fa پیش بینی وقوع آتش سوزی در جنگل ها و مراتع با استفاده از شبکه عصبی مصنوعی(مطالعه موردی: جنگل‌های منطقه زاگرس، شهرستان ایذه) عمومى General پژوهشي Research بدون شک یکی از عوامل مؤثر بر وقوع و گسترش آتش‌سوزی در جنگل‌ها و مراتع، عوامل آب‌وهوایی می‌باشد. هدف از این تحقیق پیش‌بینی خطر آتش‌سوزی جنگل‌ها و مراتع شهرستان ایذه با استفاده از شبکه‌های عصبی مصنوعی و داده‌های آب‌وهوایی شهرستان ایذه به‌صورت ماهانه بود. شهرستان ایذه در شمال غربی استان خوزستان واقع شده و دارای آب‌وهوایی نسبتاً نیمه‌خشک است. داده‌های آتش‌سوزی شامل سطح سوخته‌شده و تعداد وقوع آتش‌سوزی از اداره کل منابع طبیعی استان خوزستان اخذ شد. نتایج این تحقیق نشان داد، الگوریتم پرسپترون چندلایه و تابع هاپربولیک در ایجاد ارتباط بین داده‌های آب‌وهوایی و وقوع آتش‌سوزی کارا بوده و شبکه، مدلی با 2 لایه مخفی و 15 نرون بهترین صحت را نشان داد. برای پیش‌بینی وقوع آتش‌سوزی بهترین شبکه با میزان میانگین مربعات خطای نهایی برابر 0038/0 به‌دست آمد. با انجام تست این شبکه مقدار ضریب هبستگی این شبکه به 99/0 و هم‌چنین مقادیر میانگین مربعات خطا و میانگین مربعات خطای نرمال شده(NMSE) به‌ترتیب حدود 073/0 و 018/0 به‌دست آمد. با استفاده از داده‌هایی که برای تست شبکه کنار گذاشته شده بودند قدرت شبکه برای پیش‌بینی خطر آتش‌سوزی، تعیین شد و مقدار ضریب تعیین برای این شبکه 98/0 = r2 به‌دست آمد. در ادامه تحقیق با استفاده از شبکه عصبی برای تعیین نوع مدل بین داده‌های آب‌وهوایی و سطح سوخته شده، شبکه پرسپترون به مدلی با صحت متوسط دست یافت. میزان ضریب تعیین مدل برای پیش‌بینی سطح سوخته شده متوسط و حدود (58=r2) به‌دست آمد There is no doubt that climatic factors are one of significant parameters in occurrence of natural fires in forest and range ecosystems. The goal of this study was a monthly-based prediction of the occurrence of the natural fires using artificial neural networks in Izeh, north-west of Khuzestan province. The natural fire occurrence data including date of the occurrence, the burned area and number of the fire occurrence was obtained from Izeh Natural Resources Office. The findings indicated that the algorithm of multiple layer perceptron and hyperbolic function were efficient in exploring the relationship between climatic factors and the natural fire occurrence. The networks with two hidden layers and 15 neurons have revealed high accuracy in prediction of the natural fires occurrence. Moreover, for prediction step FMSE(Final Mean Square) was recorded 0.0038. While for testing step, coefficient of variation, MSE(Mean Square), and NMSE(Normal Mean Square) were equal to 0.99, 0.073, and 0.018, respectively. For validation step, the trained network has indicated a high determination coefficient (r2=0.98) between the observed and predicted values. It should be mentioned that the present approach in this study could achieve an artificial neural network with medium performance (r2=0.58) between climate data and the burned area of the natural fire. آتش سوزی جنگل و مرتع، ایذه، شبکه عصبی مصنوعی، پیش بینی خطر، پرسپترون، اقلیم Natural fires, Izeh, Neural network, Prediction, Artificial neural network, Climate. 75 86 http://ijae.iut.ac.ir/browse.php?a_code=A-10-1-14&slc_lang=fa&sid=1 S. Aleemahmoodi Sarab سجاد عالی محمودی سراب sajadali@ut.ac.ir Yes Dept. of Forestry, College of Natur. Resour., The Univ. of Tehran, Tehran, Iran. گروه جنگل‌داری، دانشکده منابع طبیعی، دانشگاه تهران J. Feghhi جهانگیر فقهی No Dept. of Forestry, College of Natur. Resour., The Univ. of Tehran, Tehran, Iran. گروه جنگل‌داری، دانشکده منابع طبیعی، دانشگاه تهران B. Jabarian Amiri بهمن جباریان امیری No Dept. of Environ. Sci., College of Natur. Resour., The Univ. of Tehran, Tehran, Iran. گروه محیط زیست، دانشکده کشاورزی، دانشگاه تهران