دوره 10، شماره 20 - ( پاییز و زمستان 1401 1401 )                   جلد 10 شماره 20 صفحات 192-183 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Gholamrezaei A, Khosravi M, Pourreza M. The Relationship between wildfire areas and physiographic features in the Zagros vegetation area, Kermanshah province. ifej 2022; 10 (20) :183-192
URL: http://ifej.sanru.ac.ir/article-1-465-fa.html
غلامرضایی اشکان، خسروی محمد، پوررضا مرتضی. ارتباط گستره‌های آتش‌سوزی با ویژگی‌های فیزیوگرافی در ناحیه رویشی زاگرس مرکزی، استان کرمانشاه. بوم شناسی جنگل های ایران (علمی- پژوهشی) 1401; 10 (20) :192-183

URL: http://ifej.sanru.ac.ir/article-1-465-fa.html


گروه منابع طبیعی، دانشگاه رازی، کرمانشاه، ایران
چکیده:   (290 مشاهده)
چکیده مبسوط 
مقدمه و هدف: آتش‌‍‌سوزی جنگل‌ها و مراتع به عنوان یکی از چالش‌های اصلی مدیریت منابع طبیعی محسوب می‌شود به طوری که هر ساله خسارات زیادی را به این اکوسیستم‌های طبیعی وارد می‌کند. اگرچه منشاء اکثر آتش‌سوزی‌های عرصه‌های طبیعی در ناحیه رویشی زاگرس عامل انسانی است ولی، عوامل محیطی نقش کلیدی در گسترش آنها و مساحت سوختگی بازی می‌کند. بنابراین هدف از این مطالعه بررسی و تعیین ارتباط بین اشکال مختلف فیزیوگرافی شامل شیب، جهت، ارتفاع از سطح دریا با گستره‌های آتش‌سوزی در بازه زمانی 2001 تا 2018 با استفاده از داده‌های سنجنده MODIS بود.
مواد و روش‌ها: داده­های مربوط به گستره­های آتش­سوزی از سال 2001 تا 2018 با اندازه تفکیک مکانی 500 متر دریافت گردید که دربردارنده اطلاعات زمانی و مکانی آتش­سوزی‌ها بودند. سپس نقشه‌های شیب (پنج طبقه)، ارتفاع از سطح دریا (شش طبقه) و جهت شیب (پنج طبقه) با استفاده از مدل رقومی ارتفاعی 90 متری برای کل منطقه مورد مطالعه تهیه گردید. از آزمون کولموگروف- سمیرنوف برای بررسی نرمال بودن توزیع داده‌ها در هر یک از طبقات فیزیوگرافی استفاده شد. با توجه به نرمال نبودن توزیع داده‌ها، برای بررسی معنی‌دار بودن وجود اختلاف آماری بین میانه مساحت گستره‌های آتش‌سوزی در طبقات مختلف اشکال فیزیوگرافی از آزمون‌های ناپارامتریک شامل آزمون کروسکال والیس و آزمون من-ویتنی‌یو استفاده شد. همچنین به منظور حذف تاثیر اندازه مساحت طبقه فیزیوگرافی بر مساحت گستره آتش‌سوزی، شاخص آتش‌سوزی ویژه در هر طبقه فیزیوگرافی و به تفکیک نوع پوشش گیاهی محاسبه شد. بدین منظور با استفاده از همپوشانی لایه‌های مربوطه، نسبت مساحت آتش‌سوزی در هر طبقه از عوامل فیزیوگرافی به مساحت آن طبقه و به تفکیک نوع پوشش گیاهی(جنگلی یا مرتعی) محاسبه شد.  
یافته‌ها: نتایج بدست آمده نشان داد که هرچه مساحت طبقه فیزیوگرافی بیشتر باشد، میانه گستره‌های آتش‌سوزی نیز در آنها بیشتر است. ولی نتایج مربوط به شاخص آتش‌سوزی ویژه (نسبت مساحت آتش‌سوزی به مساحت طبقه) نشان داد که جهت شرقی و طبقه ارتفاعی 1000-500 متر در هر دو نوع پوشش گیاهی جنگلی و مرتعی دارای بیشترین مقدار آتش‌سوزی ویژه بودند. علاوه بر آن، بر اساس عامل شیب، طبقه بیش از 80 درصد در جنگل و طبقه 30-15 درصد در مرتع بیشترین مقدار آتش‌سوزی ویژه را داشتند. از آنجا که شاخص آتش‌سوزی ویژه، بستگی به مساحت طبقات فیزیوگرافی ندارد، می‌تواند پتانسیل طبیعی هر طبقه از عوامل فیزیوگرافی در گسترش آتش‌سوزی را نشان دهد.
نتیجه‌گیری: نتیجه‌گیری شد که در نظر گرفتن "آتش‌سوزی ویژه" در مقایسه با مساحت آتش­سوزی، شاخص مناسب‌تری برای بررسی اثر عوامل فیزیوگرافی بر گسترش آتش‌سوزی‌ها است.
متن کامل [PDF 1212 kb]   (62 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1401/1/28 | پذیرش: 1401/3/28 | انتشار: 1401/8/1

فهرست منابع
1. Adab, H., K.D. Kanniah, K. Solaimani and R. Sallehuddin. 2015. Modelling static fire hazard in a semi-arid region using frequency analysis. International Journal of Wildland Fire, 24(6): 763-777. [DOI:10.1071/WF13113]
2. Adaktylou, N.E. and D. Stratoulias. 2018. A GIS Multi-criteria approach for forest fire risk assessment: A case study for chios, Greece. In Proceedings of the AGU Fall Meeting, 10-14 pp. Washington, DC, USA.
3. Alinai, A., A. Gandomkar and A. Abbassi. 2021. Spatiotemporal Analysis of Wildfire Hazards in Lorestan Province applying MODIS Products, Iranin Journal of Geography and Sustainability of Environment, 38: 113-127 (In Persian).
4. Azizi, M., M. Khosravi and M. Pourreza. 2020. Frequency of fire incidence in relation to Zagros forests and rangelands physiography (Kermanshah Province) using MODIS Active Fire Data. Iranian Journal of Forest and Range Protection Research, 18(1): 42-55 (In Persian).
5. Bazyar, M., J. Oladi Ghadikolaii, H.R. Pourghasemi and M.R. Serajyan maralan. 2020. Zoning and Investigation of Factors Affecting Forest Fire Using Evidential Belief Function Algorithm and Support Vector Machine in Boyer Ahmad City. Iranian Journal of Forest and Range Protection Research, 17(2): 197-222 (In Persian).
6. Beaty, R.M. and A.H. Taylor. 2001. Spatial and temporal variation of fire regimes in a mixed conifer forest landscape, Southern Cascades, California, USA. Journal of Biogeography, 28: 955-966. [DOI:10.1046/j.1365-2699.2001.00591.x]
7. Chang, Y., H.S. He, I. Bishop, Y. Hu, R. Bu, C. Xu and X. Li. 2007. Long-term forest landscape responses to fire exclusion in the Great Xing'an Mountains, China. International Journal of Wildland Fire, 16: 34-44. [DOI:10.1071/WF05093]
8. Chen, F., Y. Du, S. Niu and J. Zhao. 2015. Modeling forest lightning fire occurrence in the Daxinganling Mountains of Northeastern China with MAXENT. Forests, 6(5): 1422-1438. [DOI:10.3390/f6051422]
9. Chuvieco, E., L. Giglio and C. Justice. 2008. Global characterization of fire activity: toward defining fire regimes from Earth observation data. Global Change Biology, 14: 1502. [DOI:10.1111/j.1365-2486.2008.01585.x]
10. Conedera, M., G. Cesti, G.B. Pezzatti, T. Zumbrunnen and F. Spinedi. 2006. Lightning-induced fires in the Alpine region: An increasing problem. Forest Ecology and Management, 234(1): 68. [DOI:10.1016/j.foreco.2006.08.096]
11. Dimopoulou, M. and I. Giannikos. 2004. Towards an integrated framework for forest fire control. European Journal of Operational Research, 152(2): 476-486. [DOI:10.1016/S0377-2217(03)00038-9]
12. Dlamini, W.M. 2011. Application of Bayesian networks for fire risk mapping using GIS and remote sensing data. Geo Journal, 76: 283-296. [DOI:10.1007/s10708-010-9362-x]
13. Emami, H. and H. Shahriari. 2020. Quantifying environmental and human factors affecting occurance and spread of wildfires using RS and GIS methods protected area of Arasbaran. GEOGRAPHICAL DATA, 28(112): 35-53 (In Persian).
14. Eslami, R., M.R. Azarnoosh, A. Kialashki and F. Kazemnejad. 2021. Assessing the Probability of Forest Fire Occurring using Dong Model, Artificial Neural Network and K Nearest Neighbors in Babolrood Basin, Mazandaran. Ecology of Iranian Forests, 9)17(: 185-195 (In Persian).
15. Fattahi, B. and A. Tahmasebi. 2010. Fire influence on vegetation changes of Zagros mountainous rangelands (Case study: Hamadan province). Rangeland, 4(2): 228-239 (In Persian).
16. Ganteaume, A., A. Camia, M. Jappiot, J.S.M. Ayanz, M.L. Fournel and C. Lampin. 2013. A review of the main driving factors of forest fire ignition over Europe. Journal of Environmental Management. 51: 651-662. [DOI:10.1007/s00267-012-9961-z]
17. Giglio, L., L. Boschetti, D. Roy, A.A. Hoffmann, M. Humber and J.V. Hall. 2018. Collection 6 MODIS Burned Area Product User's Guide, Version 1.2. https://modis-land.gsfc.nasa.gov/pdf/MODIS_C6_BA_User_Guide_1.2.pdf
18. Guo, F., G. Wang, Z. Su, H. Liang, W. Wang and F.F.A. Lin. 2016. What drives forest fire in Fujian, China? Evidence from logistic regression and Random Forests. International Journal of Wild Land Fire, 25(5): 505-519. [DOI:10.1071/WF15121]
19. Hering, A.S., C.L. Bell and M.G. Genton. 2009. Modeling spatio-temporal wildfire ignition point patterns. Environmental and Ecological Statistics, 16: 225-250. [DOI:10.1007/s10651-007-0080-6]
20. Houghton, R.A. and K. Ramakrishna. 1999. A review of national emissions inventories from select non-annex I countries: Implications for counting sources and sinks of carbon. Annual Review of Energy and Environment, 24: 571-605. [DOI:10.1146/annurev.energy.24.1.571]
21. Jafarri, A., J. Rezaeian and M.S.O. Omrani. 2017. Spatial prediction of slope failures in support of forestry operations safety. Croatian Journal of Forest Engineering: Journal for Theory and Application of Forestry Engineering, 38(1): 107-118.
22. Janbazghobadi, G. 2019. Investigation of forest fire hazard areas in Golestan province based on fire risk system index (FRSI) using the technique (GIS). Journal of Applied researches in Geographical Sciences, 6(3): 89-102 (In Persian). [DOI:10.29252/jsaeh.6.3.89]
23. Jiang, Y., Q. Zhuang, M.D. Flannigan and J.M. Little. 2009. Characterization of wildfire regimes in Canadian boreal terrestrial ecosystems. International Journal of Wildland Fire, 18: 992-1002. [DOI:10.1071/WF08096]
24. Maingi, J.K. and M.C. Henry. 2007. Factors influencing wildfire occurrence and distribution in eastern kentucky, USA.International Journal of Wildland Fire, 16: 23-33. [DOI:10.1071/WF06007]
25. Molina, C.M., O.K. Martín and L.G. Martín. 2019. Regional fire scenarios in Spain: Linking landscape dynamics and fire regime for wildfire risk management. Journal of Environmental Management, 233: 427-439. [DOI:10.1016/j.jenvman.2018.12.066]
26. Moradi, B., H. Ravanbakhsh, A. Moshki and N. Shabanian. 2016. The effect of fire on vegetation structure in Zagros forests (Case Study: Sarvabad, Kurdistan province). Iranian Journal of Forest, 8(3): 381-392 (In Persian).
27. Morancho, A.B.A hedonic valuation of urban green areas. 2003. Landscape and Urban. Planning, 66: 35-4. [DOI:10.1016/S0169-2046(03)00093-8]
28. Moreno, M.V. and E. Chuvieco. 2013. Characterising fire regimes in Spain from fire statistics. International Journal of Wildland Fire, 22: 296-305. [DOI:10.1071/WF12061]
29. Morgan, P., C.C. Hardy, T.W. Swetnam, M.G. Rollins and D.G. Long. 2001. Mapping fire regimes across time and space: understanding coarse and fine-scale fire patterns. International Journal of Wildland Fire 10: 329-342. [DOI:10.1071/WF01032]
30. Nuthammachot, N., W. Phairuang and D. Stratoulias. 2019. Estimation of carbon emission in the exmega rice project, Indonesia based on sar satellite images. Applied Ecology and Environmental Research, 17: 2489-2499. [DOI:10.15666/aeer/1702_24892499]
31. Omidi, M., D. Mafi-Gholami, B. Mahmoudi and A. Jaafari. 2020. Spatial modeling the probability of wildfire occurrence using frequency ratio and weight of-evidence models. Iranian Journal of Forest and Range Protection Research, 17(2(: 125-144 (In Persian).
32. Pourshakouri Allahdeh, F., A.A. Darvishsefat, F. Samadzadegan, P. Attarod and J. Selyari. 2014. Assessment of active fire detection algorithm for fire detection in natural resources using MODIS images (Case Study: Golestan national park). Journal of Wood & Forest Science and Technology, 20(4): 81-97 (In Persian).
33. Pourtaghi, Z.S., H.R. Pourghasemi and M. Rossi. 2015. Forest fire susceptibility mapping in the Minudasht forests, Golestan province, Iran. Environmental earth sciences, 73(4): 1515-1533. [DOI:10.1007/s12665-014-3502-4]
34. Scholl, A.E. and A.H. Taylor. 2010. Fire regimes, forest change, and self-organization in an old growth mixed-conifer forest, Yosemite National Park, USA. Ecological Applications, 20: 362-380. [DOI:10.1890/08-2324.1]
35. Semeraro, T., G. Mastroleo, R. Aretano, G. Facchinetti, G. Zurlini and I. Petrosillo. 2016. GIS fuzzy expert system for the assessment of ecosystem Vulenerability to fire in managing Mediterranean natural protected areas. Journal of Environmental Management, 168: 94-103. [DOI:10.1016/j.jenvman.2015.11.053]
36. Somashekar, R., P. Ravikumar, C.M. Kumar, K. Prakash and B. Nagaraja. 2009. Burnt area mapping of Bandipur National Park, India using IRS 1C/1D LISS III data. Journal of the Indian Society of Remote Sensing, 37(1): 37-50. [DOI:10.1007/s12524-009-0010-1]
37. Taylor, A.H. 2000. Fire regimes and forest changes in mid and upper montane forests of the southern Cascades, Lassen Volcanic National Park, California, USA. Journal of Biogeography, 27: 87-104. [DOI:10.1046/j.1365-2699.2000.00353.x]
38. Turco, M., M.C. Llasat, J. von Hardenberg and A. Provenzale. 2013. Impact of climate variability on summer fires in a mediterranean environment (northeastern Iberian Peninsula). Climate Chang, 116: 665-678. [DOI:10.1007/s10584-012-0505-6]
39. Zeng, T., J. Hudson, S. Kay, E. Laginestra and S.O.P. Authority. 2003. A fuzzy GIS approach to fire risk assessment: a case study of Sydney Olympic Park, Spatial Sciences Conferences, 1-20, Australia.
40. Zolghadry, Sh., M. GhodsKhahDaryaei, K. Nasirahmadi and E. Ghajar. 2021. Comparison of the Performance of Fuzzy C-Means and K-Medoids in Modeling Forest Fire Occurrence (Case Study: Saravan Forests, Gilan). Ecology of Iranian Forests, 9)17(: 163-174 (In Persian).

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به بوم‏شناسی جنگل‏های ایران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2023 CC BY-NC 4.0 | Ecology of Iranian Forest

Designed & Developed by : Yektaweb