مشاوره رایگان
فیس بوکتوئیتراینستاگراماسکایپ
کپی رایت 2024

ارزیابی خطر آتش‌سوزی بر اساس داده‌های فضایی باز: کاربرد در Chios، یونان

مقالات ارزیابی خطر آتش‌سوزی بر اساس داده‌های فضایی باز: کاربرد در Chios، یونان

خلاصه

آتش‌سوزی‌ها سالانه ده‌ها هزار هکتار از جنگل‌ها، چاپارها و مراتع را در کشورهای مدیترانه می‌سوزاند و نگرانی‌های مربوط به چشم‌انداز، اکولوژی، اقتصادی و امنیت عمومی را به دنبال دارد. در جزیره یونانی Chios و در بسیاری از مناظر دیگر مدیترانه، دسترسی و کنترل مناطقی که تحت تأثیر آتش سوزی قرار گرفته اند به دلیل ناهمواری های زمین دشوار است و نیاز به آمادگی در برابر آتش سوزی و طرح های واکنشی دارد که از آتش نشانی پشتیبانی می کند. این مطالعه از داده‌های منبع باز و یک ترکیب خطی وزن‌دار برای استخراج عواملی که خطر آتش‌سوزی را تعیین می‌کنند، استفاده کرد. تصاویر ماهواره‌ای Landsat و داده‌های مکانی در دسترس عموم برای ایجاد یک سیستم اطلاعات جغرافیایی و یک تجزیه و تحلیل چند معیاره برای توسعه روشی برای مدل‌سازی فضایی خطر آتش‌سوزی در Chios، جزیره‌ای یونانی با وقوع آتش‌سوزی مکرر استفاده شد. این مطالعه بر مؤلفه ایستا و ساختاری ارزیابی خطر برای تولید توزیع فضایی خطر آتش سوزی به عنوان یک نقشه موضوعی متمرکز شد. شرایط آب و هوایی آتش سوزی با استفاده از محتوای رطوبت سوخت، که خشکی سوخت های مرده و کمبود آب زیست توده زنده را منعکس می کند، محاسبه شد. برای ارزیابی نتایج، داده های آتش سوزی تاریخی نشان دهنده وقوع واقعی حوادث آتش سوزی با مکان های احتمالی آتش سوزی پیش بینی شده توسط مدل GIS ما مقایسه شد. مشخص شد که توافق خوبی بین داده های مرجع زمینی و نتایج مدل خطر آتش سوزی ایجاد شده وجود دارد. این یافته ها به مقامات آتش نشانی کمک می کند تا مناطق پرخطر برای آتش سوزی جنگلی را شناسایی کرده و تخصیص منابع را بر اساس آن برنامه ریزی کنند. این به این دلیل است که خروجی های مدل خطر آتش سوزی طراحی شده برای استفاده در Chios، یونان و سایر مناظر پیچیده یا چالش برانگیز نیست.

کلید واژه ها:

خطر آتش سوزی ؛ مدیریت جنگل ; GIS _ داده های جغرافیایی ؛ سنجش از دور ؛ تجزیه و تحلیل تصمیم گیری چند معیاره

۱٫ معرفی

جنگل ها، بوته زارها و دیگر مناطق وحشی، عملکردهای اکولوژیکی و زیست محیطی مهمی را ایفا می کنند و نقشی حیاتی در رفاه انسان ایفا می کنند [ ۱ ]. به طور گسترده ای شناخته شده است که آنها می توانند بارندگی، دمای معتدل، کاهش فرسایش خاک و چرخه کربن اتمسفر را تنظیم کنند [ ۲ ، ۳ ، ۴ ]. آنها همچنین تنوع زیادی از فرصت‌های تفریحی در فضای باز را فراهم می‌کنند و مردم را با طبیعت در محیط‌ها و فعالیت‌های متنوع پیوند می‌دهند.
آتش‌سوزی‌ها تأثیر قابل‌توجهی بر محیط فیزیکی و بیولوژیکی دارند. آنها بر استفاده از زمین و پوشش زمین، اکوسیستم ها، تنوع زیستی و تغییرات آب و هوایی تأثیر می گذارند. به این ترتیب، آنها بر سیستم اجتماعی-اقتصادی مناطقی که در آن رخ می دهند تأثیر می گذارند. منطقه مدیترانه نمونه بارز منطقه وسیعی است که در آن آتش سوزی های ناشی از انسان غالب است و آتش سوزی های طبیعی نادر هستند. علل طبیعی بین ۱ تا ۵ درصد از کل اشتعال ها، بسته به کشور، احتمالاً به دلیل عدم وجود پدیده های آب و هوایی مانند طوفان های رعد و برق خشک است [ ۵ ]. مطالعات اخیر در ایالات متحده همچنین نشان داده است که فعالیت‌های انسانی یک فضای آتش‌سوزی فصلی و فضایی ایجاد کرده است که ۸۴ درصد از کل آتش‌سوزی‌ها و ۴۴ درصد از کل منطقه سوخته را تشکیل می‌دهد. ۶ ].]. آتش‌سوزی‌های ناشی از انسان به تغییر زمین، برداشت الوار، کشاورزی بریده‌شدن و سوزاندن، درگیری بر سر مالکیت دارایی و حقوق استفاده از زمین، سهل انگاری و آتش‌سوزی نسبت داده می‌شوند [ ۷ ].
اکوسیستم‌های مدیترانه‌ای به دلیل گستره شرایط آب و هوایی که زیستگاه‌های متنوعی را برای گونه‌های مختلف فراهم می‌کند، از متنوع‌ترین مناطق جهان هستند. در عین حال، آب و هوای مدیترانه ای با تابستان های طولانی گرم و خشک مشخص می شود که به اشتعال آتش کمک می کند. در نتیجه، پوشش گیاهی بومی (عمدتا درختان کاج و درختچه های خاردار همیشه سبز) با آتش سوزی های دوره ای سازگار شده است [ ۸ ]. با این حال، این سازگاری با آتش در حوضه مدیترانه به طور خاص عامل محرک اصلی برای گونه زایی نبوده است. ۹ ]]. میانگین سالانه آتش سوزی در مناطق توسعه نیافته در سراسر حوزه مدیترانه در ۵۰ سال گذشته به طور قابل توجهی افزایش یافته است. مطالعات دیگر نشان داده است که در اسپانیا، پرتغال، ایتالیا و یونان، میانگین کل مساحت سوخته از دهه ۶۰ تا کنون چهار برابر شده است [ ۱۰ ]. علاوه بر این، پیش‌بینی می‌شود که میانگین سالانه منطقه سوخته در منطقه مدیترانه تا سال ۲۰۹۰ نسبت به سال ۲۰۰۰ تقریباً ۱۵۰ تا ۲۲۰ درصد افزایش یابد [ ۱۱ ].
برخی از مناطق مدیترانه ای دوره های خشکسالی طولانی را با دمای بالا و بادهای محلی قوی تجربه می کنند که بر فراوانی و شدت آتش سوزی آنها تأثیر می گذارد. نوع پوشش گیاهی مدیترانه ای خود دارای خواص شیمیایی، فیزیکی و فیزیولوژیکی است که با افزایش سن قابلیت اشتعال آن را افزایش می دهد [ ۱۲ ]. بخش بزرگی از حوضه مدیترانه یک چشم‌انداز نیمه طبیعی است که سابقه طولانی تأثیرات انسانی بر جنگل‌ها و بوته‌زارها دارد و بیشتر آتش‌سوزی‌ها در نتیجه فعالیت‌های انسانی بوده است [ ۱۳ ].
همه کشورهای مستعد آتش سوزی دارای نوعی ارزیابی خطر آتش سوزی هستند و اغلب بیش از یک (شاخص های مختلف) دارند. مطالعات نشان داده اند که پوشش گیاهی و توپوگرافی به طور گسترده ای به عنوان کنترل های غالب بر شدت آتش سوزی در بسیاری از انواع اکوسیستم های جنگلی و بوته زاری شناخته شده است [ ۱۴ ، ۱۵ ، ۱۶ ، ۱۷ ، ۱۸ ]. خطر آتش سوزی اصطلاحی است که برای احتمال شروع آتش سوزی در یک منطقه خاص، تحت تأثیر ماهیت و وقوع عوامل ایجاد کننده استفاده می شود [ ۱۹ ، ۲۰ ]. به دلیل ماهیت پیچیده جنگل ها و بوته زارها، تهیه نقشه هایی که خطر آتش سوزی و خطر آتش سوزی را نشان می دهد می تواند به ویژه چالش برانگیز باشد. ۱۱ ]]. در اکوسیستم های مدیترانه ای به طور خاص، مشکلات در اندازه گیری و کمی سازی عوامل مهم مرتبط با خطر و خطر آتش سوزی اغلب منجر به یک رویکرد توصیفی به مشکل یا حذف کامل از برنامه ریزی مدیریت جنگل می شود [ ۱۹ ].
چندین رویکرد برای مدل‌سازی وقوع آتش‌سوزی بالقوه پیشنهاد شده است، مانند تحلیل رگرسیون خطی و رگرسیون لجستیک [ ۲۱ ]، الگوریتم‌های مبتنی بر شاخص‌های روشنایی و رطوبت نرمال شده (FIRA)، شبکه‌های عصبی مصنوعی [ ۲۲ ، ۲۳ ] و رویکردهای آماری [ ۲۴ ]. . پروژه‌های تحقیقاتی متعددی مدل‌های خطر آتش‌سوزی را برای مناطق خاص بر اساس عوامل فیزیوگرافی و محیطی که بر آتش‌سوزی وحشی تأثیر می‌گذارند، توسعه داده‌اند [ ۷ ، ۲۵ ، ۲۶ ]]. ارزیابی خطر آتش سوزی معمولاً بسته به اهدافی که ارزیابی ها برای آنها انجام می شود، اشکال مختلفی دارد. در اروپا، خدمات کمیسیون اروپا با رویکردهای خطر آتش سوزی جنگلی در کشورهای مختلف عضو سروکار دارد. در نتیجه، مرکز تحقیقات مشترک (JRC) کمیسیون اروپا، سیستم اطلاعات آتش‌سوزی جنگل‌های اروپا (EFFIS) را ایجاد کرد که اطلاعات معتبر و به‌روز در مورد آتش‌سوزی‌های جنگل‌های اروپا را ارائه می‌دهد. جنبه دینامیکی این مدل در درجه اول توسط آب و هوا تعریف می شود. به عنوان مثال، خشکسالی عامل مهمی است که اغلب شرایط مساعدی را برای اشتعال و انتشار آتش ایجاد می کند. برعکس، افزایش بارندگی و رطوبت احتمال اشتعال را کاهش می دهد.
داده‌های هواشناسی درجا معمولاً با وضوح مکانی پایین جمع‌آوری می‌شوند، که با مقیاس دقیقی که در آن شدت آتش سوزی در سطح سایت ارزیابی و پیش‌بینی می‌شود، همخوانی ندارد. داده‌های درون‌یابی فضایی از ایستگاه‌های هواشناسی می‌تواند تا حدی این موضوع را کاهش دهد، اما در مناطقی که ایستگاه‌های هواشناسی پراکنده هستند، این تکنیک ناکافی است. فقدان داده های آب و هوای معتبر و به موقع، درک کنترل های مکانی در رویدادهای خاص آتش را محدود می کند.
چندین روش با استفاده از شرایط آب و هوایی آتش سوزی برای کاربردهای خطر آتش سوزی پیشنهاد شده است. رایج ترین آنها اندازه گیری های میدانی [ ۲۷ ]، استفاده از چوب های کالیبره شده و محاسبه شاخص های هواشناسی [ ۲۸ ] است. شرایط آب و هوایی آتش سوزی اغلب با استفاده از متریک محتوای رطوبت سوخت (FMC) مشخص می شود که خشکی سوخت های مرده و کمبود آب زیست توده زنده را نشان می دهد [ ۲۹ ]. دمای هوا بر دمای سوخت و بنابراین مقدار انرژی گرمایی مورد نیاز برای رساندن آن به نقطه اشتعال تأثیر می گذارد. رطوبت نسبی به شدت با رطوبت سوخت مرتبط است و بنابراین نقش مهمی در کنترل اشتعال پذیری سوخت، به ویژه سوخت های ریز دارد [ ۳۰ ]]. با این حال، هیچ یک از روش هایی که از FMC استفاده می کنند کاملاً رضایت بخش نیستند [ ۳۱ ].
داده های سنجش از راه دور امکان به دست آوردن اطلاعات عواملی را که خطر آتش سوزی را تعیین می کنند، مانند توپوگرافی، پوشش گیاهی، آب و هوا و سایر پارامترها با وضوح زمانی و مکانی بسیار دقیق تر می دهد. این امر نیاز به کار میدانی پرهزینه و فشرده و روش‌های درون‌یابی را که داده‌ها را مستقیماً به فرآیندهای پویا پوشش گیاهی مرتبط می‌کند، کاهش می‌دهد [ ۳۲ ]]. پیشرفت در سنجش از دور امکان بررسی اثرات آب و هوای آتش در مقیاس ریز بر شدت آتش را فراهم می کند. به عنوان مثال، یک رویکرد برای سنجش از دور FMC، تخمین تغییر محتوای آب تاج در طول زمان، با استفاده از یک شاخص طیفی آب مایع، مانند شاخص تفاوت عادی شده فروسرخ (NDII) بوده است. NDII بر اساس نسبت باندهای بازتابی مادون قرمز نزدیک به مادون قرمز و موج کوتاه (۱٫۶۵ میکرومتر) است. این یک شاخص قوی از در دسترس بودن آب در خاک برای استفاده توسط پوشش گیاهی است [ ۳۳ ]. این شاخص بر اساس اندازه گیری های بازتاب حساس به تغییرات محتوای آب سایبان گیاهان است. NDII به جای نسبت ساده از فرمول تفاوت نرمال شده استفاده می کند و مقدار آن با افزایش محتوای آب افزایش می یابد [ ۳۴ ].
در یونان، خدمات جنگلداری از سه کلاس برای مولفه استاتیک ارزیابی خطر استفاده کرده است که اساساً بر اساس تاریخچه آتش سوزی محلی (تعداد آتش سوزی ها و منطقه سوخته) در یک دوره ۳۰ ساله است. دبیرخانه کل حفاظت غیرنظامی نقشه پیش بینی خطر آتش سوزی روزانه را برای کل کشور ارائه می دهد. این نقشه توسط تیمی از کارشناسان آتش سوزی جنگل ها و هواشناسان تهیه شده و روزی یک بار حوالی ساعت ۱۳:۰۰ بعد از ظهر منتشر می شود و برای روز بعد معتبر است. نمونه ای از این نقشه در شکل ۱ نشان داده شده است . همانطور که مشاهده می شود، وضوح مکانی محصول درشت است و یک کلاس پیش بینی خطر آتش سوزی را در سطح استان ارائه می دهد. به عنوان مثال، Chios، منطقه مورد مطالعه در اینجا، یک کلاس واحد برای کل جزیره اختصاص داده شده است.
مطالعات متعددی تلاش کرده اند تا یک ارزیابی چند معیاره بر اساس داده های سنجش از دور و تکنیک های GIS ایجاد کنند [ ۷ ، ۲۶ ، ۳۵ ، ۳۶ ، ۳۷ ، ۳۸ ، ۳۹ ، ۴۰ ، ۴۱ ، ۴۲ ]. با این حال، نیاز به ایجاد عوامل اساسی که بر گسترش آتش‌سوزی در منطقه مورد مطالعه ما Chios تأثیر می‌گذارد مانند سوخت، رفتار آتش‌سوزی و مداخله انسانی (اثربخشی آتش‌نشانی) وجود دارد [ ۴۳ , ۴۴]. همچنین مهم است که بررسی کنیم که چگونه پارامترهای محیطی (پوشش گیاهی (V)، شیب (S)، جنبه (A)، ارتفاع (E)، روشنایی (I)) باعث انتشار آتش می شوند. این به درک اینکه چگونه مهمترین پارامترهای محیطی، مانند پوشش گیاهی/نوع سوخت و FMC، باعث انتشار آتش در Chios می شود، کمک می کند. اشتعال های طبیعی در Chios به دلیل عدم وجود رعد و برق خشک یا سایر منابع اشتعال طبیعی بسیار نادر است. با این حال، نیاز به درک چگونگی ارتباط اشتعال آتش با عوامل انسانی (چه سهل انگاری یا آتش سوزی)، از جمله دسترسی به جاده ها و نزدیکی به سکونتگاه های انسانی وجود دارد. اینها عوامل مهمی در مدیریت آتش سوزی در Chios هستند زیرا نشان دهنده دسترسی و فعالیت انسان است که می تواند منجر به اشتعال شود [ ۴۵ , ۴۶ ]]. سکونتگاه‌های خیوس به سادگی نشان‌دهنده حضور انسان هستند، در حالی که جاده‌ها دسترسی نسبتاً آسانی به جنگل‌ها و بوته‌های توسعه نیافته را فراهم می‌کنند.
هدف از این کار طراحی و ایجاد یک سیستم پشتیبانی تصمیم برای کمک به پیشگیری و مدیریت آتش در جزیره Chios بود. مطالعه حاضر با هدف تولید ابزاری با کاربری آسان برای تخمین خطر آتش سوزی با استفاده از داده های رایگان و نرم افزار منبع باز انجام شد. این قابلیت استفاده از داده‌های مکانی حوزه عمومی را برای استخراج اطلاعات با روشی که می‌تواند به سایر مناظر قابل انتقال باشد و محصول نهایی که می‌تواند آزادانه در دسترس عموم قرار گیرد را نشان می‌دهد.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

منطقه مورد مطالعه جزیره Chios ( شکل ۲ ) است که در شمال شرقی دریای اژه در یونان واقع شده است. خیوس پنجمین جزیره بزرگ دریای اژه است که مساحتی بالغ بر ۹۰۲ کیلومتر مربع و خط ساحلی ۲۱۳ کیلومتری دارد. جمعیت کل ۵۴۰۰۰ نفر است که تقریباً نیمی از آنها در پایتخت چورا ساکن هستند. خیوس جزیره ای است که اهمیت زیست محیطی زیادی دارد. در قرن سیزدهم به دلیل تولید ماستیک Chios، رزین درخت بنه ( Pistacia lentiscus L. var. chia (Desf. ex Poiret) DC.) در ۲۱ روستا، در سطح بین المللی شناخته شد. از دوران باستان خواص و کاربردهای مفید بسیاری به ماستیک چیوس نسبت داده شده است. ۴۷]. درختان ماستیک در میان سایر گونه‌های اسکلروفیلوس که نوع پوشش گیاهی اصلی را در جزایر دریای اژه تشکیل می‌دهند [ ۴۸ ]، در بخش جنوبی جزیره رشد می‌کنند، منطقه‌ای که به‌طور چشمگیری تحت تأثیر حوادث شدید آتش‌سوزی اخیر قرار گرفته است.
علاوه بر این، این جزیره دارای پنج منطقه است که بخشی از برنامه شبکه‌سازی NATURA 2000 هستند، ابتکاری که بقای طولانی‌مدت ارزشمندترین و در معرض خطرترین گونه‌ها و زیستگاه‌های اروپا را تضمین می‌کند [ ۴۹ ]. دو مورد از این مناطق طبق دستورالعمل ۹۲/۴۳/EEC (زیستگاه‌ها) «مکان‌های اهمیت جامعه» (SCI) و طبق دستورالعمل ۲۰۰۹/۱۴۷/EU (پرندگان) «مناطق حفاظتی ویژه (SPA)» هستند.
آب و هوای جزیره گرم و معتدل (معتدل، مدیترانه ای (Csa)) با تغییرات متوسط ​​به دلیل اثر تثبیت کننده دریای اطراف است. این جزیره معمولاً در طول سال نسیم ثابت (متوسط ​​۱۰٫۸ تا ۱۸ کیلومتر در ساعت) با باد غالب شمالی یا جنوب غربی را تجربه می کند. مناطق آب و هوایی مدیترانه ای تحت سلطه بوته های همیشه سبز برگ های اسکلروفیل، بوته های نیمه برگریز و جنگل ها هستند که همگی مستعد آتش سوزی های گسترده تاج هستند [ ۵۰ ]. آب و هوای گرمتر و خشک تر می تواند بر فعالیت آتش سوزی تأثیر بگذارد و منجر به شرایط مساعدتر برای سوختن شود و همچنین با تغییر ساختار سوخت موجود برای سوزاندن [ ۵۱ ]]. الگوی معمولی یک فصل نسبتا مرطوب و خنک در زمستان است که رشد گیاه را تحریک می کند و به دنبال آن یک فصل تابستان خشک و گرم ( شکل ۳ ) که در آن پوشش گیاهی جدید پژمرده می شود و تبدیل به تیره قابل اشتعال می شود. یک همبستگی منفی بین دما و بارش وجود دارد، به این معنی که دمای گرمتر از نرمال معمولاً منجر به خشک‌تر از شرایط عادی می‌شود و دوره‌های سردتر احتمالاً مرطوب‌تر هستند. همانطور که در شکل ۳ مشاهده می شود ، بر اساس داده های ۳۰ ساله موجود برای جزیره، دما در دوره بین جولای و آگوست بالاترین درجه حرارت است در حالی که میزان بارندگی کمترین است و در نتیجه یک سناریوی ایده آل برای آتش سوزی جنگلی ایجاد می شود. این با سوابق موجود آتش سوزی در جزیره که در آن دوره زمانی ۳۰ ساله رخ داده است، مطابقت دارد.
آب و هوای فصلی و شرایط آب و هوایی اخیر نیز FMC را شکل می‌دهند، عاملی کلیدی که تعیین‌کننده نحوه سوختن آسان سوخت است. در حالی که گیاهان و درختان زنده می توانند تا سه برابر وزن خود رطوبت را در طول یک فصل رشد سالم نگه دارند، سوخت های مرده رطوبت بسیار کمتری را در خود نگه می دارند و در حدود ۳۰ درصد بالاتر می روند. علاوه بر این، سطح رطوبت سوخت‌های مرده می‌تواند روزانه در نوسان باشد. ۵۲]. کیوس یکی از مستعدترین مناطق در آتش سوزی در یونان با مساحت کل سوخته برای دوره ۱۹۹۳-۲۰۰۵ ۳۰۲۵۵ هکتار، نتیجه ۴۴۶ آتش سوزی ثبت شده و میانگین منطقه سوخته در هر حادثه ۶۷٫۸ هکتار است. در جولای ۲۰۰۷، آتش سوزی در بخش شمالی جزیره رخ داد در حالی که در سال ۲۰۱۲ ویرانگرترین آتش سوزی ۳۰ سال گذشته بیش از ۱۴۸۰۰ هکتار را سوزاند. آتش سوزی های گسترده ای نیز در تابستان ۲۰۱۶ در مناطق پلاتا (۲۳ ژوئیه) و سیدیرونتا (۲۶ اوت) رخ داد که به ترتیب ۴۳۴۳ و ۶۲۲ هکتار را سوزاند ( شکل ۴ ).

۲٫۲٫ داده ها

مطالعه حاضر بر اساس محصولات و الگوریتم‌های رصد زمین با دسترسی باز و رایگان در دسترس است. داده های سنسورهای ماهواره ای Landsat 5، Landsat-7 ETM+ و Landsat-8 OLI، مدل ارتفاعی دیجیتالی ماموریت توپوگرافی رادار شاتل (SRTM)، پوشش زمین Corine (CLC) 2012 (v.18.5.1) و OpenStreetMap (OSM) برای استخراج نقشه خطر آتش سوزی و اسکارهای سوختگی مرتبط از سه فصل آتش سوزی گذشته (۲۰۰۷، ۲۰۱۲ و ۲۰۱۶) استفاده شد. CLC در قالب شطرنجی GeoTIFF با وضوح فضایی ۱۰۰ متر از سرویس نظارت بر زمین کوپرنیک بازیابی شد.
SRTM DEM برای استخراج ویژگی های فیزیوگرافی (به عنوان مثال، شیب، جنبه، و ارتفاع) و روشنایی استفاده شد. یک بررسی بصری از ماهواره مشاهده پیشرفته زمین (ALOS) DEM ارائه شده توسط JAXA و SRTM DEM ارائه شده توسط ناسا، هر دو با وضوح ۱ ثانیه قوس (۳۰ متر)، نشان داد که این دو مجموعه داده در منطقه بسیار شبیه به هم هستند. مطالعه؛ SRTM DEM در نهایت انتخاب شد، زیرا تحت تأثیر پوشش ابری قرار نمی گیرد. دو کاشی SRTM جهانی ۱ قوس ثانیه ای که به صورت تجمعی منطقه مورد نظر (۳۸ شمال/۲۵ شرق و ۳۸ شمال/۲۶ شرق) را پوشش می دهند در قالب GeoTIFF از وب سایت EarthExplorer دانلود شدند. سپس آنها به طور مشترک ثبت شدند، زیر مجموعه منطقه مورد نظر (AOI)، به صورت فضایی به شبکه ۳۰ × ۳۰ متر برای تقریب وضوح فضایی Landsat-8 نمونه‌برداری شدند.
از سه جفت تصویر Landsat برای ترسیم ردپای سه رویداد آتش سوزی برای بررسی استحکام روش پیشنهادی در مقیاس محلی استفاده شد. اسکار سوختگی ناشی از آتش سوزی در اواسط جولای ۲۰۰۷ در قسمت شمالی جزیره از یک جفت تصویر Landsat-5 TM استخراج شد که در ۰۵ ژوئیه ۲۰۰۷ در ساعت ۰۸:۴۶ و ۲۸ جولای ۲۰۰۷ در ساعت ۰۸:۵۲ به دست آمد. آتش سوزی سال ۲۰۱۲ از روی یک جفت تصویر Landsat-7 ETM+ که در ۱۰ جولای ۲۰۱۲ در ساعت ۰۸:۴۷ و ۱۵ نوامبر ۲۰۱۲ در ساعت ۰۸:۴۸ به دست آمد، برآورد شد. بزرگترین آتش سوزی که در ژوئیه ۲۰۱۶ رخ داد با صحنه های OLI قبل و بعد از آتش سوزی Landsat-8 در ۱۳ جولای ۲۰۱۶ در ساعت ۰۸:۵۲ و ۲۹ ژوئیه ۲۰۱۶ در ساعت ۰۸:۵۲ به دست آمد. پوشش ابر کل صحنه کمتر از ۱% بدون مه آشکار بر روی هیچ یک از تصاویر است و کل جزیره کیوس با یک تصویر لندست پوشیده شده است (مسیر ۱۸۱، ردیف ۳۳). تمام داده های Landsat از مرکز مشاهده و علم منابع زمین (EROS) سازمان زمین شناسی ایالات متحده (USGS) در سطح پردازش استاندارد سطح ۱ دانلود شدند.

۲٫۳٫ روش شناسی

فلوچارت برای استخراج پارامترهای مربوط به ارزیابی خطر آتش سوزی در شکل ۵ ارائه شده است . مجموعه داده های CLC 2012 برای استخراج لایه LULC، داده های SRTM DEM برای استخراج لایه های شیب، ارتفاع و روشنایی، و داده های OSM برای استخراج نزدیکی به لایه جاده استفاده شد. نزدیکی سکونتگاه انسانی از یک لایه برداری ساخته شده با در نظر گرفتن نقشه OSM و سرشماری مسکن-جمعیت در سال ۲۰۱۱ که از سازمان آمار یونان منتشر شده است، برآورد شد [ ۵۳ ]. عوامل به دست آمده در پنج سطح از یک تا پنج (LULC از صفر تا چهار) با توجه به آستانه های ارائه شده در جدول ۱ طبقه بندی شدند.. در نهایت به هر یک از این پنج لایه وزنی اختصاص داده شد و سپس آنالیز و ترکیب شدند تا نتیجه نهایی حاصل شود. جفت صحنه لندست برای استخراج منطقه سوخته به عنوان عواقب سه حادثه آتش سوزی بزرگ و همچنین شاخص طیفی NDII استفاده شد. پردازش در زبان های برنامه نویسی GDAL، Bash و R انجام شد و نقشه ها با استفاده از QGIS ایجاد شدند. نرم‌افزار و داده‌های مورد استفاده در حوزه دسترسی باز هستند که اجرای روش پیشنهادی را به راحتی و بدون هیچ هزینه‌ای برای نرم‌افزار یا داده‌ها در دسترس قرار می‌دهد. اشتقاق هر لایه به تفصیل در پاراگراف های زیر توضیح داده شده است.

۲٫۳٫۱٫ پوشش گیاهی-کاربری زمین/پوشش زمین

مقدار سوخت موجود برای احتراق از مجموعه داده های CLC 2012 به دست آمده است. طبقات شناسایی شده در Chios به اعداد صحیح از صفر تا چهار ( جدول S1 ) بر اساس نوع پوشش زمین و با در نظر گرفتن امکان اشتعال آتش برای هر نوع پوشش زمین مجدداً طبقه بندی شدند. به عنوان مثال، مزارع برنج و مناطق آبی مشابه امتیاز پایینی به خود اختصاص دادند، زیرا، اگرچه آنها نمایانگر پوشش گیاهی با زیست توده گیاهی قابل توجهی هستند، سطح آب دائمی این مناطق را برای اشتعال یا انتشار آتش بعید می کند. باغ های زیتون، درختان میوه و مزارع توت، علیرغم داشتن محتوای بالای زیست توده، در مقایسه با درختان غیر آبیاری، همانطور که در ادبیات موجود پیشنهاد شده است، امتیاز کمتری (یعنی ۲) دارند. ۵۴ ].].
۲٫۳٫۲٫ NDII

شاخص NDII (معادله (۱)) یک اندازه گیری بازتابی است که به تغییرات محتوای آب تاج پوشش گیاهان و ریشه گیاهان حساس است. در مطالعه حاضر از این شاخص به عنوان پروکسی برای FMC استفاده شده است.

NDII = (ρ ۸۱۹ – ρ ۱۶۴۹ )/(ρ ۸۱۹ + ρ ۱۶۴۹ )

که ρ به ترتیب بازتاب طیفی در ۱۶۴۹ و ۸۱۹ نانومتر، باندهای مادون قرمز موج کوتاه و مادون قرمز نزدیک است. در سراسر محدوده بیش از ۱٫۳ میکرومتر، بازتاب برگ تقریباً با کل آب موجود در برگ، تابعی از رطوبت، رابطه معکوس دارد. در محدوده ای از حدود ۰٫۷ تا ۱٫۳ میکرومتر، یک برگ گیاه معمولاً ۴۰-۵۰٪ از انرژی وارده بر آن را منعکس می کند که عمدتاً به دلیل ساختار داخلی برگ های گیاه است [ ۵۵ ].

شاخص NDII برای اولین بار برای سال های مختلف پس از سال ۲۰۰۶، در تاریخ های مختلف دوره جولای تا آگوست مورد ارزیابی قرار گرفت و یک الگوی تکراری در حال ظهور برای جزیره شناسایی شد (به جز مناطق سوخته شده در سال های ۲۰۰۷، ۲۰۱۲ و ۲۰۱۶). بنابراین، چهار تصویر بدون ابر در طول تابستان ۲۰۰۶ (۲ ژوئیه، ۱۷ ژوئیه، ۱۹ اوت و ۴ سپتامبر)، قبل از رویدادهای آتش سوزی بزرگ، برای استخراج NDII انتخاب شدند و مقدار میانگین این چهار به عنوان نماینده استفاده شد. لایه NDII.
۲٫۳٫۳٫ توپوگرافی
از آنجایی که دما دارای نرخ افت ثابت است و سطح اکسیژن با ارتفاع کاهش می یابد، ارتفاع و وقوع آتش سوزی رابطه معکوس دارند. DEM برای مقادیر ارتفاع مورد استفاده قرار گرفت و در پنج کلاس (در ۱۹۰ متر افزایش) طبقه بندی شد. مقادیر بالا (مرتبط با ارتفاعات بالا) به کمترین ارزش کلاس خطر نسبت داده شد. شیب مستقیماً بر سطوح رطوبت تأثیر می‌گذارد، زیرا شیب‌های تندتر در مقایسه با شیب‌های کم‌عمق در معرض میزان روان آب بیشتری هستند و توپوگرافی ناهموار به طور کلی بیشتر در معرض نور مستقیم خورشید (روشنایی) قرار می‌گیرد که منجر به پوشش گیاهی خشک‌تر می‌شود. علاوه بر این، توپوگرافی شیب دار در شکل گیری بادهای محلی نقش دارد و اجازه می دهد تا آتش با سرعت بیشتری در دامنه ها گسترش یابد. شیب از DEM مشتق شده است،جدول ۱ .
۲٫۳٫۴٫ روشنایی
روشنایی اندازه گیری میزان دریافت نور مستقیم خورشید توسط یک سطح، بر اساس زاویه و جنبه آن است. این بر اساس یک مدل ریاضی محاسبه می شود که میزان نور خورشید را که در طول یک روز معین به هر نقطه از سطح زمین برخورد می کند، ارائه می دهد. روشنایی مستقیماً با دمای سطح و در نتیجه به رطوبت سوخت و عامل خطر اشتعال آتش مرتبط است. ما از روش پیشنهادی در [ ۵۶ ] پیروی کردیم. برای استخراج روشنایی، مختصات نقشه مرکز صحنه همانطور که در جدول ۲ ارائه شده است استفاده شد .

سپس طلوع ظاهری خورشید (۰۵:۰۳) و غروب آشکار (۱۹:۴۰) در ۱۳ جولای ۲۰۱۶ برآورد شد و کل ساعات بین طلوع ظاهری و غروب خورشید از ساعت ۶:۰۰ تا ۱۹:۰۰ با افزایش یک رقمی مشخص شد. مقادیر زوایای آزیموت و اوج برای هر بازه ساعت کامل برای طول و عرض جغرافیایی مرکز صحنه همانطور که در بالا تخمین زده شد، محاسبه شد (از وب سایت ” http://www.esrl.noaa.gov/gmd/grad /solcalc/ ” (داده‌های ورودی: مختصات جغرافیایی مرکز صحنه، ۱۳ ژوئیه ۲۰۱۶، افست UTC: +2، زمان تابستانی: NO). در نهایت، تابش خورشیدی (روشنایی) بر اساس برآورد شد ( جدول ۳ ) در معادله ۲:

تابش خورشیدی = ۱۳۶۵ × cos (Z) × ۰٫۸۴ ثانیه (Z)
این فرمول تابش خورشیدی را وابسته به زمان محلی تولید می کند. برای هر ساعت کامل جدول ۳ ، آزیموت خورشید، ارتفاع خورشید و DEM ورودی در تابع سایه تپه QGIS هستند. بنابراین، ۱۴ شطرنجی با خروجی معادله ۲ به عنوان ضریب وزن در ماشین حساب شطرنجی برای تولید نقشه روشنایی جمع شدند. پس از آن، مقادیر روشنایی لایه شطرنجی بر اساس نقاط شکست گرفته شده از اولین انحراف استاندارد هیستوگرام و نه در فواصل تقریباً مساوی، مانند شیب، ارتفاع و نزدیکی به جاده ها، در پنج دسته طبقه بندی شدند. به پیکسل‌هایی با مقادیر روشنایی جزئی، ارزش‌های کلاس پایین (یعنی ۱-۲) اختصاص داده شد، در حالی که به پیکسل‌هایی با روشنایی بالا مقادیر بالا (یعنی ۴-۵) اختصاص داده شد.
۲٫۳٫۵٫ عامل انسانی – نزدیکی به جاده ها و سکونتگاه ها
در حالی که مدل‌سازی رفتار انسان (غفلت، پیرومونی و غیره) امکان‌پذیر نیست، رویکرد آماری توسعه‌یافته توسط [ ۵۷ ] یک همبستگی واضح بین تعداد شیوع آتش‌سوزی و نزدیکی به یک جاده یا یک شهرک را نشان می‌دهد. مناطق جنگلی و مراکز فعالیت (به عنوان مثال، مکان های کمپینگ) دسترسی آسان به جنگل را فراهم می کند و بر احتمال اشتعال تأثیر می گذارد. در این مطالعه مجاورت با جاده های اولیه و فرعی و سکونتگاه های پرجمعیت به عنوان عامل انسانی انتخاب شد. آستانه انتخاب شده برای مجاورت شبکه راه ۵۰ متر، ۲۰۰ متر، ۴۰۰ متر و ۸۰۰ متر بود.
۲٫۳٫۶٫ نسبت وزن عامل خطر

نقشه های جداگانه تولید شده برای همه عوامل مورد بررسی (پوشش گیاهی، NDII، روشنایی، شیب، ارتفاع، نزدیکی به جاده ها و سکونتگاه ها) در شکل ۶ ارائه شده است. به هر یک از عوامل با توجه به اهمیت نسبی آنها در اشتعال و انتشار آتش یک ضریب وزنی نسبت داده شد. در اکثر تجزیه و تحلیل تصمیم گیری چند معیاره مربوط به آتش (MCDA)، عوامل مربوط به حجم پوشش گیاهی مهمترین و به دنبال آن انرژی دریافتی (یا دما) و رطوبت در نظر گرفته می شوند. گیگوویچ و همکاران [ ۵۸] ارزیابی عوامل ایجاد کننده گسترش آتش را بر اساس مطالعات قبلی GIS MCDA و نظر کارشناسی گردآوری کرده و به این نتیجه رسیده است که کاربری اراضی، توپوگرافی، اقلیم و اقتصاد اجتماعی گروه‌های عمومی به ترتیب اهمیت در زمینه گسترش آتش‌سوزی جنگل‌ها هستند. در مطالعه حاضر، اهمیت نسبی بین عوامل بر اساس یک متاآنالیز مورد قضاوت قرار گرفت. با در نظر گرفتن یافته های حاصل از بررسی ادبیات در مورد این موضوع در درجه اول، و در درجه دوم با در نظر گرفتن دانش همکار نویسنده در مورد شرایط محیطی و چشم انداز در Chios، ترتیب اهمیت بین عوامل تعیین شد. پس از آن، انتساب عامل وزن گامی حیاتی در یک مسئله MCDA است و چندین رویکرد مانند فرآیند تحلیل سلسله مراتبی (AHP) [ ۵۹ ] ایجاد شده است.]، سیستم استنتاج فازی (FIS) [ ۶۰ ] و برنامه ریزی سازشی (CP) [ ۶۱]. در مطالعه حاضر، مقایسه‌های زوجی را دنبال کردیم. عاملی که مهمترین آن در نظر گرفته شد کلاس LULC بود زیرا به سوخت موجود برای احتراق مربوط می شود. دومین عامل در نظر گرفته شده NDII بود زیرا به محتوای آب گیاهی و در نتیجه رطوبت در تاج پوشش مربوط می شود که رابطه معکوس با ظرفیت اشتعال آتش دارد. سومین عامل مهم روشنایی بود که نشان دهنده تابش خورشیدی (و متعاقباً انرژی خورشیدی موجود) در هر پیکسل است. ضریب شیب به دنبال دارد، در حالی که عوامل انسانی (یعنی نزدیکی جاده و سکونتگاه) و ارتفاع به ترتیب کمترین وزن را داشتند. مقادیر عددی وزن ها بر اساس روش مقایسه زوجی محاسبه شد ( جدول ۴). برای جلوگیری از حذف ضعیف ترین عامل (یعنی ارتفاع) که یک مشکل رایج برای تکنیک مقایسه زوجی است، محاسبات قطر جدول نیز در نظر گرفته شد. مرحله نهایی فرآیند جمع آوری هفت لایه شطرنجی با استفاده از میانگین محاسبه شده و تهیه نقشه خطر آتش سوزی است که خطر آتش سوزی را در سراسر منطقه مورد مطالعه ( شکل ۷ ) بر اساس رابطه (۳) نشان می دهد:

خطر آتش سوزی = (۰٫۲۵ × LULC) + (0.21 × NDII) + (0.18 × روشنایی) + (۰٫۱۴ × شیب) + (۰٫۱۱ × نزدیکی به جاده) + (۰٫۰۷ × نزدیکی به سکونتگاه) + (۰٫۰۴ × ارتفاع)
۲٫۳٫۷٫ استخراج منطقه سوخته

تصاویر ماهواره ای نوری برای استخراج منطقه سوخته سه رویداد تاریخی آتش سوزی که در تابستان رخ داده استفاده شد. آتش‌سوزی اخیر در سال ۲۰۱۶، آتش‌سوزی بزرگ جزیره در ۳۰ سال گذشته، که در سال ۲۰۱۲ رخ داد، و آتش‌سوزی قدیمی‌تر در سال ۲۰۰۷٫ اطلاعات مربوط به تصاویر نوری Landsat در بخش «داده‌ها» آمده است. همه تصاویر ابتدا از اعداد دیجیتال (DN) به بازتاب بالای اتمسفر (TOA) بر اساس Zanter [ ۶۲ ] و بر اساس معادله (۴) تبدیل شدند:

ρ λ′ = M ρ × Q cal + A ρ

جایی که:

  • ρ λ′ = بازتاب طیفی سیاره ای TOA، بدون اصلاح زاویه خورشید (بدون واحد)
  • M ρ = ضریب مقیاس بندی ضربی بازتاب برای باند.
  • A ρ = ضریب مقیاس بندی افزودنی بازتاب برای باند (که برای هر ماهواره متفاوت است).
  • Q cal = مقدار پیکسل L1 در DN
تصاویر Landsat-7 از اثر خط اسکن و مقادیر بدون داده معرفی شده در تصاویر پس از می ۲۰۰۳ به دلیل خرابی Scan Line Corrector (SLC) رنج می برند. برای جبران این از دست دادن داده، مقادیر پیکسل های بدون داده با درون یابی پیکسل های معتبر در لبه های هر چند ضلعی خالی پر شدند.

هر جفت تصویر قبل و بعد از آتش سوزی برای اولین بار برای استخراج تفاوت شاخص نسبت سوختگی عادی (dNBR) برای هر رویداد آتش سوزی استفاده شد. NBR توسط Key و Benson [ ۶۳ ] معرفی شد و از ترکیب جبری فرمول در معادله (۵) مشتق شده است:

NBR = (نزدیک IR – IR وسط)/(نزدیک IR + IR وسط)

که در آن dNBR تفاوت حاصلضرب NBR دو تصویر است. یکی قبل از حادثه آتش سوزی (پیش از آتش سوزی) و دیگری بعد از (پس از آتش سوزی) همانطور که در رابطه (۶) گرفته شده است:

dNBR = (NBR قبل از آتش سوزی) – (NBR پس از آتش سوزی)
dNBR انتخاب شد زیرا با موفقیت در تشخیص اسکار سوختگی آتش سوزی جنگل در یونان در مطالعات گذشته استفاده شده است [ ۶۴ ، ۶۵ ، ۶۶ ، ۶۷ ]. پیکسل هایی با مقادیر بالاتر از ۰٫۱ مناطق سوخته شده را مشخص می کنند. نقشه ای که تولید شد، منطقه ای را نشان می دهد که در طی هر حادثه آتش سوزی خاص سوخته است ( شکل ۸ ). هیستوگرام نقشه خطر آتش سوزی برای کل جزیره و منطقه سوخته به طور جداگانه ارائه شده است.

۳٫ نتایج و بحث

نقشه نهایی خطر آتش سوزی با تمام لایه های فردی در نظر گرفته شده مطابقت خوبی دارد. محدوده ارزش برای عوامل فردی در نظر گرفته شده برای ویژگی های خاص منطقه مورد مطالعه تعیین شد. عاملی که بیشترین وزن را به خود اختصاص داد، پوشش زمین بود که به فراوانی سوخت موجود برای اشتعال و انتشار آتش مربوط می شود. این پارامتر سطح بالایی از خطر را در مناطقی که قبلاً به عنوان خطر بالا برای احتراق آتش شناسایی شده اند نسبت می دهد ( جدول S1 )، که بر اساس طبقه بندی کاربری زمین/پوشش زمین CLC بود. نمونه ای از توافق خوب بین نقشه خطر آتش سوزی و منطقه سوخته واقعی در مناطق جنگلی در محور مرکزی جزیره نشان داده شده است.
آتش‌سوزی‌های واقعی ثبت‌شده در سال‌های ۲۰۰۷، ۲۰۱۲ و ۲۰۱۶ در مناطقی قرار داشتند که بر اساس مدل GIS به‌عنوان «پرخطر» و «خطر بسیار بالا» طبقه‌بندی شدند. این توافق در شکل ۹ آشکار می شود ، جایی که هیستوگرام نقشه خطر آتش سوزی کل جزیره و منطقه مربوط به اسکارهای سوختگی ارائه شده است. پیکسل های مناطق سوخته از توزیعی پیروی می کنند که به طور کلی به خوبی با شاخص خطر آتش سوزی بالاتر در نقشه نهایی تولید شده در GIS پیشنهادی مطابقت دارد. ذکر این نکته ضروری است که مقادیر کم خطر آتش سوزی (<3) در مناطق سوخته وجود ندارد در حالی که درصد قابل توجهی از توزیع کل جزیره را پوشش می دهند.
مناطق سوخته شده توسط آتش سوزی های ۲۰۰۷، ۲۰۱۲ و ۲۰۱۶ عموماً جنبه های جنوبی و غربی دارند که نور خورشیدی نسبتاً بالایی دریافت می کنند ( شکل ۹ ). همبستگی واضحی بین تعداد شیوع آتش سوزی و نزدیکی به یک جاده نیز مشاهده شد. علاوه بر این، تطابق خوبی با پارامتر ارتفاع وجود دارد. خیوس به طور کلی یک جزیره کوهستانی است و مناطق مسطح عمدتاً در قسمت های جنوبی و شرقی یافت می شوند، در حالی که بلندترین قله ها در قسمت شمالی جزیره هستند (قله Pelineo، St، Ilias بالای ۱۲۹۷ متر).
یک مشاهده جالب در مورد اشتعال آتش در سال ۲۰۱۶، شرایط آب و هوایی غالب است. در ۲۵ ژوئیه ۲۰۱۶، زمانی که یونان در خیوس وضعیت اضطراری اعلام کرد، آتش سوزی به دلیل شرایط باد شدید شعله ور شد. جهت باد شمالی بود، با حداقل سرعت ۱۱ کیلومتر در ساعت و حداکثر سرعت ۲۳ کیلومتر در ساعت (داده های یک ایستگاه هواشناسی مجاور جزیره – ایستگاه خدمات ملی هواشناسی میتیلینی). این موضوع استدلال آتش سوزی در قسمت شمالی جای زخم سوختگی و گسترش آتش به سمت جنوب را تأیید می کند. این استدلال از پیش‌بینی GIS پیشنهادی برای عامل خطر «بسیار بالا» در محل اشتعال آتش پشتیبانی می‌کند. دمای هوا در روز معین T حداقل = ۲۳ درجه سانتی گراد و T حداکثر = ۳۴ درجه سانتی گراد بود. و حداقل، حداکثر و میانگین رطوبت نسبی ۱۷ درصد بود. به ترتیب ۴۸ و ۳۴ درصد. این مشخصات آب و هوایی خاص، یک روز گرم و خشک با بادهای نسبتاً شدید در طول فصل گرم سال و در همان فصل (گرم و خشک برای مدت طولانی) باعث گسترش آتش می شود.۶۷ ].
آتش سوزی هایی که در سال ۲۰۱۲ جزیره را ویران کرد به مدت ۵ روز (۱۸ تا ۲۲ اوت) ادامه داشت. همین ایستگاه هواشناسی برای ۱۸ آگوست ۲۰۱۲ داده های زیر را ارائه کرد: حداقل دما ۲۴ درجه سانتیگراد در حالی که حداکثر آن ۲۹ درجه سانتیگراد بود و حداقل و حداکثر رطوبت نسبی به ترتیب ۴۵ و ۶۵ درصد (رطوبت نسبی نسبتاً بالا) بود. با میانگین ۵۶ درصد. سرعت باد از حداقل ۱۹ کیلومتر در ساعت تا حداکثر ۲۸ کیلومتر در ساعت متغیر بود. مقادیر این پارامترها برای روزهای بعد نیز مشابه بود. با وجود اینکه مشخصات آب و هوا تا حدودی متفاوت بود، یعنی دمای نه چندان بالا و رطوبت نه چندان کم، آتش سوزی ویرانگری رخ داد. این واقعیت می تواند اهمیت ارزیابی بیشتر مولفه استاتیک در تجزیه و تحلیل خطر آتش سوزی را که در این مطالعه انجام شده است برجسته کند.
برای تمام سال‌های آزمایش‌شده، ارزیابی رضایت‌بخش بود، زیرا اکثر آتش‌سوزی‌های واقعی در مناطقی بودند که به‌عنوان مناطق پرخطر و بسیار پرخطر شناسایی شدند، که در مطالعات مشابه دیگر نیز مستند شده است [ ۲۶ ، ۴۰ ، ۶۸ ، ۶۹ ، ۷۰ ، ۷۱ ]. عملکرد کلی رویکرد پیشنهاد شده در مقاله فعلی و GIS مربوطه (با تاکید بر انعطاف‌پذیری برای توسعه صرفاً بر اساس اطلاعات مکانی) نشان داد که این پتانسیل را دارد که به تلاش‌های پیشگیری از آتش‌سوزی جنگل‌ها به عنوان یک روش مفید و کاربرپسند کمک کند. ابزاری برای مدیریت آتش سوزی جنگل
آب و هوا پویاترین عامل تعیین کننده خطر آتش سوزی است زیرا بر FMC – به ویژه سوخت مرده تأثیر می گذارد و تا حدی جهت باد را تعیین می کند [ ۷۲ ، ۷۳ ]]. به همین دلیل است که اکثر سیستم‌های ارزیابی/پیش‌بینی خطر آتش‌سوزی عملیاتی عمدتاً بر اساس اندازه‌گیری‌ها و/یا پیش‌بینی‌های داده‌های هواشناسی هستند. همانطور که قبلا ذکر شد، یونان در حال حاضر از چنین سیستمی استفاده می کند. با این حال، حجم داده های هواشناسی لازم زیاد است و کالیبراسیون آنها مستلزم جمع آوری کامل داده های زمینی است. متغیرهای هواشناسی مورد استفاده از ایستگاه های هواشناسی که اطلاعات مکان های نقطه ای را ارائه می دهند، به دست می آیند. بنابراین، لازم است از تکنیک های درون یابی برای ایجاد یک متغیر پیوسته فضایی استفاده شود، با این حال این رویکرد می تواند خروجی های متفاوتی را از الگوریتم های درون یابی مختلف بر اساس متغیرهای ورودی یکسان به دست آورد [ ۷۴ ]. در شرایطی که ایستگاه های هواشناسی بیش از ۲۰ کیلومتر دورتر هستند، روش های درون یابی ممکن است نتایج ضعیفی را به همراه داشته باشند.۷۵ ]. در این مطالعه، از روش سنجش از دور برای محاسبه عوامل هواشناسی استفاده شد که منجر به برآورد تغییر محتوای آب تاج در طول زمان شد. علاوه بر این، ما NDII را یکپارچه کردیم، یک شاخص طیفی آب مایع که یک شاخص قوی از در دسترس بودن آب در خاک برای استفاده توسط پوشش گیاهی است.
نقشه نهایی تولید شده در این مطالعه یک مدل پیش بینی یا چشم انداز وابسته به یک روز یا فصل خاص نیست. در عوض برای برنامه ریزی استراتژیک طولانی مدت آتش سوزی جنگلی و مدیریت سوخت مرتبط در نظر گرفته شده است، چیزی که در حال حاضر نه تنها در منطقه خاص بلکه در سراسر یونان وجود ندارد. هنگامی که با داده‌های مکانی خاص که منابع و دارایی‌های منطقه را به تصویر می‌کشند، جفت شد، روش ما نشان داد که می‌تواند خطر آتش‌سوزی نسبی را با موفقیت تخمین بزند. GIS پیشنهادی می‌تواند برای مناطق دیگر نیز استفاده شود، زیرا مجموعه داده‌های مربوطه در دسترس هستند، بدون هزینه‌های واقعی یا مربوط به داده‌ها و کسب مجوز. هنگامی که ابزار ارزیابی خطر آتش سوزی فوق الذکر در یک محیط جدید اعمال می شود، باید از نظر شرایط هواشناسی و پوشش گیاهی منطقه جدید تنظیم و ارزیابی شود. این رویکرد می تواند،
پیش‌بینی قابل اعتماد خطر آتش‌سوزی یکی از مهم‌ترین مؤلفه‌های مدیریت آتش‌سوزی و ایمنی عمومی را تشکیل می‌دهد. نقشه هایی مانند نقشه تولید شده در مطالعه کنونی می تواند برای آژانس های حفاظت مدنی و مقامات مرتبط مفید باشد، زیرا گروه های درگیر می توانند زیرساخت مناسب اطفاء حریق را برای مناطقی که بیشتر مستعد وقوع آتش سوزی هستند ایجاد کنند. مانند نقشه‌هایی که در مطالعه حاضر تولید شده‌اند، نقشه‌ها برای مدیران زمین محلی مفید خواهند بود، زیرا این نوع داده‌ها گروه‌های درگیر را قادر می‌سازد تا زیرساخت‌های مناسب اطفای حریق را برای مناطقی که بیشتر در معرض وقوع آتش‌سوزی هستند، راه‌اندازی کنند. به عنوان مثال، در مورد خیوس، برج های مراقبت آتش نشانی می تواند در مناطقی که به عنوان آسیب پذیر شناخته شده اند ایجاد شود و می تواند برنامه ریزی بهبود یافته ای برای جاده های اصلی فرعی و سایر مسیرهای دسترسی داشته باشد. رویکرد ما همچنین می‌تواند به ایجاد یک سیستم قابل اعتماد برای مبارزه مؤثر با آتش‌سوزی‌های کوچک و بزرگ با شناسایی مناطقی که احتمال وقوع آتش‌سوزی در آن‌ها وجود دارد، کمک کند. خدمات و جوامع ممکن است زمینه های مورد توجه را اولویت بندی کرده و تلاش های تصمیم گیری را بر این اساس هدایت کنند.
هدف فعلی ایجاد یک GIS ارزیابی خطر آتش سوزی بر اساس داده های مکانی عمومی در دسترس است. فقدان انواع دیگر داده ها، به عنوان مثال، داده های هواشناسی (که باید از خدمات درخواست و/یا خریداری شوند، یا به صورت سازمان یافته وجود نداشته باشند) یک محدودیت مهم است. اگرچه آتش‌سوزی‌ها چالشی ضروری و مداوم برای یونان هستند، اما داده‌هایی که به آسانی برای هشدار آتش‌سوزی در دسترس هستند، مطمئناً با استانداردهای فعلی درشت هستند و به ویژگی‌های توپوگرافی و فیزیوگرافی منطقه/منطقه مربوط نیستند.

۴٫ نتیجه گیری

مناطق وسیع جنگلی هر ساله در دریای مدیترانه سوزانده می شوند که منجر به آسیب های زیست محیطی و اقتصادی گسترده می شود. دارایی های ارزشمند در معرض خطر شامل محیط زیست وحشی و میراث فرهنگی و تاریخی جمعی ما است و توسعه اقدامات هدفمند مانند ۱٫ جلوگیری از آتش سوزی در صورت امکان و ۲٫ مدیریت آتش سوزی در زمان و مکان وقوع آتش سوزی را توجیه می کند. در این دو جنبه، راه حل های یکپارچه با گستره وسیع باید برای تضمین حفاظت از این سرمایه های مهم طبیعی و فرهنگی ترویج شود.
ارزیابی تأثیر آتش سوزی جنگل ها و بوته زارها بدون شک یک ملاحظات اساسی برای مدیریت بهبود یافته منابع وحشی است. علاوه بر این، هرگونه تلاش برای پیشگیری از آتش سوزی، از طریق شناسایی مناطق پرخطر، نیز از اهمیت حیاتی برخوردار است. این مقاله طراحی و ایجاد یک مدل GIS چند معیاره را برای تولید ابزار ارزیابی خطر آتش سوزی و کاربرد آن در جزیره Chios، منطقه ای با ارزش اکولوژیکی و فرهنگی استثنایی، ارائه می کند. رویکرد پیشنهادی با مقایسه نقشه‌های آتش‌سوزی تولید شده (برای سال‌های ۲۰۰۷، ۲۰۱۲ و ۲۰۱۶) با نتایج مبتنی بر GIS آزمایش شد. مزیت قابل توجه روش پیشنهادی استفاده از یک لایه اطلاعات معتبر برای عامل “پوشش گیاهی” است، بنابراین از خطاهای احتمالی مرتبط با طبقه بندی های تولید شده جلوگیری می کند. عوامل دیگری که بر آتش‌سوزی زمین‌های وحشی تأثیر دارند، محاسبه شد، یعنی پروکسی به FMC، روشنایی، توپوگرافی و نزدیکی به زیرساخت‌های انسانی. اهمیت نسبی بین عوامل مورد بررسی و تعیین قرار گرفت و نقشه ای تهیه شد که اطلاعاتی در مورد مناطقی که در معرض خطر آتش سوزی بالاتری قرار دارند ارائه می کند. برای اعتبارسنجی روش پیشنهادی، نقشه‌های واقعی وقوع آتش‌سوزی تاریخی به کار گرفته شد و با ناحیه منطقه خطر آتش‌سوزی که از مدل پیش‌بینی به دست آمده مقایسه شد. نتایج مطابق بودند زیرا نقاط آتش سوزی واقعی در مناطقی قرار داشتند که در مطالعات مشابه به عنوان مناطق پرخطر و بسیار پرخطر شناسایی شده بودند. اهمیت نسبی بین عوامل مورد بررسی و تعیین قرار گرفت و نقشه ای تهیه شد که اطلاعاتی در مورد مناطقی که در معرض خطر آتش سوزی بالاتری قرار دارند ارائه می کند. برای اعتبارسنجی روش پیشنهادی، نقشه‌های واقعی وقوع آتش‌سوزی تاریخی به کار گرفته شد و با ناحیه منطقه خطر آتش‌سوزی که از مدل پیش‌بینی به دست آمده مقایسه شد. نتایج مطابق بودند زیرا نقاط آتش سوزی واقعی در مناطقی قرار داشتند که در مطالعات مشابه به عنوان مناطق پرخطر و بسیار پرخطر شناسایی شده بودند. اهمیت نسبی بین عوامل مورد بررسی و تعیین قرار گرفت و نقشه ای تهیه شد که اطلاعاتی در مورد مناطقی که در معرض خطر آتش سوزی بالاتری قرار دارند ارائه می کند. برای اعتبارسنجی روش پیشنهادی، نقشه‌های واقعی وقوع آتش‌سوزی تاریخی به کار گرفته شد و با ناحیه منطقه خطر آتش‌سوزی که از مدل پیش‌بینی به دست آمده مقایسه شد. نتایج مطابق بودند زیرا نقاط آتش سوزی واقعی در مناطقی قرار داشتند که در مطالعات مشابه به عنوان مناطق پرخطر و بسیار پرخطر شناسایی شده بودند.
ارزش افزوده چارچوب پیشنهادی این است که بر داده‌هایی متکی است که آزادانه و به آسانی در دسترس هستند و بر مشکلات مربوط به ارائه انواع دیگر داده‌هایی که باید درخواست یا خریداری شوند، غلبه می‌کند. در عین حال، محصولات کاربرپسند هستند و کاربران بالقوه را از بار تلاش برای درک پارامترهای پیچیده یا جزئیات فنی که فراتر از سطح تجربه آنها است، نجات می دهند. این مزیت ممکن است به جوامع محلی اجازه دهد تا اطلاعات به روز و دقیق داشته باشند و بر این اساس برای تهیه استراتژی های مدیریت آتش موثر عمل کنند. نویسندگان قصد دارند روش پیشنهادی را برای سایر مناطق کشور که مکرراً تحت تأثیر آتش‌سوزی‌های جنگلی قرار گرفته‌اند آزمایش کنند و استحکام و عملکرد پیش‌بینی مدل GIS را بررسی کنند.

منابع

  1. فائو ارزیابی منابع جهانی جنگل ۲۰۰۵: پیشرفت به سوی مدیریت پایدار جنگل . سازمان غذا و کشاورزی سازمان ملل متحد: رم، ایتالیا، ۲۰۰۶٫
  2. هاتون، RA; راماکریشنا، ک. مروری بر موجودی های انتشار ملی از کشورهای منتخب غیر ضمیمه I: پیامدها برای شمارش منابع و مخازن کربن. آنو. انرژی محیط زیست کشیش. ۱۹۹۹ ، ۲۴ ، ۵۷۱-۶۰۵٫ [ Google Scholar ] [ CrossRef ]
  3. مورانچو، AB ارزیابی لذت جویانه از مناطق سبز شهری. Landsc. شهری. طرح. ۲۰۰۳ ، ۶۶ ، ۳۵-۴۱٫ [ Google Scholar ] [ CrossRef ]
  4. ناتاماچوت، ن. فایروانگ، دبلیو. استراتولیاس، دی. برآورد انتشار کربن در پروژه مگا برنج سابق، اندونزی بر اساس تصاویر ماهواره ای سار. Appl. Ecol. محیط زیست Res. ۲۰۱۹ ، ۱۷ ، ۲۴۸۹–۲۴۹۹٫ [ Google Scholar ] [ CrossRef ]
  5. اسکندریه، دی. اسنو، اف. Calabri، G. آتش سوزی جنگل در منطقه مدیترانه. در مجموعه مقالات نشست فائو در مورد سیاست های عمومی مؤثر بر آتش سوزی جنگل ها، ایتالیا، رم، ۲۸ تا ۳۰ اکتبر ۱۹۹۸٫ ص ۲۸-۳۰٫ [ Google Scholar ]
  6. بالچ، جی.کی. بردلی، کارشناسی; آباتزغلو، جی تی; Nagy، RC; فوسکو، ای جی. Mahood، AL آتش سوزی های جنگلی که توسط انسان آغاز شده است، محل آتش سوزی را در سراسر ایالات متحده گسترش می دهد. Proc. Natl. آکادمی علمی ایالات متحده آمریکا ۲۰۱۷ ، ۱۱۴ ، ۲۹۴۶–۲۹۵۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. روی، ارزیابی آتش سوزی و تخریب جنگل PS با استفاده از سنجش از دور ماهواره ای و سیستم اطلاعات جغرافیایی. در سنجش از دور ماهواره ای و کاربردهای GIS در هواشناسی کشاورزی I ; WMO: ژنو، سوئیس، ۲۰۰۳; جلد ۳۶۱٫ [ Google Scholar ]
  8. Maheras, G. آتش سوزی جنگل ها در یونان. تجزیه و تحلیل پدیده های موثر بر هر دو محیط طبیعی انسان نقش توسعه پایدار در کنترل اثرات آتش سوزی. دکتری پایان نامه، دانشگاه لوند، لوند، سوئد، ۲۰۰۲٫ [ Google Scholar ]
  9. راندل، پی. Arroyo، MT; Cowling، RM; کیلی، جی. لامونت، بی بی. بارگاس، ص. بیوم مدیترانه: تکامل پوشش گیاهی، گیاهان، و آب و هوا. آنو. کشیش اکول. تکامل. سیستم ۲۰۱۶ ، ۴۷ ، ۳۸۳-۴۰۷٫ [ Google Scholar ] [ CrossRef ]
  10. آژانس محیط زیست اروپا ۲۰۱۹٫ در دسترس آنلاین: https://www.eea.europa.eu/data-and-maps/indicators/forest-fire-danger-3/assessment (در ۱۹ اوت ۲۰۲۰ قابل دسترسی است).
  11. خاباروف، ن. کراسوفسکی، آ. اوبرشتاینر، ام. سوارت، آر. دوسیو، ا. سان میگل آیانز، ج. دورانت، تی. کامیا، ا. Migliavacca، M. آتش سوزی جنگل و گزینه های سازگاری در اروپا. Reg. محیط زیست چانگ. ۲۰۱۴ ، ۱۶ ، ۲۱-۳۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. ولز، آر. آتش‌سوزی‌های جنگلی با شدت بالا در حوضه مدیترانه: علل طبیعی و اجتماعی-اقتصادی. مدیریت فاجعه. ۱۹۹۳ ، ۵ ، ۱۶-۲۱٫ [ Google Scholar ]
  13. دیمیتریو، ا. مانتاکاس، جی. کوولیس، اس. تحلیلی از مسائل کلیدی که زیربنای آتش‌سوزی‌های جنگلی هستند و استراتژی‌های مدیریت آتش‌سوزی بعدی را در ۱۲ کشور در حوزه مدیترانه شکل می‌دهند. در گزارش نهایی که توسط Alcyon برای دفتر برنامه مدیترانه WWF و IUCN تهیه شده است . پروژه WWF 9Z0731.01; WWF: Gland، Switzerland، ۲۰۰۱٫ [ Google Scholar ]
  14. توس، DS; مورگان، پی. کولدن، کالیفرنیا؛ آباتزغلو، جی تی; دیلون، جی.کی. Hudak، AT; اسمیت، AMS پوشش گیاهی، توپوگرافی و آب و هوای روزانه بر شدت سوختگی در جنگل‌های آیداهو مرکزی و مونتانای غربی تأثیر گذاشت. Ecosphere ۲۰۱۵ , ۶ , art17. [ Google Scholar ] [ CrossRef ]
  15. Estes, BL; Knapp، EE; اسکینر، CN; میلر، جی دی. عوامل موثر بر شدت آتش سوزی در کوه های کلامات، کالیفرنیای شمالی، پریسلر، هنگ کالیفرنیا، ایالات متحده آمریکا. Ecosphere ۲۰۱۷ , ۸ , e01794. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. دیلون، جی.کی. هولدن، ZA; مورگان، پی. Crimmins، MA; Heyerdahl، EK; Luce، CH هم توپوگرافی و هم آب و هوا بر شدت سوختگی جنگل و جنگل در دو منطقه غرب ایالات متحده، ۱۹۸۴ تا ۲۰۰۶ تأثیر گذاشتند. Ecosphere ۲۰۱۱ , ۲ , art130. [ Google Scholar ] [ CrossRef ]
  17. نیش، ال. یانگ، جی. زو، جی. لی، جی. ژانگ، جی. کمیت کردن تأثیرات و اهمیت نسبی آب و هوا، توپوگرافی و پوشش گیاهی آتش سوزی در اندازه و شدت آتش سوزی در یک چشم انداز جنگل شمالی چین. Ecol. مدیریت ۲۰۱۵ ، ۳۵۶ ، ۲-۱۲٫ [ Google Scholar ] [ CrossRef ]
  18. ویدما، او. کوسادا، ج. تورس، آی. د سانتیس، ا. مورنو، JM شدت آتش سوزی در یک آتش سوزی بزرگ در جنگل کاج پیناستر از شرایط سوختن، ساختار توده و توپوگرافی بسیار قابل پیش بینی است. اکوسیستم ها ۲۰۱۴ ، ۱۸ ، ۲۳۷-۲۵۰٫ [ Google Scholar ] [ CrossRef ]
  19. خطر و خطر آتش سوزی هاردی، CC Wildland: مشکلات، تعاریف و زمینه Ecol. مدیریت ۲۰۰۵ ، ۲۱۱ ، ۷۳-۸۲٫ [ Google Scholar ] [ CrossRef ]
  20. کین، RE; Drury، SA; کارائو، EC؛ هسبورگ، پی اف. رینولدز، KM روشی برای ترسیم خطر و خطر آتش سوزی در مقیاس های چندگانه و کاربرد آن در مدیریت آتش. Ecol. مدل. ۲۰۱۰ ، ۲۲۱ ، ۲-۱۸٫ [ Google Scholar ] [ CrossRef ]
  21. چویکو، ای. آگوادو، آی. یبرا، م. نیتو، اچ. سالاس، جی. مارتین، نماینده مجلس؛ ویلار، ال. مارتینز-وگا، جی. مارتین، اس. ایبارا، پ. و همکاران توسعه چارچوبی برای ارزیابی خطر آتش سوزی با استفاده از سنجش از دور و فناوری های سیستم اطلاعات جغرافیایی. Ecol. مدل. ۲۰۱۰ ، ۲۲۱ ، ۴۶-۵۸٫ [ Google Scholar ] [ CrossRef ]
  22. چویکو، ای. دشایس، م. استاچ، ن. کوسرو، دی. Riaño، D. خطر آتش سوزی کوتاه مدت: برآورد محتوای رطوبت شاخ و برگ از داده های ماهواره ای. در سنجش از دور آتش سوزی های بزرگ ; Springer: برلین/هایدلبرگ، آلمان، ۱۹۹۹; صص ۱۷-۳۸٫ [ Google Scholar ]
  23. مارزانو، آر. بوویو، جی. گوگلیلمت، ای. جاپیوت، م. لامپین، سی. دوریاک، اف. دشایس، م. سالاس، جی. آگوادو، آی. مارتینز، جی. و همکاران روش‌های رایج برای ترسیم خطر آتش‌سوزی در سرزمین‌های وحشی . EUFIRELAB: آزمایشگاه آتش سوزی سرزمین های وحشی اروپا-مدیترانه، یک آزمایشگاه “بدون دیوار” برای علوم و فناوری های آتش سوزی وحشی در منطقه اروپا-مدیترانه. قابل تحویل D-08-05; HAL Inrea: بنگلور، هند، ۲۰۰۴٫ [ Google Scholar ]
  24. لوزانو، اف جی؛ سوارز-سئوآن، اس. کلی، م. لوئیس، ای. یک رویکرد چند مقیاسی برای مدل‌سازی احتمال وقوع آتش‌سوزی با استفاده از داده‌های ماهواره‌ای و درختان طبقه‌بندی: مطالعه موردی در یک منطقه کوهستانی مدیترانه. از راه دور. حس محیط. ۲۰۰۸ ، ۱۱۲ ، ۷۰۸-۷۱۹٫ [ Google Scholar ] [ CrossRef ]
  25. چویکو، ای. Salas, J. نقشه برداری توزیع فضایی خطر آتش سوزی جنگل با استفاده از GIS. بین المللی جی. جئوگر. Inf. سیستم ۱۹۹۶ ، ۱۰ ، ۳۳۳-۳۴۵٫ [ Google Scholar ] [ CrossRef ]
  26. جیسوال، RK; موکرجی، اس. راجو، KD; Saxena، R. نقشه برداری منطقه خطر آتش سوزی جنگل از تصاویر ماهواره ای و GIS. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۰۲ ، ۴ ، ۱-۱۰٫ [ Google Scholar ] [ CrossRef ]
  27. چویکو، ای. ریانو، دی. آگوادو، آی. Cocero، D. برآورد میزان رطوبت سوخت از تجزیه و تحلیل چند زمانی داده های بازتاب نقشه موضوعی Landsat: کاربردها در ارزیابی خطر آتش سوزی. بین المللی J. از راه دور. Sens. ۲۰۰۲ , ۲۳ , ۲۱۴۵-۲۱۶۲٫ [ Google Scholar ] [ CrossRef ]
  28. Viegas، DX; بوویو، جی. فریرا، AD; نوسنزو، ا. Sol, B. مطالعه تطبیقی ​​روشهای مختلف ارزیابی خطر آتش سوزی در جنوب اروپا. بین المللی J. Wildland Fire ۱۹۹۹ ، ۹ ، ۲۳۵-۲۴۶٫ [ Google Scholar ] [ CrossRef ]
  29. نیش، ال. یانگ، جی. سفید، م. لیو، زی. پیش‌بینی شدت آتش‌سوزی بالقوه با استفاده از پوشش گیاهی، توپوگرافی و رطوبت سطحی در چشم‌انداز جنگل‌های شمالی اوراسیا. Forests ۲۰۱۸ , ۹ , ۱۳۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. یاکوبو، آی. Mireku-Gyimah، D.; دوکر، AA بررسی روش‌های مدل‌سازی خطر و خطر آتش‌سوزی جنگل. افر. J. Env. علمی تکنولوژی ۲۰۱۵ ، ۹ ، ۱۵۵-۱۶۵٫ [ Google Scholar ] [ CrossRef ]
  31. دسبوا، ن. دشایس، م. Beudoin, A. In Protocol for Fuel Moisture Content Measures. مروری بر روش‌های رنسینگ از راه دور برای مطالعه آتش‌سوزی‌های بزرگ مناطق وحشی . چویکو، ای.، اد. Universidad de Alcalá: Alcalá de Henares، اسپانیا، ۱۹۹۷; صص ۶۱-۷۲٫ [ Google Scholar ]
  32. وربسلت، ج. فلک، اس. Coppin، P. برآورد میزان رطوبت سوخت نسبت به ارزیابی خطر آتش سوزی: یک بررسی. برای. آتش نشانی Wildland Fire Saf. ۲۰۰۲ ، ۵۵ . [ Google Scholar ]
  33. سریوونگسیتانون، ن. گائو، اچ. ساونیجه، ح. ماکان، ای. Saengsawang، S. مقایسه شاخص مادون قرمز تفاوت نرمال شده (NDII) با ذخیره سازی ناحیه ریشه در یک مدل مفهومی توده ای. هیدرول. سیستم زمین علمی ۲۰۱۶ ، ۲۰ ، ۳۳۶۱-۳۳۷۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. هاردیسکی، ام. کلماس، وی. اسمارت، RM تأثیر شوری خاک، فرم رشد و رطوبت برگ بر بازتاب طیفی تاج‌پوش‌های spartina alterniflora. فتوگرام مهندس Remote Sens. ۱۹۸۳ , ۴۹ , ۷۷-۸۳٫ [ Google Scholar ]
  35. ساغلام، بی. بیلگیلی، ای. دورماز، BD; Kadiogullari، AI; Kucuk، O. تحلیل فضایی و زمانی خطر و خطر آتش سوزی جنگل با استفاده از تصاویر Landsat. Sensors ۲۰۰۸ , ۸ , ۳۹۷۰-۳۹۸۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  36. ستیوان، آی. محمود، ع. منصور، س. شریف، ع. Nuruddin، A. تجزیه و تحلیل مبتنی بر شبکه GIS و چند معیاره برای شناسایی و نقشه برداری خطر آتش سوزی جنگل های باتلاق ذغال سنگ نارس در Pahang، مالزی. فاجعه قبلی مدیریت بین المللی J. ۲۰۰۴ , ۱۳ , ۳۷۹-۳۸۶٫ [ Google Scholar ] [ CrossRef ]
  37. درماوان، م. ماسامو، ا. ساتوشی، تی. مدل خطر آتش سوزی جنگل با استفاده از سنجش از دور و سیستم های اطلاعات جغرافیایی: به سوی درک تخریب زمین و جنگل در مناطق دشتی شرق کالیمانتان، اندونزی. در مجموعه مقالات بیست و دومین کنفرانس آسیایی سنجش از دور، سنگاپور، ۵ تا ۹ نوامبر ۲۰۰۱٫ [ Google Scholar ]
  38. Sowmya، SV; Somashekar، RK کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در نقشه برداری منطقه خطر آتش سوزی جنگل در پناهگاه حیات وحش بهادرا، هند. جی. محیط زیست. بجوشانید. ۲۰۱۰ ، ۳۱ ، ۹۶۹٫ [ Google Scholar ]
  39. آجین، ر. یعقوب، م. منون، ا. Vinod، P. تجزیه و تحلیل خطر آتش سوزی جنگل با استفاده از فناوری اطلاعات جغرافیایی: مطالعه پناهگاه حیات وحش Peppara، Thiruvananthapuram، کرالا، هند. در مجموعه مقالات دومین کنفرانس بلایا، خطر و آسیب پذیری، تریواندروم، هند، ۲۴ تا ۲۶ آوریل ۲۰۱۴٫ [ Google Scholar ]
  40. Vinod، PG; آجین، RS; نقشه‌برداری فضایی آتش‌سوزی‌های جنگلی بر اساس جاکوب، MK RS و GIS در پناهگاه حیات‌وحش Wayanad، Wayanad، کرالای شمالی، هند. بین المللی J. Earth Sci. مهندس ۲۰۱۶ ، ۹ ، ۴۹۸-۵۰۲٫ [ Google Scholar ]
  41. ناتاماچوت، ن. Stratoulias، D. رویکرد مبتنی بر GIS و AHP برای نقشه خطر آتش سوزی: مطالعه موردی جنگل باتلاق ذغال سنگ نارس کوان کرنگ، تایلند. Geocarto Int. ۲۰۱۹ ، ۱-۱۴٫ [ Google Scholar ] [ CrossRef ]
  42. Adaktylo, NE; Stratoulias، D. یک رویکرد چند معیاره GIS برای ارزیابی خطر آتش سوزی جنگل: مطالعه موردی برای chios، یونان. در مجموعه مقالات نشست پاییز AGU، واشنگتن دی سی، ایالات متحده آمریکا، ۱۰ تا ۱۴ دسامبر ۲۰۱۸٫ [ Google Scholar ]
  43. Wirawan، N. عوامل ترویج گسترش آتش. ۲۰۰۰٫ موجود آنلاین: http://www.nzdl.org/gsdlmod?e=d-00000-00—off-0hdl–00-0—-0-10-0—0– -0مستقیم-۱۰—۴——-۰-۰l–11-en-50—20-راهنما—۰۰-۰-۱-۰۰-۰-۰-۱۱-۱- ۰utfZz-8-00-0-0-11-10-0utfZz-8-10&cl=CL1.16&d=HASH40ec50fb1eb727e72e746a.8.7.4>=1 (دسترسی در ۱۹ اوت ۲۰۲۰).
  44. منصور، س. ابوشریعه، م. بیلا، ال. ستیوان، آی. جبار، ف. فناوری فضایی برای مدیریت ریسک طبیعی. فاجعه قبلی مدیریت بین المللی J. ۲۰۰۴ , ۱۳ , ۳۶۴-۳۷۳٫ [ Google Scholar ] [ CrossRef ]
  45. چویکو، ای. Congalton، RG استفاده از سنجش از دور و سیستم های اطلاعات جغرافیایی برای نقشه برداری خطر آتش سوزی جنگل. از راه دور. حس محیط. ۱۹۸۹ ، ۲۹ ، ۱۴۷-۱۵۹٫ [ Google Scholar ] [ CrossRef ]
  46. Jo, MH توسعه سیستم پیش بینی آتش سوزی جنگل با استفاده از GIS اینترنتی و سنجش از دور ماهواره ای. در مجموعه مقالات بیست و یکمین کنفرانس آسیایی سنجش از دور، سنگاپور، ۵ تا ۹ نوامبر ۲۰۰۱٫ [ Google Scholar ]
  47. Ierapetritis، D. جغرافیای تجارت ماستیک چیوس از قرن هفدهم تا قرن نوزدهم. Ethnobot. Res. Appl. ۲۰۱۰ ، ۸ ، ۱۵۳-۱۶۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. ابراهیم، ​​ای. کیریازوپولوس، آ. کوراکیس، جی. پاریسی، ز. چوورداس، دی. اثرات آتش‌سوزی وحشی بر تنوع گل‌شناسی در سه نوع پوشش گیاهی گرما مدیترانه‌ای در جزیره‌ای کوچک از شرق دریای اژه. در مجموعه مقالات مجمع عمومی EGU، وین، اتریش، ۲۷ آوریل تا ۲ مه ۲۰۱۴٫ [ Google Scholar ]
  49. کمیسیون اروپا NATURA 2000. 2008. موجود به صورت آنلاین: http://ec.europa.eu/environment/nature/natura2000/index_en.htm (در ۱۹ اوت ۲۰۲۰ قابل دسترسی است).
  50. Keeley، JE آتش در اکوسیستم های آب و هوایی مدیترانه – مروری مقایسه ای. اسر. جی. اکول. تکامل. ۲۰۱۲ ، ۵۸ ، ۱۲۳-۱۳۵٫ [ Google Scholar ]
  51. تورکو، ام. رزا-کانواس، جی جی. بدیا، ج. جرز، اس. مونتاوز، جی پی؛ Llasat, MC; Provenzale، A. آتش سوزی در اروپای مدیترانه ای به دلیل گرمایش انسانی پیش بینی شده با مدل های غیر ثابت آب و هوا- آتش. نات. اشتراک. ۲۰۱۸ ، ۹ ، ۳۸۲۱٫ [ Google Scholar ] [ CrossRef ]
  52. UCAR/NCAR. آتش سوزی، آب و هوا و آب و هوا. ۲۰۱۰٫ در دسترس آنلاین: https://news.ucar.edu/1437/wildfires-weather-climate (در ۱۹ اوت ۲۰۲۰ قابل دسترسی است).
  53. اداره آمار یونان. سرشماری نفوس-مسکن. ۲۰۱۱٫ در دسترس آنلاین: http://www.statistics.gr/en/2011-census-pop-hous (در ۲۸ فوریه ۲۰۱۹ قابل دسترسی است).
  54. کیلی، جی. باند، WJ; برادستاک، RA; Pausas، JG; Rundel، PW آتش در اکوسیستم های مدیترانه ای ; انتشارات دانشگاه کمبریج (CUP): کمبریج، بریتانیا، ۲۰۱۱٫ [ Google Scholar ]
  55. رایت، جی. لیلسند، TM; Kiefer، RW سنجش از دور و تفسیر تصویر. Geogr. J. ۱۹۸۰ , ۱۴۶ , ۴۴۸٫ [ Google Scholar ] [ CrossRef ]
  56. نایت، جی. گربیگ، جی. ویتمن، Z. تجزیه و تحلیل تهدید آتش سوزی جنگل در کروسنست پس، AB. ۲۰۰۳٫ در دسترس آنلاین: https://ibis.geog.ubc.ca/courses/geob370/students/class06/fire/mce.html (در ۸ فوریه ۲۰۱۷ قابل دسترسی است).
  57. رابین، جی.-جی. کارگا، پی. Fox، DM Modeling احتراق آتش در بخش Alpes-Maritimes، فرانسه. Ecol. مدیریت ۲۰۰۶ ، ۲۳۴ ، S135. [ Google Scholar ] [ CrossRef ]
  58. گیگوویچ، ال. یاکولیویچ، جی. سکولوویچ، دی. Regodić، M. GIS تجزیه و تحلیل چند معیاره برای شناسایی و نقشه برداری خطر آتش سوزی جنگل: Nevesinje، بوسنی و هرزگوین. ته Vjesn. فنی گز. ۲۰۱۸ ، ۲۵ ، ۸۹۱-۸۹۷٫ [ Google Scholar ] [ CrossRef ]
  59. Saaty، TL یک روش مقیاس‌بندی برای اولویت‌ها در ساختارهای سلسله مراتبی. جی. ریاضی. روانی ۱۹۷۷ ، ۱۵ ، ۲۳۴-۲۸۱٫ [ Google Scholar ] [ CrossRef ]
  60. زاده، ل. اندازه گیری های احتمالی رویدادهای فازی. جی. ریاضی. مقعدی Appl. ۱۹۶۸ ، ۲۳ ، ۴۲۱-۴۲۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. Yu, PL دسته ای از راه حل ها برای مسائل تصمیم گیری گروهی. مدیریت علمی ۱۹۷۳ ، ۱۹ ، ۹۳۶-۹۴۶٫ [ Google Scholar ] [ CrossRef ]
  62. Zanter, K. LANDSAT ۸ (L8) Data Users Handbook (LSDS-1574 Version 5.0) ; سازمان زمین‌شناسی ایالات متحده: Sioux Falls، SC، ایالات متحده آمریکا، ۲۰۱۹٫ [ Google Scholar ]
  63. کلید، CH; Benson, NC اندازه گیری و سنجش از دور شدت سوختگی. در مجموعه مقالات کنفرانس و کارگاه مشترک علم آتش نشانی: عبور از هزاره: ادغام فن آوری های فضایی و اصول اکولوژیکی برای عصر جدید در مدیریت آتش، Boise، ID، ایالات متحده، ۱۵-۱۷ ژوئن ۱۹۹۹٫ [ Google Scholar ]
  64. کونتوس، سی. پویلو، اچ. فلورش، جی. کرامیتسوگلو، آی. پارالیکیدیس، اس. تحلیل مقایسه ای یک آستانه ثابت در مقابل یک رویکرد درخت طبقه بندی برای تشخیص و نقشه برداری اسکار سوختگی عملیاتی. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۰۹ ، ۱۱ ، ۲۹۹-۳۱۶٫ [ Google Scholar ] [ CrossRef ]
  65. وراربکه، اس. لرمیت، اس. Verstraeten، WW; Goossens, R. بعد زمانی مطالعات آتش سوزی / شدت سوختگی متفاوت نسبت نرمال شده (dNBR): مورد آتش سوزی های بزرگ پلوپونز در یونان در سال ۲۰۰۷٫ از راه دور. حس محیط. ۲۰۱۰ ، ۱۱۴ ، ۲۵۴۸-۲۵۶۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  66. Stratoulias، D. Burn Scar Mapping در آتیکا، یونان با استفاده از شاخص dNBR (نسبت سوختگی عادی شده متفاوت) در تصاویر ماهواره ای Landsat TM/ETM+. پایان نامه کارشناسی ارشد، دانشگاه ادینبورگ، ادینبورگ، انگلستان، ۲۰۱۰٫ [ Google Scholar ]
  67. میتسوپولوس، آی. کریسفی، ط. بونتیس، دی. مالینیس، جی. ارزیابی عوامل محرک بالقوه و طبقه بندی با شدت آتش سوزی در اکوسیستم کاج مدیترانه ای. جی. محیط زیست. مدیریت ۲۰۱۹ ، ۲۳۵ ، ۲۶۶-۲۷۵٫ [ Google Scholar ] [ CrossRef ]
  68. ناتاماچوت، ن. Stratoulias, D. استفاده هم افزایی از AHP و GIS برای ارزیابی عوامل محرک پتانسیل آتش سوزی جنگل در یک جنگل باتلاق ذغال سنگ نارس در تایلند. محیط زیست نظارت کنید. ارزیابی کنید. ۲۰۲۰ . در مطبوعات. [ Google Scholar ]
  69. ناتاماچوت، ن. Stratoulias، D. استفاده هم افزایی از AHP و GIS برای نقشه برداری خطر آتش سوزی جنگل در منطقه Hua Sai، تایلند. محیط زیست توسعه دهنده حفظ کنید. ۲۰۲۰ . در مطبوعات. [ Google Scholar ]
  70. طیبی، BE; دریدی، ح. Bouhata, R. Cartographie de la susceptibilité des incendies de forêt à I’aide de données de télédétection, des analyses SIG et AHP (étude de cas de Souhan, Algérie). بین المللی J. Innov. Appl. گل میخ. ۲۰۲۰ ، ۲۸ ، ۸۸۵-۸۹۴٫ [ Google Scholar ]
  71. گولچین، دی. Deniz، B. سنجش از دور و نقشه برداری منطقه خطر آتش سوزی جنگلی مبتنی بر GIS: مورد مانیسا، ترکیه. ترک. J. Türkiye Orman. Derg. ۲۰۲۰ ، ۲۱ ، ۱۵-۲۴٫ [ Google Scholar ] [ CrossRef ]
  72. Jolly، WM; کاکرین، MA; Freeborn، PH; هولدن، ZA; براون، تی جی; ویلیامسون، جی جی; بومن، DMJS تغییرات آب و هوایی ناشی از خطر آتش سوزی جهانی از سال ۱۹۷۹ تا ۲۰۱۳٫ Nat. اشتراک. ۲۰۱۵ ، ۶ ، ۷۵۳۷٫ [ Google Scholar ] [ CrossRef ]
  73. تورس، FTP؛ رومیرو، JMN; سانتوس، ACDA؛ نتو، RRDO؛ لیما، جی اس. سانتوس، A. کارایی شاخص خطر آتش سوزی به عنوان تابعی از رطوبت سوخت و رفتار آتش سوزی. علمی جمع. محیط زیست ۲۰۱۸ ، ۶۳۱ ، ۱۳۰۴-۱۳۱۰٫ [ Google Scholar ] [ CrossRef ]
  74. Chowdhury، EH; حسن، QK چشم انداز عملیاتی سیستم های پیش بینی خطر آتش سوزی جنگل های مبتنی بر سنجش از دور. IsprsJ. فتوگرام از راه دور. Sens. ۲۰۱۵ ، ۱۰۴ ، ۲۲۴-۲۳۶٫ [ Google Scholar ] [ CrossRef ]
  75. هان، K.-S. A Viau, A.; Anctil، F. محاسبات شاخص آب و هوا آتش سوزی جنگل با وضوح بالا با استفاده از سنجش از دور ماهواره ای. می توان. J. Res. ۲۰۰۳ ، ۳۳ ، ۱۱۳۴-۱۱۴۳٫ [ Google Scholar ] [ CrossRef ]
Ijgi 09 00516 g001 550
شکل ۱٫ نقشه پیش بینی آتش سوزی روزانه در مقیاس ملی برای روز ۲۸ آگوست ۲۰۱۵٫ یک کلاس برای پیش بینی خطر آتش سوزی برای هر استان کشور اختصاص داده شده است.
Ijgi 09 00516 g002 550
شکل ۲٫ منطقه مورد مطالعه، جزیره Chios، و موقعیت نسبی آن به یونان (داخل).
Ijgi 09 00516 g003 550
شکل ۳٫ نوسان سالانه دما و بارندگی در جزیره کیوس. خط قرمز یکدست حداکثر دما را برای یک روز متوسط ​​برای هر ماه در Chios نشان می دهد. خط آبی جامد میانگین حداقل دما را نشان می دهد. خطوط قرمز و آبی نقطه چین میانگین گرم ترین روز و سردترین شب هر ماه در ۳۰ سال گذشته را نشان می دهد. دوره بین ژوئن و سپتامبر تحت شرایط گرم و خشک است که برای اشتعال و انتشار آتش‌ها ایده‌آل است (منبع: meteoblue).
Ijgi 09 00516 g004 550
شکل ۴٫ منطقه مورد مطالعه در یک صحنه Landsat-8 که در ۱۳ ژوئیه ۲۰۱۶ در این مطالعه استفاده شد و منطقه مورد نظر در جعبه مرزی ( a ) به دست آمد. توده دود پراکنده بر فراز دریای اژه از آتش سوزی تاریخی در خیوس که توسط حسگر MODIS در ماهواره AQUA ناسا در ۱۸ آگوست ۲۰۱۲ ( b ) ثبت شد.
Ijgi 09 00516 g005 550
شکل ۵٫ نمودار جریان پیشرفت کار. تصاویر Landsat-5/7/8 برای هر یک از سه حادثه آتش سوزی بررسی شده در مطالعه حاضر و نمودار جریان، به غیر از استفاده از یک تصویر Landsat متفاوت، که برای هر مورد یکسان بود، استفاده شد.
Ijgi 09 00516 g006 550
شکل ۶٫ نتایج برای همه عوامل فردی که در مدل خطر آتش سوزی پیشنهاد شده بررسی شده است.
Ijgi 09 00516 g007 550
شکل ۷٫ نقشه خطر آتش سوزی به عنوان محصول نهایی رویکرد پیشنهادی. تمام لایه‌های ورودی برای تهیه نقشه به شبکه‌ای ۳۰ × ۳۰ متری نمونه‌برداری شدند که معادل وضوح فضایی ۳۰ متری ماهواره لندست است.
Ijgi 09 00516 g008 550
شکل ۸٫ منطقه سوخته برآورد شده از dNBR تصاویر دوگانه Landsat-8 OLI برای آتش سوزی در سال ۲۰۰۷ (سمت چپ)، ۲۰۱۲ (وسط) و ۲۰۱۶ (راست) بر روی نقشه خطر آتش سوزی تولید شده از مدل چند معیاره قرار داده شده است. پیشنهاد شده.
Ijgi 09 00516 g009 550
شکل ۹٫ هیستوگرام نقشه خطر آتش سوزی برای کل جزیره (بالا سمت چپ) و پیکسل های کمک کننده به منطقه سوخته شده از آتش سوزی در سال ۲۰۰۷ (بالا سمت راست)، ۲۰۱۲ (سمت چپ پایین) و ۲۰۱۶ (سمت راست پایین).

ونوس نصیرفام

مقالات

فیسبوکتوئیترپینترسترددیتDeliciousلینکدینواتس اپتلگرامایمیل

نوشته های مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما