Ormanlar, çoğu canlı için vazgeçilmez olan oksijen kaynağıdır. Ormanlara en büyük zarar yangınlar sebebiyle olmaktadır. Dikkatsizlik ve ihmal nedeniyle her yıl kısa sürede hektarlarca orman yok oluyor. Aynı zamanda orman yangınları büyük miktarlarda para ve can kaybına neden olabilecek çok ciddi bir tehdittir. Son zamanlarda artan küresel ısınma ile birlikte yangınların daha tehlikeli, daha yıkıcı ve daha uzun yangın mevsimleri olmasını bekliyoruz. Bu nedenle, orman yangını yönetimini iyileştirmeye yönelik her türlü çaba özel bir önem ve faydaya sahiptir. Orman yangınlarında tehlike seviyesinin doğru tespiti, hem yönetim kararları hem de kaynak planlaması için faydalı bilgiler sağlar. Bu anlamda olası bir orman yangınını yapay zeka ve makine öğrenmesi modelleri kullanarak tahmin etmek ve önlemek için literatürde çok disiplinli birçok çalışma yapılmıştır. Bu çalışmada orman yangınlarını nasıl kontrol altına alabileceğimizi göstermek için bulanık mantık yaklaşımını kullandık. Orman yangınlarının risk seviyelerini belirleyip yangınlara en doğru şekilde müdahale edilmesini amaçladık. Orman yangınlarında tehlike seviyesinin doğru tespiti, hem yangın yönetimini hem de kaynak planlaması için faydalı bilgiler sağlar. Bu amaç doğrultusunda orman yangınlarının coğrafi ve iklimsel koşullara göre bulanık mantık ile modellemesi yapılmıştır. Kurduğumuz bulanık mantık modelinde girdi değişkeni olarak kullandığımız coğrafi ve iklimsel şartlar; sıcaklık, nem, rüzgar hızı, rakım ve eğimdir. Bulanık mantık modelindeki çıktı değişkenlerimiz ise yangının risk seviyesi ve gönderilecek araç sayısıdır. Elimizde o sezon 66 orman yangını verisi bulunmaktadır. Bu yangın verilerinden 50 tanesini bulanık mantık modelini oluşturmak için kullandık. Geriye kalan 16 yangın verisini ise modeli test etmek için kullandık. Elimizdeki verileri kullanarak kurduğumuz model sayesinde yangın anında sıcaklık, nem, rüzgar hızı, rakım ve eğim değerleri girilerek elde edilen sonuçlar ile test için ayırdığımız gerçek verilerinin karşılaştırılması sonucunda R2'yi % 83,9 olarak bulduk. Oluşturduğumuz model kullanılarak yangın ihbarı alındığında modele iklimsel (sıcaklık, nem, rüzgar hızı) ve coğrafi (rakım, eğim) veriler girilerek, yangının risk seviyesi belirlenebilmekte ve gönderilecek araçların sayısı ve nitelikleri etkin bir şekilde yapılabilmektedir. Anahtar Kelimeler: Orman Yangını, bulanık mantık, matematiksel modelleme, bulanık çıkarım sistemleri.
Forests are important source of oxygen, which is necessary for all living things. The biggest damage to forests is caused by fires. Hectares of forests disappear in a short time every year due to carelessness and negligence. At the same time, forest fires are a very serious threat that damage the large amount of trees and wildlife. With the increase of global warming forest fires become more dangerous, more destructive with longer span. Therefore, any effort to improve forest fire management is of special relevance and utility. Accurate determination of the level of danger in forest fires provides useful information for both management decisions and resource planning. In this sense, many multidisciplinary studies have been carried out in the literature in order to predict and prevent a possible forest fires by using artificial intelligence and machine learning models. In this study, we used fuzzy logic approach to show that how we can get a controle on forest fires. Our aim is to determine the risk levels of forest fires and respond to the fires in the most efficient way. For this purpose, forest fires were modeled with fuzzy logic according to geographical and climatic conditions. In our model we use geographical and climatic conditions in the form of temperature, humidity, wind speed, altitude and slope as input variables. Our output variables are the fire risk level and the number of vehicles to be sent. We have 66 forest fires's data. We used 50 of them to train (construct) the fuzzy logic model and remaining 16 fire data to test the model. On comparing the obtained results from our model with real results we found the regression 83.9% which shows that our model works succesfully. When a fire notification is received using the model we have created, climatic (temperature, humidity, wind speed) and geographical (altitude, slope) data can be entered into the model, so that the risk level of the fire can be determined and the number and type of the vehicles to be sent can be made effectively. Keywords: Forest fire, fuzzy logic, mathematical modeling, fuzzy inference systems (FIS)
Tez (Yüksek Lisans) - Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Matematik Anabilim Dalı, 2022.
Kaynakça var.
Ormanlar, çoğu canlı için vazgeçilmez olan oksijen kaynağıdır. Ormanlara en büyük zarar yangınlar sebebiyle olmaktadır. Dikkatsizlik ve ihmal nedeniyle her yıl kısa sürede hektarlarca orman yok oluyor. Aynı zamanda orman yangınları büyük miktarlarda para ve can kaybına neden olabilecek çok ciddi bir tehdittir. Son zamanlarda artan küresel ısınma ile birlikte yangınların daha tehlikeli, daha yıkıcı ve daha uzun yangın mevsimleri olmasını bekliyoruz. Bu nedenle, orman yangını yönetimini iyileştirmeye yönelik her türlü çaba özel bir önem ve faydaya sahiptir. Orman yangınlarında tehlike seviyesinin doğru tespiti, hem yönetim kararları hem de kaynak planlaması için faydalı bilgiler sağlar. Bu anlamda olası bir orman yangınını yapay zeka ve makine öğrenmesi modelleri kullanarak tahmin etmek ve önlemek için literatürde çok disiplinli birçok çalışma yapılmıştır. Bu çalışmada orman yangınlarını nasıl kontrol altına alabileceğimizi göstermek için bulanık mantık yaklaşımını kullandık. Orman yangınlarının risk seviyelerini belirleyip yangınlara en doğru şekilde müdahale edilmesini amaçladık. Orman yangınlarında tehlike seviyesinin doğru tespiti, hem yangın yönetimini hem de kaynak planlaması için faydalı bilgiler sağlar. Bu amaç doğrultusunda orman yangınlarının coğrafi ve iklimsel koşullara göre bulanık mantık ile modellemesi yapılmıştır. Kurduğumuz bulanık mantık modelinde girdi değişkeni olarak kullandığımız coğrafi ve iklimsel şartlar; sıcaklık, nem, rüzgar hızı, rakım ve eğimdir. Bulanık mantık modelindeki çıktı değişkenlerimiz ise yangının risk seviyesi ve gönderilecek araç sayısıdır. Elimizde o sezon 66 orman yangını verisi bulunmaktadır. Bu yangın verilerinden 50 tanesini bulanık mantık modelini oluşturmak için kullandık. Geriye kalan 16 yangın verisini ise modeli test etmek için kullandık. Elimizdeki verileri kullanarak kurduğumuz model sayesinde yangın anında sıcaklık, nem, rüzgar hızı, rakım ve eğim değerleri girilerek elde edilen sonuçlar ile test için ayırdığımız gerçek verilerinin karşılaştırılması sonucunda R2'yi % 83,9 olarak bulduk. Oluşturduğumuz model kullanılarak yangın ihbarı alındığında modele iklimsel (sıcaklık, nem, rüzgar hızı) ve coğrafi (rakım, eğim) veriler girilerek, yangının risk seviyesi belirlenebilmekte ve gönderilecek araçların sayısı ve nitelikleri etkin bir şekilde yapılabilmektedir. Anahtar Kelimeler: Orman Yangını, bulanık mantık, matematiksel modelleme, bulanık çıkarım sistemleri.
Forests are important source of oxygen, which is necessary for all living things. The biggest damage to forests is caused by fires. Hectares of forests disappear in a short time every year due to carelessness and negligence. At the same time, forest fires are a very serious threat that damage the large amount of trees and wildlife. With the increase of global warming forest fires become more dangerous, more destructive with longer span. Therefore, any effort to improve forest fire management is of special relevance and utility. Accurate determination of the level of danger in forest fires provides useful information for both management decisions and resource planning. In this sense, many multidisciplinary studies have been carried out in the literature in order to predict and prevent a possible forest fires by using artificial intelligence and machine learning models. In this study, we used fuzzy logic approach to show that how we can get a controle on forest fires. Our aim is to determine the risk levels of forest fires and respond to the fires in the most efficient way. For this purpose, forest fires were modeled with fuzzy logic according to geographical and climatic conditions. In our model we use geographical and climatic conditions in the form of temperature, humidity, wind speed, altitude and slope as input variables. Our output variables are the fire risk level and the number of vehicles to be sent. We have 66 forest fires's data. We used 50 of them to train (construct) the fuzzy logic model and remaining 16 fire data to test the model. On comparing the obtained results from our model with real results we found the regression 83.9% which shows that our model works succesfully. When a fire notification is received using the model we have created, climatic (temperature, humidity, wind speed) and geographical (altitude, slope) data can be entered into the model, so that the risk level of the fire can be determined and the number and type of the vehicles to be sent can be made effectively. Keywords: Forest fire, fuzzy logic, mathematical modeling, fuzzy inference systems (FIS)