند. اگرچه سرعت باد، درجه حرارت و طبقه بندی زمین متفاوت بود، جهت گسترش آتش نسبتاً ثابت بود، که نشان می دهد جهت باد مستقیماً بر جهت اصلی گسترش آتش تأثیر می گذارد. اگر جبهه شعله های بوته های آتش سوزی را در چهار نقطه داغ مقایسه کنیم، متوجه می شویم که جبهه شعله آنها اشکال مختلفی دارد که عمدتاً به دلیل تأثیر طبقه بندی زمین است. طبقه بندی زمین های مختلف با نرخ های مختلف گسترش آتش مطابقت دارد و تفاوت در سرعت گسترش بر صافی جبهه شعله تأثیر می گذارد. زمانی که نوع طبقه بندی اراضی نسبتاً همگن باشد، شکل کلی جبهه آتش نسبتا صاف است (به عنوان مثال، منطقه Armidale). هنگامی که نوع طبقه بندی زمین پیچیده است، و سرعت گسترش شعله به طور قابل توجهی از منطقه ای به منطقه دیگر متفاوت است، شکل جبهه آتش نسبتا پیچیده و ناهموار است (به عنوان مثال، منطقه Queanbeyan).
علاوه بر این، محدوده پخش شعله 24 ساعته در چهار منطقه کانونی می تواند به عنوان یک منطقه هشدار اولیه یا تخلیه برای واکنش اضطراری استفاده شود. این امکان تخلیه ساکنان مناطق بالقوه آتش‌سوزی در 24 ساعت اول پس از آتش‌سوزی در بوته‌ها را فراهم می‌کند تا حداقل آسیب به افراد و اموال برسد.
برای مطالعات آتی بر اساس این تحقیق، پیشنهاد می‌کنیم که گونه‌های گیاهی و جانوری خاص و زیستگاه آنها را در شبیه‌سازی‌های گسترش آتش بگنجانیم. این امر سازمان‌های واکنش آتش و محیط‌زیست را قادر می‌سازد تا تأثیر احتمالی روی گونه‌ها را درک کنند و رویه‌ها و استراتژی‌هایی را برای مدیریت آن و کاهش این تأثیر اعمال کنند.

5. نتیجه گیری ها

در این کار، داده‌های تاریخی آتش‌سوزی جنگلی، داده‌های هواشناسی و داده‌های زمین برای کشف تعاملات بین آتش‌سوزی‌های جنگلی و هفت عامل آن تجزیه و تحلیل شدند. برای پیش‌بینی گسترش سوزاندن آتش‌سوزی در 24 ساعت در چهار منطقه کانونی، شبیه‌سازی‌ها با استفاده از کیت ابزار Spark انجام شد. در زیر روش ها و نتیجه گیری های دقیق ارائه شده است.
در مرحله اول، ما از روش‌های تجزیه و تحلیل همبستگی برای بررسی روابط بین آتش‌سوزی‌ها و محرک‌های تأثیرگذار آن‌ها با داده‌های 40 ساله آتش‌سوزی تاریخی، داده‌های آب و هوا، داده‌های باد، داده‌های رطوبت خاک، داده‌های توپوگرافی و داده‌های پوشش گیاهی از NSW استفاده کردیم. داده‌های جمع‌آوری‌شده (به پیوست A مراجعه کنید ) شامل دو ویژگی آتش‌سوزی در بوته‌ها (منطقه و فراوانی سالانه آتش‌سوزی در بوته‌ها) و هفت عامل آتش‌سوزی در بوته‌ها (دمای هوا، بارش، رطوبت خاک، سرعت باد، شیب، NDVI و قابلیت اشتعال پوشش گیاهی) بود. مشخص شد که احتمال وقوع آتش سوزی در مقیاس بزرگ در دمای متوسط ​​بالاتر (> 14 درجه سانتیگراد)، میانگین بارندگی کمتر (<75 میلی متر در ماه)، رطوبت خاک کمتر (<400 میلی متر)، سرعت باد کمتر ( <4 m/s) و NDVI بالاتر (>0.5).
با توجه به روابط پیچیده بین آتش‌سوزی‌ها و محرک‌های آن، از روش رگرسیون تصادفی جنگل در این کار برای پی بردن به اهمیت نسبی این محرک‌ها استفاده شد. این نشان داد که سه عامل اصلی برای منطقه آتش سوزی عبارتند از سرعت باد، دمای هوا و رطوبت خاک. برای فرکانس سالانه آتش سوزی در بوته ها، سه عامل اصلی سرعت باد، بارندگی و اشتعال پوشش گیاهی هستند. تفاوت بین منطقه آتش‌سوزی در بوته‌ها و فرکانس سالانه آتش‌سوزی در این است که منطقه آتش‌سوزی تحت تأثیر گسترش آتش است، در حالی که فرکانس سالانه آتش‌سوزی بیشتر تحت تأثیر اشتعال آتش است. سرعت باد مهم‌ترین محرک برای منطقه آتش‌سوزی و فرکانس سالانه است، زیرا باد تأثیرات مهمی هم بر گسترش آتش و هم بر اشتعال آتش دارد. دمای هوا و رطوبت خاک دو عاملی هستند که دوام نسبتا طولانی دارند. بنابراین تأثیرات کمتری بر اشتعال آتش دارند اما تأثیرات مهمی در منطقه بوته‌سوزی (گسترش آتش) دارند. با این حال، بارندگی و اشتعال پذیری پوشش گیاهی دو عاملی هستند که اشتعال پذیری مواد سوخته را تعیین می کنند که تأثیرات نسبتاً زیادی بر فرکانس سالانه آتش سوزی در بوته (اشتعال آتش) دارد.
علاوه بر این، پس از تعیین کمیت مشارکت رانندگان تاثیرگذار کلیدی، پیش‌بینی‌های گسترش آتش در چهار نقطه داغ در NSW با استفاده از کیت ابزار Spark CSIRO شبیه‌سازی شد. ما دریافتیم که جهت اصلی گسترش آتش‌سوزی مستقیماً تحت تأثیر جهت باد است، در حالی که طبقه‌بندی زمین عمدتاً بر شکل جبهه آتش‌سوزی تأثیر می‌گذارد. طبقه بندی های مختلف زمین با نرخ های مختلف گسترش آتش مطابقت دارد، و تفاوت در نرخ گسترش بر صافی جبهه آتش تأثیر می گذارد. محدوده پخش شعله 24 ساعته این منطقه کانونی می تواند به عنوان یک منطقه هشدار اولیه یا تخلیه برای واکنش اضطراری مورد استفاده قرار گیرد و می تواند برای هشدار و تخلیه افراد در منطقه گسترش شبیه سازی شده یک آتش سوزی در 24 ساعت پس از وقوع آن استفاده شود. به حداقل رساندن آسیب
این مطالعه مرجعی برای آژانس‌های ضد حریق فراهم می‌کند تا از مدل شبیه‌سازی آتش‌سوزی برای ترسیم دقیق‌تر مناطق حساس به آتش استفاده کنند تا به آنها کمک کند سیاست‌ها و اقدامات مدیریت آتش‌سوزی را برای آتش‌سوزی‌ها بهتر توسعه دهند.

منابع

  1. دفتر سازمان ملل متحد برای کاهش خطر بلایا، مرکز تحقیقات اپیدمیولوژی بلایا، موسسه بهداشت و جامعه. خسارات اقتصادی، فقر و بلایا 1998–2017 ; سازمان بهداشت جهانی: بروکسل، بلژیک، 2017. [ Google Scholar ]
  2. برتون، جی. خط آتشی بود که به سمت ما می آمد: آتش نشانان جنوب غرب به خانه بازگشتند. در دسترس آنلاین: https://www.busseltonmail.com.au/story/6620313/it-was-a-line-of-fire-coming-at-us-firefighters-return-home/ (دسترسی در 17 ژوئن 2021) .
  3. سازمان تحقیقات علمی و صنعتی مشترک المنافع (CSIRO). آتش‌سوزی‌های جنگلی در استرالیا- برای تحقیق سنا در مورد آتش‌سوزی‌های جنگلی در استرالیا در سال 2009 آماده شد. موجود به صورت آنلاین: https://www.aph.gov.au/DocumentStore.ashx?id=3d4e5dd5-9374-48e9-b3f4-4e6e96da27f5 (در 17 ژوئن 2021 قابل دسترسی است).
  4. Maiden, JH The Forest Flora of New South Wales ; WA Gullick: سیدنی، استرالیا، 1904. [ Google Scholar ]
  5. موریسون، دی. باکنی، RT; Bewick، BJ; Cary، CJ Conservation درگیری بر سر بوته سوزان در جنوب شرقی استرالیا. Biol. حفظ کنید. 1996 ، 76 ، 167-175. [ Google Scholar ] [ CrossRef ]
  6. لوکاس، CHK؛ میلز، جی. آب و هوای Bathols, J. Bushfire در جنوب شرقی استرالیا: روندهای اخیر و تأثیرات پیش بینی شده تغییر آب و هوا . دفتر مرکز تحقیقات هواشناسی: ملبورن، استرالیا، 2007. [ Google Scholar ]
  7. آلدرسلی، ا. موری، اس جی; Cornell, SE تجزیه و تحلیل جهانی و منطقه ای آب و هوا و عوامل انسانی آتش سوزی. علمی کل محیط. 2011 ، 409 ، 3472-3481. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  8. Chen, Z. اثرات آتش سوزی بر فرآیندهای اکوسیستم جنگلی اصلی. چانه. J. Appl. Ecol. 2006 ، 17 ، 1726-1732. [ Google Scholar ]
  9. Attiwill، PM اختلال در اکوسیستم های جنگلی: مبنای اکولوژیکی برای مدیریت محافظه کارانه. برای. Ecol. مدیریت 1994 ، 63 ، 247-300. [ Google Scholar ] [ CrossRef ]
  10. فلانیگان، MD; هرینگتون، JB مطالعه رابطه متغیرهای هواشناسی با منطقه ماهانه استانی سوخته شده توسط آتش سوزی جنگلی در کانادا (1953-1980). J. Appl. هواشناسی 1988 ، 27 ، 441-451. [ Google Scholar ] [ CrossRef ]
  11. Carrega، P. یک شاخص هواشناسی خطر آتش سوزی جنگل در مدیترانه فرانسه. بین المللی J. Wildland Fire 1991 ، 1 ، 79-86. [ Google Scholar ] [ CrossRef ]
  12. دیویس، FW; مایکلسن، جی. حساسیت رژیم آتش در اکوسیستم های چاپارال به تغییرات آب و هوایی. گلوب. چانگ. Mediterr.-Type Ecosyst. 1995 ، 117 ، 435-456. [ Google Scholar ]
  13. گیل، AM; مور، PHR الگوهای آب و هوای آتش سوزی منطقه ای و تاریخی مربوط به آتش سوزی جنگلی سیدنی در ژانویه 1994. Proc. لین. Soc. NSW 1996 ، 116 ، 27-35. [ Google Scholar ]
  14. منسینگ، SA; مایکلسن، جی. بیرن، آر. یک رکورد 560 ساله از آتش سوزی های سانتا آنا بازسازی شده از ذغال سنگ ته نشین شده در حوضه سانتا باربارا، کالیفرنیا. کوات. Res. 1999 ، 51 ، 295-305. [ Google Scholar ] [ CrossRef ]
  15. موریتز، MA تحلیل فضایی و زمانی کنترل‌های رژیم‌های آتش‌سوزی بوته‌زار: وابستگی به سن و خطر آتش‌سوزی. اکولوژی 2003 ، 84 ، 351-361. [ Google Scholar ] [ CrossRef ]
  16. Keeley، JE تأثیر آب و هوای پیشین بر رژیم های آتش سوزی در ساحلی کالیفرنیا. بین المللی J. Wildland Fire 2004 ، 13 ، 173-182. [ Google Scholar ] [ CrossRef ]
  17. پیترز، DP; Pielke، RA; Bestelmeyer، BT; آلن، سی دی; مونسون-مک گی، اس. Havstad، KM تعاملات در مقیاس متقابل، غیر خطی‌ها و پیش‌بینی رویدادهای فاجعه‌بار. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2004 ، 101 ، 15130-15135. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. یو، سی. لو، سی اف. شو، LF; Shen, ZH پیشرفت در تحقیقات آتش سوزی در پس زمینه تغییرات جهانی. جی ریسور. Ecol. 2020 ، 40 ، 385-401. [ Google Scholar ]
  19. Minnich، RA; Bahre، CJ Wildland Fire و Chaparral Succession در امتداد مرز کالیفرنیا باجا-کالیفرنیا. بین المللی J. Wildland Fire 1995 ، 5 ، 13-24. [ Google Scholar ] [ CrossRef ]
  20. Chas-Amil، ML; پرستمون، جی پی؛ مک کلین، سی جی; توزا، جی. الگوهای آتش‌سوزی و پاسخ‌های انسانی به تغییر سیاست. Appl. Geogr. 2015 ، 56 ، 164-176. [ Google Scholar ] [ CrossRef ]
  21. Rhman، S. چانگ، HC; مگیل، سی. تامکینز، ک. Hehir, W. Forest Fire Occurrence and Modeling in Southeastern Australia , 1st ed.; Szmyt، J.، Ed. Intechopen: لندن، بریتانیا، 2018. [ Google Scholar ]
  22. برادستاک، RA; Cohn، JS; گیل، AM; بدوارد، م. لوکاس، سی. پیش بینی احتمال آتش سوزی های بزرگ در منطقه سیدنی در جنوب شرقی استرالیا با استفاده از آب و هوای آتش سوزی. بین المللی J. Wildland Fire 2009 ، 18 ، 932-943. [ Google Scholar ] [ CrossRef ]
  23. ژانگ، ی. لیم، اس. شارپلز، جی جی مدل سازی الگوهای فضایی وقوع آتش سوزی در جنوب شرقی استرالیا. Geomat. نات خطر خطرات 2016 ، 7 ، 1800-1815. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. رودریگز، ام. ریوا، جی. Fotheringham, S. مدل‌سازی تغییرات فضایی عوامل توضیحی آتش‌سوزی‌های ناشی از انسان در اسپانیا با استفاده از رگرسیون لجستیک وزن‌دار جغرافیایی. Appl. Geogr. 2014 ، 48 ، 52-63. [ Google Scholar ] [ CrossRef ]
  25. بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. اولیویرا، اس. اوهلر، اف. سان میگل آیانز، ج. کامیا، ا. Pereira، JMC مدل سازی الگوهای فضایی وقوع آتش سوزی در اروپای مدیترانه ای با استفاده از رگرسیون چندگانه و جنگل تصادفی. برای. Ecol. مدیریت 2012 ، 275 ، 117-129. [ Google Scholar ] [ CrossRef ]
  27. اندروز، پی. فینی، ام. Fischetti، M. پیش بینی آتش سوزی. علمی صبح. 2007 ، 297 ، 46-51. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  28. گیبوس، ک. اسلیپسچویچ، آ. ولز، تی. فوگارتی، L. توانایی و ظرفیت تحلیلگر رفتار آتش سوزی ساختمان (FBAN): درس های آموخته شده از استراتژی خدمات پیش بینی رفتار آتش سوزی در استرالیا، ویکتوریا. در مجموعه مقالات کنفرانس آتش‌سوزی‌های بزرگ وحشی، میسولا، MT، ایالات متحده آمریکا، 29 سپتامبر 2015. [ Google Scholar ]
  29. آتش نشانی و خدمات اضطراری کوئینزلند. گزارش سالانه 2015–16. در دسترس آنلاین: https://documents.parliament.qld.gov.au/tableOffice/TabledPapers/2016/5516T1613.pdf (در 17 ژوئن 2021 قابل دسترسی است).
  30. نیل، تی. می، دی. شبیه‌سازها و تحلیل‌های آتش‌سوزی در استرالیا: بینش‌هایی در مورد یک عمل اجتماعی فنی در حال ظهور. محیط زیست خطرات 2018 ، 17 ، 200-218. [ Google Scholar ] [ CrossRef ]
  31. گارگ، اس. فوربس اسمیت، ن. هیلتون، جی. Prakash, M. SparkCloud: A Cloud-based Elastic Bushfire Simulation Service. Remote Sens. 2018 , 10 , 74. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. اداره آمار استرالیا جمعیت ملی، ایالتی و قلمرو – سپتامبر 2020. در دسترس آنلاین: https://www.abs.gov.au/statistics/people/population/national-state-and-territory-population/latest-release (در 17 ژوئن 2021 قابل دسترسی است. ).
  33. CRU TS4.04: واحد تحقیقات اقلیمی (CRU) سری زمانی (TS) نسخه 4.04 داده های شبکه بندی شده با وضوح بالا از تغییرات ماه به ماه در آب و هوا (ژانویه 1901 تا دسامبر 2019)، مرکز تجزیه و تحلیل داده های محیطی، تاریخ استناد. در دسترس آنلاین: https://catalogue.ceda.ac.uk/uuid/89e1e34ec3554dc98594a5732622bce9 (در 26 آوریل 2021 قابل دسترسی است).
  34. داده‌های میانگین ماهانه ERA5-Land از سال 1950 تا کنون، مرکز اروپا برای پیش‌بینی‌های هوای متوسط. در دسترس آنلاین: https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-land-monthly-means?tab=overview (در 26 آوریل 2021 قابل دسترسی است).
  35. MODIS/Aqua Vegetation Indics ماهنامه L3 جهانی 1 کیلومتر شبکه SIN، USUG. در دسترس آنلاین: https://lpdaac.usgs.gov/products/myd13a3v061/ (در 26 آوریل 2021 قابل دسترسی است).
  36. NDVI، بنیاد فنولوژی سنجش از دور، USUG. در دسترس آنلاین: https://www.usgs.gov/core-science-systems/eros/phenology/science/ndvi-foundation-remote-sensing-phenology?qt-science_center_objects=0#qt-science_center_objects (دسترسی در 26 آوریل 2021 ).
  37. راجرز، جی ال. Nicewander، WA سیزده روش برای بررسی ضریب همبستگی. صبح. آمار 1988 ، 42 ، 59-66. [ Google Scholar ] [ CrossRef ]
  38. استیگلر، گزارش فرانسیس گالتون از اختراع همبستگی. آمار علمی 1989 ، 4 ، 73-79. [ Google Scholar ] [ CrossRef ]
  39. Fotheringham، AS; هریس، پی. چارلتون، ام. Lu, B. رگرسیون وزن‌دار جغرافیایی: تجزیه و تحلیل روابط متغیر فضایی . جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 2002. [ Google Scholar ]
  40. کرسی، آمار NAC برای داده های فضایی، ویرایش تجدید نظر شده. ; جان وایلی و پسران: تورنتو، ON، کانادا، 1993. [ Google Scholar ]
  41. بریمن، ال. Cutler، RA Random Forests Machine Learning. جی. کلین. میکروبیول. 2001 ، 2 ، 199-228. [ Google Scholar ]
  42. Fotheringham، AS; Brunsdom، C. اشکال محلی تحلیل فضایی. Geogr. مقعدی 2010 ، 31 ، 340-358. [ Google Scholar ] [ CrossRef ]
  43. کاتلر، DR; ادواردز، TC; ریش، KH; کاتلر، ا. هس، KT; گیبسون، جی. لاولر، JJ جنگل های تصادفی برای طبقه بندی در بوم شناسی. اکولوژی 2007 ، 88 ، 2783-2792. [ Google Scholar ] [ CrossRef ]
  44. ویسنر، ام. شیروژان، س. Pettit، C. تجزیه و تحلیل فضایی، تجسم تعاملی و داشبورد مبتنی بر GIS برای نظارت بر تغییرات فضایی-زمانی نقاط داغ آتش‌سوزی‌های بوته‌ها در طول 100 سال در نیو ساوت ولز، استرالیا. Buildings 2021 , 11 , 37. [ Google Scholar ] [ CrossRef ]
  45. هیلتون، جی. سوئدش، دبلیو. هترتون، ال. سالیوان، ای. Prakash, M. Spark User Guide 1.1.2. CSIRO، استرالیا 2019. در دسترس آنلاین: https://research.csiro.au/static/spark/Spark_applications_user_guide_v112.pdf (دسترسی در 20 مارس 2021).
  46. سالیوان، مدل سازی گسترش آتش سطحی AL Wildland، 1990-2007. 2: مدل های تجربی و شبه تجربی. بین المللی J. Wildland Fire 2006 ، 18 ، 369-386. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. Krawchuk، MA; موریتز، MA; Parisien، MA; ون دورن، جی. Hayhoe, K. Global Pyrogeography: The Current and Future Distribution of Wildfire. PLoS ONE 2009 ، 4 ، e5102. [ Google Scholar ] [ CrossRef ]
  48. آرچیبالد، اس. Lehmann، CER; گومز-دانز، جی ال. Bradstock، RA تعریف پیروم ها و سندرم های جهانی رژیم های آتش. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2013 ، 110 ، 6442-6447. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. Turns, SR مقدمه ای بر احتراق: مفاهیم و کاربردها . آموزش مک گراو هیل: نیویورک، نیویورک، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  50. جین، XZ; هان، ST; چنگ، با بررسی اجمالی تحقیق در مورد میزان و الگوی گسترش آتش سوزی جنگل. برای. تکنولوژی Newsl. 1998 ، 12 ، 1-3. [ Google Scholar ]
  51. کیت، دی. سواحل اقیانوس به تپه های شنی صحرا: گیاه بومی نیو ساوت ولز و ACT . وزارت محیط زیست و حفاظت (NSW): Parramatta، استرالیا، 2004. [ Google Scholar ]
  52. هافمن، WA بازخوردهای منطقه ای در میان آتش سوزی، آب و هوا، و جنگل زدایی مناطق استوایی. جی. ژئوفیس. Res. Planets 2003 , 108 , 4721. [ Google Scholar ] [ CrossRef ][ Green Version ]
  53. آتش سوزی جنگل جو، ED گسترش یافت. برای. حریق قبلی 1986 ، 2 ، 31-33. [ Google Scholar ]
  54. Schinasi، LH; بنمارحنیا، تی. Roos، AJD اصلاح ارتباط بین دمای بالای محیط و سلامت توسط شاخص‌های ریزاقلیم شهری: یک بررسی سیستماتیک و متاآنالیز. محیط زیست Res. 2018 ، 161 ، 168-180. [ Google Scholar ] [ CrossRef ]
  55. پدرگوسا، اف. واروکو، جی. گرامفورت، آ. میشل، وی. تیریون، بی. گریزل، او. بلوندل، م. پرتنهوفر، پی. ویس، آر. دوبورگ، وی. و همکاران Scikit-learn: یادگیری ماشینی در پایتون. جی. ماخ. فرا گرفتن. Res. 2011 ، 12 ، 2825-2830. [ Google Scholar ]
Ijgi 11 00336 g001 550
شکل 1. نمودار جریان تحقیق.
Ijgi 11 00336 g002 550
شکل 2. منطقه مطالعه.
Ijgi 11 00336 g003 550
شکل 3. شماتیک پیش بینی آتش سوزی در بوته بر اساس Spark.
Ijgi 11 00336 g004 550
شکل 4. شماتیک لایه های Spark.
Ijgi 11 00336 g005 550
شکل 5. نمودار پراکندگی منطقه سوخته شده توسط بوته‌ها به عنوان تابعی از هفت دسته از تغییرات عوامل تأثیرگذار: میانگین دمای هوا (که با میانگین هوا مشخص می‌شود)، میانگین بارندگی (به‌عنوان پیش‌میانگین)، میانگین رطوبت خاک (به‌عنوان میانگین_خاک مشخص می‌شود)، میانگین. سرعت باد (که با عنوان Wind_mean مشخص می شود)، شیب متوسط ​​زمین (که با Slope_mean مشخص می شود)، میانگین NDVI (که با NDVI_mean نشان داده می شود) و قابلیت اشتعال گیاهی (که با عنوان Vegetation_flam مشخص می شود).
Ijgi 11 00336 g006 550
شکل 6. نمودار پراکندگی فراوانی سالانه آتش‌سوزی‌ها به عنوان تابعی از هفت دسته از تغییرات عوامل مؤثر (دما، بارش، رطوبت خاک، سرعت باد، شیب زمین، NDVI و قابلیت اشتعال پوشش گیاهی).
Ijgi 11 00336 g007 550
شکل 7. ضرایب همبستگی پیرسون هفت دسته از عوامل موثر بر منطقه سوخته بوش.
Ijgi 11 00336 g008 550
شکل 8. ضرایب همبستگی پیرسون هفت دسته از عوامل موثر بر فرکانس سالانه آتش سوزی بوته.
Ijgi 11 00336 g009 550
شکل 9. مقادیر VIF برای هفت راننده در منطقه گسترش آتش سوزی.
Ijgi 11 00336 g010 550
شکل 10. مقادیر VIF برای هفت راننده در فرکانس سالانه آتش‌سوزی‌های جنگلی.
Ijgi 11 00336 g011 550
شکل 11. اهمیت هر راننده نسبت به منطقه گسترش آتش سوزی.
Ijgi 11 00336 g012 550
شکل 12. اهمیت هر راننده نسبت به فرکانس سالانه آتش سوزی در بوته ها.
Ijgi 11 00336 g013 550
شکل 13. نتایج شبیه سازی گسترش آتش در منطقه آرمیدیل در مدت 24 ساعت: ( الف ) نقشه پایه. ( ب ) با نقشه پایه از نوع پوشش گیاهی. ( ج ) با نقشه پایه زمین.
Ijgi 11 00336 g014 550
شکل 14. نتایج شبیه سازی گسترش آتش در منطقه Nyngan در یک دوره 24 ساعته: ( الف ) نقشه پایه. ( ب ) با نقشه پایه از نوع پوشش گیاهی. ( ج ) با نقشه پایه زمین.
Ijgi 11 00336 g015 550
شکل 15. نتایج شبیه سازی گسترش آتش در منطقه Queanbeyan در یک دوره 24 ساعته: ( الف ) نقشه پایه. ( ب ) با نقشه پایه از نوع پوشش گیاهی. ( ج ) با نقشه پایه زمین.
Ijgi 11 00336 g016 550
شکل 16. نتایج شبیه سازی گسترش آتش در منطقه Wauchope در یک دوره 24 ساعته: ( الف ) نقشه پایه. ( ب ) با نقشه پایه از نوع پوشش گیاهی. ( ج ) با نقشه پایه زمین.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید