اخبار و اعلانات
آمار
| تعداد نشریات | 34 |
| تعداد شماره‌ها | 1,331 |
| تعداد مقالات | 9,574 |
| تعداد مشاهده مقاله | 9,756,407 |
| تعداد دریافت فایل اصل مقاله | 5,960,702 |
پیش بینی مساحت ناحیه سوخته ناشی از آتش‌سوزی در جنگل با رویکردی مبتنی بر یادگیری ماشین | ||
| پدافند غیرعامل | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 29 شهریور 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| علی ژاله کریمی* 1؛ محمدعلی جوادزاده2 | ||
| 1دانشجوی کارشناسی ارشد، دانشکده هوش مصنوعی و علوم شناختی، دانشگاه جامع امام حسین(ع)، تهران، ایران | ||
| 2دانشکده هوش مصنوعی و علوم شناختی، دانشگاه امام حسین(ع)، تهران، ایران | ||
| تاریخ دریافت: 23 اسفند 1403، تاریخ بازنگری: 21 خرداد 1404، تاریخ پذیرش: 29 شهریور 1404 | ||
| چکیده | ||
| آتش‌سوزی جنگل یکی از تهدیدات جدی برای منابع طبیعی و زیرساخت‌های حیاتی کشور است که سالانه خسارات گسترده اقتصادی، زیست‌محیطی و امنیتی به همراه دارد. این پژوهش باهدف تقویت سامانه‌های پدافند غیرعامل و مدیریت بحران در مواجهه با آتش‌سوزی‌های جنگلی، رویکردی نوین مبتنی بر هوش مصنوعی برای پیش‌بینی مساحت ناحیه سوخته ارائه می‌دهد. در این پژوهش، از الگوریتم ایکس‌جی‌بوست (روش پیشنهادی) در چارچوب یادگیری ماشین برای پیش‌بینی دقیق مساحت مناطق آسیب‌دیده از آتش‌سوزی با استفاده از داده‌های هواشناسی، جغرافیایی و زمانی استفاده شده است. این مدل در معیارهای ارزیابی جذر میانگین مربعات خطاها و میانگین خطاهای مطلق به ترتیب مقادیر 602/61 و 273/12 را به دست می‌آورد؛ که امکان برنامه‌ریزی منابع و تجهیزات موردنیاز برای مهار آتش را فراهم می‌کند. یافته‌های این پژوهش نشان می‌دهد که با تحلیل مکانی - زمانی آتش‌سوزی‌ها، می‌توان نقاط بحرانی و زمان‌های پرخطر را شناسایی کرد، همچنین مساحت آتش‌سوزی احتمالی را با خطای اندکی برآورد نمود و منابع پدافندی را به‌صورت هدفمند تخصیص داد. این رویکرد در راستای آمایش سرزمینی هوشمند و مدیریت بحران پیشگیرانه، امکان حفاظت از زیرساخت‌های حیاتی مجاور مناطق جنگلی را تقویت می‌کند. همچنین، این مدل می‌تواند به‌عنوان مکمل برای یک سامانه هشدار سریع در چارچوب پدافند غیرعامل و تاب‌آوری زیست‌محیطی، نقش مهمی در کاهش خسارات و حفظ منابع ملی ایفا کند. گرچه این مطالعه بر داده‌های خارج از ایران متمرکز است، اما پژوهش ارائه شده قابلیت بومی‌سازی برای جنگل‌های ایران را دارد و می‌تواند به‌عنوان ابزاری راهبردی در پدافند غیرعامل کشور مورداستفاده قرار گیرد. | ||
| کلیدواژه‌ها | ||
| آتش‌سوزی جنگل؛ مدیریت بحران؛ مدیریت آتش‌سوزی؛ هواشناسی جنگل؛ FWI؛ رگرسیون؛ XGBoost | ||
| عنوان مقاله [English] | ||
| Estimate the burned area caused by forest fire with an approach based on Machine Learning | ||
| نویسندگان [English] | ||
| Ali Zhaleh Karimi1؛ Mohammad Ali Javadzade2 | ||
| 1Master's student, Faculty of Artificial Intelligence and Cognitive Sciences, Imam Hossein (AS) University, Tehran, Iran | ||
| 2Faculty of Artificial Intelligence and Cognitive Sciences, Imam Hossein (AS) University, Tehran, Iran | ||
| چکیده [English] | ||
| Forest fires are a serious threat to natural resources and critical infrastructure, causing extensive economic, environmental, and security damages annually. This research aims to strengthen passive defense and crisis management systems by presenting an innovative artificial intelligence-based approach for predicting burned area extent when facing forest fires. Considering the importance of protecting natural areas as national assets and role of forests in ensuring environmental and economic security, this study provides an efficient tool for rapid and effective decision-making during fire crises. In this research, the XGBRegressor algorithm within machine learning framework was used to accurately predict the area damaged by fire using meteorological, geographical, and temporal data. The model achieves RMSE and MAE evaluation metrics of 61.602 and 12.273 respectively, enabling resource and equipment planning for fire suppression. The research findings demonstrate that through spatial-temporal fire analysis, critical points and high-risk periods can be identified. Additionally, the potential fire area can be estimated with minimal error, allowing targeted allocation of defensive resources. This approach, in line with intelligent territorial planning and proactive crisis management, enhances ability to protect critical infrastructures adjacent to forest areas. Moreover, this model can serve as a complement to an early warning system within the framework of passive defense and environmental resilience, playing a crucial role in reducing damages and preserving national resources. Although this study focuses on data from outside Iran, the presented research has the potential for localization to Iranian forests and can be used as a strategic tool in the country's passive defense. | ||
| کلیدواژه‌ها [English] | ||
| forest fire, crisis management, fire management, forest meteorology, FWI, regression, XGBoost | ||
|
آمار تعداد مشاهده مقاله: 1 |
||