Natural Disasters

fa نقشه‌برداری پتانسیل خطر آتش‌سوزی جنگل با استفاده از مدل یادگیری ماشین فرا‌ترکیبی: ارزیابی عملکردی داده‌های سنتینل 2 و لندست 8 High-Precision Wildfire Risk Mapping Using an Ensemble Machine Learning Model: Performance Assessment of Sentinel‑2 and Landsat‑8 Data تخصصي Special پژوهشي Research <div style="text-align: justify;">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 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 شود. یافته‌ها: 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 سنتینل 2 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 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.</div> <div style="text-align: justify;">Objective: Forest fires are among the most destructive natural hazards, causing irreversible ecological and economic consequences. Accurate fire risk mapping is therefore a critical tool for effective prevention and management. This study aimed to develop an integrated framework based on machine learning algorithms and to evaluate the effect of satellite data spatial resolution on the accuracy of forest fire susceptibility modeling. Method: To achieve this objective, spectral and thermal data derived from Landsat 8 (30 m spatial resolution) and Sentinel-2 (10 m spatial resolution) sensors were combined with topographic and climatic variables. Five well-established machine learning models were initially trained, and their outputs were subsequently integrated through a hybrid ensemble model to predict fire-prone areas. This approach enabled the exploitation of the complementary strengths of individual machine learning algorithms, improved the modeling of complex nonlinear relationships within the input data, and enhanced overall model stability. Results: Exploratory analyses revealed that the Normalized Difference Vegetation Index (NDVI), the Normalized Burn Ratio (NBR), elevation, and land surface temperature were the most influential variables in distinguishing fire-affected areas. Quantitative evaluation demonstrated that the hybrid ensemble model implemented using Sentinel-2 data outperformed all individual base models, achieving an overall accuracy of 94.52%, an F1-score of 87.76%, and an Intersection over Union (IoU) value of 80.12%. These findings indicate that integrating the capabilities of multiple machine learning algorithms can substantially improve predictive accuracy and model robustness compared with relying on a single model. Furthermore, a comparison of the two satellite sensors showed that the higher spatial resolution of Sentinel-2 significantly enhanced fire susceptibility estimation and produced maps with superior spatial detail and boundary delineation by reducing spatial averaging effects. Conclusions: The results demonstrate that integrating hybrid ensemble models with high-resolution satellite imagery can provide an efficient and reliable framework for proactive natural resource management and forest fire risk mitigation.</div> آتش‌سوزی جنگل, یادگیری ماشین, مدل فراترکیبی, سنتینل ۲ و لندست ۸, سنجش‌ازدور. Forest Fire, Machine Learning, Hybrid Ensemble Model, Sentinel-2 & Landsat 8, 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 1003194753284600324 0009-0000-7196-9861 No Department of Photogrammetry and Remote Sensing, Faculty of Geodesy and Geomatics Engineering, University of Tehran, Tehran, Iran. گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشگاه تهران، تهران، ایران. Reza Shah-Hosseini رضا شاه حسینی rshahosseini@ut.ac.ir 1003194753284600325 0009-0009-4853-8794 Yes Department of Photogrammetry and Remote Sensing, Faculty of Geodesy and Geomatics Engineering, University of Tehran, Tehran, Iran. گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشگاه تهران، تهران، ایران.