نوع مقاله : مقاله پژوهشی

نویسندگان

• منصوره کارگر ¹
• زینب جعفریان ²

¹ دانشکده منابع طبیعی دانشگاه علوم کشاورزی و منابع طبیعی ساری

² دانشیار دانشگاه علوم کشاورزی و منابع طبیعی ساری

چکیده

آتش سوزی‌های طبیعی با وارد آوردن خسارت‌های جبران ناپذیر به مناطق مرتعی و جنگلی سبب تغییر در اکولوژی منظر می‌شوند. هدف از این تحقیق مقایسه مدل های شبکه عصبی مصنوعی و رگرسیون خطی در پیش بینی خطر آتش سوزی جنگل‌ها و مراتع استان مازندران است. به این منظور، از داده‌های آتش سوزی شامل سطح سوخته شده و تعداد وقوع آتش سوزی و هم چنین از داده‌های هواشناسی در یک دوره 7 ساله (1385-1391) استفاده شد. نتایج حاصل از شبکه عصبی مصنوعی بیانگر این مطلب است که در اجرای 9 و تکرار 900 بهترین شبکه به دست آمد. نتایج این تحقیق حاکی از توانایی شبکه عصبی در پیش بینی وقوع آتش سوزی بود و هم چنین این مدل شبکه عصبی می‌تواند 86 درصد تغییرات وقوع آتش سوزی در جنگل و مرتع را با استفاده از پارامتر‌های هواشناسی پیش بینی نماید. هم‌چنین نتایج حاصل از آزمون همبستگی اسپیرمن نشان داد که حداکثر دما (006/0p=، 896/0 r =)، حداقل رطوبت نسبی (003/0P= ، 896/0 r = و تعداد ساعات آفتابی (010/0P= ، 876/0 r =) دارای همبستگی مثبت سطح سوخته شده آتش سوزی هستند. نتایج رگرسیون خطی بین سطح سوخته شده و عوامل هواشناسی مورد بررسی نشان داد که ضریب تعیین مدل برابر 57/0 است. شبکه‌ عصبی مصنوعی در پیش بینی آتش سوزی در جنگل‌ها نسبت به روش رگرسیون خطی یک روش سریع و قابل اطمینان بود.

کلیدواژه‌ها

• آتش سوزی جنگل و مرتع
• پیش بینی وقوع
• شبکه عصبی مصنوعی

عنوان مقاله [English]

Comparison of Artificial Neural Network (ANN) and Linear Regression (LR) Models to Predict of Forest and rangelands Fires

چکیده [English]

Natural fire inflicting irreparable damage to rangelands and forest areas is cause changes in landscape ecology. The purpose of this research is comparison of Artificial Neural Network (ANN) and Line Regression (LR) Models to predict of forest and rangelands fires to this end, the data consist fire burned area and fire were used weather data over a period of 7 years (2006-2012(.The result indicates that the Artificial Neural Network with implementation 9 and repeats 900 was obtained best performance network. The results of this study indicated the ability of neural networks in predicting the occurrence of fire and as well as the neural network model can to predict 86 percent change in forest and grassland fire using climatic parameters. Also, the results of the Spearman correlation test showed that the maximum temperature (p =0.006, r =0.896), minimum relative humidity (P =0.003, r =0.896) number of sunshine hours (P =0.010, r =0.876) levels correlated with fire area positively. The results of the linear regression between the burned and climatic factors were shown the coefficient of determination was 0.57. Artificial neural network to predict fire in forests was more fast and reliable method than linear regression.

کلیدواژه‌ها [English]

• Forest and rangeland fires
• Risk of Prediction
• Artificial Neural Network