یکی از بلایای طبیعی که هر ساله در مناطق مختلف جهان رخ می‌دهد، آتش‌سوزی‌های جنگل و مراتع است. این پدیده میتواند در مدت زمانی کوتاه، مناطق وسیعی را درگیر کند و خسارات جبران ناپذیری به محیط زیست، منابع طبیعی، تنوع زیستی و حتی جوامع انسانی وارد کند. عواملی مانند خشکسالی، افزایش دما، تغییرات اقلیمی و فعالیت‌های انسانی باعث افزایش احتمال وقوع آتش سوزی در بسیاری از نقاط جهان شده است. در مقاله پایش و شناسایی آتش سوزی با سنجش از دور به بررسی روش های شناسایی آتش سوزی در جنگل ها و مراتع پراخته شده است.
مدیریت مؤثر آتش سوزی در جنگل ها و مراتع نیازمند ابزارها و روش‌هایی است که بتوانند به سرعت وقوع آتش‌سوزی را شناسایی و گسترش آن را پایش کنند. در این میان، سنجش از دور به‌عنوان یکی از فناوری‌های نوین و کارآمد، نقش بسیار مهمی در شناسایی، پایش و ارزیابی شدت و وسعت آتش‌سوزی ایفا می‌کند. استفاده از داده‌های ماهواره‌ای به متخصصان این امکان را می‌دهد که بدون نیاز به حضور فیزیکی در منطقه، اطلاعات دقیق، گسترده و به روز از وضعیت مناطق دچار حریق به دست آورند.
در این مقاله با عنوان «پایش و شناسایی آتش‌سوزی با سنجش از دور»، به بررسی روش‌ها، شاخص‌ها و فناوری‌هایی خواهیم پرداخت که با بهره‌گیری از تصاویر ماهواره‌ای، امکان شناسایی سریع آتش‌سوزی و ارزیابی خسارات ناشی از آن را فراهم می‌کنند. هدف این مقاله این است که به نمایش بگذاریم که چگونه فناوری سنجش از دور میتواند ابزاری حیاتی برای مدیریت بلایای طبیعی مانند آتش‌سوزی باشد و چه محدودیت‌ها و چالش‌هایی نیز در این مسیر وجود دارد.
آموزش پیشنهادی : شناسایی آتش‌سوزی با استفاده از یادگیری ماشین در گوگل ارث انجین
روش های پایش و شناسایی آتش سوزی با سنجش از دور
روش‌های متعددی برای شناسایی و پایش آتش‌سوزی با بهره‌گیری از فناوری سنجش از دور توسعه یافته‌اند که هرکدام بر اساس نوع خاصی از داده‌های ماهواره‌ای، باندهای طیفی، یا الگوریتم‌های تحلیلی عمل می‌کنند. این روش‌ها می‌توانند در مراحل مختلف تشخیص اولیه‌ی حریق تا ارزیابی خسارات پس از حادثه، نقش مؤثری ایفا کنند. به‌طور کلی، میتوان این تکنیک‌ها را در چند دسته‌ی اصلی طبقه بندی کرد که شامل شاخص‌های ویژه‌ی آتش‌سوزی، شاخص‌های پوشش گیاهی، طبقه بندی تصاویر ماهواره‌ای، داده‌های حرارتی و روش‌های مبتنی بر یادگیری ماشین هستند. هر یک از این دسته‌ها کاربردها، مزایا و محدودیت‌های خاص خود را دارند و انتخاب مناسب‌ترین روش بسته به هدف مطالعه و نوع داده‌های در دسترس انجام می‌شود.
۱. شاخص‌های آتش‌سوزی
شاخص‌های طیفی یکی از دقیق‌ترین روش‌ها برای شناسایی مناطق سوخته و تحلیل شدت آتش‌سوزی هستند. شاخص‌هایی مانند Normalized Burn Ratio (NBR) با استفاده از باندهای نزدیک به مادون قرمز و مادون قرمز کوتاه‌موج می‌توانند تغییرات ناشی از آتش را به‌وضوح آشکار کنند. با مقایسه تصاویر قبل و بعد از آتش، تفاوت بین دو NBR به‌صورت dNBR محاسبه می‌شود که شدت سوختگی را نشان می‌دهد. همچنین، شاخص‌هایی مانند Burned Area Index (BAI) و Mid-Infrared Burn Index (MIRBI) نیز برای برجسته‌سازی مناطق دارای خاکستر و ذغال به‌کار می‌روند.
۲. شاخص‌های پوشش گیاهی
پایش وضعیت پوشش گیاهی قبل از وقوع آتش‌سوزی میتواند در شناسایی نواحی مستعد حریق بسیار مفید باشد. شاخص‌هایی مانند Normalized Difference Vegetation Index (NDVI) و Enhanced Vegetation Index (EVI) برای بررسی سلامت، تراکم و میزان رطوبت پوشش گیاهی به کار می‌روند. مقادیر پایین NDVI معمولاً نشان‌دهنده پوشش گیاهی خشک یا آسیب‌دیده هستند که مستعد آتش‌سوزی‌اند. رصد مداوم این شاخص‌ها کمک می‌کند تا مناطق پرریسک در زمان مناسب شناسایی شوند. با برسی این شاخص ها قبل و بعد از آتش سوزی میتوان به راحتی مناطق سوخته شده را شناسایی کرد.
۳. طبقه‌بندی تصاویر ماهواره‌ای
با توجه به اینکه آتش سوزی بر روی مقدار بازتاب تاثیر گذار است میتوان با تکنکی های طبقه بندی نیز این مناطق را شناسایی کرد. با استفاده از تکنیک‌های طبقه‌بندی نظیر طبقه‌بندی نظارت‌شده و طبقه‌بندی بدون نظارت ، میتوان مناطق سوخته، سالم و یا در حال آتش‌سوزی را در تصاویر ماهواره‌ای تشخیص داد. الگوریتم‌هایی مانند Maximum Likelihood, Support Vector Machine (SVM) و Random Forest در این زمینه عملکرد بالایی دارند. این روش‌ها اغلب با داده‌های چندزمانه (Multi-temporal) ترکیب می‌شوند تا تغییرات ناشی از آتش‌سوزی با دقت بالاتر بررسی شود.
۴. سنجش از دور حرارتی
داده‌های حرارتی یکی از منابع کلیدی برای شناسایی آتش‌های فعال به‌ویژه در زمان وقوع آن هستند. سنجنده‌هایی مانند MODIS و Sentinel-3 با قابلیت ثبت دمای سطح زمین می‌توانند نقاط داغ ناشی از آتش‌سوزی را حتی در حضور دود شناسایی کنند. این روش برای پایش سریع آتش‌سوزی در زمان واقعی و کمک به تیم‌های امدادی اهمیت ویژه‌ای دارد. مناطق آتش سوزی شده معمولا اگر زمان آتش سوزی تصویر برداری کنند دمای بالایی دارند و همچنین بعد از آتش سوزی مناطق سوخته اختلاف در میزان ضریب گسیل مندی داشته که میتواند موجب شناسایی این مناطق شود.
۵. یادگیری ماشین در شناسایی آتش سوزی
در سال‌های اخیر، الگوریتم‌های یادگیری ماشین نقش فزاینده‌ای در تحلیل خودکار داده‌های ماهواره‌ای برای شناسایی و پیش‌بینی آتش‌سوزی ایفا کرده‌اند. با استفاده از مدل‌هایی مانند Random Forest, Support Vector Machine (SVM)، و شبکه‌های عصبی عمیق (Deep Learning)، میتوان با دقت بالا مناطق سوخته را شناسایی یا احتمال وقوع آتش را پیش‌بینی کرد. این روش‌ها قابلیت ترکیب داده‌های مکانی، زمانی، اقلیمی و توپوگرافی را دارند و سرعت و دقت تحلیل‌ها را نسبت به روش‌های سنتی به‌طور چشمگیری افزایش می‌دهند.
محدودیت‌های سنجش از دور در شناسایی آتش‌سوزی
اگرچه سنجش از دور ابزار بسیار قدرتمندی برای پایش و شناسایی آتش‌سوزی‌ها به شمار می‌رود، اما این فناوری نیز با محدودیت‌هایی همراه است که میتواند دقت، سرعت و قابلیت تفسیر نتایج را تحت تأثیر قرار دهد. یکی از مهم‌ترین محدودیت‌ها، وابستگی به شرایط جوی است. بسیاری از سنجنده‌های اپتیکی در مواجهه با پوشش ابری، دود غلیظ یا مه قادر به ثبت داده‌های واضح نیستند، که این موضوع میتواند در شناسایی آتش‌های فعال یا ارزیابی مناطق آسیب‌دیده اختلال ایجاد کند.
همچنین، وضوح مکانی تصاویر ماهواره‌ای یکی دیگر از چالش‌هاست. تصاویر با قدرت تفکیک پایین (مانند مودیس ) در پوشش وسیع عملکرد خوبی دارند، اما برای شناسایی دقیق جزئیات در مقیاس محلی یا ناحیه‌ای مناسب نیستند. در مقابل، تصاویر با وضوح بالا هزینه بر هستند و ممکن است در دسترس نباشند یا با تأخیر زمانی به روز شوند.
توان تفکیک زمانی تصاویر ماهواره ها نیز میتواند مشکل‌ساز باشد، به‌ویژه در شرایطی که نیاز به داده‌های لحظه‌ای یا نزدیک به زمان واقعی وجود دارد. برخی ماهواره‌ها تنها هر چند روز یک‌بار از یک منطقه عبور می‌کنند، که ممکن است باعث از دست رفتن اطلاعات مربوط به گسترش سریع آتش شود.
علاوه بر این، تحلیل و تفسیر داده‌های ماهواره‌ای نیازمند تخصص و منابع فنی پیشرفته است. الگوریتم‌های مورد استفاده برای پردازش داده‌ها باید با دقت انتخاب و تنظیم شوند، در غیر این صورت ممکن است منجر به نتایج نادرست، طبقه‌بندی اشتباه یا تخمین نادرست از شدت آتش‌سوزی شود.
در نهایت، در برخی مناطق کوهستانی یا با توپوگرافی پیچیده، اثر سایه و تغییرات زاویه تابش ممکن است باعث کاهش کیفیت داده‌ها یا بروز خطا در شناسایی مناطق سوخته شود. بنابراین، در کنار استفاده از سنجش از دور، اغلب توصیه می‌شود که داده‌ها با اطلاعات میدانی یا منابع مکمل ترکیب شوند تا ارزیابی جامع‌تر و دقیق‌تری به دست آید.
معروف ترین سنجنده‌ها در شناسایی آتش سوزی
در زمینه شناسایی و پایش آتش‌سوزی‌های جنگل و مرتع، چند سنجنده ماهواره‌ای به دلیل وضوح زمانی، پوشش گسترده، یا قابلیت ثبت داده‌های حرارتی و طیفی، کاربرد بسیار گسترده‌ای پیدا کرده‌اند. یکی از مهم‌ترین آن‌ها سنجنده مودیس روی ماهواره‌های Terra و Aqua است که با توانایی ثبت داده‌های روزانه در باندهای حرارتی و اپتیکی، برای شناسایی نقاط داغ و پایش تغییرات در مقیاس جهانی مورد استفاده قرار می‌گیرد. مودیس، به دلیل رزولوشن مکانی متوسط (۱ کیلومتر)، مناسب برای پایش سریع مناطق وسیع است.
در کنار مودیس ، سنجنده سنتینل 2 با وضوح مکانی بالا (۱۰ تا ۲۰ متر) و باندهای متنوع طیفی، ابزار مناسبی برای ارزیابی شدت سوختگی و تشخیص مناطق آتش سوزی است. همچنین، سنتینل 3 با دارا بودن سنجنده SLSTR، اطلاعات حرارتی با کیفیت ارائه می‌دهد و در شناسایی نقاط داغ و ارزیابی دمای سطح زمین نقش مهمی دارد.
یکی از قابل‌اعتمادترین منابع داده در مطالعات آتش‌سوزی، سری ماهواره‌های لندست است که از دهه ۱۹۷۰ تاکنون اطلاعات مداوم و رایگان در اختیار پژوهشگران قرار داده‌اند. سنجنده های لندست 5 به بعد، با باندهای طیفی متنوع و داده‌های حرارتی با وضوح مکانی ۱۰۰ متر، امکان شناسایی مناطق سوخته، پایش تغییرات پوشش گیاهی، و ارزیابی شدت سوختگی را فراهم می‌کنند.
خلاصه
پایش و شناسایی آتش‌سوزی‌های جنگل و مرتع با استفاده از سنجش از دور، به یکی از ابزارهای کلیدی در مدیریت بلایای طبیعی تبدیل شده است. این فناوری با بهره‌گیری از داده‌های ماهواره‌ای و شاخص‌های طیفی، امکان شناسایی سریع آتش‌سوزی‌های فعال، ارزیابی مناطق سوخته، و تحلیل ریسک در نواحی مستعد حریق را فراهم می‌کند. روش‌هایی مانند تحلیل شاخص‌های آتش‌سوزی (مانند NBR)، پایش وضعیت پوشش گیاهی (مثل NDVI)، داده‌های حرارتی، طبقه‌بندی تصاویر، و مدل‌های یادگیری ماشین، هر یک نقش مکملی در این فرآیند ایفا می‌کنند.
با وجود برخی محدودیت‌ها مانند تأثیر شرایط جوی یا تأخیر زمانی در داده‌های برخی سنجنده‌ها، پیشرفت فناوری‌های سنجش از دور و الگوریتم‌های تحلیلی باعث افزایش دقت، سرعت و کارایی در پایش آتش‌سوزی‌ها شده است. به‌ویژه با ترکیب داده‌های سنجنده‌هایی مانند مودیس، سنتینل، لندست و نوا، میتوان تصویری جامع از رفتار، گسترش و پیامدهای آتش‌سوزی به دست آورد.
در نهایت، استفاده از سنجش از دور نه‌تنها در واکنش سریع به حوادث و کاهش خسارات اهمیت دارد، بلکه به‌عنوان یک ابزار تصمیم‌سازی در برنامه‌ریزی‌های پیشگیرانه و مدیریت پایدار منابع طبیعی نقش اساسی ایفا می‌کند.
