مقایسه عملکرد الگوریتم های Fuzzy C-means و K-medoids در مدل سازی وقوع آتش سوزی جنگل (مطالعه موردی: جنگل های سراوان، گیلان)

نناحیه رویشی هیرکانی (خزری) یکی از مهم ترین نواحی رویشی ایران محسوب شده که با توجه به قدمت آن، ارزش بوم سامانه ای بالایی دارد. از طرفی این بوم سامانه همه ساله درگیر آتش سوزی های متعدد شده و سطح قابل ملاحظه ای از پوشش گیاهی خود را از دست می دهد، لذا به کارگیری روش های علمی برای پیش بینی مکان های دارای پتانسیل خطر آتش سوزی در مدیریت حفاظتی جنگل های هیرکانی بسیار حایز اهمیت است. بسیاری از سیستم های دنیای واقعی از نظر تشخیص الگو مورد استفاده قرار می گیرند بنابراین استفاده صحیح از روش های یادگیری ماشین در کاربردهای عملی ضروری است. از طرفی استفاده از روش های مبتنی بر خوشه بندی با توجه به رویکرد آن در تشخیص الگو و کشف خروجی به عنوان یک روش موثر مورد تاکید است. هدف از انجام تحقیق حاضر بررسی توانایی و مقایسه عملکرد رویه های متفاوت خوشه بندی از دو الگوریتم مبتنی بر خوشه بندی Fuzzy C-Means و k-Medoids در مدل سازی آتش سوزی جنگل با تاکید بر قابلیت های عملکرد الگوریتم های موصوف است. با توجه به وجود آتش سوزی های دوره ای موجود از الگوریتم های مذکور  به صورت ارتقاء سطح کدنویسی در نرم افزار متلب در راستای بهبود مطالعات در زمینه پیش بینی خطر حریق جنگل استفاده شد. معیارهای ورودی مدل در این مطالعه عبارتند از نقاط ثبت شده آتش سوزی، فاصله از مناطق کشاورزی، فاصله از جاده، فاصله از رودخانه، فشار هوا، بازتابش خورشید، شیب، جهت شیب، سرعت باد، درصد تراکم تاج پوشش و تیپ جنگل. نتایج به دست آمده از نقشه پیش بینی خطر آتش سوزی هر دو الگوریتم، نشان از توانایی بالای آن ها در پیش بینی مدل وقوع  آتش سوزی دارد. همچنین بر اساس نتایج جدول ماتریس درهم آمیختگی مقایسه دو الگوریتم، الگوریتم FCM عملکرد بهتری نسبت به الگوریتم  k-medoids در پیش بینی مکان های دارای پتانسیل خطر آتش سوزی از خود نشان داد. لذا استفاده از الگوریتم FCM به عنوان یکی از روش های موثر در خوشه بندی تفکیکی برای مطالعات آینده پیشنهاد می شود.