مدیریت درختان خطرآفرین به بررسی احتمال خطر درختان در محیطهای طبیعی و انسان ساخت میپردازد. از آنجاییکه درختان خطرآفرین در فضای سبز شهری از اهمیت بالایی برخوردارند، شناسایی و کمیسازی شدت ریسک این درختان اجتنابناپذیر است و فقط در این صورت امکان مدیریت ریسک و انجام اقدامات پیشگیرانه و به موقع فراهم میگردد. در این مطالعه در مجموع 200 درخت چنار خطرآفرین با ساختار ناپایدار در شهر کرج شناسایی و اطلاعات مربوط به ویژگیهای عمومی و عیوب آنها ثبت گردید و شدت ریسک آنها با توجه به سال آسیبپذیری ارزیابی شد. در این تحقیق به کمک الگوریتم آموزشی پس انتشار خطا در محیط شبکههای عصبی مصنـوعی، شدت ریسک سقوط درختان چنار خطرآفرین (دو کلاسه شدت خطرآفرینی بر اساس سقوط اجزا در سال اول و دوم) بر اساس مقادیر کمی مشخصههای عمومی و عیوب درختان شبیهسازی شد. بر اساس نتایج آنالیز حساسیت قطر تاج، طول تاج درخت، انحراف تنه درخت و قطر یقه درخت به ترتیب بیشترین تاثیر را در طبقهبندی شدت ریسک درختان خطرآفرین داشتهاند. صحت مدل با مقایسه خروجی آن و شاخصهای محاسبه شده شامل ضریب تعیین (87/0 کلاس یک و 9/0 کلاس دو)، میانگین خطای مطلق (17/0 کلاس یک و 18/0 کلاس دو) و میانگین مربعات خطا (084/0 کلاس یک و 085/0 کلاس دو) سنجیده شد. مدل شبکه عصبی مصنوعی با دقت بالا در کلاسه بندی شدت ریسک چنارهای خطرآفرین در اکوسیستمهای شهری، مدل SFHR را به عنوان یک مدل پیشبینی در ارزیابی احتمال سقوط درختان چنار معرفی نمود.
