fa پیش‌بینی گسترش آتش‌سوزی جنگل با استفاده از اتوماتای سلولی و شبکه عصبی مصنوعی سیستمهای اطلاعات مکانی (عمومی) GIS پژوهشي Research <span style="font-family:b nazanin;">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 آتش&shy;سوزی و شبیه&shy;سازی گسترش آن، برای به حداقل رساندن زیان&shy;های ناشی از آن اهمیت فراوانی پیدا می&shy;کند. 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 شبیه&shy;سازی، از فیلترهای همسایگی </span><span style="font-family:b nazanin;">3&times;3، 5&times;5 و 7&times;7 استفاده شد. با توجه به نتایج این تحقیق، بهترین دقت برای شبیه‌سازی آتش‌سوزی منطقه مورد مطالعه در </span><span style="font-family:b nazanin;">تاریخ 26 آبان 1389</span><span style="font-family:b nazanin;"> با فیلتر همسایگی 3&times;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.</span><em><span dir="LTR"><span style="font-size:8.0pt;"></span></span></em> The Digital terrain model is an important geospatial product used as the basis of many practical projects related to geospatial information. Nowadays, a dense point cloud can be generated using the LiDAR data. Actually, the acquired point cloud of the LiDAR, presents a digital surface model that contains ground and non-ground objects. The purpose of this paper is to present a new approach of extracting the digital terrain model from the digital surface model. In the first step, noises were removed by preprocessing; then the irregular point cloud was converted to raster data. In the next step, the proposed gradual geodesic dilation and labeling approaches scan were applied in order to detect and eliminate the non-ground objects. The basis of gradual geodesic dilation approach was to increase the structural element size in each step, investigate the height heterogeneity and remove the non-ground objects, gradually. Also, utilizing the innovative scan labeling approach which operated based on slope differential helped to remove the non-ground objects completely<span dir="RTL">. </span><br> Finally, the non-ground objects were removed and the lost regions were retrieved and the digital terrain model was generated by interpolation. For analyzing the proposed approach, the reference data of the ISPRS was employed. The analyzing results in the five test areas indicated 4.61%, 6.97% and 3.17% for Type I, Type II and total errors, respectively. These results clarify the good performance of the proposed approach for detecting the non-ground objects. آتش‌سوزی جنگل, الگوریتم ژنتیک, رگرسیون اسپلاین تطبیقی چندمتغیره, اتوماتای سلولی, شبکه عصبی مصنوعی Digital Terrain Model, Point Cloud, Geodesic Dilation, Labeling, non-Ground Objects 73 96 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-102-11&slc_lang=fa&sid=1 Parham Pahlavani پرهام پهلوانی pahlavani@ut.ac.ir 10031947532846005905 10031947532846005905 Yes University of Tehran دانشگاه تهران Hamid Reza Sahraiian حمیدرضا صحرائیان 10031947532846005906 10031947532846005906 No University of Tehran دانشگاه تهران Behnaz Bigdeli بهناز بیگدلی 10031947532846005907 10031947532846005907 No University of Shahrood دانشگاه صنعتی شاهرود