Natural Disasters

fa نقشه‌برداری دقیق ریسک آتش‌سوزی جنگل با استفاده از مدل یادگیری ماشین فرا ترکیبی: ارزیابی عملکردی داده‌های سنتینل2 و لندست8 High-Precision Wildfire Risk Mapping Using an Ensemble Machine Learning Model: Performance Assessment of Sentinel‑2 and Landsat‑8 Data تخصصي Special پژوهشي Research آتش‌سوزی جنگل‌ها یکی از مخرب‌ترین بلایای 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 چارچوب یکپارچه مبتنی بر الگوریتم‌های یادگیری ماشین و ارزیابی تاثیر قدرت تفکیک مکانی داده‌های ماهواره‌ای بر دقت مدل‌سازی ریسک آتش‌سوزی انجام شد. بدین منظور، داده‌های طیفی و حرارتی دو سنجنده لندست8 (با وضوح 30 متر) و سنتینل2 (با وضوح 10 متر) به همراه متغیرهای توپوگرافیک و اقلیمی مورد استفاده قرار گرفتند. در این مقاله پنج مدل یادگیری ماشین پایه مختلف که از جمله مدل‌های شناخته شده یادگیری ماشین هستند آموزش دیده و در نهایت نتایج حاصل از این مدل‌ها به کمک یک مدل فراترکیبی جهت 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 گردد. تحلیل‌های اکتشافی نشان داد که شاخص‌هایNDVI  و NBR  به 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 سنتینل2 با دستیابی به صحت معادل 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 به جای اتکا به یک مدل یادگیری ماشین به تنهایی، 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 سنتینل2 منجر به بهبود دقت برآورد ریسک آتش‌سوزی شده و نقشه‌های خروجی آن به دلیل کاهش اثر میانگین‌گیری مکانی، از وضوح و مرزبندی به مراتب دقیق‌تری برخوردارند. نتایج این مطالعه نشان می‌دهد که ادغام مدل‌های فراترکیبی با داده‌های ماهواره‌ای با وضوح بالا، می‌تواند به عنوان یک سیستم کارآمد در فرایند مدیریت پیشگیرانه منابع طبیعی مورد استفاده قرار گیرد. Forest fires are among the most destructive natural disasters, leading to irreparable ecological and economic consequences. Developing accurate fire risk maps is a vital tool for the management and prevention of this crisis. The present study was conducted with the aim of developing an integrated framework based on machine learning algorithms and evaluating the impact of satellite data spatial resolution on the accuracy of wildfire risk modeling. To this end, spectral and thermal data from two sensors, Landsat-8 (with 30m resolution) and Sentinel-2 (with 10m resolution), were utilized along with topographic and climatic variables. In this paper, five different base machine learning models, which are among the well-known machine learning models, were trained, and finally, the results from these models were trained using a meta-ensemble model to predict fire-prone areas. This approach allowed for the utilization of all the diverse capabilities inherent in machine learning models, better modeling of complex non-linear patterns in the input data, and the creation of a more stable model whenever possible. Exploratory analyses showed that NDVI and NBR indices, along with elevation and land surface temperature variables, play the most significant role in distinguishing fire-affected areas. Quantitative evaluation results demonstrated that the meta-ensemble model implemented on Sentinel-2 data achieved a high performance among all base models, reaching an accuracy of 94.52%, an F1-Score of 94.76–94.87%, and an IoU index of 80.12%. This indicates that instead of relying on a single machine learning model alone, the combination of different capabilities from various models can be used to improve model accuracy and stability. Furthermore, comparing the results of the two sensors showed that the enhancement of spatial resolution in Sentinel-2 led to improved accuracy in wildfire risk estimation, and its output maps possess far more precise clarity and delineation due to the reduction of spatial averaging effects. The results of this study indicate that integrating meta-ensemble models with high-resolution satellite data can be utilized as an efficient system in the process of proactive natural resource management.   آتش‌سوزی جنگل، یادگیری ماشین، مدل فراترکیبی، سنتینل ۲، لندست ۸، سنجش از دور. Wildfire Risk Modeling, Machine Learning, Meta-Ensemble Model, Sentinel-2, Landsat-8, Spatial Resolution, Remote Sensing. 0 0 http://disaster.ndri.ac.ir/browse.php?a_code=A-10-121-1&slc_lang=fa&sid=1 Mohaddeseh Mesvari محدثه مسواری m.mesvari@ut.ac.ir 1003194753284600279 1003194753284600279 No Faculty of Surveying and Spatial Information Engineering, University of Tehran دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشگاه تهران Reza Shah-Hosseini رضا شاه حسینی rshahosseini@ut.ac.ir 1003194753284600280 1003194753284600280 Yes Faculty of Surveying and Spatial Information Engineering, University of Tehran دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشگاه تهران