آتش سوزی پدیده ای است که خسارات زیادی را بر جنگل ها و منابع طبیعی وارد می کند. سالانه صدها مورد آتش سوزی در سطح کشور ایران رخ می دهد و هزاران هکتار از درختان، درختچه ها و گیاهان را طعمه ی خود می سازد. عوامل طبیعی و انسانی زیادی در وقوع آتش سوزی نقش دارند که شناسایی و بررسی اثر این پارامترها و مدلسازی آنها می تواند در پیشگیری آتش سوزی و کاهش خسارات ناشی از آن بسیار مفید باشد. تحقیق پیشرو دارای دو فاز اصلی می باشد. با توجه به اینکه پارامترهای زیادی در وقوع آتش سوزی نقش دارند ابتدا باید این پارامترها شناسایی و اثر آنها بر روی وقوع آتش سوزی بررسی شود. بنابراین در فاز اول اثر برخی از پارامترهای مختلف حاصل از داده های زمینی و سنجش از دور بر روی وقوع آتش سوزی بررسی شده و میزان همبستگی آنها با فراوانی آتش سوزی بدست آمده است. از بین همه ی پارامترهای دینامیک بررسی شده، ndvi(686/0=r)، درصد باد غالب(670/0=r)، تعدار روزهایی که بارش بیش از یک میلیمتر بوده است(524/0- =r)، میانگین ماهانه حداقل دما(625/0=r)، میانگین رطوبت نسبی(533/0- =r)، تعداد روزهای دارای طوفان و رعد و برق(368/0=r) و ساعات آفتابی(611/0=r) در مقایسه با سایر پارامترها هم همبستگی بالایی با فراوانی آتش سوزی دارند و هم نسبت به بقیه ی پارامترها مستقل هستند. در ادامه پارامترهایی که همبستگی بالایی داشتند انتخاب شدند و با استفاده از رگرسیون خطی، غیر خطی و شبکه ی عصبی ارتباط آنها با فراوانی آتش سوزی بصورت توام بدست آمد. از بین این روشها شبکه ی عصبی با دقت بالایی توانست فراوانی آتش سوزی را با استفاده از پارامترهای ورودی و بدون در نظر گرفتن مکان آتش سوزی پیش بینی کند. برای رگرسیون خطی مقدار 7/0=r2 ، رگرسیون غیر خطی 772/0=r2 و شبکه ی عصبی 91/0=r2 در پیش بینی آتش سوزی های سال 2005 حاصل شد. در فاز دوم با استفاده از پارامترهای مختلف استاتیک و دینامیک موثر در وقوع آتش سوزی نقشه ی خطر آتش سوزی به روشهای رگرسیون لوجستیک، شبکه ی عصبی و آنالیز تصمیم گیری چند معیاره برای منطقه ی مورد مطالعه تهیه شده و مورد ارزیابی قرار گرفت. نقشه ی خطر آتش سوزی میزان پتانسیل وقوع آتش سوزی را برای هر پیکسل نشان می دهد. طبق نتایج بدست آمده آنالیز تصمیم گیری چند معیاره دقت بیشتری نسبت به بقیه روشها دارد. رگرسیون لوجستیک 56/33 درصد از منطقه را به عنوان پرخطر شناسایی کرد که 08/95 درصد از آتش سوزیها در آن مناطق رخداده بود، بنابراین معیار مقایسه که از تقسیم درصد آتش سوزی به درصد مساحت حاصل می شود برابر 8/2 بدست آمد. برای شبکه ی عصبی معیار مقایسه برابر 97/1 و برای آنالیز تصمیم گیری چند معیاره نیز 37/3 حاصل شده است. روش رگرسیون و شبکه ی عصبی نیاز به داده های آموزشی دارند که از نقاط آتش سوزی سال 2001 تا 2005 بدین منظور استفاده گردید. با توجه معلوم بودن موقعیت نقاط آتش سوزی، مقادیر پارامترهای مربوط به این نقاط استخراج شده و به همراه نمونه های غیر آتش سوزی مدلهای رگرسیون لوجستیک و شبکه عصبی ایجاد شدند. برای آنالیز تصمیم گیری چند معیاره نیاز به داده های آموزشی نبوده بلکه با استفاده از وزندهی کلاسهای هر لایه ی اطلاعات و ترکیب آنها با وزنهای مناسب نقشه ی خطر آتش سوزی تهیه شد. با توجه به مزیت روش آنالیز تصمیم گیری چند معیاره و دقت بالای این روش نسبت به رگرسیون لوجستیک و شبکه ی عصبی، نقشه ی خطر آتش سوزی با استفاده از این روش برای ماههای مختلف تهیه شد و قابلیت مدل در شناسایی نواحی پرخطر مورد ارزیابی قرار گرفت. همچنین برای مدلسازی از داده های مختلف استفاده شد و طبق نتایج بدست آمده داده های سنجش از دور دقت مدل را بطور چشمگیری افزایش می دهد که این بیانگر پتانسیل سنجش از دور در شناسایی نواحی با خطر بالای آتش سوزی می باشد. با اضافه شدن دو شاخص lst و gvmi به مدل آنالیز تصمیم گیری چندمعیاره، معیار مقایسه از 75/1 به 55/2 افزایش یافت. داده های سنجش از دور به دلیل قدرت تفکیک زمانی و مکانی مناسبی که دارند، پتانسیل بالایی برای تهیه ی نقشه ی خطر آتش سوزی دارند. با استفاده از نقشه ی خطر آتش سوزی می توان تمهیدات لازم را قبل از وقوع آتش سوزی انجام داد و تا حد امکان از وقوع آن پیشگیری کرد.