فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: ایران به‌دلیل‌‌ تنوع محیطی بالا، رتبة بالایی در بحران‌های ناشی از سوانح طبیعی دارد. با رشد سریع شهرها و تغییرات اقلیمی، سیل به عنوان یکی از این سوانح طبیعی خسارات اجتماعی– اقتصادی، بهداشتی و آسیب‌های محیط زیستی شدیدی را در بسیاری از مناطق به وجود آورده است. لذا، پیش‌بینی فضایی سیل به‌قدری حیاتی است که عدم شناسایی مناطق مستعد سیل در یک حوضة آبریز ممکن است آثار مخرب آن را افزایش دهد. در سال‌های اخیر، با پیشرفت ابزارهای سنجش از دور، اطلاعات جغرافیایی، یادگیری ماشین و مدل‌های آماری، ایجاد نقشه‌های پیش‌‌بینی سیل با دقت بالا کاملاً امکان‌پذیر شده است. به همین منظور، در این پژوهش، با استفاده از تصاویر ماهوارةSentinel و استفاده از رویکرد نوین مدل همادی با شش مدل یادگیری ماشین به پیش‌بینی مکان‌های مستعد سیل در حوضة آبریز کارون پرداخته شد. مواد و روش‌‌ها: در این پژوهش از رادار دیافراگم مصنوعی (SAR) به‌دست‌آمده از تصاویر Sentinel-1 برای شناسایی مناطقی که تحت تأثیر سیل قرار گرفته‌اند، استفاده شد. ابتدا تاریخ‌های بارندگی شدید و وقوع سیل در منطقة مورد مطالعه از منابع اطلاعاتی مختلف شناسایی شدند. سپس تصاویر Sentinel-1 مربوط به قبل و بعد از رویداد سیل از طریق پایگاه دادة Copernicus تهیه شد. پردازش این داده‌ها با استفاده از پلتفرم SNAP انجام شد. شناسایی مناطق تحت تأثیر سیل با بهره‌گیری از روش حد آستانه صورت گرفت. برای این منظور از شاخص تفاوت نرمال‌شدة آب (NDWI) تولیدشده از تصاویر Sentinel-2 و همچنین طبقات پوشش زمین که بدنه‌های آبی دائمی را نشان می‌دهند، استفاده شد تا آستانه‌ای که مناطق سیل‌زده را شناسایی می‌کند، تعیین شود. سپس لایة پلیگونی سیل به لایة نقطه‌ای تبدیل و در مجموع ۷۰ نقطه وقوع سیل ایجاد شد. با توجه به مرور مطالعات پیشین و ویژگی‌های محلی، هفت عامل اصلی که به‌طور چشمگیری بر وقوع سیلاب در منطقه تأثیر دارند، شناسایی شدند. این عوامل شامل شاخص نرمال‌شدة تفاوت پوشش گیاهی (NDVI)، شاخص رطوبت توپوگرافی (TWI)، شیب، جهت جریان، تجمع جریان، فاصله از رودخانه و بارندگی ماهانه هستند. مدل رقومی ارتفاع (DEM) منطقه نیز از پایگاه دادة SRTM تهیه شده و تفکیک فضایی همة عوامل با لایة DEM یکسان تنظیم شد. سپس، با استفاده از الگوریتم‌های مختلف یادگیری ماشین، مدلی ترکیبی توسعه داده شد که نتایج دقیق‌تری در پیش‌بینی مناطق مستعد سیل ارائه می‌دهد. مدل‌های منفرد شامل مدل خطی تعمیم‌یافته (GLM)، رگرسیون درختی پیشرفته (BRT)، مدل ماشین بردار پشتیبان (SVM)، مدل جنگل تصادفی (RF)، مدل رگرسیون سازشی چندمتغیره (MARS) و مدل بیشینة بی‌نظمی (MAXENT) هستند. نتایج و بحث: نتایج این مطالعه نشان می‌دهد که شمال شرق شهرستان الیگودرز، بخش‌هایی از دورود و ازنا در استان لرستان، خادم‌میرزا، شهرکرد و کیار در استان چهارمحال بختیاری، دنا و بویراحمد در استان کهکیلویه و بویراحمد، شهرستان سمیرم در استان اصفهان، و مناطق جنوبی حاشیة رودخانه کارون در استان خوزستان بیشترین پتانسیل وقوع سیل را در این حوضه دارند. ارزیابی عملکرد مدل‌ها نشان می‌دهد که مدل‌های جنگل تصادفی (RF) و بیشینة بی‌نظمی (MaxEnt) بالاترین دقت را در بین مدل‌های منفرد داشته‌اند. این مدل‌ها با ترکیب اطلاعات محیطی و داده‌های وقوع سیل، قادر به ارائة نقشه‌های حساسیت به سیل با دقت بالا هستند. از این نقشه‌ها می‌توان به‌عنوان ابزار مدیریتی مهمی برای کاهش اثرات مخرب سیل و جلوگیری از توسعة مناطق آسیب‌پذیر استفاده کرد.نتیجه‌گیری: به‌طور کلی، این پژوهش نشان می‌دهد که استفاده از رویکرد همادی با ترکیب مدل‌های یادگیری ماشین می‌تواند نتایج قابل اطمینان‌تری در پیش‌بینی مناطق مستعد سیل فراهم کند. نتایج این پژوهش برای مدیران و برنامه‌ریزان کارآمد است و می‌تواند از توسعه در مناطق آسیب‌پذیر جلوگیری کند و در نتیجه به کاهش زیان‌های اقتصادی و جانی در آینده کمک کند.