گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشهبرداری و اطلاعات مکانی، دانشگاه تهران، تهران، ایران.
چکیده: (364 مشاهده)
هدف: آتشسوزی جنگلها یکی از مخربترین سوانح طبیعی است که پیامدهای اکولوژیکی و اقتصادی جبرانناپذیری به همراه دارد. تهیه نقشههای دقیق خطر حریق، ابزاری حیاتی برای مدیریت و پیشگیری از این بحران است. پژوهش حاضر با هدف توسعه یک چهارچوب یکپارچه مبتنی بر الگوریتمهای یادگیری ماشین و ارزیابی تأثیر قدرت تفکیک مکانی دادههای ماهوارهای بر دقت مدلسازی پتانسیل خطر آتشسوزی انجام شد. روش پژوهش: بدین منظور، دادههای طیفی و حرارتی دو سنجنده لندست 8 (با وضوح 30 متر) و سنتینل 2 (با وضوح 10 متر) به همراه متغیرهای توپوگرافیک و اقلیمی مورداستفاده قرار گرفتند. در این مقاله، پنج مدل یادگیری ماشین پایه مختلف که ازجمله مدلهای شناختهشده یادگیری ماشین هستند، آموزشدیده و درنهایت نتایج حاصل از این مدلها به کمک یک مدل فراترکیبیجهت پیشبینی مناطق مستعد آتشسوزی آموزش داده شدند. این امر سبب گردید تا از تمامی قابلیتهای متفاوت موجود در مدلهای یادگیری ماشین بهره برده و الگوهای پیچیده غیرخطی موجود در دادههای ورودی بهتر مدل شوند و تا جای ممکن مدلی با ثبات بیشتر ایجاد شود. یافتهها: تحلیلهای اکتشافی نشان داد که شاخصهایNDVI و NBRبه همراه متغیرهای ارتفاع و دمای سطح زمین، بیشترین نقش را در تفکیک مناطق دچار حریق دارند. نتایج ارزیابی کمی نشان داد که مدل فراترکیبی پیادهسازیشده روی دادههای سنتینل 2 با دستیابی به صحتمعادل 52/94 درصد،F1−Score برابر با 76/87 درصد و شاخصIoU معادل 12/80 درصد عملکرد مناسبی را در میان تمامی مدلهای پایه داشته است و این امر خود حاکی از آن است که بهجای اتکا به یک مدل یادگیری ماشین بهتنهایی، میتوان از تلفیق قابلیتهای متفاوت مدلهای مختلف جهت بهبود دقت و ثبات مدل بهره برد. همچنین، مقایسه نتایج حاصل از دو سنجنده نشان داد که ارتقای رزولوشن مکانی در سنتینل 2 منجر به بهبود دقت برآورد پتانسیل خطر آتشسوزی شده و نقشههای خروجی آن به دلیل کاهش اثر میانگینگیری مکانی، از وضوح و مرزبندی بهمراتب دقیقتری برخوردارند. نتیجهگیری: نتایج این مطالعه نشان میدهد که ادغام مدلهای فراترکیبی با دادههای ماهوارهای با وضوح بالا، میتواند بهعنوان یک سیستم کارآمد در فرایند مدیریت پیشگیرانه منابع طبیعی مورداستفاده قرار گیرد.
Mesvari M, Shah-Hosseini R. (2025). High-Precision Wildfire Risk Mapping Using an Ensemble Machine Learning Model: Performance Assessment of Sentinel‑2 and Landsat‑8 Data. Natural Disasters. 1(4), URL: http://disaster.ndri.ac.ir/article-1-62-fa.html
مسواری محدثه، شاه حسینی رضا.(1404). نقشهبرداری پتانسیل خطر آتشسوزی جنگل با استفاده از مدل یادگیری ماشین فراترکیبی: ارزیابی عملکردی دادههای سنتینل 2 و لندست 8 سوانح طبیعی 1 (4)
