| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شماره‌ها | 3,272 |
| تعداد مقالات | 36,131 |
| تعداد مشاهده مقاله | 55,698,187 |
| تعداد دریافت فایل اصل مقاله | 94,483,283 |
آشکارسازی تغییرپذیری مکانی اثر عوامل مؤثر بر آتش‌سوزی جنگلها و مراتع با مدل رگرسیون وزن‌دار جغرافیایی (بررسی موردی: مناطق شمالی استان ایلام) | ||
| تحقیقات حمایت و حفاظت جنگلها و مراتع ایران | ||
| مقاله 10، دوره 23، شماره 2 - شماره پیاپی 46، اسفند 1404، صفحه 340-360 اصل مقاله (1.97 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijfrpr.2026.372291.1701 | ||
| نویسندگان | ||
| مهرداد قدس خواه دریایی1؛ محمد قاسم نیا* 2؛ پژمان دلیر3 | ||
| 1دانشیار، گروه جنگل‌داری، دانشکده منابع طبیعی، دانشگاه گیلان، صومعه‌سرا، ایران | ||
| 2دانشجوی دکتری، گروه جنگل‌داری، دانشکده منابع طبیعی، دانشگاه گیلان، صومعه‌سرا، ایران | ||
| 3دانش‌آموخته دکتری، گروه جنگل‌داری، دانشکده منابع طبیعی، دانشگاه گیلان، صومعه‌سرا، ایران | ||
| چکیده | ||
| سابقه و هدف: آتش‌سوزی جنگلها و مراتع یکی از مهمترین مخاطرات بوم‌شناسی در زیست‌بوم‌های نیمه‌خشک زاگرس به‌شمار می‌رود که تحت تأثیر برهم‌کنش پیچیده عوامل اقلیمی، فیزیوگرافی، انسانی و پوشش گیاهی شکل می‌گیرد و پیامدهای گسترده‌ای بر پایداری زیستی، خدمات بوم‌شناختی و امنیت معیشتی جوامع محلی برجای می‌گذارد. تشدید نوسانهای اقلیمی، افزایش دما، تداوم خشکسالی‌های دوره‌ای و گسترش فعالیت‌های انسانی طی دهه‌های اخیر، حساسیت این زیست‌بوم‌ها را نسبت به آتش‌سوزی افزایش داده است. درک دقیق الگوی مکانی آتش‌سوزی مستلزم به‌کارگیری مدل‌هایی است که ناهمگنی مکانی روابط بین متغیرها را در نظر بگیرند. هدف این پژوهش آشکارسازی تغییرپذیری مکانی اثر عوامل مؤثر بر رخداد آتش‌سوزی در جنگلها و بررسی تفاوت‌های مکانی این روابط در سطح منطقه مورد مطالعه و مراتع و ارزیابی کارایی مدل رگرسیون وزن‌دار جغرافیایی (Geographically Wighted Regression) در مقایسه با مدل رگرسیون حداقل مربعات معمولی (Ordinary Least Squares) به منظور شناسایی کانون‌های بحرانی و بهبود تصمیم‌گیری مدیریتی است. مواد و روش‌ها: در این پژوهش، ۴۴۱ پلی‌گون آتش‌سوزی مربوط به ماه‌های گرم سال طی بازه زمانی 2011 تا 2020 با استفاده از تصاویر ماهواره‌ای Landsat8 با بهره‌گیری از داده‌های نقاط داغ (Hotspot) سنجنده MODIS به منظور شناسایی و تأیید رخدادهای آتش‌سوزی استخراج شد. داده‌ها پس از تطبیق با آمار رسمی اداره کل منابع‌طبیعی و آبخیزداری استان ایلام، پالایش و کنترل کیفی گردید، سپس هر پلی‌گون به عنوان یک واحد مکانی تحلیل در نظر گرفته شد و مساحت پلی‌گون‌ها به عنوان متغیر وابسته به منظور شاخصی برای نمایش شدت و الگوی مکانی پدیده آتش‌سوزی در مدل‌سازی‌ها استفاده شد. مجموعه‌ای شامل ۲۱ متغیر مستقل مشتمل بر شاخص‌های اقلیمی، توپوگرافی، مجاورتی، کاربری اراضی، پوشش گیاهی و مؤلفه‌های اقتصادی - اجتماعی انتخاب شد. نقشه‌های پایه در محیط GIS تهیه و مقادیر هر متغیر برای پلی‌گون‌های آتش‌سوزی استخراج گردید. پیش‌پردازش داده‌های متغیر مستقل شامل شناسایی داده‌های پرت، یکسان‌سازی مقیاس‌ها، نرمال‌سازی با تبدیل Box–Cox و آزمون نرمال بودن انجام شد. هم‌خطی چندگانه با شاخص ضریب تورم واریانس بررسی و به‌منظور رفع هم‌خطی، کاهش ابعاد و حذف همبستگی درونی داده‌ها از مؤلفه‌های استخراج شده در مدلسازی استفاده گردید. مؤلفه‌هایی انتخاب شدند که بیش از ۸۰ درصد واریانس کل را تبیین می‌کردند. تحلیل اصلی با مدل رگرسیون وزن‌دار جغرافیایی اجرا شد که امکان برآورد ضرایب محلی و نمایش تغییرپذیری فضایی روابط را فراهم می‌کند. برای ارزیابی اعتبار مدل، آزمون مورانز (Moran’s I) بر روی باقیمانده‌ها انجام شد. برای مقایسه عملکرد، مدل رگرسیون حداقل مربعات معمولی نیز اجرا و شاخص‌های برازش دو مدل تحلیل شد. نتایج و یافته‌ها: نتایج نشان داد مدل رگرسیون وزن‌دار جغرافیایی نسبت به مدل رگرسیون حداقل مربعات معمولی از توان توضیحی بالاتری برخوردار است؛ به‌گونه‌ای که ضریب تعیین مدل محلی به 32/0 رسید و کاهش قابل توجه معیار آکاییک (AICc=1753) و خطای استاندارد برآورد بیانگر برازش برتر آن بود. تحلیل ضرایب محلی حکایت از آن دارد که جهت باد از مهمترین عوامل اقلیمی مؤثر بر تغییرات مکانی آتش‌سوزی هستند. از نظر فیزیوگرافی جهت شیب در بسیاری از نواحی به‌عنوان عامل مؤثر بر آتش‌سوزی شناسایی شد، هرچند شدت و جهت اثر آنها در سطح منطقه یکنواخت نبود. در سطح کاربری اراضی، کشاورزی دیم، جنگل‌های متراکم و مراتع با پوشش متوسط بیشترین ارتباط را با رخدادهای آتش‌سوزی نشان دادند که بیانگر تأثیر فعالیت‌های انسانی است. نتایج مدل GWR نشان داد که اهمیت و میزان تأثیر عوامل مؤثر بر آتش‌سوزی در سطح منطقه ثابت نیست و روابط مکانی بین متغیرها از یک ناحیه به ناحیه دیگر تغییر می‌کند. این موضوع امکان شناسایی کانون‌های بحرانی و تدوین راهبردهای مدیریتی متناسب با شرایط محلی را فراهم می‌سازد. نتیجه‌گیری: کاربرد رگرسیون وزن‌دار جغرافیایی (GWR) چارچوبی کارآمد برای بررسی تغییرپذیری مکانی روابط بین آتش‌سوزی و عوامل محیطی، فیزیوگرافی، انسانی و اقتصادی ـ اجتماعی فراهم می‌کند و نسبت به مدل رگرسیون حداقل مربعات معمولی (OLS) توانایی بیشتری در تبیین ناهمگنی فضایی این روابط دارد. نتایج پژوهش نشان داد که میزان و جهت تأثیر عوامل مؤثر بر آتش‌سوزی در سطح منطقه یکنواخت نبوده و از یک ناحیه به ناحیه دیگر تغییر می‌کند. این یافته بر ضرورت اتخاذ رویکردی منطقه‌محور و متناسب با شرایط محلی در مدیریت آتش‌سوزی‌های جنگلی و مرتعی تأکید دارد. همچنین، نقشه‌های ضرایب محلی و الگوهای مکانی استخراج‌شده از مدل GWR می‌توانند به عنوان مبنایی علمی برای شناسایی نواحی حساس، اولویت‌بندی اقدامات مدیریتی، طراحی برنامه‌های پیشگیرانه و بهبود پایش و مدیریت آتش‌سوزی در مقیاس منطقه‌ای مورد استفاده قرار گیرند. | ||
| کلیدواژه‌ها | ||
| آتش‌سوزی؛ رگرسیون وزن‌دار جغرافیایی (GWR)؛ تغییرپذیری مکانی؛ مناطق شمالی استان ایلام | ||
| عنوان مقاله [English] | ||
| Detection of spatial variability in the effects of factors influencing wildfires in forests and rangelands using geographically weighted regression (Case study: northern areas of Ilam province) | ||
| نویسندگان [English] | ||
| Mehrdad Ghodskhah Daryaei1؛ Mohamad Ghasemnia2؛ Pejman Dalir3 | ||
| 1Associate Prof., Department of Forestry, Faculty of Natural Resources, University of Guilan, Sowmeh Sara, Iran | ||
| 2Ph.D. Student, Deptartment of Forestry, Faculty of Natural Resources, University of Guilan, Sowmeh Sara, Iran | ||
| 3Ph.D. Graduate., Deptartment.of Range and Watershed Management, Faculty of Natural Resources, University of Guilan, Sowmeh Sara, Iran | ||
| چکیده [English] | ||
| Background and Objective: Forest and rangeland fires are among the most significant ecological hazards in the semi-arid ecosystems of the Zagros region. Their occurrence is driven by the complex interaction of climatic, physiographic, anthropogenic, and vegetation-related factors, resulting in substantial impacts on ecosystem stability, ecosystem services, and the livelihood security of local communities. In recent decades, intensified climate variability, increasing temperatures, recurrent droughts, and the expansion of human activities have heightened the susceptibility of these ecosystems to wildfire occurrence. Accurate understanding of wildfire spatial patterns requires modeling approaches capable of accounting for spatial heterogeneity in the relationships among explanatory variables. Therefore, this study aimed to investigate the spatial variability of factors influencing wildfire occurrence in forest and rangeland ecosystems and to examine the spatial differences in these relationships across the study area. Furthermore, the performance of the Geographically Weighted Regression (GWR) model was evaluated and compared with the Ordinary Least Squares (OLS) regression model to identify critical hotspots and improve management decision-making. Methodology: A total of 441 wildfire polygons occurring during the warm seasons between 2011 and 2020 were delineated using Landsat 8 satellite imagery and MODIS hotspot data for wildfire detection and verification. Following validation against official records provided by the Ilam Province Department of Natural Resources and Watershed Management, the dataset was refined and subjected to quality-control procedures. Each wildfire polygon was considered an individual spatial analysis unit, and polygon area was used as the dependent variable representing wildfire magnitude and spatial distribution in the modeling process. A set of 21 independent variables, including climatic, topographic, proximity-related (distance to roads, villages, cities, and water resources), land-use, vegetation-cover, and socio-economic indicators, was selected. Base maps were prepared in a GIS environment, and the values of all variables were extracted for each wildfire polygon. Data preprocessing included outlier detection, scale standardization, Box–Cox transformation, and normality testing. Multicollinearity was assessed using the Variance Inflation Factor (VIF). To mitigate multicollinearity, reduce dimensionality, and eliminate internal correlations among variables, extracted components were used in subsequent modeling. Components explaining more than 80% of the total variance were retained. The primary analysis was conducted using the GWR model, which allows local coefficient estimation and the assessment of spatial variability in relationships. Moran’s I statistic was applied to model residuals to evaluate spatial autocorrelation and model validity. For comparison purposes, an OLS regression model was also implemented, and the goodness-of-fit statistics of both models were analyzed. Results: The results demonstrated that the GWR model provided greater explanatory power than the OLS model. The local model achieved a coefficient of determination (R²) of 0.32, while a substantial reduction in the corrected Akaike Information Criterion (AICc = 1753) and the standard error of estimation indicated superior model performance. Analysis of local coefficients revealed that wind speed was among the most influential climatic factors affecting the spatial variation of wildfire occurrence. From a physiographic perspective, slope aspect was identified as a significant determinant of wildfire occurrence across many parts of the study area; however, both the magnitude and direction of its effects varied spatially. Regarding land use and vegetation cover, rainfed agricultural lands, dense forests, and moderately covered rangelands exhibited the strongest associations with wildfire occurrence, highlighting the considerable influence of human activities on fire regimes. The GWR results further indicated that the importance and effects of wildfire-driving factors were not spatially constant across the region; rather, the relationships among variables varied considerably from one location to another. This spatial non-stationarity enables the identification of critical wildfire-prone areas and supports the development of location-specific management strategies. Conclusion: The application of Geographically Weighted Regression (GWR) provides an effective framework for investigating the spatial variability of relationships between wildfire occurrence and environmental, physiographic, anthropogenic, and socio-economic factors. Compared with the Ordinary Least Squares (OLS) model, GWR demonstrated a greater capacity for explaining the spatial heterogeneity of these relationships. The findings revealed that both the magnitude and direction of the effects of wildfire-related factors vary substantially across the study area rather than remaining spatially uniform. These results emphasize the necessity of adopting region-specific and locally adapted approaches to forest and rangeland fire management. Furthermore, the local coefficient maps and spatial patterns derived from the GWR model can serve as a scientific basis for identifying vulnerable areas, prioritizing management interventions, designing preventive strategies, and improving wildfire monitoring and management at the regional scale. | ||
| کلیدواژه‌ها [English] | ||
| Wildfire, Geographically Weighted Regression (GWR), spatial variability, northern Ilam province | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 178 تعداد دریافت فایل اصل مقاله: 112 |
||