fa تعیین فاکتورهای موثر بر آتش‌سوزی جنگل با استفاده از ترکیب رگرسیون وزن‌دار جغرافیایی و الگوریتم ژنتیک، مطالعه موردی: جنگل‌های استان گلستان پژوهشي Research <p dir="RTL">امروزه شناسایی فاکتورهای موثر بر آتش‌سوزی جنگل‌ها از اهمیت بسیار بالایی برخوردار است زیرا سالانه مساحت زیادی از جنگل‌های جهان بر اثر آتش‌سوزی نابود می‌شوند. با شناسایی این فاکتورها می‌توانیم نقاط و زمان‌های پرخطر برای آتش‌سوزی را شناسایی نمائیم و با&nbsp;وضع&nbsp;قوانین و سیاست‌های کارآمد در مدیریت جنگل و نظارت بیشتر در جهت مقابله با فاکتورهای محرک آتش برآییم. در این تحقیق، فاکتورهای موثر بر آتش‌سوزی‌های جنگل گلستان شناسایی شده‌اند. در این راستا، از روش رگرسیون وزن‌دار جغرافیایی (<span dir="LTR">GWR</span>) در ترکیب با الگوریتم ژنتیک استفاده شد. روش ترکیبی پیشنهادی روش مناسبی برای مسائل رگرسیون مکانی است زیرا فاکتورهای موثر با لحاظ نمودن دو ویژگی خاص داده‌های مکانی یعنی خودهمبستگی و ناایستایی مکانی شناسایی گشتند. در این تحقیق، از داده‌های سه آتش‌سوزی مختلف و دو&nbsp;روش وزن‌دهی گوسین و مکعبی سه‌گانه در <span dir="LTR">GWR</span> استفاده گشت. مقدار <span dir="LTR">R²</span> با استفاده از هسته گوسین 9538/0، 9990/0 و 9903/0 و با&nbsp;استفاده از هسته مکعبی سه‌گانه 9931/0، 9999/0 و 9980/0 به دست آمد. نتایج تحقیقات نشان داد که هر دو دسته فاکتورهای&nbsp;بیوفیزیکی و انسانی تأثیر بسزایی در آتش‌سوزی‌های مناطق مورد مطالعه داشتند. از فاکتورهای بیوفیزیکی ارتفاع، جهت شیب، حداقل دما، متوسط دما و از فاکتورهای انسانی کاربری زمین و فاصله از مناطق مسکونی در بیشتر حالت‌ها موثر شناخته شدند. همچنین با&nbsp;استفاده از هسته مکعبی سه‌گانه برای وزن‌دهی در <span dir="LTR">GWR</span>، نتایج دقیق‌تر و مناسب‌تری به دست آمد.</p> <p>Determining the effective factors on fire is so important, because the plenty areas of forests around the world are destroyed every year by fire. It helps us to identify most dangerous locations and times in forest fire. Hence, we can prevent many of driving factors of forest fire by law enforcement, efficient forest management policies and more supervision. In the current study, we identified the impressive factors on the fire in Golestan forest using the compound of Geographically Weighted Regression (GWR) method and Genetic Algorithm that is suitable for the spatial regression problem, because it obtains the effective factors considering the autocorrelation and non-stationarity properties of spatial data. In this study, three different fire areas as well as two kernels of Gaussian and Tricube for weighting of GWR were used that for these three fire areas resulted to R²=0.9538, R²=0.9990, and R²=0.9903 for Gaussian kernel and R²=0.9931, R²=0.9999, and R²=0.9980 for Tricube kernel, respectively. This research shows that both of the biophysical and anthropogenic factors have significant effects on forest fire in our study areas. In biophysical factors, the elevation, the aspect, the minimum and mean tempreture and in anthropogenic factors, the landuse and the distance from the residential areas were identified as the most impressive factors. Weighting by Tricube kernel concluded to more precise results.</p> آتش‌سوزی جنگل, رگرسیون وزن‌دار جغرافیایی, الگوریتم ژنتیک, جنگل گلستان Forest Fire, Geographically Weighted Regression, Genetic Algorithm, Golestan Forest 97 120 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-128-69&slc_lang=fa&sid=1 Amin Raei امین راعی 10031947532846004822 10031947532846004822 No University of Tehran دانشگاه تهران Parham Pahlavani پرهام پهلوانی pahlavani@ut.ac.ir 10031947532846004823 10031947532846004823 Yes University of Tehran دانشگاه تهران Mahdi Hasanlou مهدی حسنلو 10031947532846004824 10031947532846004824 No University of Tehran دانشگاه تهران