[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 324
نرخ پذیرش: 63.1
نرخ رد: 36.9
میانگین داوری: 209 روز
میانگین انتشار: 345 روز
..
:: دوره 6، شماره 4 - ( 12-1397 ) ::
جلد 6 شماره 4 صفحات 96-73 برگشت به فهرست نسخه ها
پیش‌بینی گسترش آتش‌سوزی جنگل با استفاده از اتوماتای سلولی و شبکه عصبی مصنوعی
پرهام پهلوانی* ، حمیدرضا صحرائیان ، بهناز بیگدلی
دانشگاه تهران
چکیده:   (7588 مشاهده)
جنگل‌ها از جمله مهم‌ترین منابع طبیعی هر کشوری محسوب می‌شوند که حفاظت و مراقبت از آن‌ها دارای اهمیت ویژه‌ای است. یکی از حوادثی که باعث ایجاد صدمات جدی به جنگل‌ها می‌شود، آتش‌سوزی و گسترش آن می‌باشد. بنابراین انجام اقداماتی نظیر تعیین فاکتورهای موثر در آتش­سوزی و شبیه­سازی گسترش آن، برای به حداقل رساندن زیان­های ناشی از آن اهمیت فراوانی پیدا می­کند. در روش پیشنهادی این تحقیق، برای تعیین فاکتورهای بهینه موثر در آتش‌سوزی جنگل گلستان، از ترکیب الگوریتم ژنتیک با روش رگرسیون اسپلاین تطبیقی چندمتغیره استفاده شد. 9 فاکتور به عنوان فاکتورهای بهینه تعیین شدند که شامل حداکثر دما، متوسط دما، حداقل دما، جهت باد غالب، حداکثر سرعت باد، جنس خاک، کاربری زمین، جهت شیب و فاصله از مناطق مسکونی بودند. سپس با استفاده از این فاکتورهای بهینه و بکارگیری اتوماتای سلولی و شبکه عصبی مصنوعی، اقدام به شبیه‌سازی گسترش آتش‌سوزی جنگل گلستان شد. همچنین برای بررسی تأثیر فیلتر همسایگی بر نتایج حاصل از شبیه­سازی، از فیلترهای همسایگی 3×3، 5×5 و 7×7 استفاده شد. با توجه به نتایج این تحقیق، بهترین دقت برای شبیه‌سازی آتش‌سوزی منطقه مورد مطالعه در تاریخ 26 آبان 1389 با فیلتر همسایگی 3×3 و توان تفکیک مکانی 30 متر بدست آمد. در این حالت شاخص کاپا، شاخص عامل نسبی و دقت کلی به ترتیب برابر با 890/0، 917/0 و 953/0 بودند.
واژه‌های کلیدی: آتش‌سوزی جنگل، الگوریتم ژنتیک، رگرسیون اسپلاین تطبیقی چندمتغیره، اتوماتای سلولی، شبکه عصبی مصنوعی
متن کامل [PDF 2024 kb]   (1017 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: 1396/8/10 | پذیرش: 1396/11/23 | انتشار: 1397/12/29
فهرست منابع
1. [1] P. Progias, and G. Ch. Sirakoulis, "An FPGA processor for modelling wildfire spreading", Mathematical and Computer Modelling, Vol.57, No.5-6, pp. 1436-1452, 2013. [DOI:10.1016/j.mcm.2012.12.005]
2. [2] S. Eskandari, "Analysis on Modeling and Simulation Methods of Fire Spread in the Forests", Journal of Human and Environment, Vol.13, No.3, pp. 67-88, 2015.
3. [3] B. G. Dickson, J. W. Prather, Y. Xu, H. M. Hampton, E. N. Aumack, and T. D. Sisk, "Mapping the probability of large fire occurrence in northern Arizona, USA", Landscape Ecology, Vol.21 , pp. 747-761, 2006. [DOI:10.1007/s10980-005-5475-x]
4. [4] R. W. Halsey, "Fire, chaparral, and survival in southern California", Sunbelt Publications, 2005.
5. [5] A. D. Syphard, V. C. Radeloff, J. E. Keeley, T. J. Hawbaker, M. K. Clayton, S. I. Stewart and R. B. Hammer, "Human influence on California fire regimes", Ecological applications, Vol.17, No.5, pp. 1388-1402, 2007. [DOI:10.1890/06-1128.1]
6. [6] F. D. Y. Avila, M. Pompa-Garcia, X. Antonio-Nemiga, D.A. Rodriguez-Trejo, E. Vargas-Perez and J. Santillan-Perez, "Driving Factors for Forest Fire Occurrence in Durango State of Mexico: A Geospatial Perspective", Chinese Geographical Science, Vol.20, No.6, pp. 491-497, 2010. [DOI:10.1007/s11769-010-0437-x]
7. [7] A. Raei, P. Pahlavani, M. Hasanlou, "Determining Effective Factors on Forest Fire Using the Compound of Geographically Weighted Regression and Genetic Algorithm, a Case Study: Golestan, Iran", Journal of Geospatial Information Technology, Vol.3, No.4, pp. 97-120, 2016. [DOI:10.29252/jgit.3.4.97]
8. [8] CE. Van Wagner, "Development and structure of the Canadian Forest Fire Weather Index System", Canadian Forest Service, Vol.35, pp. 333-339, 1987.
9. [9] R.C. Rothermel, "A mathematical model for predicting fire spread in wildland fuels", USDA Forest Service Gen Tech Rep INT, pp. Res Pap INT-115, 1972.
10. [10] S. Berjak, and J. Hearne, "An improved cellular automaton model for simulating fire in a spatially heterogeneous Savana system", Ecological Modelling, Vol.148, No.2, pp. 133-151, 2002. [DOI:10.1016/S0304-3800(01)00423-9]
11. [11] A. Alexandridis, D. Vakalis, C. I. Siettos, and G. V. Bafas, "A cellular automata model for forest fire spread prediction: The case of the wildfire that swept through Spetses Island in 1990", Applied Mathematics and Computation, Vol.204, No.1, pp. 191-201, 2008. [DOI:10.1016/j.amc.2008.06.046]
12. [12] P. Progias, and G. Ch. Sirakoulis, "An FPGA processor for modelling wildfire spreading", Mathematical and Computer Modelling, Vol.57, No.5-6, pp. 1436-1452, 2013. [DOI:10.1016/j.mcm.2012.12.005]
13. [13] H. Gazmeh, "Modelling Forest Fire Spread using Cellular Automata", Thesis Submitted in Partial Fulfillment of the Requirements for the Degree of Master of Science (M.Sc.) in GIS Department, K.N.Toosi University of Technology, 2012.
14. [14] T. Ghaemi Rad, "Review and evaluate different approaches to simulate forest fire spreading using celular automata", M.Sc. Thesis in Geo-Spatial Information System, K.N.Toosi University of Technology, 2014.
15. [15] J. H. Friedman, "Multivariate Adaptive Regression Splines", The Annals of Statistics, Vol.19, No.1, pp. 1-67, 1991. [DOI:10.1214/aos/1176347963]
16. [16] J. Elith, and J. Leathwick, "Predicting species distributions from museum and herbarium records using multiresponse models fitted with multivariate adaptive regression splines", Diversity and distributions, Vol.13, No.3, pp. 265-275, 2007. [DOI:10.1111/j.1472-4642.2007.00340.x]
17. [17] S. Borra, and A. Di Ciaccio, "Non-parametric regression models for the conjoint analysis of qualitative and quantitative data", Advances in Data Science and Classification, Springer Berlin Heidelberg, pp. 517-524, 1998. [DOI:10.1007/978-3-642-72253-0_70]
18. [18] P. Dierckx, "Curve and surface fitting with splines", Oxford University Press, 1995.
19. [19] P. Craven, and G. Wahba, "Smoothing noisy data with spline functions. Estimating the correct degree of smoothing by the method of generalized cross-validation", Numerische Mathematik, Vol.31, No.4, pp. 377-403, 1979. [DOI:10.1007/BF01404567]
20. [20] S. Shekhar, and H. Xiong, "Encyclopedia of GIS", Springer Science and Business Media, 2008. [DOI:10.1007/978-0-387-35973-1_368]
21. [21] M. Charlton, and A. S. Fotheringham, "Geographically Weighted Regression", White Paper. Kildare, Ireland: National Centre for Geocomputation, National University of Ireland, Maynooth, 17, 2009.
22. [22] S. N. Sivanandam, and S. N. Deepa, "Introduction to Genetic Algorithms", Springer Verlag Berlin Heidelberg, 2008.
23. [23] J. Shan, S. Alkheder, and J. Wang, "Genetic Algorithms for the Calibration of Cellular Automata Urban Growth Modeling", Photogrammetric Engineering & Remote Sensing, Vol.74, No.10, pp. 1267-1277, 2008. [DOI:10.14358/PERS.74.10.1267]
24. [24] [24] G. Ch. Sirakoulis, I. Karafyllidis, and A. Thanailakis, "A cellular automaton for the propagation of circular fronts and its applications", Engineering Applications of Artificial Intelligence, Vol.18, No.6, pp. 731- 744, 2005. [DOI:10.1016/j.engappai.2004.12.008]
25. [25] A. Ilachinski, "Cellular Automata: A Discrete Universe", World Scientific, 2001. [DOI:10.1142/4702]
26. [26] [26] Y. Liu, "Modelling Urban Development with Geographical Information Systems and Cellular Automata", CRC Press, 2009.
27. [27] A. Hernández Encinas, L. Hernández Encinas, S. Hoya White, A. Martín del Rey, and G. Rodríguez Sánchez, "Simulation of forest fire fronts using cellular autómata", Advances in Engineering Software, vol. 38, pp. 372-378, 2007. [DOI:10.1016/j.advengsoft.2006.09.002]
28. [28] S. M. J. Pappu, and S. N. Gummadi, "Artificial neural network and regression coupled genetic algorithm to optimize parameters for enhanced xylitol production by Debaryomyces nepalensis in bioreactor", Biochemical Engineering Journal, Vol.120, pp.136- 145, 2017. [DOI:10.1016/j.bej.2017.01.010]
29. [29] I. V. Da Silva, D. H. Spatti, R.A. Flauzino, L. H. Bartocci Liboni, and S. F. Dos Reis Alves, "Artificial Neural Networks: A Practical Course", Springer International Publishing, 2017. [DOI:10.1007/978-3-319-43162-8]
30. [30] B. Yegnanarayana, "Artificial Neural Networks", Prentice-Hall of India, 2004.
31. [31] H. Askarian Omran, and P. Pahlavani, "Using of Markov Chain, MOLA, and Neighborhood filter for developing and increasing the efficiency of Logistic Regression to predict multiple land-use changes, a case study: Tehran", Engineering Journal of Geospatial Information Technology, Vol.3, No.2, pp. 89-109, 2015. [DOI:10.29252/jgit.3.2.89]
32. [32] B. C. Pijanowski, A. Tayyebi, M. R. Delavar, and M. J. Yazdanpanah, "Urban expansion simulation using geospatial information system and artificial neural networks", International Journal of Environmental Research, Vol.3, No.4, pp. 493-502, 2009.
33. [33] R. G. Pontius, and L. Schneider, "Land-Cover Change Model Validation by an ROC Method for the Ipswich Watershed, Massachusetts, USA", Agriculture, Ecosystems and Environment, Vol.85, No.1-3, pp. 239-248, 2001. [DOI:10.1016/S0167-8809(01)00187-6]
34. [34] P. Dale. "Mathematical Techniques in GIS, Second Edition", CRC Press, 2014. [DOI:10.1201/b16910]
35. [35] M. Hasanlou, and F. Samadzadegan, "ICA/PCA base genetically band selection for classification of Hyperspectral images", Asian Conference on Remote Sensing, presented at the 31st, 2010.
36. [36] J. McCall, "Genetic algorithms for modelling and optimisation", Journal of Computational and Applied Mathematics, Vol. 184, pp. 205-222, 2005. [DOI:10.1016/j.cam.2004.07.034]
37. [37] H. Sahraiian, and P. Pahlavani, "Investigating the Effect of Neighborhood Filters and Different Spatial resolution on Calibration of Cellular Automation to Modeling Forest Fire Development", 24th National Conference and Exhibition Geomatics96, 2017.
38. [38] T. Ghaemi Rad, and M. Karimi, "Evaluation and comparison the results of optimization of forest fire spreading model based on cellular automata using PSO and ABC algorithms", journal of Geographical Data (SEPEHR), Vol.24, No.93, pp. 65-76, 2015.
39. [39] T. Ghaemi Rad, and M. Karimi, "Evaluation performances of different forest fire spread models using cellular automata (case study: The forests of Lakan district in Rasht)", Iranian journal of Forests and Poplar Research, Vol.23, No.1, pp. 64-78, 2015.
40. [40] R. Jahdi, A. A. Darvishsefat, and V. Etemad, "Predicting Forest Fire Spread Using Fire Behavior Model (Case study: Malekroud Forest-Siahkal)", Iranian journal of Forest, Vol.5, No.4, pp. 419-430, 2014.
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Pahlavani P, Sahraiian H R, Bigdeli B. Presenting a Morphological Based Approach for Filtering The Point Cloud to Extract the Digital Terrain Model. jgit 2019; 6 (4) :73-96
URL: http://jgit.kntu.ac.ir/article-1-645-fa.html

پهلوانی پرهام، صحرائیان حمیدرضا، بیگدلی بهناز. پیش‌بینی گسترش آتش‌سوزی جنگل با استفاده از اتوماتای سلولی و شبکه عصبی مصنوعی. مهندسی فناوری اطلاعات مکانی. 1397; 6 (4) :73-96

URL: http://jgit.kntu.ac.ir/article-1-645-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 6، شماره 4 - ( 12-1397 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.06 seconds with 38 queries by YEKTAWEB 4660