اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,408 |
| تعداد مقالات | 10,088 |
| تعداد مشاهده مقاله | 11,909,268 |
| تعداد دریافت فایل اصل مقاله | 6,961,333 |
پیش بینی مساحت ناحیه سوخته ناشی از آتشسوزی در جنگل با رویکردی مبتنی بر یادگیری ماشین | ||
| پدافند غیرعامل | ||
| مقاله 2، دوره 17، شماره 1 - شماره پیاپی 65، خرداد 1405، صفحه 19-35 اصل مقاله (1.89 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.47176/pd.2026.1526 | ||
| نویسندگان | ||
| علی ژاله کریمی1؛ محمدعلی جوادزاده* 2 | ||
| 1دانشجوی کارشناسی ارشد هوش مصنوعی و رباتیکز، دانشکده هوش مصنوعی و علوم شناختی، دانشگاه جامع امام حسین(ع)، تهران، ایران. | ||
| 2استادیار، دانشکده هوش مصنوعی و علوم شناختی، دانشگاه جامع امام حسین(ع)، تهران، ایران. | ||
| تاریخ دریافت: 23 اسفند 1403، تاریخ بازنگری: 12 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 in artificial intelligence and robotics, Faculty of artificial intelligence and cognitive sciences, Imam Hossein Comprehensive University, Tehran, Iran | ||
| 2Assistant Professor, Faculty of artificial intelligence and cognitive sciences, Imam Hossein Comprehensive 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. 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 | ||
| مراجع | ||
|
[1]. P. Progias and G. C. Sirakoulis, "An FPGA processor for modelling wildfire spreading," Mathematical and Computer Modelling, vol. 57, no. 5, pp. 1436-1452, 2013/03/01/ 2013, doi: https://doi.org/10.1016/j.mcm.2012.12.005. [2]. M. Ozbayoglu and R. Bozer, "Estimation of the Burned Area in Forest Fires Using Computational Intelligence Techniques," Procedia Computer Science, vol. 12, pp. 282–287, 12/31 2012, doi: 10.1016/j.procs.2012.09.070. [3]. A. Azimpour, "Passive defense with a fire safety approach in the environment," presented at the 6rd International Conference new ideas in Agriculture, Environment and Tourism, 2020. [Online]. Available: https://civilica.com/doc/1133040. (In Persian) [4]. B. C. Arrue, A. Ollero, and J. R. M. d. Dios, "An intelligent system for false alarm reduction in infrared forest-fire detection," IEEE Intelligent Systems and their Applications, vol. 15, no. 3, pp. 64-73, 2000, doi: 10.1109/5254.846287. [5]. P. Cortez and A. de J. R. Morais, “A data mining approach to predict forest fires using meteorological data,” Dec. 2007, Available: http://www3.dsi.uminho.pt/pcortez/fires.pdf [6].T. Niranjan, D. Swetha, V. Charitha, and A. Stephen, “PREDICTING BURNED AREA OF FOREST FIRES,” IRJCS: International Research Journal of Computer Science, vol. 6, pp. 132-136, 2019. doi: 10.26562/IRJCS.2019.APCS10089. [7]. T. Chen and C. Guestrin, "XGBoost: A Scalable Tree Boosting System," presented at the Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, California, USA, 2016. [Online].Available: https://doi.org/10.1145/2939672.2939785. [8]. A. Alonso-Betanzos et al., “An intelligent system for forest fire risk prediction and fire fighting management in Galicia,” Expert Systems with Applications, vol. 25, no. 4, pp. 545–554, Nov. 2003, doi: 10.1016/s0957-4174(03)00095-2. [9]. S. W. Taylor and M. Alexander, "Science, technology, and human factors in fire danger rating: the Canadian experience," International Journal of Wildland Fire, vol. 15, 03/28 2006, doi: 10.1071/WF05021. [10]. A. Geron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media, Inc., 2019. [11]. G. Montavon, W. Samek, and K.-R. Müller, "Methods for interpreting and understanding deep neural networks," Digital Signal Processing, vol. 73, pp. 1-15, 2018/02/01/ 2018, doi: https://doi.org/10.1016/j.dsp.2017.10.011. [12]. D. N. Joanes and C. A. Gill, "Comparing Measures of Sample Skewness and Kurtosis," Journal of the Royal Statistical Society. Series D (The Statistician), vol. 47, no. 1, pp. 183-189, 1998. [Online]. Available: http://www.jstor.org/stable/2988433. [13]. G. Hatem, J. Zeidan, M. Goossens, and C. Moreira, "Normality testing methods and the importance of skewness and kurtosis in statistical analysis," BAU Journal-Science and Technology, vol. 3, no. 2, p. 7, 2022. [14]. S. Menard, Applied Logistic Regression Analysis, Thousand Oaks, California, 2002. [Online]. Available: https://methods.sagepub.com/book/applied-logistic-regression-analysis. Accessed on: 2024/01/30. [15]. G. Chandrashekar and F. Sahin, "A survey on feature selection methods," Computers & Electrical Engineering, vol. 40, no. 1, pp. 16-28, 2014/01/01/ 2014, doi: https://doi.org/10.1016/j.compeleceng.2013.11.024. [16]. J. H. Friedman, "Greedy function approximation: a gradient boosting machine," Annals of statistics, pp. 1189-1232, 2001. [17]. D. Singh, A. H. Khan, and S. Meena, "Fake News Detection Using Ensemble Learning Models," in Proceedings of Data Analytics and Management, Singapore, A. Swaroop, Z. Polkowski, S. D. Correia, and B. Virdee, Eds., 2023// 2023: Springer Nature Singapore, pp. 53-66. [18]. I. D. Mienye and Y. Sun, "A Survey of Ensemble Learning: Concepts, Algorithms, Applications, and Prospects," IEEE Access, vol. 10, pp. 99129-99149, 2022, doi: 10.1109/ACCESS.2022.3207287. [19]. B. Shahriari, K. Swersky, Z. Wang, R. P. Adams, and N. d. Freitas, "Taking the Human Out of the Loop: A Review of Bayesian Optimization," Proceedings of the IEEE, vol. 104, no. 1, pp. 148-175, 2016, doi: 10.1109/JPROC.2015.2494218. | ||
|
آمار تعداد مشاهده مقاله: 355 تعداد دریافت فایل اصل مقاله: 4 |
||