بخشی از مقاله
چکیده
با توجه به تغییرات اقلیمی، گرمایش جهانی و خشکسالیهای اخیر، پیشبینی مناطق با ریسک باالی آتش سوزی، به عنوان یکی از مهمترین بحرانهای طبیعی و مصنوعی، فرصت مناسبی را برای برنامهریزی و ارائه تمهیدات الزم در اختیار برنامهریزان قرار میدهد. بررسی و تحلیل عوامل موثر در آتشسوزی و شناسایی مناطق بحرانی اهمیت زیادی دارد. امروزه با گسترش مدلهای هوشمند و تجربی در علوم مختلف پارامترهای اقلیمشناسی، انسانی و توپوگرافی شناسایی میشوند. بدین منظور از امکانات و توابع موجود در نرم افزار MATLAB بهرهگرفته میشود. پس از بررسی شاخصهای عملکرد شبکه، از جمله ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مربعات خطا، میانگین مطلق خطا، میانگین درصد خطا و ضریب همبستگی استفاده میشود و در نهایت برای تعیین میزان صحت پیشبینی، با مقایسه نقشه پیشبینی و نقشه مناطق آتشسوزی در سالیان گذشته، دقت نقشه حاصله ارزیابی میشود.
کلید واژه: پیشبینی، آتشسوزی جنگل، نرمافزار MATLAB، شبکههای عصبی مصنوعی.
مقدمه
جنگلها به عنوان یکی از مهمترین منابع طبیعی تجدید شونده نقش حیاتی در استمرار حیات و حفظ پایداری زیست بومها ایفا مینمایند. این مسأله بهویژه در ایران که در زمره کشورهای خشک و کمآب جهان بشمار میرود و از محدودیت شدید پوشش گیاهی رنج میبرد بسیار حائز اهمیت است . - Mobargai et al., 2009 - آتش یک نیروی طبیعی است که جوامع گیاهی را در طول زمان تحت تأثیر قرار میدهد و به عنوان یک فرایند طبیعی نقش مهمی در حفظ سالمتی اکوسیستمهای خاص دارد. از قرن بیستم افزایش آتشسوزیها با عامل انسانی وضعیتی ایجاد کرد که آتش تبدیل به تهدیدی بزرگ برای جنگلها شد . - Nasi et al., 2003 - آتشسوزی باعث نابودی جنگلها به عنوان بخش مهمی از محیطزیست، آلودگی هوا، و از بین رفتن ثروتها و امکانات بسیاری میشود و جان انسانهای ساکن در مجاورت جنگل را با مخاطرات جدی مواجه میسازد و از مصادیق بحرانهای طبیعی است - منصوری و همکاران، . -
0113 بروز آتشسوزیهای طبیعی به حدود 311 میلیون سال پیش تخمین زده میشود. شناسایی مناطق با احتمال وقوع آتشسوزی و توزیع مکانی آن از جمله شیوههای مناسب در مهار و کاهش سطوح آتشسوزی میشود. با توجه به اینکه جمعآوری اطالعات مرتبط با آتشسوزی با روشهای معمول امکانپذیر نیست، بنابراین روشهای نوین و کارآمد در آشکارسازی آتشسوزیها در مناطق مختلف با استفاده از سیستم اطالعات جغرافیایی ارائه شده است. تاکنون تحقیقات زیادی در زمینه پیشبینی رفتار آتشسوزی همراه با مدلسازی در محیط سیستم اطالعات جغرافیایی صورت گرفته است. در ارتباط با آتشسوزی جنگلها، سیستم اطالعات جغرافیایی میتواند اطالعات مفیدی را درباره شرایط محیط قبل و بعد از آتشسوزی فراهم نماید.
به ویژه اینکه تکنیکهای آن به طور وسیعی در نظارت بر آتشسوزی فعال مورد استفاده قرار گرفته است . - Giglio, 2005 - پیشبینی آتشسوزی از سیستمهای غیرخطی و پیچیده و فاقد مدل ریاضی است که به دلیل تغییر پذیر بودن سیستم با زمان، روشهای معمول پیشبینی، امکان پیشبینی را غیرممکن میسازد. امروزه پژوهشگران با ابداع علومی همانند روشهای هوشمند که ابزاری توانمند و انعطاف پذیر هستند، به دنبال راههایی فراتر از روشهای معمول برای شناخت و پیشبینی پارامترهای مهم آتشسوزی هستند. شبکههای عصبی مصنوعی یکی از این روش-هاست که قادر به محاسبه توابع حسابی و منطقی هستند - خلیلی و همکاران، - 1385، شبکههای عصبی مصنوعی که زیر مجموعه سیستمهای هوشمند هستند قادرند با تکنیکهای قوی آموزشی، خصوصیات سیستم را از دادههای وسیع موجود به دست آورند.
این روش در نیل به اهداف علومی چون آتشسوزی که دارای سیستمهای غیرخطی و پیچیدهای هستند کاربردهای زیادی دارد. امروزه از شبکههای عصبی در شبیهسازی تغییرات عناصر اقلیمی در مقیاس منطقهای استفاده زیادی میشود. برقراری ارتباط منطقی بین دادههای ورودی و خروجی بدون لحاظ نمودن رابطه فیزیکی بین آنها از ویژگیهای اصلی این شبکهها محسوب میشود . - Coulibaly et al., 2005 - در این تحقیق سعی خواهد شد به معرفی مختصر و شناخت شبکههای عصبی مصنوعی برای ارزیابی عملکرد این مدلها با دادههای واقعی، برآورد و تحلیل و مدل مناسب ارائه گردد.
روش مطالعه
این مطالعه مروری بر مطالعات انجام شده در زمینه پیشبینی خطر آتشسوزی در جنگلها با استفاده از سیستم اطالعات جغرافیایی و شبکه سیستم عصبی است. لذا با مطالعه و جستجوی منابع کتابخانهای مانند پایاننامه، مقاالت، کتاب و همچنین با مطالعه پایگاههای اطالعاتی مطالب مرتبط در خصوص تهیه نقشه خطر وقوع آتشسوزی با استفاده از سیستم اطالعات جغرافیایی و شبکه سیستم عصبی جمعآوری شد.
شبکههای عصبی
یکی از بزرگترین مزیتهای شبکههای عصبی، انعطاف پذیری آنها برای پیشبینی انواع مدلهای غیرخطی است - پورکاظمی و اسدی، . - 1388 شبکههای عصبی یک تقریب زننده جهانی هستند که میتوانند هر نوع تابعی را با دقت مورد نظر تخمین بزنند بدون این که نیاز به هیچگونه پیش فرضی در مورد شکل مدل داشته باشند و همین ویژگی یکی از مزیتهای بارز شبکههای عصبی نسبت به مدلهای غیرخطی دیگر است - خاشعی و بیجاری، . - 1388 شبکههای عصبی مصنوعی سیستمهای پردازش دادهای هستند که متشکل از تعداد زیادی عوامل پردازشی مرتبط با هم هستند. این عوامل که نرونها نامیده میشوند در دو الیه اصلی سازماندهی میشوند، الیه ورودی و الیه خروجی. تعداد نرونها در الیه ورودی برابر با تعداد متغیرهای ورودی است و الیه خروجی نیز به تعداد متغیرهایی که قصد پیشبینی آنها را داریم، واحد دارد.
بین الیه ورودی و خروجی الیه میانی قرار داردو هدف آن این است که ویژگیهای خاص بین دادهها را تشخیص دهد. هر کدام از الیههای خروجی و میانی پیامهایی را از چندین نرون دیگر دریافت میکنند - مشیری، . - 1381 از میان تمام ویژگیهای شبکههای عصبی هیچکدام مانند توانایی یادگیریوآموزش آنها ذهن انسان را مجذوب خود نمیکند. یک شبکه به گونهای آموزش داده میشود که با به کار بردن یک دسته از ورودیها، خروجی دلخواه تولید شود. آموزش شبکه با به کار بردن متوالی ورودیها و تنظیم وزنهای شبکه مطابق با یک روش از پیش تعیین شده انجام میشود که به آن الگوریتم آموزش گفته میشود - پورکاظمی و اسدی، . - 1388
فرایند آموزش در شبکههای عصبی با استفاده از وزنهای تصادفی اولیه و تعدیل آنها به طور مکرر انجام میشود تا اختالف بین خروجی تولید شده و ورودی مورد نظر حداقل شود. یک روند معمول به هنگام آموزش شبکه این است که دادهها به سه دسته دادههای آموزش، دادههای اعتبارسنجی و دسته آزمون تقسیم میشوند. دسته آموزش به منظور تخمین وزنهاست و از آن جا که شبکه در حال یادگیری است توسط دسته اعتبارسنجی مورد نظارت قرار میگیرد، سپس دسته آزمون به منظور اینکه عملکرد شبکه را روی دادههای ناشناس ارزیابی کند مورد استفاده قرار میگیرد . - Malik and Nasereddin, 2006 - به طورکلی یک شبکه عصبی دارای مهمترین ویژگیها به شرح زیر است:
. قابلیت یادگیری: همانطور که گفته شد یک شبکه به گونهای آموزش داده میشود که با به کاربردن یک دسته از ورودیها، خروجی دلخواه تولید شود. براین اساس قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه در مسیر زمان، هنگامی که محیط شبکه تغییر کرده و شبکه شرایط جدیدی را تجربه میکند.
. پردازش اطالعات به صورت متن: طبق این ویژگی هر نرون در شبکه از فعالیت سایر نرونها متاثر میشود. بر این اساس چنانچه برخی از سلولهای شبکه حذف شوند و یا عملکرد غلط داشته باشند، بازهم احتمال رسیدن به پاسخ صحیحتر وجود دارد.
. قابلیت تعمیم: بر اساس این ویژگی پس از آنکه شبکه به وسیله مثالهای اولیه آموزش داده شد، میتواند در مقابل یک ورودی جدید، خروجی مناسبی را ارایه نماید.
. مقاوم بودن: طبق این ویژگی، سلولها در یک روند همکاری، خطاهای محلی یکدیگر را تصحیح میکنند. این خصوصیت باعث میشود تا خطاهای محلی از چشم خروجی نهایی دور بمانند.
. پردازش موازی: هنگامی که شبکه عصبی در قالب نرم افزار پیاده میشود سلولهایی که در یک تزار قرار میگیرند میتوانند به طور هم زمان به ورودیهای ان تراز پاسخ دهند. این ویژگی باعث افزایش سرعت پردازش میشود. - امینی، - 1389
در اکثر پژوهشها در زمینه تهیه نقشه خطر آتشسوزی در جنگل، از متغییرهایی همچون، آمار هواشناسی شامل: دما بارش و باد از ایستگاههای سینوپتیک، عوامل توپوگرافی شامل: شیب، جهت، ارتفاع، عوامل انسانی شامل فاصله از مناطق مسکونی، فاصله از جاده و فاصله از رودخانه و پوششگیاهی استفاده میشود. دادههای مربوطه پس از تهیه، کنترل کیفی آنها بررسی میشود. بدین صورت که ابتدا عناصر تاثیرگذار بر آتشسوزی مشخص و سپس جهت ورود به شبکه پرسپترون چند الیه اقدام به تشکیل ماتریس مربوطه میشود. پس از انتخاب دادههای ورودی و خروجی شبکه و تعیین ساختار شبکه از لحاظ تابع محرک، تعداد نرونهای الیه پنهان، تعداد الیههای پنهان، تعداد تکرار، مقادیر پارامترهای آموزشی و تابع عملکرد، آموزش شبکه با استفاده از هر یک از الگوریتمهای آموزشی موجود در برنامه MATLAB ابتدا با یک نرون پنهان و 11 تکرار شروع شده و با افزایش آن تا حداکثر تعداد نرون و تکرار ادامه خواهد یافت. همچنین در تمام مراحل فوق، پس از هر بار آموزش، شبکه آزمون میشود که برای ارزیابی بهتر عملکرد و انتخاب شبکه بهینه اقدام به آنالیز رگرسیونی و تعیین ضریب همبستگی بین دادههای ورودی و خروجی در مرحله آموزش و درصد خطا در مرحله آزمون میشود. تعداد بهینه نرون پنهان و تکرار در الگوریتمهای آموزشی بر اساس باالترین ضریب همبستگی و خطای کمتر از پنج درصد مشخص میشود. با داشتن تعداد بهینه نرون پنهان
