عنوان پایان‌نامه

ارائه روشی هوشمند جهت سنجش عوا مل مکانی موثر در شنا سایی آتش



    دانشجو در تاریخ ۰۹ شهریور ۱۳۹۵ ، به راهنمایی ، پایان نامه با عنوان "ارائه روشی هوشمند جهت سنجش عوا مل مکانی موثر در شنا سایی آتش" را دفاع نموده است.


    رشته تحصیلی
    مهندسی عمران-سیستمهای اطلاعات جغرافیایی(GIS)
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3345;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76709;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3345;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76709
    تاریخ دفاع
    ۰۹ شهریور ۱۳۹۵
    دانشجو
    امین راعی
    استاد راهنما
    پرهام پهلوانی, مهدی حسنلو
    چکیده
    لینک فایل چکیده
    امروزه شناسایی عوامل موثر بر آتش‌سوزی جنگل‌ها از اهمیت بسیار بالایی برخوردار است زیرا سالانه مساحت زیادی از جنگل‌های جهان بر اثر آتش‌سوزی نابود می‌شوند و این امر در بلندمدت برای زمین و ساکنین آن بسیار خطرناک است. با شناسایی این عوامل می‌توانیم نقاط و زمان‌های پرخطر برای آتش‌سوزی را شناسایی کنیم؛ به منظور پیش‌گیری از آتش‌سوزی با آموزش به مردم، وضع قوانین و سیاست‌های مدیریتی کارآمد و نظارت بیشتر در جهت مقابله با عوامل محرک آتش برآییم و در صورت بروز آتش‌سوزی تمهیدات لازم مانند استقرار وسایل اطفاء حریق در نزدیکی نقاط خطرناک و ایجاد راه‌های دسترسی آسان به این نقاط را بیندیشیم. در این تحقیق سعی کردیم بخشی از عوامل موثر بر آتش‌سوزی‌های جنگل گلستان را شناسایی کنیم. برای این منظور روش های رگرسیون چندگانه خطی (MLR)، رگرسیون لجستیک (LR)، رگرسیون اسپلاین تطبیقی چندمتغیره (MARS)، رگرسیون وزن دار جغرافیایی (GWR) با دو هسته گوسین و مکعبی سه گانه و رگرسیون وزن دار جغرافیایی زمانمند (GTWR) با هسته مکعبی سه گانه در ترکیب با الگوریتم ژنتیک با یکدیگر مقایسه گردیدند. از یک سو روش های MLR، LR و MARS به عنوان نمونه هایی از روش های مطرح غیر مکان مبنا می باشند.از سوی دیگر GWR و GTWR با در نظر گیری دو ویژگی خاص داده‌های مکانی یعنی خودهمبستگی و ناایستایی مکانی برای حل مسائل رگرسیون مکانی مطرح می باشند. ترکیب روش های فوق با الگوریتم ژنتیک جهت سنجش فاکتورهای موثر در شناسایی آتش صورت پذیرفت. نتایج این تحقیق نشان داد که هر دو دسته عوامل بیوفیزیکی و انسانی تأثیر بسزایی در آتش‌سوزی‌های منطقه مورد مطالعه ما دارند. در نظر گرفتن مکان و زمان مشاهدات نیز سبب بهبود دقت مدل شد. با مقایسه نتایج به دست آمده از روش های به کار گرفته شده، می توان گفت برترین روش جهت سنجش عوامل مکانی موثر در شناسایی آتش در این تحقیق، رگرسیون وزن دار جغرافیایی زمانمند بوده است. مقدار R2 حاصل از این روش برابر 0/9985 به دست آمد که نشان دهنده برازندگی بالای این مدل با داده های این تحقیق می باشد. همچنین مقدار RMSE برابر 0/0105 و مقدار RMSE نرمال شده برابر 0/0285 به دست آمد که نشان دهنده دقت بالای این مدل می باشد.
    Abstract
    Nowadays, determining the effective factors regarding the forest fire is so important, because the plenty areas of forests around the world have been destroyed every year by fire and it is very dangerous for the Earth and its residents in long period. Also, it helps us to identify the most dangerous locations and times in the forest fire. Hence, we can prevent many of driving factors of forest fire by educating people, law enforcement, efficient forest management policies and more supervision and in case of occurrence of fire we can do the necessary measures such as firefighting equipment nearby dangerous points and creating the easy access to them. In the current study, we tried identifying some impressive factors on the fire in Golestan forest using the Multiple Linear Regression (MLR), the Logistic Regression, the Multivariate Adaptive Regression Spline (MARS), the Geographically Weighted Regression (GWR) by two kernels of Gaussian and Tricube and the Geographically & Temporally Weighted Regression (GTWR) by the Tricube kernel and optimized the results using a Genetic Algorithm (GA). MLR, LR, and MARS are instances of non-location-based raised methods. In the other hand, GWR and GTWR are raised to solve the spatial regression problems by considering two special characteristics of spatial data i.e. spatial autocorrelation and spatial non-stationarity. Top methods were composed to GA for evaluation of impressive factors on fire detection. This research shows that both the biophysical and anthropogenic factors have significant effects on the forest fire in our study area and considering the position and the time in regression method improves the precision of model. According to this, GTWR is the best method for evaluating the effective spatial factors on fire detection in our study area. This method resulted to R2=0.9985 that shows the fitness of this model to our data, RMSE=0.0105 and Normalized RMSE=0.0285 which indicate high precision of model. Keywords: Forest Fire, Geographically Weighted Regression, Geographically & Temporally Weighted Regression, Multiple Linear Regression, Logistic Regression, Multivariate Adaptive Regression Spline