مدل‌سازی رفتار آتش‌سوزی برای ارزیابی قرار گرفتن در معرض جامعه در اروپا: ترکیب داده‌های باز و تحلیل جغرافیایی

پیش‌بینی محل وقوع رویداد آتش‌سوزی در مقیاس بزرگ بعدی می‌تواند به آژانس‌های مدیریت آتش‌سوزی کمک کند تا برای انجام اقدامات پیشگیرانه و بهبود کارایی سرکوب آماده شوند. شبیه سازی آتش سوزی می تواند در تخمین گسترش و رفتار آتش سوزی های احتمالی آینده توسط چندین الگوریتم موجود مفید باشد. عدم قطعیت مکان احتراق و داده های آب و هوا که بر انتشار آتش تأثیر می گذارد، نیاز به یک رویکرد تصادفی یکپارچه با شبیه سازی آتش دارد. علاوه بر این، کمبود داده های مکانی مورد نیاز در مناطق مختلف اروپایی مستعد آتش، ایجاد خروجی های شبیه سازی آتش را محدود می کند. در این مطالعه، ما چارچوبی برای پردازش و ایجاد لایه‌های فضایی و داده‌های توصیفی از پایگاه‌های اطلاعاتی بین‌المللی و ملی با دسترسی باز برای استفاده در شبیه‌سازی آتش‌سوزی مونت کارلو با الگوریتم حداقل زمان سفر با گسترش آتش، با هدف ارزیابی انتشار آتش‌سوزی برون مرزی و جامعه ارائه می‌کنیم. قرار گرفتن در معرض برای یک منطقه مطالعه موردی در مقیاس بزرگ (مقدونیه، یونان). ما بیش از ۳۰۰۰۰۰ آتش سوزی را شبیه سازی کردیم که هر کدام به طور مستقل با شرایط آب و هوایی ثابت از یک سناریوی شبیه سازی تصادفی انتخاب شده برگرفته از داده های آب و هوای تاریخی مدل سازی شده اند. شبیه‌سازی‌ها محیط‌های آتش و تخمین‌های شطرنجی احتمال سوختگی سالانه و طول شعله مشروط را ایجاد کردند. نتایج برای تخمین قرار گرفتن در معرض جامعه با تقاطع محیط های آتش شبیه سازی شده با چند ضلعی های جامعه مورد استفاده قرار گرفت. ما دریافتیم که اشتعال‌های بالقوه می‌توانند به اندازه‌ای بزرگ شوند که به جوامعی در ۲۷ درصد از منطقه مورد مطالعه برسند و ۵۰ جامعه برتر و منابع قرار گرفتن در معرض آنها را شناسایی کردیم. چارچوب پیشنهادی می‌تواند تلاش‌ها را در مناطق اروپایی برای اولویت‌بندی فعالیت‌های مدیریت سوخت به منظور کاهش خطر آتش‌سوزی هدایت کند.

کلید واژه ها:

شبیه سازی آتش سوزی ; رابط شهری وحشی ; حداقل زمان سفر ؛ مدیریت سوخت ؛ خطر آتش سوزی جامعه مقدونیه یونان

چکیده گرافیکی

۱٫ مقدمه

پس از آتش‌سوزی‌های فاجعه‌بار اخیر در سال‌های ۲۰۱۸ و ۲۰۲۱ در آتن و اویا، ارزیابی و نقشه‌برداری قرار گرفتن در معرض جامعه به یک هدف کلیدی برای آژانس‌های مدیریت آتش‌سوزی یونان تبدیل شده است. برای مثال، آتش‌سوزی جنگلی ماتی در سال ۲۰۱۸، که یک جامعه واسط زمین وحشی-شهری در حومه آتن است، در منطقه آتش‌سوزی (کوه پنتلی، واقع در ۵ کیلومتری مرکز جامعه) شعله‌ور شد و ۱۳۰۰ هکتار، عمدتاً در محدوده منطقه، سوخت. مرزها در حالی که از یک حیاط به حیاط دیگر و در سراسر نقاطی از پوشش گیاهی مدیریت نشده شهری گسترش می یابد، منجر به ۱۰۲ کشته و ۴۰۰۰ خانه ویران می شود. این رویداد نشان می دهد که چگونه حوادث آتش سوزی در مقیاس کوچک، که در نزدیکی مکان های پرجمعیت شعله ور می شوند، می توانند عواقب مخربی برای انسان ها، خانه ها و زیرساخت ها داشته باشند. متقابلا، چندین آتش‌سوزی مخرب اخیر نسبتاً دور از مناطق توسعه‌یافته (۱۵ تا ۲۰ کیلومتر) شعله‌ور شدند و قبل از رسیدن به مناطق توسعه‌یافته به سرعت در چندین بخش مختلف مالکیت زمین و انواع پوشش زمین گسترش یافتند. نمونه‌هایی از این موارد عبارتند از دو آتش‌سوزی جنگلی در اوت ۲۰۲۱ که باعث سوختن ۸۵۰۰ هکتار در حومه شمالی آتن و ۴۰۰۰۰ هکتار در شمال اویا شد. این دو آتش‌سوزی و سایر آتش‌سوزی‌های جنگلی، بخشی از شواهد فزاینده‌ای هستند که نشان می‌دهد برنامه‌های مدیریت سوخت و اطفاء حریق باید بین مرزهای اداری و مالکیتی در مقیاس‌هایی هماهنگ شوند که به طور مؤثر مشکل آتش‌سوزی بزرگ را برطرف کند. سوزاندن ۸۵۰۰ هکتار در حومه شمالی آتن و ۴۰۰۰۰ هکتار در شمال اویا. این دو آتش‌سوزی و سایر آتش‌سوزی‌های جنگلی، بخشی از شواهد فزاینده‌ای هستند که نشان می‌دهد برنامه‌های مدیریت سوخت و اطفاء حریق باید بین مرزهای اداری و مالکیتی در مقیاس‌هایی هماهنگ شوند که به طور مؤثر مشکل آتش‌سوزی بزرگ را برطرف کند. سوزاندن ۸۵۰۰ هکتار در حومه شمالی آتن و ۴۰۰۰۰ هکتار در شمال اویا. این دو آتش‌سوزی و سایر آتش‌سوزی‌های جنگلی، بخشی از شواهد فزاینده‌ای هستند که نشان می‌دهد برنامه‌های مدیریت سوخت و اطفاء حریق باید بین مرزهای اداری و مالکیتی در مقیاس‌هایی هماهنگ شوند که به طور مؤثر مشکل آتش‌سوزی بزرگ را برطرف کند.۱ ، ۲ ]. برای این منظور، سیستم های مدیریت آتش سوزی در کشورهای دیگر مقیاس خطر آتش سوزی را با تجزیه و تحلیل های آتش سوزی ترسیم می کنند تا بهتر بفهمند کدام بخش از محوطه آتش سوزی های بزرگ ایجاد می کند یا قرار گرفتن در معرض جامعه را بالا می برد و سهم مالکان زمین و کاربری ها در خطر را تعیین می کند [ ۳ ]. ، ۴ ]. این نوع تحلیل‌ها می‌توانند به اطمینان از تخصیص منابع مالی کمیاب برای هدف قرار دادن مناظر با اهرم بالا از نظر کاهش خطر آتش‌سوزی کمک کنند [ ۴ ].

مشکل رو به رشد جهانی آتش سوزی، انگیزه تحقیقات گسترده ای را برای پیش بینی رویدادهای آتش سوزی جنگلی در آینده فراهم کرده است [ ۵ ، ۶ ، ۷ ، ۸ ]. سوابق تاریخی آتش سوزی که در ۲۰ سال گذشته از هر دو حسگرهای ماهواره ای (مانند MODIS، VIIRS، SEVIRI) و موجودی های آژانس آتش نشانی در بسیاری از مناطق برای نقشه اشتعال آتش و پیش بینی محل وقوع رویدادهای آینده استفاده شده است [ ۹ ، ۱۰ ، ۱۱ ] استفاده شده است.]. در حالی که مطالعات اشتعال تجربی در سیستم های آتش سوزی مکرر مفید هستند، جایی که سوخت ها به سرعت احیا می شوند، اشتعال ها انسان زا هستند، و آتش سوزی های کوچک رایج هستند، در مناطقی با فواصل بازگشت آتش طولانی تر، اشتعال های نادر، و جاهایی که آتش های بزرگ در فواصل طولانی می سوزند، کمتر مفید هستند. این آتش‌سوزی‌ها به طور فزاینده‌ای رایج می‌شوند و می‌توان آن را به خشکسالی ناشی از آب و هوا، رویدادهای باد شدید، و تجمع سوخت ناشی از تغییر شیوه‌های کاربری زمین نسبت داد [ ۱۲ ]. برای درک بهتر خطر بالقوه در این سیستم‌های آتش‌سوزی اخیر، محققان حجم وسیعی از مدل‌های رفتار و گسترش آتش را توسعه داده‌اند که می‌تواند آتش‌سوزی‌های بزرگ را با استفاده از طیف وسیعی از روش‌های مونت کارلو برای ترسیم احتمال سوختگی و شدت آتش‌سوزی شبیه‌سازی کند [ ۱۳ ، ۱۴ ]]. یک مثال خوب، کتابخانه رفتار آتش حداقل زمان سفر (MTT) است که در مدل هایی مانند FlamMap [ ۱۵ ]، Farsite [ ۱۶ ]، FSPro [ ۱۷ ]، FSim [ ۱۸ ] و FconstMTT [ ۱۹ ] یکپارچه شده است، که برای طیف گسترده ای استفاده می شود. از برنامه ها، از جمله اولویت بندی مدیریت سوخت [ ۲۰ ، ۲۱ ، ۲۲ ، ۲۳ ، ۲۴ ]، حفاظت از جامعه [ ۲۵ ، ۲۶ ، ۲۷ ]، تجزیه و تحلیل معاوضه بین استراتژی های مدیریت [ ۲۸ ، ۲۹ ]، سرکوب آتش [ ۳۰ ] و خطر آتش سوزی نقشه برداری [ ۳۱]. کاربرد بلادرنگ کتابخانه MTT شامل مدل FSPro [ ۱۷ ] است که پشتیبانی تصمیم گیری (بیش از ۵ روز) را برای حوادث آتش سوزی بزرگ در حال انجام در ایالات متحده فراهم می کند.

در یونان، برنامه های شبیه سازی آتش بر اساس MTT در تعدادی از مطالعات برای ارزیابی قرار گرفتن در معرض جامعه [ ۳۲ ، ۳۳ ] و خطر برای سایت های میراث فرهنگی [ ۳۴ ]، و برای اولویت بندی درمان های سوخت استفاده شده است [ ۱ ]. مطالعات موردی برای کشورهای همسایه نیز وجود دارد، از جمله تخمین خطر آتش سوزی در مناطق حفاظت شده در قبرس [ ۳۵ ]. افزایش برنامه ریزی مشترک مدیریت سوخت چشم انداز در کاتالونیا [ ۳۶ ]؛ شبیه سازی آتش سوزی های بزرگ برای ارزیابی قرار گرفتن در معرض جامعه در ساردینیا [ ۳۷ ]؛ و نقشه برداری احتمال سوختگی و خطر، و ارزیابی اثربخشی شبکه های قطع سوخت در پرتغال [ ۳۸ ، ۳۹]. در این مطالعات و مطالعات قبلی، اعتبار سنجی خروجی های شبیه سازی به روش های مختلفی از جمله مقایسه محیط های شبیه سازی شده و تاریخی در مناطق مشابه، یا با مقایسه پیش بینی شده و تجربی شدت سوختگی و نقشه های احتمال انجام می شود [ ۳۷ ، ۴۰ ، ۴۱ ، ۴۲ ].

یکی از چالش‌های اصلی استفاده گسترده از مدل‌سازی شبیه‌سازی آتش برای پشتیبانی تصمیم‌گیری در منطقه مدیترانه و جاهای دیگر، به‌دست آوردن داده‌های مکانی در مورد سوخت و آب و هوای مورد نیاز برای مدل‌ها است. در بیشتر موارد، این داده‌ها عموماً در دسترس نیستند یا وجود ندارند، و مجموعه داده‌های مورد استفاده برای مطالعات قبلی از طیف وسیعی از منابع داده با هم ترکیب شده‌اند، که مقایسه بین مطالعات و مناطق مورد مطالعه را دشوار می‌کند. استفاده گسترده‌تر از مدل‌سازی شبیه‌سازی با مجموعه داده‌های استاندارد و روش‌شناسی می‌تواند مدل‌سازی مقیاس ملی را برای کشورهایی مانند یونان، همانطور که برای پرتغال نشان داده شده است، اجازه دهد [ ۳۹ ].

در این راستا، ما یک رویکرد جدید را توسعه داده و مورد بررسی قرار دادیم که نمونه‌های اولیه استفاده از داده‌های دسترسی باز برای ساخت مجموعه داده‌های مورد نیاز برای شبیه‌سازی آتش‌سوزی است. این سیستم به طور خاص طراحی شده است تا امکان کاربرد گسترده تر در منطقه مدیترانه و همچنین سایر مناطق اروپایی را فراهم کند. سپس سیستم را در مقدونیه، یونان (۳۴۰۰۰ کیلومتر مربع) آزمایش ^کردیم) که از نظر تاریخی یکی از بالاترین تراکم اشتعال را در کشور داشته است (۷۶ در هکتار) و حدود ۱۲۰۰۰۰ هکتار در طی سال های ۲۰۰۰ تا ۲۰۱۹ سوخته است. میلیون نفر)، همه نشان می دهد که مقدونیه منطقه یونانی بعدی (پس از پلوپونز و آتیکا) است که در آن آتش سوزی فاجعه باری مشاهده خواهد شد. ما از مدل‌سازی شبیه‌سازی آتش برای تخمین قرار گرفتن در معرض جامعه و نقشه‌برداری «محله‌های آتش‌سوزی» جامعه استفاده کردیم که منطقه را در تمام مالکیت‌های زمینی که احتمالاً آتش‌سوزی را به جوامع منتقل می‌کند تعریف می‌کند [ ۲۴ ]]. ما همچنین از خروجی‌های شبیه‌سازی برای نقشه‌برداری چندین متریک چشم‌انداز استفاده کردیم که مقیاس فضایی اندازه آتش و پیچیدگی قرار گرفتن در معرض آتش‌سوزی در رابطه با جغرافیای مالکیت زمین را نشان می‌دهد. نتایج کاربرد گسترده ای برای شیوه های مدیریت سوخت چشم انداز در یونان دارد.

۲٫ مواد و روشها

۲٫۱٫ بررسی اجمالی داده ها

MTT به پشتیبانی از یک سیستم اطلاعات جغرافیایی (GIS) برای تولید، مدیریت و ارائه مضامین داده های مکانی حاوی سوخت، پوشش گیاهی و توپوگرافی نیاز دارد. پنج موضوع داده شطرنجی برای اجرای مدل‌سازی رفتار آتش‌سوزی سطح (ارتفاع، شیب، جنبه، مدل سوخت و پوشش سایبان) مورد نیاز است. سه لایه اختیاری اضافی شرایط سایبان را در سطح پایه توصیف می کنند (تراکم ظاهری تاج، ارتفاع پایه سایبان و ارتفاع پایه). همه مضامین باید به‌عنوان رسترهای ascii، با وضوح، گستردگی، طرح‌ریزی و داده‌های یکسان ثبت شوند و در یک فایل Landscape (LCP) که توسط MTT لازم است ترکیب شوند. در نهایت، داده های آب و هوا و رطوبت سوخت، و شطرنجی احتمال احتراق نیز مورد نیاز است. برخی از داده های ذکر شده در بالا را می توان به راحتی از پایگاه های داده با دسترسی باز (مانند توپوگرافی و آب و هوا) بازیابی کرد.۴۳ ، ۴۴ ، ۴۵ ، ۴۶ ، ۴۷ ، ۴۸ ]. در ایالات متحده، LANDFIRE محصولات جغرافیایی در مقیاس چشم انداز مورد نیاز را برای پشتیبانی از شبیه سازی MTT فراهم می کند، بنابراین کاربرد MTT را ساده می کند. برای اروپا، یک سیستم مشابه، سرویس نظارت بر زمین کوپرنیک (که از این به بعد کوپرنیک نامیده می شود)، داده ها و اطلاعات مکانی فراوانی را ارائه می دهد، اگرچه کل مجموعه داده مورد نیاز برای اجرای MTT را شامل نمی شود.

۲٫۲٫ منطقه مطالعه

در طول شبیه سازی آتش، اگر دامنه فضایی مضامین فوق در داخل مرزهای منطقه مورد مطالعه محدود شود، “اثر لبه” ظاهر می شود که اجازه نمی دهد آتش های ورودی و خروجی از و به منطقه مورد مطالعه بدون وقفه مدل سازی شوند، به عنوان مثال، همه آتش سوزی ها در لبه های دامنه متوقف می شوند و یک مانع “کاذب” برای گسترش آتش ایجاد می کنند. برای جلوگیری از این اثر، یک حائل ۱۰ کیلومتری در اطراف منطقه مورد مطالعه (منطقه یونانی مقدونیه با مساحت ۳۴۰۰۰ کیلومتر مربع ⁾ ایجاد کردیم که شامل بخش‌هایی از آلبانی، مقدونیه شمالی، بلغارستان و مناطق یونانی تراکیه، ایپیروس و تسالی ( شکل ۱ الف). این منطقه حائل با مقدونیه ادغام شد.

سپس، منطقه مورد مطالعه حائل به هفت منطقه کلان رژیم آتش سوزی با توجه به طبقه بندی اقلیمی محیط توسط متزگر [ ۴۹ ] تقسیم شد و با مرزهای حوزه آبخیز و شهرداری محلی سازگار شد ( شکل ۲).). گسترده ترین طبقه بندی اقلیمی از طبقه محیط زیست، “معتدل گرم و مسیک” است که ۱٫۵ میلیون هکتار را پوشش می دهد، بیشتر در سراسر منطقه ساحلی و دره های رودخانه های بزرگ، و پس از آن “معتدل سرد و زریک” با ۸۶۰۰۰۰ هکتار در دشت های بزرگ غرب قرار دارد. مقدونیه، «معتدل سرد و خشک» با ۶۲۵۰۰۰ هکتار در همه رشته‌کوه‌ها غالب است و «معتدل گرم و زریک» با ۵۷۰۰۰۰ هکتار در دشت‌های بزرگ مقدونیه مرکزی و شرقی. سه طبقه باقیمانده در ارتفاعات بالاتر غالب هستند و در مجموع ۶۶۰۰۰۰ هکتار را پوشش می دهند. متوسط اندازه کلان منطقه ۶۱۰۰۰۰ هکتار است که بزرگترین آن ۹۰۰۰۰۰ هکتار و کوچکترین ۴۶۰۰۰۰ هکتار است.

این مناطق کلان بیشتر به صورت داخلی به ۳۰ منطقه شبیه‌سازی تقسیم شدند تا تغییرپذیری آب و هوای آتش‌سوزی و تفاوت‌های بادهای محلی را با استفاده از ایستگاه‌های هواشناسی بیشتر، هر کدام با ناحیه نفوذ کمتر و ویژگی‌های ژئوفیزیکی مشابه، در نظر بگیرند ( شکل را ببینید). ۱ الف-خطوط قرمز شکسته). برای این کار، ما اطمینان حاصل کردیم که به هر منطقه حداقل یک ایستگاه هواشناسی خودکار از راه دور (RAWS) با حداقل ۱۰ سال داده های ثبت شده اختصاص داده شده است (مثلث های شکل ۱ A). داده‌ها از RAWS که توسط رصدخانه ملی آتن، سرویس ملی هواشناسی یونان، موسسه تحقیقات جنگل‌ها و همچنین شرکت‌های خصوصی (ScientAct) اداره می‌شود، بازیابی شدند.

۲٫۳٫ زندگی گیاهی

فهرست CORINE Land Cover (CLC) [ ۵۰ ] (نسخه ۲۰۱۸) لایه پایه برای نقشه برداری پوشش گیاهی بود ( شکل ۱).آ). یکی از اشکالات CLC این است که فاقد انواع گونه های گیاهی است، به عنوان مثال، همه گونه های مخروطی در یک کلاس واحد قرار می گیرند. ما طبقات اصلی مرتبط با جنگل، یعنی جنگل های پهن برگ، جنگل های مخروطی، جنگل-بوته های انتقالی و جنگل های مختلط را با یک لایه گونه های گیاهی دقیق که توسط اولین فهرست ملی جنگل های یونان (NFIG) تولید شده بود، تلاقی کردیم که توزیع گونه ها و پوشش برای سال مرجع ۱۹۹۲٫ اگرچه منسوخ شده است، اما بهترین شاخص در دسترس است که نشان می دهد کدام گونه های گیاهی در داخل مرزهای طبقه جنگلی گسترده CLC غالب هستند. مرزهای چند ضلعی CLC حفظ شد و کلاس جدیدی با ابزار Identity در ArcGIS 10.2.2 ایجاد شد که حاوی اطلاعاتی برای هر دو لایه بود، به عنوان مثال، جنگل مخروطیان – Pinus halepensis. علاوه بر این، ما نقشه‌های پوشش گیاهی به‌روز (یعنی پس از سال ۲۰۱۲) را برای جنگل‌های مدیریت شده مهم مقدونیه که با تکنیک‌های سنجش از دور و فهرست جنگل‌ها توسط پیمانکاران خصوصی، درخواست‌شده توسط شعب خدمات جنگل محلی که هر جنگل را مدیریت می‌کنند، ایجاد شده‌اند، بازیابی کردیم. هنگامی که لایه‌های با دقت بالا در دسترس بودند، از آنها برای پاک کردن لایه‌های پایه ترکیبی CLC و NFIG و سپس اضافه کردن طبقه‌بندی پوشش گیاهی، پس از همگن‌سازی نام‌های کلاس‌شان استفاده می‌شد. شایع ترین گونه های یافت شده در منطقه مورد مطالعه، گونه های Quercus بودند . (۱۵٫۱٪ از کل مساحت)، Fagus spp. (۶٫۹۵%)، کاج سیاه (۲٫۵%)، کاج halepensis (۲%)، Castanea sativa (۰٫۶%)، Pinus sylvestris (۰٫۶%)،کاج لوکودرمیس (۰٫۳%)، گونه های عرعر . (۰٫۱٪) و گونه های Abies . (۰٫۱%) ( پیوست A شکل A1 ).

۲٫۴٫ تصرف و مالکیت زمین

لایه مالکیت و مالکیت زمین چگونگی تقسیم چشم انداز به رژیم های مختلف مدیریت جنگل را توصیف می کند، یک لایه ضروری برای استخراج تخمین های انتقال آتش بین مرزی ( شکل ۱ B). لایه CLC حاوی اطلاعاتی در مورد کاربری های اساسی زمین است که به عنوان لایه نگاشت پایه ما استفاده شد. اولین کلاس های جدیدی که به لایه نگاشت پایه اضافه شد، هسته های جامعه و WUI بودند (به بخش ۲٫۶ مراجعه کنید.). در مرحله بعد، اطلاعات مالکیت را با استفاده از شش طبقه اصلی مالک زمین، به عنوان مثال، ایالت، شهرداری، جامعه، کلیسا، خصوصی و تعاونی برای همه مناطق جنگلی با برنامه مدیریت جنگل رسمی اضافه کردیم. در مواردی که اطلاعات مالکیت وجود نداشت، طبقه بندی اصلی CLC را حفظ کردیم. در نهایت، مناطق تعیین‌شده ملی را از آژانس محیط‌زیست اروپا [ ۵۱ ] با اطلاعاتی در مورد مناطق حفاظت‌شده بازیابی کردیم. چندین نوع مختلف از مناطق حفاظت شده وجود دارد و ما فقط مناطقی را که در آن قانون هر گونه مدیریت پوشش گیاهی را ممنوع می کند (به عنوان مثال، هسته جنگل ها یا پارک های ملی، مناطق حفاظت شده طبیعی، جنگل های زیبایی شناختی، و غیره) نگهداری می کنیم. از مرزهای ناحیه حفاظت شده برای پرچم گذاری چند ضلعی ها در لایه نگاشت پایه که در آن مدیریت محدود است، استفاده شد.

۲٫۵٫ توپوگرافی

مضامین توصیف کننده توپوگرافی شامل ارتفاع، شیب و جنبه است ( شکل ۳ A-C). ارتفاع برای تنظیم آدیاباتیک دما و رطوبت ضروری است ( شکل ۳ الف). موضوع شیب برای محاسبه اثرات مستقیم بر گسترش آتش و، همراه با جنبه، برای تعیین زاویه تابش خورشیدی برخوردی برای تنظیم رطوبت سوخت و برای تبدیل نرخ‌ها و جهت‌های پخش از سطح به مختصات افقی ضروری است [ ۱۶ ]. ما EU-DEM v1.1 را از پورتال کوپرنیک [ ۵۲ ] بازیابی کردیم. با استفاده از GIS، شیب را بر حسب درجه و جهت را بر حسب درجه از شمال محاسبه کردیم.

۲٫۶٫ مناطق اجتماعی و رابط وحشی-شهری

مناطق اجتماعی در ابتدا بر اساس مناطق شهری CLC مشخص شدند که به عنوان بافت شهری پیوسته و ناپیوسته شناخته می‌شوند. برای ترکیب مرزهای تعیین شده رسمی سرشماری و داده های تعریف شده توسط اداره آمار یونان (HSA) از جمله جمعیت، تعداد و نوع سازه ها، مصالح ساختمانی و غیره، از چند ضلعی های HSA استفاده کرده و آنها را با مرزهای لایه CLC اصلاح کردیم. این منجر به یک لایه اجتماعی شد که کل منطقه ساخته شده بافت شهری پیوسته و ناپیوسته را پوشش می داد. چند ضلعی های HSA شامل گسترش مناطق شهری در طول دهه گذشته و سایر مناطق شهری غیر رسمی مانند اقامتگاه های گردشگران نمی شود. با ترکیب چند ضلعی های HSA با مناطق شهری CLC 2018، ما اطمینان حاصل کردیم که تمام سطوح مصنوعی با ردپای شهری قابل توجهی گنجانده شده است.

برای ترسیم رابط وحشی-شهری (WUI)، که یک منطقه انتقال بین وحشی و توسعه انسانی است، ما نقشه سکونتگاه اروپایی (ESM) را از کوپرنیک (حدود سال ۲۰۱۷) بازیابی کردیم که سکونتگاه های انسانی در اروپا را بر اساس ماهواره SPOT5 و SPOT6 نقشه برداری می کند. تصویر و نشان دهنده درصد پوشش منطقه ساخته شده در هر واحد فضایی است. تمام پیکسل‌هایی که به‌عنوان مناطق ساخت‌وساز پرچم‌گذاری شدند (یعنی ساختمان‌ها، اطلس شهری سبز، NDVIx سبز و فضای باز) به چند ضلعی تبدیل شدند که هسته‌های جامعه را کم می‌کنند ( پیوست A شکل A2 را ببینید ). چند ضلعی های باقی مانده به عنوان WUI پس از حذف همه چند ضلعی های جدا شده و کوچک (<1 هکتار) در فاصله> 2 کیلومتر از نزدیکترین هسته جامعه مشخص شدند.

۲٫۷٫ مدل های سوخت سطحی

یک مدل سوخت سطحی مجموعه‌ای از ویژگی‌های بستر سوخت است و بسته به شرایط محلی، یک یا چند مدل سوخت ممکن است مناسب باشد ( شکل ۳ D). ما طبقات دقیق هر دو نوع پوشش غالب و گونه ها را از لایه پوشش گیاهی ( شکل ۱ – گونه هایی که برای اهداف نقشه برداری نشان داده نشده اند) به کدهای مدل سوخت بر اساس سیستم طبقه بندی اسکات و بورگان [ ۵۳ ] تطبیق داده و تبدیل کردیم. در مجموع از ۱۸ کد مدل سوخت استفاده کردیم ( جدول ۱ ).

در ابتدا، سلول‌های ۱۰ متری منطقه ساخته‌شده ESM (انتشار ۲۰۱۹) را به سلول‌های شطرنجی ۱۰۰ متری نمونه‌برداری کردیم و مدل سوخت غیرقابل سوزاندن NB1 را اختصاص دادیم. در مرحله بعد، نشانگر شخم کوپرنیک (حدود سال ۲۰۱۸)، که تعداد سال‌های پس از آخرین نشانه شخم زدن (۱-۶) را ترسیم می‌کند، مجدداً در یک شطرنجی ۱۰۰ متری نمونه‌برداری شد و با مدل سوخت غیرقابل سوزاندن NB3 برای توصیف تعیین شد. زمین های کشاورزی غیر قابل سوختن

علفزارها در شیب ارتفاعی به طور متفاوتی می سوزند، با ارتفاعات بالاتر مرطوب و با خواص گیاهی متفاوت، به عنوان مثال، تراکم، ارتفاع، مخلوط با بوته ها، رطوبت سوخت مرده انقراض و دوره درمان. ما علفزارهای کوپرنیک ( شکل ۴ )، به عنوان مثال، چمنزار نقشه برداری لایه وضعیت دوتایی و همه غیر علفزارها با اندازه سلول ۱۰ متری (حدود سال ۲۰۱۸) را با DEM ترکیب کردیم تا یک مدل سوخت متفاوت چمن یا چمن-بوته بر اساس طبقات ارتفاعی تعیین کنیم. از تحقیقات گذشته نویسندگان و سایر انتشارات مرتبط [ ۵۴ ، ۵۵]. برای ارتفاعات تا ۸۰۰ متر، جایی که تابستان‌ها طولانی و خشک است، ما دو مدل سوخت علف-بوته را اختصاص دادیم: ۰-۳۰۰ متر، GS1 (بار کم، آب و هوای خشک چمن-بوته). ۳۰۰-۸۰۰ متر و GS2 (بار متوسط، آب و هوای خشک چمن-بوته). برای ارتفاعات بالای ۸۰۰ متر، با تابستان های کوتاه و بارندگی های گاه به گاه، ما چهار مدل سوخت چمن را اختصاص دادیم: ۸۰۰-۱۲۰۰ متر، GR7 (بار زیاد، چمن آب و هوای خشک). ۱۲۰۰-۱۶۰۰ متر، GR4 (بار متوسط، چمن آب و هوای خشک)؛ ۱۶۰۰-۱۸۰۰ متر، GR5 (بار کم، چمن آب و هوای مرطوب)؛ و > 1800 متر، GR3 (بار کم، چمن آب و هوای بسیار درشت، مرطوب).

در نهایت، با استفاده از داده‌های تلفات جنگلی دانشگاه مریلند در سال [ ۵۶ ]، مکان پیکسل‌هایی را که در طول سال ۲۰۱۹ با از دست دادن جنگل مواجه بودند، بازیابی کردیم و مدل سوخت GS1 را اختصاص دادیم ( شکل ۴ ). از آنجایی که CLC برای سال مرجع ۲۰۱۸ است، حساب کردن تلفات جنگلی که پس از سال ۲۰۱۸ رخ می دهد بسیار مهم است.

۲٫۸٫ ویژگی های سایبان جنگل

پوشش درختی از پورتال کوپرنیک بازیابی شد و سطح پوشش درختی را از ۰ (همه مناطق غیردرختی) تا ۱۰۰ درصد برای سال مرجع ۲۰۱۸ در وضوح فضایی ۱۰ متر نشان می‌دهد ( شکل ۵ الف). برای ارتفاع پایه ( شکل ۵ B)، ما بررسی دینامیک اکوسیستم جهانی (GEDI) سطح ۳ (L3) شبکه بندی شده میانگین ارتفاع تاج پوشش (۱ کیلومتر وضوح فضایی) [ ۵۷ ] را بازیابی کردیم.] که در ۱۰۰ متر نمونه برداری مجدد شد. GEDI با استفاده از ابزار نمونه برداری LiDAR که از اواخر سال ۲۰۱۸ در ایستگاه فضایی بین المللی نصب شده است، مشاهدات محدوده لیزری با وضوح بالا از ساختار سه بعدی زمین تولید می کند. شکاف های داده برای بخش های خاصی از منطقه مورد مطالعه با تخمین ارتفاع تاج پوشش LiDAR از ارتفاع سنج لیزری Geoscience پوشانده شد. ابزار سیستم روی ICESat (حدود ۲۰۰۵) [ ۵۸ ].

ما از داده‌های موجودی‌های میدانی و دانش محلی/کارشناس برای تعیین مقادیر ثابت خاص گونه‌ها برای ارتفاع پایه تاج (بر حسب متر) استفاده کردیم ( شکل ۵ C). برای چگالی ظاهری تاج، از جداول جستجو (جدول ۲ در Keane و همکاران [ ۵۹ ]) استفاده کردیم که سوخت تاج پوشش موجود برای آتش سوزی را بر حسب کیلوگرم در متر مکعب برای گونه های درخت معمولی آمریکای شمالی و برای سه کلاس پوشش تاج پوشش توصیف می کند (کم). : ۲۱-۵۰٪؛ متوسط: ۵۱-۸۰٪؛ زیاد ۸۱-۱۰۰٪. ما گونه‌های آمریکای شمالی را با گونه‌های درختی مشابه در منطقه مورد مطالعه خود بر اساس شباهت ویژگی‌ها، خانواده‌ها و صفات (یک مقدار برای هر گونه) مطابقت دادیم، و سپس مقادیر سوخت تاج پوشش را برای هر یک از سه کلاس پوشش تاج پوشش اصلاح کردیم ( شکل ۵ D ).

۲٫۹٫ احتمال اشتعال

برنامه‌های شبیه‌سازی آتش MTT می‌توانند از یک شبکه احتمال احتراق از ۰ تا ۱ برای قرار دادن اشتعال‌ها در سراسر منظره شبیه‌سازی استفاده کنند. اول، اشتعال های ثبت شده از سال ۱۹۸۵ تا ۲۰۰۰ از کارهای منتشر شده قبلی بازیابی شد [ ۶۰ ]. ما همچنین داده های آتش فعال را از ماهواره های MODIS و VIIRS بازیابی و ادغام کردیم که دوره ۲۰۰۰-۲۰۱۹ را پوشش می دهد. از آنجایی که VIIRS از سال ۲۰۱۲ پوشش زمانی دارد، ما رکوردها و نقاط تکراری را از همان رویداد آتش سوزی حذف کردیم (یک رویداد آتش سوزی دارای چندین نقطه در مجموعه داده اصلی است) ( شکل ۶ A).

برای در نظر گرفتن مکان‌های احتراق احتمالی که هنوز رخ نداده‌اند، از لایه شبکه جاده‌ای OpenStreetMap استفاده کردیم و یک بافر ۲۰ متری در هر طرف جاده‌های اصلی ایجاد کردیم، زیرا نزدیکی به جاده‌ها با وقوع آتش‌سوزی مرتبط است [ ۶۱ ]. علاوه بر این، از آنجایی که پیکربندی فضایی الگوهای توسعه بر اشتعال آتش‌سوزی تأثیر می‌گذارد [ ۶۲ ]، ما یک بافر بیرونی ۵۰۰ متری در اطراف هسته‌های جامعه ایجاد کردیم. در بافر شبکه جاده‌ای، ما به طور تصادفی ۵۰۰۰ نقطه را با حداقل فاصله مجاز ۲۰۰ متر بین نقاط تخصیص دادیم ( شکل ۶ B)، در حالی که در بافر جامعه ما ۶۰۰۰ نقطه را با حداقل فاصله ۳۰۰ متری اختصاص دادیم ( شکل ۶).ج). مجموعه داده کامل شامل بیش از ۱۸۰۰۰ نقطه بود و ما یک رستر چگالی نقطه ای با ArcGIS ایجاد کردیم و شعاع جستجوی ۵ کیلومتری را تنظیم کردیم (یعنی صاف کردن) تا اطمینان حاصل شود که تمام پیکسل های قابل سوزاندن دارای مقدار > 0 هستند که اجازه می دهد احتراق به طور تصادفی در آنجا رخ دهد. در طول شبیه سازی آتش سوزی، حتی با احتمال بسیار کم، به جز پیکسل هایی که با یک مدل سوخت غیر قابل سوختن اختصاص داده شده اند. در نهایت، لایه حاصل را به محدوده ۰-۱ تغییر دادیم ( شکل ۶ D).

۲٫۱۰٫ داده های آب و هوا

برای هر RAWS، فرکانس جهت‌های باد غالب را تخمین زدیم و از آن به عنوان پایه هر سناریوی شبیه‌سازی استفاده کردیم، با فرکانس تبدیل به احتمال انتخاب سناریو. میانگین سرعت وزش باد برای هر RAWS به‌عنوان سرعت باد پایه برای همه شبیه‌سازی‌ها استفاده شد (که باید در مرحله کالیبراسیون اصلاح شود – بخش بعدی را ببینید) زیرا آتش‌سوزی‌های بزرگ ناشی از انسان (بیش از ۵۰ هکتار) معمولاً تحت تأثیر سرعت بادهای بالاتر قرار می‌گیرند. به سرعت در اندازه افزایش می یابد [ ۱۲]. در نهایت، با استفاده از میانگین و بالاترین دما و رطوبت نسبی ثبت‌شده، محدوده دمایی مورد استفاده در ابزار محاسبه رطوبت سوخت مرده BehavePlus را برای تخمین رطوبت سوخت مرده تعریف کردیم. تمام تخمین‌های آب‌وهوا فقط ماه‌های جولای و آگوست را پوشش می‌دهند، که بر اساس داده‌های تاریخی احتراق ۲۰ سال گذشته از نظر فرکانس اشتعال و وقوع آتش‌سوزی‌های بزرگ، بحرانی‌ترین ماه‌ها هستند. برای مناطق با دو یا چند RAWS، ما رکوردهای آنها را ادغام کردیم تا یک فایل سناریوی شبیه سازی آتش ایجاد کنیم. در مجموع ما ۳۰ فایل سناریو ایجاد کردیم، یکی برای هر منطقه شبیه‌سازی، که هر کدام معمولاً دارای هشت مجموعه از پارامترهای شبیه‌سازی است که شامل سرعت و جهت باد، مدت زمان، رطوبت سوخت، احتمال انتخاب و احتمال نقطه است ( پیوست A را ببینید. جدول A1 ).

ما یک مقدار ثابت برای احتمال نقطه ای در تمام مناطق شبیه سازی و برای همه سناریوها تنظیم می کنیم. احتمال لکه بینی تخمین می زند که چه تعداد از گره های شروع آتش تاج اخگرهایی را راه اندازی می کنند که می توانند آتش جدیدی را شروع کنند. بر اساس ارتباط با روسای خدمات آتش نشانی در منطقه مورد مطالعه، متوجه شدیم که لکه بینی برای آتش سوزی های ناشی از باد که در ماه های جولای و آگوست شعله ور می شوند و اغلب منجر به آتش سوزی های جدید می شوند بسیار رایج است. برای محاسبه این فراوانی لکه‌گیری بالا، مقدار احتمال لکه‌گیری بالا (۰٫۲۵-یعنی یکی از چهار گره با رفتار آتش‌سوزی تاج) را برای مناطق شبیه‌سازی که نزدیک به مناطق ساحلی هستند یا پوشیده از درختان مخروطی با ارتفاع کم و بوته‌های متراکم هستند، تعیین کردیم. و مقادیر کمتر برای مناطق مرتفع تر، که عمدتا با پوشش گیاهی پهن برگ پوشیده شده است. احتمال لکه بینی > 0.

۲٫۱۱٫ شبیه سازی آتش سوزی و اعتبارسنجی مدل

MTT یک الگوریتم مدل‌سازی رشد آتش پیشرفته است که می‌تواند رفتار آتش را در مناظر پیچیده با جستجو برای حداقل زمان حرکت آتش در بین گره‌ها در یک شبکه دو بعدی، مدل‌سازی کند، که برای آشکار کردن مرزهای محیطی آتش و رفتار درون‌یابی می‌شود. ویژگی ها (به عنوان مثال، سرعت گسترش، شدت خط آتش). MTT امکان شبیه سازی هزاران اشتعال احتمالی را فراهم می کند، اما بدون در نظر گرفتن جانشینی پوشش گیاهی یا مهار آتش. در این مطالعه، شبیه‌سازی‌های مونت کارلو با FconstMTT [ ۱۹ ] انجام شد] با استفاده از یک LCP در وضوح فضایی ۹۰ متر پس از نمونه برداری مجدد از همه ورودی ها با تکنیک نزدیکترین همسایه. شبیه‌سازی‌ها محیط‌های آتش و تخمین‌های شطرنجی احتمال سوختگی سالانه (BP) و طول شعله شرطی (CFL) را ایجاد کردند. BP سالانه نسبت تعداد دفعات سوختن یک پیکسل به تعداد کل آتش‌های شبیه‌سازی شده است، در حالی که CFL طول شعله مورد انتظار را با توجه به سوختن پیکسل اندازه‌گیری می‌کند.

اشتعال های آتش در ابتدا در محدوده مدل سازی با توجه به شبکه احتمال اشتعال توزیع شدند. سپس هر حریق به طور مستقل با در نظر گرفتن مجموعه‌ای از پارامترهای شبیه‌سازی، بر اساس احتمال انتخاب مجموعه، از فایل سناریوی منطقه شبیه‌سازی که در آن احتراق رخ داده، مدل‌سازی شد. در مجموع، ۱۰۰۰۰ آتش سوزی برای هر منطقه شبیه سازی، یعنی ۳۰۰۰۰۰ برای کل منطقه مورد مطالعه شبیه سازی شد. در ابتدا، مدت زمان شبیه سازی پایه را ۳۰۰ دقیقه (پنج ساعت سوزاندن فعال تحت سرعت و جهت باد غیر قابل تغییر) تنظیم کردیم.

ما چندین تکرار از مدل‌سازی آتش را برای هر منطقه با تغییر سرعت باد (از ۲۵ تا ۴۰ کیلومتر در ساعت) و مدت زمان آتش‌سوزی (از ۶۰ تا ۲۱۰ دقیقه) انجام دادیم که یک گام ضروری برای دستیابی به بهترین کالیبراسیون ممکن است. کالیبراسیون مدل با تطبیق توزیع‌های اندازه آتش‌سوزی بزرگ تاریخی و شبیه‌سازی شده (بیش از ۵۰ هکتار) در مقیاس مناطق کلان (و نه مناطق) به دست آمد، زیرا در اکثر موارد نمونه آتش‌سوزی‌های تاریخی از هر منطقه بسیار کوچک بود (<10 بزرگ). آتش سوزی در ۲۰ سال گذشته) ( پیوست A شکل A3 ). برای مدل‌سازی شبیه‌سازی آتش، شرایط آب‌وهوایی ثابت بود و تلاش‌های اطفاء حریق به دلیل قابلیت‌های مهار نسبتا محدود در طول حوادث شدید آتش‌سوزی در نظر گرفته نشد.

۲٫۱۲٫ قرار گرفتن در معرض جامعه و آتش سوزی

ابتدا، محیط‌های آتش‌سوزی شبیه‌سازی‌شده برای برآورد قرار گرفتن در معرض جامعه با تقاطع آنها با چند ضلعی‌های جامعه با تراکم کل ساختار مرتبط (خانه‌ها در هر کیلومتر مربع ⁾ که توسط داده‌های رسمی سرشماری HSA ثبت شده است، استفاده شد. برآوردهای قرار گرفتن در معرض جامعه به عنوان حاصلضرب نسبت مساحت هر چندضلعی جامعه سوخته شده توسط همه آتش‌های شبیه‌سازی شده و چگالی ساختار برای آن چند ضلعی محاسبه شد. این فرآیند بخشی از جعبه ابزار ArcGIS به نام XFire [ ۶۳ ] است که توسط نویسندگان در مطالعات قبلی برای محاسبه تقاطع لایه جامعه با هر محیط آتش به صورت جداگانه با استفاده از ArcObjects سطح پایین، و تخمین مقیاس مکانی و پیچیدگی قرار گرفتن در معرض آتش سوزی در رابطه استفاده شده است. به جغرافیای مالکیت زمین [ ۶۴].

ارزش‌های قرار گرفتن در معرض جامعه با تخمین تعداد سال‌هایی که در منطقه تحت نرخ‌های فعلی سالانه منطقه سوخته شده طول می‌کشد تا با کل منطقه شبیه‌سازی‌شده سوخت‌شده مطابقت داشته باشد، سالانه شد. به طور مفصل، طی سال‌های ۲۰۰۰ تا ۲۰۱۹، این منطقه به طور متوسط ۲۴٫۵ حادثه در سال را تجربه می‌کند که هر کدام بیش از ۵۰ هکتار در آتش می‌سوزد، که در نتیجه سالانه ۵۱۰۰ هکتار منطقه می‌سوزد. ۳۰۰۰۰۰ آتش سوزی شبیه سازی شده منجر به ۲۸٫۵ میلیون هکتار از منطقه سوخته شد (همان پیکسل را می توان چندین بار سوزاند زیرا هر شبیه سازی مستقل از بقیه است و هیچ تغییری در سوخت و شرایط ایستاده پس از اتمام آن رخ نمی دهد). ما تخمین زدیم که تقریباً ۵۶۰۰ سال طول می‌کشد (یعنی فصول آتش‌سوزی شبیه‌سازی شده، نه سال‌های واقعی) با نرخ سوزاندن سالانه کنونی تا با کل منطقه سوخته شبیه‌سازی‌شده مطابقت داشته باشد، بنابراین، مقادیر سالانه‌شده با تقسیم سنجه‌های قرار گرفتن در معرض سازه بر ۵۶۰۰ رخ می‌دهد.

در نهایت، تعداد سازه‌هایی که سالانه در معرض دید قرار می‌گیرند به هر احتراق شبیه‌سازی شده اختصاص داده شد و تأثیر آن بر هر جامعه (یک اشتعال برای بسیاری از جوامع) با استفاده از تجزیه و تحلیل GIS برآورد شد. ما درون یابی وزنی با فاصله معکوس را با فاصله شعاع جستجوی ثابت ۱ کیلومتر و اندازه سلول ۱۰۰ متر روی این اشتعال‌ها اعمال کردیم تا شلیک‌های اجتماعی ایجاد کنیم.

۲٫۱۳٫ مقیاس فضایی و پیچیدگی قرار گرفتن در معرض آتش سوزی

مقیاس فضایی برآورد شده و پیچیدگی قرار گرفتن در معرض آتش سوزی در رابطه با جغرافیای مالکیت زمین با چهار معیار [ ۶۴ ] برآورد شد.]. دو مورد از این معیارها (پیچیدگی آتش منبع و آتش ورودی) پیچیدگی قرار گرفتن در معرض آتش سوزی در رابطه با جغرافیای مالکیت زمین را نشان می دهد. پیچیدگی منبع آتش، تعداد مالکیت‌های منحصربه‌فرد زمین (از جمله جوامع) را که به آتش سوزی در یک پیکسل معین کمک می‌کنند، تخمین زد. متریک Incoming Fire درصد مساحت ورودی سوخته به هر پیکسل را اندازه‌گیری می‌کند، یعنی از یک اشتعال خارج از قطعه مالکیت زمین (یعنی مالکیت زمین متفاوت) در مقابل آتش سوزی خودسوزی ناشی از اشتعال‌های داخل قطعه مالکیت زمین، میانگین در همه موارد. آتش سوزی ها دو معیار دیگر (اندازه آتش رسیدن و اندازه آتش پتانسیل) مقیاس اندازه آتش شبیه سازی شده را نشان می دهد. متریک Fire Size Arrival میانگین اندازه آتش (ha) که هر پیکسل را می سوزاند اندازه گیری می کند. سرانجام، متریک اندازه آتش سوزی بالقوه میانگین اندازه آتش (هکتار) ایجاد شده توسط اشتعال در هر پیکسل را تخمین زد. این چهار معیار می‌توانند به سؤالاتی مانند «آتش‌سوزی‌های بزرگ شبیه‌سازی‌شده از کجا شروع می‌شوند؟»، «کدام قسمت‌های منظره تحت تأثیر بزرگترین آتش‌سوزی‌های شبیه‌سازی‌شده قرار می‌گیرند؟»، «آتش‌سوزی‌های فرامرزی کجا پیش‌بینی می‌شوند؟» پاسخ دهند. و “چند مالکیت زمین های مختلف به قرار گرفتن در معرض یک مکان معین کمک می کند؟”.

۳٫ نتایج

تخمین‌های احتمال سوختگی (BP؛ تعداد دفعاتی که یک پیکسل در هر ۱۰۰۰۰ احتراق شبیه‌سازی شده می‌سوزد) نشان داد که ۲۵ درصد از منطقه مورد مطالعه با هیچ آتش‌سوزی شبیه‌سازی‌شده‌ای نسوخته‌اند، در حالی که ۱۷ درصد تنها از یک آتش سوزی سوخته‌اند ( شکل ۷).آ). بخش بزرگی از چشم انداز (۴۲٪) در فرکانس متوسط سوخته و بین ۲ تا ۱۰ رویداد آتش سوزی شبیه سازی شده مواجه شده است. مکان هایی با فرکانس سوزش بسیار بالا (بیش از ۳۰ برابر) و بالا (بین ۱۱ تا ۳۰ برابر) به ترتیب ۲٪ و ۱۴٪ از چشم انداز را نشان می دهند. این نتایج نشان داد که ۴۲ درصد از منظره یا اصلاً نمی سوزد یا فقط یک بار سوخته است، و سؤالی که در ادامه می آید این است که آیا این پیکسل ها به اندازه کافی احتراق دریافت نکرده اند یا سوخت، آب و هوا و شرایط توپوگرافی حاکم بر این مکان ها/پیکسل ها. اجازه ندهید آتش گسترش یابد یا به رویدادهای بزرگ تبدیل شود. تجزیه و تحلیل ترکیب مدل سوخت برای این پیکسل ها در جدول ۲ آمده است. ما همچنین تخمین زدیم که چه تعداد از ۳۰۰۰۰۰ آتش‌سوزی شبیه‌سازی شده در پیکسل‌هایی رخ داده است که هیچ کدام یا یک بار نسوخته‌اند. ما دریافتیم که ۱۱۲۲۶ احتراق شبیه‌سازی‌شده در پیکسل‌هایی که نسوخته‌اند (۳٫۷ درصد از کل احتراق‌های شبیه‌سازی‌شده) و ۶۱۰۵۰ در پیکسل‌هایی که یک‌بار سوخته‌اند (۲۰٫۴ درصد از کل احتراق‌های شبیه‌سازی‌شده) رخ داده است. ما متوجه شدیم که شرایطی که در مکان‌های خاص رخ می‌دهد اجازه نمی‌دهد اشتعال‌ها شروع شوند یا به اندازه‌ای بزرگ شوند که پیکسل‌های مجاور را بسوزانند، به جای مشکلاتی با چگالی احتراق.

طول شعله مشروط تخمین زده شده در ۱۴ درصد از منطقه مورد مطالعه بسیار زیاد بود (بیش از ۳ متر) ( شکل ۷ B و جدول ۳ ) که ممکن است پیچیدگی تلاش های اطفاء حریق را افزایش دهد و احتمالاً نیاز به تاکتیک های غیرمستقیم برای مقابله با آتش در آن بخش از منطقه دارد. چشم انداز به دلیل شدت و رشد زیاد آتش. بیشتر منطقه (۷۷٪) دارای پتانسیل تجربه طول شعله کم (۰-۲ متر) است، به این معنی که خدمه دستی و ماشین آلات می توانند با آتش مقابله کنند. در نهایت، ۹ درصد از منطقه مورد مطالعه پتانسیل تجربه آتش سوزی با طول شعله متوسط (۲ تا ۳ متر) را دارد که به وسایل هوایی در همکاری با نیروهای زمینی برای مهار آتش نیاز دارد.

نتایج برای BP و طول شعله مشروط با آنچه که ما بر اساس تخصیص مدل‌های سوخت به انواع مختلف پوشش گیاهی انتظار می‌رفتیم، همراستا هستند، که بیشتر آنها رفتار آتش سوزی شدیدی ایجاد نمی‌کنند ( جدول ۱ را ببینید ). در ضمیمه A شکل A1 ، انواع پوشش گیاهی که شدیدترین آتش‌سوزی‌های جنگلی را ایجاد می‌کنند (مخروط‌ها، پوشش گیاهی اسکلروفیلوس و چاپار) تنها ۱۸ درصد از کل منطقه مورد مطالعه را پوشش می‌دهند. در سایر انواع پوشش گیاهی که بر چشم انداز غالب هستند، آتش سوزی های شبیه سازی شده یا با شدت کوچک و کم یا بزرگ و با شدت کم تا متوسط بودند (مثلاً در مراتع، بلوط یا درختچه های برگریز).

شبیه‌سازی‌ها منطقه‌ای را با مقادیر بالای پیش‌بینی‌شده برای BP و CFL در بخش‌های کوهستانی کوزانی نشان داد. Chalkidiki همچنین مقادیر بالای BP با شدت آتش متوسط تا بالا تولید کرد که نتیجه مورد انتظار بر اساس فعالیت آتش سوزی اخیر در منطقه است. در نهایت، بخش‌هایی از سرس، کاوالا و دراما BP بالا با شدت آتش‌سوزی متوسط تا کم تخمین زده شدند.

چهار معیار قرار گرفتن در معرض آتش سوزی ( شکل ۸ ) مقادیر بالایی را برای همان بخش های منطقه مورد مطالعه برای قرار گرفتن در معرض آتش سوزی و پیچیدگی نشان داد. تقریباً ۶۰ درصد از منطقه مورد مطالعه ( شکل ۸ الف و جدول ۳ ) آتش سوزی از یک یا دو مالکیت زمین، ۲۵ درصد از سه یا چهار مالکیت زمین و منطقه باقی مانده (۱۵ درصد) با پنج تصرف یا بیشتر دریافت کرده است که نشان دهنده آتش سوزی شدید است. پیچیدگی مرتبط با بازیگران مختلف، انواع پوشش گیاهی و شیوه های مدیریتی. بخش‌هایی از منطقه مورد مطالعه که بیشترین آتش‌سوزی را دریافت کرده‌اند، عمدتاً با پوشش گیاهی اسکلروفیل و مراتع (مراتع) پوشیده شده است، در حالی که کوچک‌ترین آتش‌سوزی‌ها در مناظر پوشیده از جنگل‌های پهن برگ، بلوط و زمین‌های کشاورزی سوخته است ( شکل ۸).ب). ما دریافتیم که ۲۰٪ از چشم انداز آتش سوزی در زمین های مختلف بیش از ۷۵٪ از زمان شعله ور شده است. به عبارت دیگر، تنها ۲۵ درصد از تمام آتش سوزی های شبیه سازی شده برای سوزاندن آن پیکسل از همان مالکیت زمین منشأ گرفته است ( شکل ۸ ج). بنابراین، ۶۰٪ از چشم انداز کمتر از ۵۰٪ از آتش خود را از سایر مالکیت های زمین دریافت می کند، به عنوان مثال، بیشتر آتش سوزی هایی که این پیکسل ها را می سوزانند از همان مالکیت زمین می آیند. در نهایت، پتانسیل اندازه آتش نشان می دهد که ما انتظار داریم بزرگترین آتش سوزی در کجا شعله ور شود، با بالاترین مقادیر بیشتر در بوته زارها و جنگل های مخروطی ( شکل ۸ D).

وسعت آتش‌سوزی برای تقریباً ۲۲۰۰ جامعه منطقه مورد مطالعه ۸۳۵۰ کیلومتر مربع بود ^، یعنی ۲۷٪ از کل منطقه مورد مطالعه. در شکل ۹ ، با رنگ‌های گرم‌تر، مکان‌هایی را نشان می‌دهیم که اشتعال‌های بالقوه می‌توانند تأثیر زیادی از نظر قرار گرفتن در معرض ساختار تخمینی بر جوامع همسایه داشته باشند، در حالی که رنگ‌های سردتر نشان‌دهنده قرار گرفتن در معرض ساختار کمتر یا تراکم ساختار کم جوامع در معرض است. بیش از یک درصد از چشم انداز منبع نوردهی بسیار بالا برای جوامع، ۲٫۶ درصد نوردهی زیاد، ۴٫۳ درصد نوردهی متوسط و تقریبا ۹٫۵ درصد برای کلاس های نوردهی کم و بسیار کم برآورد شده است ( جدول ۳).). قرار گرفتن در معرض جامعه بالاتر برای استان های کاوالا، تسالونیکی و پیریا، همراه با جزیره تاسوس و بخش های غربی خالکیدیکی برآورد شد ( شکل ۹ ). استان‌های غربی مقدونیه قرار گرفتن در معرض ساختار تخمینی کمتری را تجربه کردند (به عنوان مثال، گرونا، کاستوریا، فلورینا)، احتمالاً به دلیل تراکم جمعیت کمتر، وسعت کمتر WUI و هسته‌های جامعه متراکم‌تر.

با ترکیب سطوح نوردهی و فواصل آنها تا مرزهای جامعه، دریافتیم که میانگین فاصله تا جوامع با افزایش نوردهی کاهش می‌یابد، یعنی برای نوردهی بسیار زیاد ۱٫۱ کیلومتر، برای ۱٫۸ کیلومتر زیاد، برای متوسط ۲٫۳ کیلومتر، برای ۲٫۹ کیلومتر کم و برای بسیار کم ۳٫۶ کیلومتر ( جدول ۳ ). این نشان می دهد که به طور کلی، آتش سوزی با قرار گرفتن در معرض ساختار بالا در نزدیکی جوامع (<3 کیلومتر) قبل از رسیدن به مرزهای جامعه شروع می شود. نتایج همچنین نشان داد که آتش‌سوزی‌هایی که بیشترین تعداد سازه‌ها را نشان می‌دهند در نزدیکی جوامع Chalkidiki (Kassandra)، کوزانی، Kavala، Serres و WUI of Thessaloniki رخ داده‌اند. و پیش بینی کرد که ۱۳۷ سازه در هر فصل آتش سوزی شبیه سازی شده در معرض دید قرار می گیرند ( شکل ۱۰آ). بر اساس داده های به دست آمده از بزرگترین ۲۰۰ آتش سوزی (از مجموع ۳۰۰۰۰۰) از نظر محیط نهایی ( شکل ۱۰ B)، کوچکترین آتش سوزی ۱۸۳۲ هکتار، بزرگترین ۳۴۷۲ هکتار و میانگین اندازه آتش سوزی ۲۱۵۰ هکتار بود.

جوامع با هسته‌های متراکم و WUI نسبتاً کوچک، که اغلب در دشت‌های با ارتفاع متوسط و مناطق کشاورزی (۳۰۰ تا ۸۰۰ متر از سطح زمین) واقع شده‌اند، رایج‌ترین کهن الگوی قرار گرفتن در معرض آتش‌سوزی جامعه را نشان می‌دهند. نتایج شبیه‌سازی نشان داد که این جوامع در معرض خطر آتش کم هستند و زمانی که آتش‌سوزی به مرزهای خود می‌رسد، معمولاً از شدت آتش کم تا متوسط برخوردار هستند. دومین کهن الگوی رایج جامعه در نواحی ساحلی (کمتر از ۳۰۰ متر از سطح زمین) با WUI گسترش یافته به دلیل گردشگری و اقامت در تعطیلات، معمولاً در فصل مشترک مناظر جنگلی متشکل از مخروطی‌ها و درختچه‌ها با ارتفاع کم، یافت می‌شود که بیشترین جوامع را در معرض دید قرار می‌دهند. مستعد حفظ آتش گسترش آتش با شدت بالاتر بر اساس نتایج شبیه سازی. در نهایت، کهن الگوی سوم شامل جوامع روستایی کوهستانی (بیش از ۸۰۰ متر ارتفاع) است. بیشتر در قسمت غربی منطقه مورد مطالعه واقع شده است. این جوامع با مناظر جنگلی مقاوم به سرما در ارتفاع بالا مخلوط شده‌اند که به ندرت آتش‌سوزی‌های جایگزین یا آتش‌سوزی‌های سطحی با شدت کم را تجربه می‌کنند. یکی از ویژگی‌های مهم ساختاری همه جوامع در منطقه مقدونیه این است که خانه‌ها عمدتاً از بتن مسلح ساخته شده‌اند یا ساختمان‌های قدیمی‌تر (۱۰۰ تا ۲۰۰ سال) با دیوارهای سنگی و سقف‌های سرامیکی ساخته شده‌اند، ویژگی‌هایی که این سازه‌ها را در مقابل آتش مقاوم‌تر می‌کند. سازه هایی که معمولا در ایالات متحده یافت می شوند.

یکی از خروجی‌های کلیدی پس پردازش محیط‌های آتش‌سوزی شبیه‌سازی‌شده، توانایی تخمین قرار گرفتن در معرض سازه و رتبه‌بندی مجموعه‌ای از جوامع برای شناسایی این است که کدامیک بیشتر در معرض خطر هستند و ما انتظار داریم که در کدام بخش از مرز خود آتش بسوزد. در شکل ۱۱ A نموداری از ۱۰ اجتماع برتر مقدونیه و مکان آنها را نشان می دهیم ( شکل ۱۱ B). این نمودار همچنین منابع قرار گرفتن در معرض برای هر جامعه را نشان می دهد. در پیوست A شکل A4همان اطلاعات ارائه شده است، اما برای ۵۰ جامعه برتر که در معرض بیشتر قرار دارند. منابع اصلی قرار گرفتن در معرض شامل سایر جوامع و WUI آنها، پوشش گیاهی اسکلروفیل، زمین های کشاورزی با مناطق قابل توجهی از پوشش گیاهی طبیعی و سایر زمین های کشاورزی خصوصی است. انتظار می‌رود این جوامع که عمدتاً در معرض آتش سوزی در جنگل‌های سوزنی‌برگ، جنگل‌ها-درختچه‌های انتقالی و پوشش گیاهی اسکلروفیل (مانند پانوراما تسالونیکی، نیکی‌سیانی، کوکینوکسوما، پیکا) قرار دارند، آتش‌سوزی‌های شدید تری را تجربه کنند، یا به دلیل سوخت‌های تاج پوشش بسیار قابل اشتعال یا سوخت‌های متراکم سطحی. .

۴٫ بحث

۴٫۱٫ کاربرد و گسترش به مناطق دیگر

چارچوب ما فرآیند نسبتاً ساده ای را ارائه می دهد که نهادهای دولتی و خصوصی مرتبط با مدیریت آتش سوزی در مناطق وحشی می توانند برای پیشبرد ارزیابی خطر و خطر آتش سوزی در مناطق مستعد آتش سوزی اروپا اعمال کنند. این چارچوب از مجموعه داده‌های در دسترس عموم استفاده می‌کند که مناطق گسترده‌ای را با ارزیابی‌های دقت منتشر شده (مثلاً کوپرنیک) پوشش می‌دهد. بنابراین، محققان در مناطق دیگری که مدل‌سازی شبیه‌سازی آتش‌سوزی محدود به داده‌ها است، می‌توانند روش‌هایی را برای مکان خود اتخاذ کنند، در نتیجه هزینه‌های جمع‌آوری داده‌ها را کاهش داده و پس‌پردازش پیچیده را ساده‌تر می‌کنند. برای کاربرد چارچوب پیشنهادی، آشنایی با ابزارها و مدل‌های دسترسی باز مانند ArcFuels [ ۶۵ ]، FconstMTT [ ۱۹ ، ۳۶ ] و XFire [ ۶۴ ]] برای انجام شبیه سازی آتش مونت کارلو و پس پردازش نتایج مورد نیاز است. استفاده از شبیه‌سازی‌های آتش‌سوزی مونت کارلو همراه با توزیع‌های احتمالی اندازه آتش‌سوزی، امکان ارزیابی شرایط آب و هوایی شدید و نادر آتش سوزی و مکان‌های اشتعال را فراهم می‌کند و بلایای احتمالی آتش‌سوزی در آینده را در معرض دید قرار می‌دهد.

استفاده از چارچوب نیاز به کالیبراسیون دقیق در اجزای مدل چندگانه برای دستیابی به نتایج قوی دارد. اول، تخصیص مدل سوخت از Corine یا سایر محصولات مشابه که گونه‌های گیاهی را به انواع پوشش گیاهی گسترده (مانند گونه‌های کاج، صنوبر، سرو و صنوبر به عنوان “جنگل‌های مخروطی”) گروه‌بندی می‌کند، مستلزم طبقه‌بندی این گونه‌های عمومی به عنوان گونه‌های مختلف است. رویکرد ما از یک لایه چند ضلعی استفاده کرد که ناحیه غالب هر گونه را نشان می‌داد و آن را با مرزهای لایه کورین ادغام کرد. این را می توان با دستور “هویت” در ArcGIS، حفظ مرز بیرونی یک چند ضلعی Corine از نوع پوشش گیاهی گسترده (مثلاً مخروطیان) در حالی که اطلاعات گونه ها را در محدوده آن تخصیص داد، انجام داد. هنگامی که مدل های سوخت اختصاص داده می شود، یک نکته مهم این است که شرایط سوخت حتی در همان منطقه گونه ثابت نیست و تغییراتی از مدیریت و تاریخچه اختلالات مختلف هر جایگاه وجود دارد. به عنوان مثال، ما به طور مداوم متوجه شدیم که شرایط سوخت در باغ‌های زیتون بسته به میزان درآمدی که برای صاحبانشان فراهم می‌کند و سطح رها شدن زمین متفاوت است، از خاک کشت‌شده غیرقابل سوختن گرفته تا سوخت دائمی چمن‌زار یا زیرزمینی چاپارال.۱ ]. در نتیجه، باغ های زیتون را نمی توان با یک مدل سوخت واحد توصیف کرد. یک ارزیابی میدانی با تخمین‌های بصری از وضعیت سوخت غالب می‌تواند به تخصیص بهتر مدل‌های سوخت، گرفتن عکس‌های جغرافیایی در فواصل زمانی مکرر در کنار جاده در مسیری از پیش تعریف‌شده که بیشتر منطقه مورد مطالعه را قطع می‌کند و از آن عبور می‌کند، کمک کند.

بیشتر لایه‌های فضایی مورد نیاز که سوخت‌ها را توصیف می‌کنند، برای ارزیابی‌های ریسک و قرار گرفتن در مقیاس بزرگ از دقت قابل قبولی برخوردار هستند (به منابع مربوطه که در هر یک از این مجموعه داده‌ها در مواد و روش‌ها ارائه کرده‌ایم مراجعه کنید)، به استثنای ارتفاع پایه تاج و چگالی ظاهری تاج. در مورد ما، ارزیابی دقت مستقل برای این دو لایه مفید خواهد بود، اما ما فاقد داده‌های درستی زمینی برای انجام این کار بودیم و خارج از محدوده این مقاله بود. در مکان‌هایی که داده‌های LiDAR در دسترس هستند، چندین روش مختلف برای ایجاد این دو لایه به کار می‌روند، اما در بیشتر موارد، روش‌های غیرمستقیم و دانش تخصصی برای تخمین آنها مورد نیاز است. هر دو معیار در شرایط واقعی بسیار متغیر هستند و تخصیص یک مقدار واحد برای هر گونه می تواند به طور قابل ملاحظه ای کمتر یا بیش از حد آنها را برآورد کند. برای ارتفاع پایه تاج پوشش، در مواردی که نمودارهای موجودی میدانی عکس های موقعیت جغرافیایی موجود است، می توان از آنها برای تصحیح تخمین ها استفاده کرد، اما از آنجایی که این مجموعه داده ها هم گستردگی محدودی دارند و هم بازیابی آنها سخت است، تنها راه حل این است که با کارشناسان تماس بگیرید. رشته جنگلداری و استفاده از دانش آنها برای ایجاد یک جدول جستجو برای هر گونه، سپس یک مقدار ثابت برای آن تعیین می شود. طرح های مدیریت جنگل نیز در صورت وجود می توانند اطلاعات مفیدی را ارائه دهند. چگالی ظاهری تاج یک متریک پیچیده برای تخمین است، زیرا نشان‌دهنده تمام سوخت تاج پوششی است که می‌توان در طول آتش سوزی مصرف کرد (شاخه‌ها و شاخ و برگ با قطر کمتر). و اندازه‌گیری‌های میدانی غیر مخربی که می‌توان برای محاسبه آن در سطح پایه استفاده کرد، زمان‌بر و پرهزینه هستند. طبق دانش ما، ما از بهترین رویکرد موجود با تطبیق مقادیر گونه های آمریکای شمالی موجود در جدول ۲ کین و همکاران استفاده کردیم. [۵۹] با گونه هایی از یک خانواده در هر منطقه مورد مطالعه، در حالی که پوشش تاج پوشش آنها در نظر گرفته می شود. به این ترتیب، تنوع ارزش حفظ می‌شود، زیرا برای هر گونه از یک مقدار واحد استفاده نمی‌کنیم، بلکه از سه مقدار برای هر کلاس پوشش تاج (کم، متوسط و زیاد) استفاده می‌کنیم. همان جدول جستجو، تمایز دیگری را برای هر گونه بر اساس رشد آنها (کوچک یا متوسط / بزرگ) و اینکه آیا آنها به جنگل های باز یا بسته تعلق دارند، ارائه می دهد. دانش به دست آمده از تلاش های تحقیقاتی قبلی نیز می تواند برای ارزیابی ارتفاع پایه تاج و چگالی ظاهری تاج استفاده شود. به طور خاص، عکس‌های استریو، عکس‌های نیم‌کره‌ای، و داده‌های پایه برای پنج غرفه مخروطیان داخلی غرب برای مرتبط کردن آن‌ها با تخمین‌های زیست توده و ویژگی‌های سوخت تاج پوشش استفاده شد تا به مدیران سوخت در برآورد ویژگی‌های سوخت تاج پوشش در شرایط جنگلی مشابه کمک شود.۶۶ ]. در نهایت، اصلاح اختلالات در ویژگی ها و ساختار تاج پوشش با آخرین داده های موجود مهم است [ ۵۶ ].

مکان تاریخی آتش سوزی، اندازه و مدت زمان معمولی از جمله مهم ترین ورودی هایی هستند که مکان های احتراق شبیه سازی شده و توزیع اندازه آتش را نشان می دهند. ما تصدیق می کنیم که بسیاری از کشورها/مناطق سوابق دقیقی از این داده ها ندارند و اخیراً شروع به مکان یابی موقعیت مکانی هر آتش سوزی کرده اند. با استفاده از مجموعه داده های ماهواره ای MODIS، می توان از نقاط داغ آتش برای بازسازی اشتعال های تاریخی با دقت بالا استفاده کرد، اما اغلب چندین رکورد برای یک آتش سوزی وجود دارد، به خصوص زمانی که یک رویداد در مقیاس بزرگ باشد. این مجموعه داده ها همچنین اطلاعات مهمی در مورد هر رویداد، مانند اندازه نهایی آتش، ارائه نمی دهند. در نتیجه، بررسی هر نقطه داغ و اختصاص اطلاعات معتبر ثبت شده از سازمان های اطفاء حریق زمان بر است. حداقل، تمیز کردن مجموعه داده های مشتق شده از MODIS برای چندین رکورد برای یک رویداد آتش سوزی و حفظ تنها رکورد قبلی ضروری است. برای اطمینان از شبیه‌سازی اشتعال‌های آتش‌سوزی در مناطقی که اشتعال‌های ثبت‌شده ندارند، به‌طور تصادفی اشتعال‌ها را در جاده‌ها و در حاشیه مکان‌های پرجمعیت تخصیص دادیم، به طوری که یک سوم کل اشتعال‌ها مربوط به نقاط داغ ماهواره‌ای و یک سوم است. در سراسر جاده ها، و بقیه نزدیک به مکان های پرجمعیت. اندازه های تاریخی آتش سوزی از سال ۲۰۰۸ توسط EFFIS به خوبی در اروپا ثبت شده است. یک سوم در سراسر جاده ها، و بقیه نزدیک به مکان های پرجمعیت. اندازه های تاریخی آتش سوزی از سال ۲۰۰۸ توسط EFFIS به خوبی در اروپا ثبت شده است. یک سوم در سراسر جاده ها، و بقیه نزدیک به مکان های پرجمعیت. اندازه های تاریخی آتش سوزی از سال ۲۰۰۸ توسط EFFIS به خوبی در اروپا ثبت شده است.۶۷ ]. اگرچه اکثر خدمات مدیریت آتش سوزی در اروپا از اطلاعات جغرافیایی-مکانی برای ترسیم مناطق سوخته استفاده نمی کنند، اما تخمینی از کل مساحت سوخته و نام محلی که آتش در آن شروع شده و سوخته است را دارند. اگر این اطلاعات بازیابی شود، می توان توزیع اندازه آتش تاریخی را برای هر منطقه کلان شبیه سازی ایجاد کرد و سپس نتایج شبیه سازی آتش مونت کارلو را تایید کرد. مدت زمان آتش‌سوزی نیز ورودی مهمی برای کنترل شبیه‌سازی‌های آتش‌سوزی است و می‌توان آن را با حذف دوره‌هایی در طول روز استنباط کرد که گسترش آتش فعال محدود است یا باد با سرعت پایین می‌وزد (مثلاً اواخر عصر تا اواخر صبح).

ثبت آب و هوای معرف در شبیه‌سازی‌ها به یک رکورد سری زمانی دهه‌ای، با فواصل ساعتی نیاز دارد. هنگامی که چندین ایستگاه در دسترس هستند، می توان تجزیه و تحلیل جداگانه ای برای هر ایستگاه انجام داد و نتایج را برای شناسایی فرکانس جهت باد ادغام کرد. در صورتی که یک سنسور تعیین شده برای اندازه گیری رطوبت سوخت ۱۰ ساعته برای ایستگاه هواشناسی در دسترس نباشد، می توان آن را با ارائه ویژگی های توپوگرافی اولیه منطقه مورد مطالعه، رطوبت نسبی و دمای هوا در ابزار رطوبت سوخت Fine Dead در BehavePlus برآورد کرد [ ۶۸ ].]. نکته دیگر طول فصل آتش سوزی است که در مورد ما ماه های تیر و مرداد بود. اگر آتش‌سوزی‌های بزرگ جنگلی در یک منطقه مورد مطالعه در طول مثلاً می یا سپتامبر مکرر باشد، این ماه‌ها نیز باید در تجزیه و تحلیل داده‌های آب‌وهوا لحاظ شوند.

مناطق جامعه را می توان به طور دقیق از ترکیبی از داده های Corine و ماهواره ای مشخص کرد، اما در طول تخصیص مدل سوخت، قطعات غیرقابل سوخت باید از مجموعه داده های ESM Built-up منطقه شناسایی شده و به صورت مناسب علامت گذاری شوند. مرزهای واسط زمین وحشی-شهری باید تا حد امکان شامل همه مناطق اطراف جوامع با ساختارهای آمیخته با پوشش گیاهی باشد. مطالعات اخیر [ ۲۷ , ۳۷ ] نشان داد که مکان های ساختمان را می توان برای منابعی مانند نقشه های خیابان باز [ ۶۹ ] یا ردپای ساختمان نقشه بینگ مایکروسافت [ ۷۰ ] به دست آورد.] (هنوز برای اروپا در دسترس نیست)، برآورد دقیق تری از تعداد سازه ها در هر جامعه (در مقایسه با شمارش ساختار تخمینی سرشماری که در این مطالعه استفاده کردیم) و مکان مسکن مسکونی، ساختمان های تجاری، مزارع، فروشگاه های بزرگ ارائه می کند. ، ساختمان های صنعتی و سازه های مذهبی.

۴٫۲٫ بهبود حفاظت جامعه با استفاده از شبیه سازی آتش

روش‌های شبیه‌سازی آتش‌سوزی که ما استفاده کردیم، مکان‌های احتراق احتمالی و گسترش آتش متعاقب آن تحت شرایط آب و هوای فرضی را در نظر می‌گیرند و خروجی‌های متعددی را تولید می‌کنند که برای درک احتمال رویدادهای شدید و تأثیر آنها مفید است [ ۴۰ ]. این اطلاعات می تواند برای بهبود برنامه ریزی، کاهش و سازگاری در مناظر مستعد آتش سوزی استفاده شود [ ۷۱ ]]. در غیاب یک چارچوب تحلیلی مانند آنچه در این مقاله توضیح داده شده است، تخمین قرار گرفتن در معرض در مقیاس جامعه و درک اینکه چگونه مالکیت های مختلف زمین بر گسترش و شدت آتش در مناطق پرجمعیت و اطراف آن تأثیر می گذارد دشوار خواهد بود. تخمین‌های احتمال و شدت سوختگی از شبیه‌سازی‌های آتش‌سوزی می‌تواند در طیف گسترده‌ای از فرآیندهای نقشه‌برداری و اولویت‌بندی برای کمک به تخصیص بودجه برای کاهش خطر آتش‌سوزی استفاده شود. مدل‌های شبیه‌سازی آتش می‌توانند عدم قطعیت مرتبط با برنامه‌ریزی مدیریت آتش را با شناسایی رویدادهای قابل قبول بزرگ و نادر کاهش دهند.

توجه به این نکته مهم است که این مطالعه قرار گرفتن در معرض سازه ها را تخمین زده است اما تلفات ساختمان را پیش بینی نکرده است. به طور متوسط، در مکان‌هایی مانند غرب ایالات متحده، حدود ۲۰ درصد از ساختمان‌های در معرض آتش سوزی نیز تخریب می‌شوند، که روشی درشت برای برآورد تلفات ناشی از قرار گرفتن در معرض آتش است. مدل‌های شبیه‌سازی حریق منظره نمی‌توانند اشتعال ساختمان را از برندهای آتش‌نشانی یا احتراق‌های ساختمان به ساختمان پیش‌بینی و مدل کنند. به طور بالقوه، تمام سازه ها بدون توجه به مصالح ساختمانی (بتن، سنگ یا چوب) می توانند از بین بروند، همانطور که در حوادث آتش سوزی گذشته در یونان (۲۰۰۷ و ۲۰۱۸) تجربه شده است. تعدادی از مطالعات قبلی تجزیه و تحلیل خود را به قرار گرفتن در معرض محدود کرده اند، که برای اولویت بندی سرمایه گذاری ها و شناسایی آتش سوزی ها در اطراف مناطق توسعه یافته کافی است [ ۲۶ ، ۲۷ ، ۶۴ ]]، به خصوص در جایی که بیشتر سازه ها چوبی هستند.

به عنوان اثبات مفهوم، ما در شکل ۱۲ یک عکس ماهواره ای برای هر یک از ۱۰ جامعه برتر ارائه کردیم تا گونه های مختلف جوامع و WUI در مقدونیه و انواع پوشش گیاهی مرتبط با گسترش آتش در داخل مرزهای جامعه را نشان دهیم. در شکل ۱۲ الف، رابط WUI تسالونیکی به وضوح مشخص شده است، که در شرق با جنگل متراکم کاج halepensis همسایه است. در شکل ۱۲ B، پانوراما تسالونیکی WUI ترکیبی ساختارهایی را نشان می دهد که با توده های متراکم مخروطیان در شمال در هم آمیخته شده اند. در شکل ۱۲C، یک جامعه روستایی معمولی در مقدونیه غربی (Siatista)، اگرچه در مجاورت جنگل های مخروطی یا پهن برگ نیست، مقادیر زیادی از آتش منتقل شده را از فضاهای باز با پوشش گیاهی کم، عمدتاً علف ها و درختچه های پراکنده دریافت می کند. در شکل ۱۲ D، جامعه نیکیسیانی (کاوالا) از شرق و غرب توسط چاپارال رابط متراکم، با زمین های کشاورزی در شمال و جنوب احاطه شده است. در شکل ۱۲ E، شهر ساحلی تاسوس با توسعه گردشگری شدید در زمین های کشاورزی سابق، به طور بالقوه می تواند آتش سوزی را از جنگل های مخروطیان غربی و جنوب شرقی دریافت کند (شکست های سوخت در هر دو توده مخروطیان قابل مشاهده است).

در شکل ۱۲ F، جامعه Kokkinoxoma (کاوالا) توسط جنگل های پهن برگ و چاپارال احاطه شده است، که شامل هر دو رابط و ترکیب WUI می شود، که می تواند توسط حوادث آتش سوزی بالقوه تهدید شود. در شکل ۱۲ G، جامعه پیکا (تسالونیکی) دارای یک منطقه واسط گسترده WUI در جنوب غربی است، در حالی که در شمال و شرق WUI ترکیبی غالب است. در شکل ۱۲ H، جامعه Nea Skioni (Chalkidiki) یک شهر ساحلی است که عمدتاً در معرض آتش‌سوزی‌هایی است که از سمت غرب می‌آیند (درخت جنگلی انتقالی، عمدتاً چاپارال)، زیرا از شمال با کشت زیتون هم مرز است. در شکل ۱۲من، شهر کوچک اسکالا راکسونیو در جزیره تاسوس می‌توانم به طور بالقوه در معرض آتش‌سوزی چاپارال از جنوب و شمال شرق قرار بگیرم. در نهایت، جامعه گردشگری آکریتاس ای زین در کالکیدیکی ( شکل ۱۲ J) توسط درختان مخروطی پراکنده مخلوط با چاپارال و مناطق کشاورزی با پوشش گیاهی طبیعی قابل توجه، عمدتاً بوته‌های کوتاه احاطه شده است. از میان سه گونه شناسی غالب قرار گرفتن در معرض جامعه، هسته متراکم و نوع WUI با گستره محدود را می توان در شکل ۱۲ D,F، نوع WUI گسترش یافته در شکل ۱۲ A,B,E,G-J و جوامع روستایی کوهستانی در شکل ۱۲ ج.

آژانس های مدیریت جنگل می توانند از این یافته ها برای ایجاد یک نوع شناسی اولویت بندی مدیریت سوخت برای جوامع در منطقه مورد مطالعه استفاده کنند. برای مثال، آن‌ها می‌توانند جوامع توسعه‌یافته از نوع WUI را که در فهرست ۵۰ انجمن برتر قرار دارند، انتخاب کنند و سپس به آن‌هایی که دارای جنگل‌های مخروطی هستند به‌عنوان منبع نوردهی فیلتر کنند، به استثنای سایرین، به عنوان مثال، احاطه شده توسط چاپارال متراکم. سپس، یک تجزیه و تحلیل در مقیاس کوچکتر می تواند با در نظر گرفتن مرز آتش سوزی هر یک از آن جوامع دنبال شود. در داخل محوطه آتش‌سوزی، مکان‌هایی با احتمال سوختگی و شدت آتش‌سوزی بالا می‌توانند مکان‌های کاندید مناسبی برای دریافت تصفیه‌های سوخت باشند. علاوه بر این، مکان‌هایی در داخل محوطه آتش‌سوزی که آتش‌سوزی را از چندین مالکیت زمین دریافت می‌کنند، می‌توانند برای ترویج پروژه‌های سرپرستی مشترک بین مالکان مختلف شناسایی شوند. سرانجام، جوامع با درصد بالایی از آتش ورودی ممکن است در معرض آتش سوزی در فواصل طولانی از مرزهای جامعه مشتعل شوند. در حالی که برنامه ریزی کاهش فعلی در مقیاس های بسیار محلی در اطراف مرزهای جامعه اعمال می شود. منابع قرار گرفتن در معرض برای این جوامع را می توان شناسایی کرد و درمان های سوخت را می توان در منبع احتراق اعمال کرد، که نیاز به اصلاح رویکرد تجاری معمول را برجسته می کند.

۵٫ نتیجه گیری ها

ایجاد مجموعه داده های آماده برای مدل و استفاده از آنها برای تجزیه و تحلیل خطر آتش سوزی و قرار گرفتن در معرض برای هر منطقه اروپایی یک مشکل قابل حل است اگر داده های Copernicus و سایر مجموعه های داده از ناشران/سازندگان مورد اعتماد در ارتباط با دانش محلی و مجموعه داده های کمکی که شرایط جنگل و تاریخچه آتش سوزی هر منطقه کالیبراسیون دقیق مدل‌های شبیه‌سازی آتش برای تولید خروجی‌هایی که در برابر انتقادات مدیران زمین و جامعه علمی مقاومت کنند، مورد نیاز است. برنامه آزمایشی ما در مقدونیه، یونان، اثبات مفهومی را ارائه کرد که هم روش‌های تولید خروجی‌های شبیه‌سازی آتش‌سوزی و هم تفسیر آنها را از نظر برنامه‌ریزی حفاظت از جامعه نشان می‌داد. نتایج را می توان برای اولویت بندی سرمایه گذاری های دولتی و برنامه های مدیریت میدانی با توجه به سطوح مواجهه شناسایی شده در مطالعه مورد استفاده قرار داد. کار آینده ما شامل گسترش داده ها برای پوشش دادن تمام یونان به منظور تولید خروجی های شبیه سازی آتش برای اولویت بندی فعالیت های مدیریت سوخت و آتش سوزی در سطح ملی است، همانطور که اخیراً در پرتغال انجام شد.۳۹ ]. این داده‌ها برای ایجاد یک ثبت ملی آتش‌سوزی [ ۴ ]، مانند ایالات متحده، برای ترسیم مرزهای آتش‌سوزی و شناسایی نقاط داغ قرار گرفتن در معرض برای اولویت‌بندی درمان‌های سوخت و سایر فعالیت‌های کاهش خطر استفاده خواهند شد. نتایج به سیاستگذاران ارزیابی منسجمی از قرار گرفتن در معرض آتش‌سوزی در مناطق توسعه‌یافته در کشور را برای هدایت توسعه سیاست‌های آینده در پاسخ به مشکل فزاینده آتش‌سوزی ارائه می‌کند.

پیوست اول

شکل A1. انواع پوشش گیاهی عمده در منطقه مورد مطالعه از لایه‌های پوشش زمین CORINE و اولین فهرست جنگل ملی یونان. در پرانتز، درصد پوشش هر نوع پوشش گیاهی ارائه شده است.

شکل A2. مرزهای اصلی جامعه (طرح کلی سیاه)، همانطور که با ترکیب مجموعه داده‌های سازمان آمار یونان و کلاس‌های پارچه شهری پوشش زمین Corine، و مرزهای واسط وحشی-شهری (طرح کلی آبی) مشخص شده از لایه ساخته‌شده نقشه سکونتگاه اروپایی ۲۰۱۷ مشخص شده‌اند. که بخشی از هسته های جامعه نیست.

شکل A3. کالیبراسیون مدل‌سازی آتش با تطبیق توزیع‌های اندازه آتش بزرگ تاریخی و شبیه‌سازی شده (بیش از ۵۰ هکتار) در مقیاس مناطق کلان.

شکل A4. ( الف ) ۵۰ جامعه در معرض بالای بر اساس قرار گرفتن در معرض ساختار شبیه‌سازی شده از آتش‌سوزی‌ها و ( ب ) موقعیت آنها در منطقه مورد مطالعه.

منابع

Palaiologou، P. کالاابوکیدیس، ک. Ager, AA; روز، کارشناسی ارشد توسعه استراتژی های مدیریت سوخت جامع برای کاهش خطر آتش سوزی در یونان. Forests ۲۰۲۰ , ۱۱ , ۷۸۹٫ [ Google Scholar ] [ CrossRef ]
Ager, AA; روز، MA; کوتاه، KC; Evers، CR ارزیابی اثرات برنامه ریزی جنگل فدرال بر کاهش خطر آتش سوزی در شمال غربی اقیانوس آرام، ایالات متحده. Landsc. طرح شهری. ۲۰۱۶ ، ۱۴۷ ، ۱-۱۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
چارنلی، اس. کلی، EC; وندل، KL رویکردهای همه سرزمین ها برای مدیریت آتش در غرب اقیانوس آرام: یک گونه شناسی. جی. برای. ۲۰۱۶ ، ۱۱۵ ، ۱۶-۲۵٫ [ Google Scholar ] [ CrossRef ]
Ager, AA; روز، MA; رینگو، سی. Evers، CR; Alcasena، FJ; هاتمن، آر. اسکنلون، ام. Ellersick, T. توسعه و کاربرد ثبت احراز آتش ; RMRS-GTR-425; خدمات جنگلی USDA، ایستگاه تحقیقاتی کوه راکی: فورت کالینز، CO، ایالات متحده آمریکا، ۲۰۲۱؛ پ. ۴۷٫ [ Google Scholar ]
دوان، ا. پیکه، م. کاستلینو، ام. Brotons, L. مدل‌سازی پیش‌بینی‌کننده وقوع آتش‌سوزی از الگوهای مختلف گسترش آتش در مناظر مدیترانه. بین المللی J. Wildland Fire ۲۰۱۵ , ۲۴ , ۴۰۷٫ [ Google Scholar ] [ CrossRef ]
Costafreda-Aumedes, S.; کوماس، سی. Vega-Garcia، C. پیکربندی‌های فضایی-زمانی آتش‌سوزی‌های ناشی از انسان در اسپانیا از طریق الگوهای نقطه‌ای. Forests ۲۰۱۶ ، ۷ ، ۱۸۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
واکیانو، جی. فودری، سی. برتی، آر. مارکی، ای. موتا، آر. مدل‌سازی اشتعال‌های انسانی و طبیعی آتش در یک دره آلپی نات. سیستم خطرات زمین. علمی ۲۰۱۸ ، ۱۸ ، ۹۳۵-۹۴۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
الیا، م. D’Este، M. آسکولی، دی. جیانیکو، وی. اسپانو، جی. گانگا، ا. کولانجلو، جی. لافورتزا، آر. Sanesi, G. برآورد احتمال وقوع آتش سوزی در مناظر مدیترانه با استفاده از شبکه های عصبی مصنوعی. محیط زیست ارزیابی تاثیر Rev. ۲۰۲۰ , ۸۵ , ۱۰۶۴۷۴٫ [ Google Scholar ] [ CrossRef ]
مارکوس، بی. گونسالوز، جی. آلکاراز-سگورا، دی. کونا، م. Honrado، JP بهبود تشخیص اختلالات آتش سوزی در فضا و زمان بر اساس شاخص های استخراج شده از داده های MODIS: مطالعه موردی در شمال پرتغال. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۹ ، ۷۸ ، ۷۷–۸۵٫ [ Google Scholar ] [ CrossRef ]
صفاکیس، NI; ایوسیفیدیس، سی. کونتوس، سی. Keramitsoglou، I. کشف و ردیابی آتش سوزی در یونان با استفاده از داده های ماهواره ای MSG-SEVIRI. Remote Sens. ۲۰۱۱ , ۳ , ۵۲۴-۵۳۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لی، پی. شیائو، سی. فنگ، ز. لی، دبلیو. Zhang، X. فرکانس‌های وقوع و تغییرات منطقه‌ای در مجموعه رادیومتر تصویربرداری مادون قرمز مرئی (VIIRS) آتش‌سوزی‌های فعال جهانی. گلوب. Biol را تغییر دهید. ۲۰۲۰ ، ۲۶ ، ۲۹۷۰-۲۹۸۷٫ [ Google Scholar ] [ CrossRef ]
آباتزغلو، جی تی; بالچ، جی.کی. بردلی، کارشناسی; کولدن، کالیفرنیا اشتعال‌های مرتبط با انسان همزمان با بادهای تند باعث آتش‌سوزی‌های بزرگ جنگلی در سراسر ایالات متحده می‌شوند. بین المللی J. Wildland Fire ۲۰۱۸ ، ۲۷ ، ۳۷۷–۳۸۶٫ [ Google Scholar ] [ CrossRef ]
اسکات، جی اچ. کوتاه، KC; فینی، ام. گیلبرتسون دی، جی. Vogler, KC FSim: The Large-Fire Simulator Guide to Best Practices نسخه ۰٫۳٫۱ . آزمایشگاه علوم آتش‌سوزی میسولا: میسولا، MT، ایالات متحده آمریکا، ۲۰۱۸٫ [ Google Scholar ]
بار Massada، A. سیفارد، م. هاوبکر، تی جی؛ استوارت، SI; رادلف، VC اثرات مدل های مکان اشتعال بر روی الگوهای سوختگی آتش سوزی های شبیه سازی شده. محیط زیست مدل. نرم افزار ۲۰۱۱ ، ۲۶ ، ۵۸۳-۵۹۲٫ [ Google Scholar ] [ CrossRef ]
Finney, MA مروری بر قابلیت های مدل سازی آتش FlamMap. در مدیریت سوخت – چگونه موفقیت را اندازه گیری کنیم: مجموعه مقالات کنفرانس، مجموعه مقالات RMRS-P-41، پورتلند، OR، ایالات متحده آمریکا، ۲۸-۳۰ مارس ۲۰۰۶ ; Andrews، PL، Butler، BW، Eds. وزارت کشاورزی ایالات متحده، خدمات جنگل، ایستگاه تحقیقاتی کوه راکی: فورت کالینز، CO، ایالات متحده; ص ۲۱۳-۲۲۰٫
Finney, MA FARSITE: Fire Area Simulator-Model Development and Evaluation ; RMRS-RP-4; خدمات جنگلی USDA، ایستگاه تحقیقاتی کوه راکی: اوگدن، UT، ایالات متحده آمریکا، ۱۹۹۸; پ. ۴۷٫ [ Google Scholar ]
Finney, M. Fire Spread Probability (FSPro) ; خدمات جنگلی USDA، ایستگاه تحقیقاتی کوه راکی، آزمایشگاه علوم آتش نشانی: Missoula، MT، ایالات متحده آمریکا، ۲۰۰۲٫ [ Google Scholar ]
فینی، MA; McHugh، CW; گرنفل، آی سی; رایلی، KL; کوتاه، KC شبیه سازی اجزای خطر آتش سوزی احتمالی برای قاره ایالات متحده. استوک. محیط زیست Res. ارزیابی ریسک ۲۰۱۱ ، ۲۵ ، ۹۷۳-۱۰۰۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ager, AA; Evers، CR; روز، MA; پریسلر، هنگ کنگ؛ باروس، AM; Nielsen-Pincus، M. تجزیه و تحلیل شبکه انتقال آتش سوزی و پیامدهای آن برای حاکمیت ریسک. PLoS ONE ۲۰۱۷ , ۱۲ , e0172867. [ Google Scholar ] [ CrossRef ]
Ager, AA; فینی، MA; مک ماهان، ای جی؛ Cathcart، J. اندازه گیری اثر تیمارهای سوخت بر کربن جنگل با استفاده از تجزیه و تحلیل خطر منظر. نات. سیستم خطرات زمین. علمی ۲۰۱۰ ، ۱۰ ، ۲۵۱۵-۲۵۲۶٫ [ Google Scholar ] [ CrossRef ]
فینی، MA; سلی، آرسی; McHugh، CW; Ager, AA; بهرو، بی. شبیه سازی Agee، JK اثرات طولانی مدت درمان سوخت در سطح چشم انداز در آتش سوزی های بزرگ. بین المللی J. Wildland Fire ۲۰۰۷ ، ۱۶ ، ۷۱۲-۷۲۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
باروس، AMG؛ Ager, AA; روز، MA; Palaiologou، P. بهبود اثربخشی طولانی مدت درمان سوخت در سیستم جنگل ملی از طریق اولویت بندی کمی. برای. Ecol. مدیریت ۲۰۱۹ ، ۴۳۳ ، ۵۱۴-۵۲۷٫ [ Google Scholar ] [ CrossRef ]
سالیس، م. لاکونی، م. Ager, AA; Alcasena، FJ; آرکا، بی. لوزانو، او. فرناندز دی اولیویرا، آ. Spano، D. ارزیابی استراتژی‌های تصفیه سوخت جایگزین برای کاهش تلفات آتش‌سوزی جنگلی در یک منطقه مدیترانه. برای. Ecol. مدیریت ۲۰۱۶ ، ۳۶۸ ، ۲۰۷-۲۲۱٫ [ Google Scholar ] [ CrossRef ]
Ager, AA; روز، MA; McHugh، CW; کوتاه، ک. گیلبرتسون دی، جی. فینی، MA; Calkin، DE قرار گرفتن در معرض آتش سوزی و مدیریت سوخت در جنگل های ملی غرب ایالات متحده. جی. محیط زیست. مدیریت ۲۰۱۴ ، ۱۴۵ ، ۵۴-۷۰٫ [ Google Scholar ] [ CrossRef ]
اورز، سی. Ager, AA; نیلسن-پینکوس، ام. Palaiologou، P. Bunzel, K. کهن الگوهای قرار گرفتن در معرض آتش سوزی در جنگل های ملی در غرب ایالات متحده. Landsc. طرح شهری. ۲۰۱۹ ، ۱۸۲ ، ۵۵-۶۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ager, AA; روز، MA; Palaiologou، P. هاتمن، آر. رینگو، سی. Evers، C. آتش سوزی فرامرزی و قرار گرفتن در معرض جامعه: چارچوب و کاربرد در غرب ایالات متحده . RMRS-GTR-392; خدمات جنگلی USDA، ایستگاه تحقیقاتی کوه راکی: فورت کالینز، CO، ایالات متحده آمریکا، ۲۰۱۹؛ پ. ۳۶٫ [ Google Scholar ]
Ager, AA; روز، MA; Alcasena، FJ; Evers، CR; کوتاه، KC; گرنفل، آی. پیش‌بینی بهشت: مدل‌سازی بلایای آتش‌سوزی آینده در غرب ایالات متحده. علمی کل محیط. ۲۰۲۱ ، ۷۸۴ ، ۱۴۷۰۵۷٫ [ Google Scholar ] [ CrossRef ]
Ager, AA; هاتمن، آر. روز، MA; رینگو، سی. Palaiologou، P. مبادله بین اهداف برداشت جنگل ملی ایالات متحده و مدیریت سوخت برای کاهش انتقال آتش‌سوزی جنگلی به رابط شهری وحشی. برای. Ecol. مدیریت ۲۰۱۹ ، ۴۳۴ ، ۹۹-۱۰۹٫ [ Google Scholar ] [ CrossRef ]
Ager, AA; روز، MA; Vogler, K. مرزهای امکان تولید و معاوضه های اجتماعی-اکولوژیکی برای احیای جنگل های سازگار با آتش. جی. محیط زیست. مدیریت ۲۰۱۶ ، ۱۷۶ ، ۱۵۷-۱۶۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کاستلینو، ام. پرات-گیتارت، ن. آریلا، ای. Larrañaga، A. نبات، ای. کاستلارنائو، ایکس. وندرل، جی. پالاس، جی. هررا، جی. مونتوریول، ام. و همکاران توانمندسازی تصمیم گیری استراتژیک برای مدیریت آتش سوزی: اجتناب از تله ترس و ایجاد یک چشم انداز انعطاف پذیر. اکول آتش نشانی ۲۰۱۹ ، ۱۵ ، ۳۱٫ [ Google Scholar ] [ CrossRef ]
کالکین، دی. Ager, AA; گیلبرتسون دی، جی. اسکات، جی اچ. فینی، MA; شریدر-پاتون، سی. Quigley، TM; استریتلت، جی آر. Kaiden، JD خطر آتش‌سوزی و خطر: رویه‌ها برای اولین تقریب . GTR-RMRS-235; خدمات جنگلی USDA، ایستگاه تحقیقاتی کوه راکی: فورت کالینز، CO، ایالات متحده آمریکا، ۲۰۱۰; پ. ۶۲٫ [ Google Scholar ]
میتسوپولوس، آی. مالینس، جی. Arianoutsou، M. ارزیابی خطر آتش سوزی در یک سرزمین وحشی معمولی مدیترانه – رابط شهری یونان. محیط زیست مدیریت ۲۰۱۵ ، ۵۵ ، ۹۰۰-۹۱۵٫ [ Google Scholar ] [ CrossRef ]
Palaiologou، P. Ager, AA; نیلسن-پینکوس، ام. اورز، سی. Kalabokidis، K. استفاده از ارزیابی قرار گرفتن در معرض آتش‌سوزی فرامرزی برای بهبود برنامه‌های مدیریت آتش: مطالعه موردی در یونان. بین المللی J. Wildland Fire ۲۰۱۸ ، ۲۷ ، ۵۰۱–۵۱۳٫ [ Google Scholar ] [ CrossRef ]
مالینس، جی. میتسوپولوس، آی. بلتران، ای. گلدامر، جی. ارزیابی خطر آتش‌سوزی در ویژگی‌های میراث فرهنگی با استفاده از تصاویر ماهواره‌ای با وضوح مکانی و زمانی بالا و شبیه‌سازی‌های آتش صریح فضایی: مورد کوه مقدس آتوس، یونان. Forests ۲۰۱۶ ، ۷ ، ۴۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
خوفیس، پ. کنستانتینیدیس، پ. پاپادوپولوس، آی. Tsiourlis، G. ادغام روش‌های سنجش از دور و مدل‌های شبیه‌سازی آتش برای تخمین خطر آتش‌سوزی در یک منطقه حفاظت‌شده مدیترانه جنوب شرقی. Fire ۲۰۲۰ , ۳ , ۳۱٫ [ Google Scholar ] [ CrossRef ]
Alcasena، FJ; Ager, AA; بیلی، جی دی. پیندا، ن. وگا-گارسیا، سی. به سوی یک استراتژی جامع مدیریت آتش سوزی برای مناطق مدیترانه: توسعه و اجرای چارچوب در کاتالونیا، اسپانیا. جی. محیط زیست. مدیریت ۲۰۱۹ ، ۲۳۱ ، ۳۰۳-۳۲۰٫ [ Google Scholar ] [ CrossRef ]
سالیس، م. آرکا، بی. دل جودیس، ال. Palaiologou، P. آلکاسنا-اوردیروز، اف. آگر، ا. فیوری، م. پلیزارو، جی. اسکارپا، سی. شیرو، م. و همکاران استفاده از مدل سازی شبیه سازی برای ارزیابی قرار گرفتن در معرض آتش سوزی و انتقال در ساردینیا، ایتالیا. بین المللی J. کاهش خطر بلایا. ۲۰۲۱ , ۵۸ , ۱۰۲۱۸۹٫ [ Google Scholar ] [ CrossRef ]
اولیویرا، TM; باروس، AMG؛ Ager, AA; فرناندز، PM ارزیابی اثر شبکه قطع سوخت برای کاهش منطقه سوخته و انتقال خطر آتش سوزی. بین المللی J. Wildland Fire ۲۰۱۶ ، ۲۵ ، ۶۱۹-۶۳۲٫ [ Google Scholar ] [ CrossRef ]
آلکاسنا، اف. آگر، ا. لو پیج، ی. بسا، پ. لوریرو، سی. اولیویرا، تی. ارزیابی قرار گرفتن در معرض آتش سوزی در جوامع و مناطق حفاظت شده در پرتغال. Fire ۲۰۲۱ ، ۴ ، ۸۲٫ [ Google Scholar ] [ CrossRef ]
Parisien, M.-A.; داو، دی. میلر، سی. استوکدیل، کالیفرنیا؛ کاربردهای آرمیتاژ، OB مدل‌سازی احتمال سوختگی مبتنی بر شبیه‌سازی: یک بررسی. بین المللی J. Wildland Fire ۲۰۲۰ ، ۲۸ ، ۹۱۳–۹۲۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کلسو، JK; ملور، دی. مورفی، من؛ تکنیک‌های Milne, GJ برای ارزیابی شبیه‌سازهای آتش‌سوزی از طریق شبیه‌سازی آتش‌سوزی‌های تاریخی با استفاده از شبیه‌ساز AUSTRALIS. بین المللی J. Wildland Fire ۲۰۱۵ ، ۲۴ ، ۷۸۴-۷۹۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
جهدی، ر. سالیس، م. درویش صفت، ع.ا. آلکاسنا، اف. مصطفوی، محمدرضا; اعتماد، وی. لوزانو، OM; اسپانو، دی. ارزیابی سیستم های مدل سازی آتش در آتش سوزی های اخیر پارک ملی گلستان، ایران. جنگلداری ۲۰۱۶ ، ۸۹ ، ۱۳۶-۱۴۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
میرونیک، وی. کوتیا، م. جی سرکیسیان، ع. بیلوس، ا. لیو، اس. نقشه برداری جنگل در مقیاس منطقه ای بر روی مناظر تکه تکه شده با استفاده از محصولات جنگلی جهانی و طبقه بندی سری های زمانی Landsat. Remote Sens. ۲۰۲۰ , ۱۲ , ۱۸۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Palaiologou، P. کالاابوکیدیس، ک. Kyriakidis، P. نقشه برداری جنگل توسط ژئوانفورماتیک برای مدل سازی رفتار آتش سوزی در جنگل های ساحلی، یونان. بین المللی J. Remote Sens. ۲۰۱۳ , ۳۴ , ۴۴۶۶-۴۴۹۰٫ [ Google Scholar ] [ CrossRef ]
آراگونس، ای. Chuvieco، E. تولید و نقشه برداری از انواع سوخت برای ارزیابی خطر آتش سوزی. Fire ۲۰۲۱ ، ۴ ، ۵۹٫ [ Google Scholar ] [ CrossRef ]
Engelstad، PS; فالکوفسکی، م. ولتر، پی. پوزنانوویچ، آ. جانسون، P. برآورد ویژگیهای سوخت سایبان از LiDAR با چگالی کم. Fire ۲۰۱۹ ، ۲ ، ۳۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ریانو، دی. چویکو، ای. کوندس، اس. گونزالس-ماتسانز، ج. Ustin، SL تولید چگالی ظاهری تاج برای Pinus sylvestris L. از lidar. سنسور از راه دور محیط. ۲۰۰۴ ، ۹۲ ، ۳۴۵-۳۵۲٫ [ Google Scholar ] [ CrossRef ]
میلکارک، ام. Stereńczak، K. خسروی پور، ع. آزمایش و ارزیابی روش های مختلف تولید مدل ارتفاع تاج پوشش مشتق از LiDAR برای تخمین ارتفاع درخت. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۸ ، ۷۱ ، ۱۳۲-۱۴۳٫ [ Google Scholar ] [ CrossRef ]
متزگر، ام جی; بانس، RGH; جونگمن، آر.اچ. موچر، کالیفرنیا؛ واتکینز، JW طبقه بندی اقلیمی محیط زیست اروپا. گلوب. Ecol. Biogeogr. ۲۰۰۵ ، ۱۴ ، ۵۴۹-۵۶۳٫ [ Google Scholar ] [ CrossRef ]
منطقه اقتصادی اروپا Corine Land Cover (CLC) 2018، نسخه ۲۰۲۰_۲۰u1. در دسترس آنلاین: https://land.copernicus.eu/pan-european/corine-land-cover/clc2018 (در ۲۱ فوریه ۲۰۲۲ قابل دسترسی است).
منطقه اقتصادی اروپا مناطق حفاظت شده تعیین شده ملی (CDDA). در دسترس آنلاین: https://www.eea.europa.eu/data-and-maps/data/nationally-designated-areas-national-cdda-15 (دسترسی در ۲۱ فوریه ۲۰۲۲).
موراتیدیس، ع. Ampatzidis، D. اعتبارسنجی مدل ارتفاع دیجیتال اروپایی در برابر داده های گسترده سیستم های ماهواره ای ناوبری جهانی و مقایسه با SRTM DEM و ASTER GDEM در مقدونیه مرکزی (یونان). ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۱۰۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
اسکات، جی اچ. مدل‌های سوخت استاندارد رفتار آتش نشانی Burgan، RE : مجموعه‌ای جامع برای استفاده با مدل گسترش آتش‌سوزی سطحی روترمل . RMRS-GTR-153; خدمات جنگلی USDA، ایستگاه تحقیقاتی کوه راکی: فورت کالینز، CO، ایالات متحده آمریکا، ۲۰۰۵; پ. ۷۲٫ [ Google Scholar ]
پاپاناستازیس، معاون ساختار و بهره وری گونه در علفزارهای یونان شمالی. در مؤلفه های بهره وری مناطق مدیترانه-اقلیمی جنبه های اساسی و کاربردی، مجموعه مقالات سمپوزیوم بین المللی فتوسنتز، تولید اولیه و استفاده از زیست توده در اکوسیستم های مدیترانه ای، کاساندرا، یونان، ۱۳-۱۵، سپتامبر ۱۹۸۰ ; Margaris، NS، Mooney، HA، Eds. Springer Netherlands: Dordrecht, The Netherlands, 1981; ص ۲۰۵-۲۱۷٫ [ Google Scholar ]
روکوس، سی. کوتسوکیس، سی. آکریدا-دمرتزی، ک. کاراتاسیو، م. دمرتسیس، جی. Kandrelis، S. اثر منطقه ارتفاعی بر ویژگی‌های خاک، ترکیب گونه‌ها و تولید علوفه در یک علفزار زیر آلپ در شمال غربی یونان. Appl. Ecol. محیط زیست Res. ۲۰۱۷ ، ۱۵ ، ۶۰۹-۶۲۶٫ [ Google Scholar ] [ CrossRef ]
هانسن، ام سی; پوتاپوف، PV؛ مور، آر. هنچر، م. توروبانوا، SA; تیوکاوینا، آ. تاو، دی. Stehman، SV; گوتز، اس جی. لاولند، TR; و همکاران نقشه های جهانی با وضوح بالا تغییر پوشش جنگلی قرن بیست و یکم. Science ۲۰۱۳ ، ۳۴۲ ، ۸۵۰-۸۵۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دبیه، RO; Luthcke, SB; ساباکا، تی جی; نیکلاس، جی بی. پریو، اس. Hofton, MA GEDI L3 Gridded Surface Metrics, Version 1 ; ORNL DAAC: Oak Ridge، TN، ایالات متحده، ۲۰۲۱٫ [ Google Scholar ]
سیمرد، م. پینتو، ن. فیشر، جی بی. Baccini، A. نقشه برداری از ارتفاع تاج جنگل در سطح جهانی با لیدار فضابرد. جی. ژئوفیس. Res. Biogeosci. ۲۰۱۱ ، ۱۱۶ ، G04021. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کین، RE; Mincemoyer، SA; اشمیت، KM; بلند، DG; گارنر، جی ال نقشه برداری از پوشش گیاهی و سوخت برای مدیریت آتش در مجتمع جنگلی ملی گیلا، نیومکزیکو . وزارت کشاورزی ایالات متحده، خدمات جنگلداری، ایستگاه تحقیقاتی کوه راکی: Ogden، UT، ایالات متحده آمریکا، ۲۰۰۰; پ. ۱۲۶٫ [ Google Scholar ]
کوسیاس، ن. بالاتسوس، پ. Kalabokidis، K. مناطق وقوع آتش سوزی: تخمین تراکم هسته آتش سوزی های تاریخی در سطح ملی، یونان. J. Maps ۲۰۱۴ ، ۱۰ ، ۶۳۰-۶۳۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
زامبون، آی. سردا، آ. کادلین، پی. سرا، پ. پیلی، س. سالواتی، L. شبکه جاده و توزیع فضایی آتش سوزی در جامعه والنسیا (۱۹۹۳-۲۰۱۵). کشاورزی ۲۰۱۹ ، ۹ ، ۱۰۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Mobley, W. اثرات تغییر الگوهای توسعه و مکان های احتراق در تگزاس مرکزی. PLoS ONE ۲۰۱۹ , ۱۴ , e0211454. [ Google Scholar ] [ CrossRef ]
Ager, AA; بونزل، ک. روز، MA; اورز، سی. Palaiologou، P. XFire: چارچوب جغرافیایی برای مشخص کردن خطر آتش‌سوزی فرامرزی برای جوامع ، گزارش منتشر نشده. ۲۰۱۵٫
Ager, AA; Palaiologou، P. Evers، CR; روز، MA; باروس، AMG در حال ارزیابی قرار گرفتن در معرض آتش‌سوزی فرامرزی در جنوب غربی ایالات متحده. ریسک مقعدی ۲۰۱۸ ، ۳۸ ، ۲۱۰۵-۲۱۲۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Vaillant، NM; Ager, AA; Anderson, J. ArcFuels10 System Overview ; PNW-GTR-875; خدمات جنگلی USDA، ایستگاه تحقیقاتی شمال غربی اقیانوس آرام: پورتلند، OR، ایالات متحده آمریکا، ۲۰۱۳٫ [ Google Scholar ]
اسکات، جی اچ. Reinhardt، راهنمای عکس استریو ED برای تخمین ویژگی‌های سوخت سایبان در پایه‌های مخروطی‌ها . RMRS-GTR-145; خدمات جنگلی USDA، ایستگاه تحقیقاتی کوه راکی: فورت کالینز، CO، ایالات متحده آمریکا، ۲۰۰۵٫ [ Google Scholar ]
EFFIS. سیستم اطلاعات آتش سوزی جنگل های اروپا در دسترس آنلاین: https://effis.jrc.ec.europa.eu/ (دسترسی در ۲۱ فوریه ۲۰۲۲).
هاینش، FA; Andrews، PL BehavePlus Fire Modelling System، نسخه ۵٫۰: طراحی و ویژگی ها . ژنرال فنی RMRS-GTR-249; وزارت کشاورزی ایالات متحده، خدمات جنگل، ایستگاه تحقیقاتی کوه راکی: فورت کالینز، CO، ایالات متحده آمریکا، ۲۰۱۰; پ. ۱۱۱٫ [ Google Scholar ]
OSMF. نقشه خیابان باز در دسترس آنلاین: https://www.openstreetmap.org/ (دسترسی در ۲۱ فوریه ۲۰۲۲).
مایکروسافت. ردپای ساختمان های تولید شده توسط کامپیوتر برای مخزن گیت هاب ایالات متحده. در دسترس آنلاین: https://github.com/Microsoft/USBuildingFootprints (در ۲۱ فوریه ۲۰۲۲ قابل دسترسی است).
میلر، سی. Ager، AA مروری بر پیشرفت های اخیر در تجزیه و تحلیل خطر برای مدیریت آتش سوزی. بین المللی J. Wildland Fire ۲۰۱۳ ، ۲۲ ، ۱-۱۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]

شکل ۱٫ ( الف ) انواع پوشش گیاهی گسترده در محدوده ۳۰ منطقه شبیه سازی و ایستگاه های آب و هوایی مرتبط با آنها برای منطقه مقدونیه، یونان. یک بافر بیرونی ۱۰ کیلومتری (منطقه خارج از طرح سیاه) به منظور تبادل آتش بین منطقه مورد مطالعه و کشورهای همسایه یا سایر مناطق یونان اعمال شد. ( ب ) تصرف زمین و مالکیت عمده.

شکل ۲٫ مناطق کلان اقلیمی در منطقه مورد مطالعه مقدونیه، از جمله یک بافر ۱۰ کیلومتری برای محاسبه آتش سوزی های ورودی و خروجی.

شکل ۳٫ ( الف ) ارتفاع برگرفته از EU-DEM v1.1، بازیابی شده از پورتال کوپرنیک. ( ب ) شیب بر حسب درجه. ج ) جنبه در درجه . ( د ) مدل های نوع سوخت اسکات و بورگان [ ۵۳ ]; نکته: غیر قابل سوختن. GR: چمن؛ GS: Grass-Shrub; SH: درختچه; TU: Timber-Understory; TL: بستر الوار. جدول ۱ را ببینید .

شکل ۴٫ تلفات جنگل برای دوره ۲۰۰۰-۲۰۱۹، برگرفته از مجموعه داده تغییر جنگل جهانی [ ۵۶ ] و مراتع به دست آمده از پورتال کوپرنیک.

شکل ۵٫ ( الف ) پوشش سایبان، مشتق شده از پورتال کوپرنیک. ( ب ) میانگین ارتفاع پایه بر حسب متر. ( ج ) ارتفاع پایه تاج بر حسب متر. ( D ) چگالی ظاهری تاج بر حسب کیلوگرم ^{مترمربع} .

شکل ۶٫ ( الف ) اشتعال های ثبت شده برای دوره ۱۹۸۵-۲۰۰۰ با داده های آتش فعال از ماهواره های MODIS و VIIRS برای سال های ۲۰۰۰-۲۰۱۹ ادغام شدند. ( ب ) ۵۰۰۰ اشتعال به طور تصادفی در سراسر جاده ها. ( C ) ۶۰۰۰ اشتعال به طور تصادفی در اطراف مناطق اجتماعی اختصاص داده شده است. ( د ) شبکه احتمال اشتعال، شامل منطقه بافر ۱۰ کیلومتری، همانطور که توسط همه احتراق ها پس از اعمال الگوریتم چگالی نقطه محاسبه می شود.

شکل ۷٫ ( الف ) احتمال سوختگی شبیه‌سازی شده، که نشان‌دهنده دفعاتی است که هر پیکسل یک آتش‌سوزی شبیه‌سازی شده را در بیش از ۱۰۰۰۰ شبیه‌سازی تجربه کرده است. و ( B ) طول شعله مشروط که شدت آتش مورد انتظار را بر حسب متر اندازه گیری می کند، با توجه به یک پیکسل سوزانده شده، میانگین در تمام شبیه سازی ها.

شکل ۸٫ مقیاس فضایی و پیچیدگی قرار گرفتن در معرض آتش سوزی. ( الف ) پیچیدگی منبع آتش. ( ب ) رسیدن اندازه آتش. ( ج ) آتش ورودی؛ ( د ) پتانسیل اندازه آتش. برای جزئیات بیشتر به روش ها مراجعه کنید.

شکل ۹٫ آتش‌سوزی جامعه همانطور که با تقاطع محیط‌های آتش‌سوزی شبیه‌سازی شده با چند ضلعی‌های جامعه (هسته‌ها و رابط زمین وحشی-شهری) و سطح قرار گرفتن در معرض ساختار مرتبط برآورد شده است. رنگ‌های گرم‌تر نشان‌دهنده مکان‌هایی هستند که پیش‌بینی می‌شد آتش‌سوزی‌های شبیه‌سازی شده باعث قرار گرفتن در معرض بیشتر ساختار شوند.

شکل ۱۰٫ آتش‌سوزی‌های با نوردهی بالا شبیه‌سازی‌شده از نظر سازه‌های در معرض سالانه و مرزهای جامعه، و ( B ) بزرگترین آتش‌سوزی‌ها از نظر مساحت سوخته شده (هکتار).

شکل ۱۱٫ ( الف ) ۱۰ جامعه در معرض خطر بر اساس قرار گرفتن در معرض ساختار شبیه سازی شده از آتش سوزی و ( B ) موقعیت آنها در منطقه مورد مطالعه.

شکل ۱۲٫ ۱۰ جامعه در معرض خطر در مقدونیه. ( الف ) تسالونیکی؛ ( ب ) پانوراما تسالونیکی; ( ج ) سیاتیستا; ( د ) نیکیسیاکی; ( E ) Thasos; ( F ) Kokkinoxoma; ( ز ) پیکا; ( H ) Nea Skioni; ( I ) Skala Raxoniou و ( J ) Akritas Ey Zin.

ونوس نصیرفام

13 ژانویه 2023

مقالات