فهرست نشریات علمی دسترسی آزاد ایران

مقدمه و هدفدر میان خطرها و بلاهای طبیعی، بدون تردید سیل به‌عنوان ناگوارترین خطر در جهان شناخته‌شده است. یکی از راه‌کارهای اساسی برای کاهش خسارت‌های ناشی از سیل تهیه‌ی نقشه‌ی حساسیت سیل است. پیش ­بینی مکانی احتمال رخداد سیل با استفاده از مدل­ هایی که براساس داده ­های مکانی و تاریخی به وجود آمده‌اند، در نهایت منجر به تهیه‌ی نقشه ­های حساسیت ­پذیری سیلاب می ­شود، از راه‌کارهای مناسب برای برنامه ­ریزان مدیریت زمین‌ها در مناطق مختلف برای پیشگیری از رخداد این پدیده است. در این پژوهش، به‌منظور تعیین مناطق مستعد رخداد سیل از مدل ترکیبی (هیبریدی) استنتاج عصبی و فازی تطبیقی و دستورالعمل بهینه­ سازی فراکاوشی رقابت امپراتوری (ANFIS-ICA)  و مدل ترکیبی استنتاج عصبی و فازی تطبیقی و دستورالعمل بهینه­ سازی فراکاوشی ازدحام ذرات (ANFIS-PSO) استفاده شد.مواد و روش ­هاآبخیز زرینه­ رود در شمال‌غربی استان کردستان و میان طول جغرافیایی ″30′48°45 و ″20′48°46 شرقی و عرض جغرافیایی ″20′42°35 و ″15′23°36 شمالی است. مساحت این آبخیز 4485/2 کیلومترمربع است. اقلیم منطقه معتدل مرطوب است و میانگین بارندگی سالانه‌ی آن 480 میلی‌متر است. موقعیت رخدادهای سیل به‌طور تصادفی به دو گروه آموزش (70%) و اعتبارسنجی (30%) تقسیم شد. عامل‌های محیطی مختلف (بلندی، جهت، شیب، انحنای سطح، کاربری زمین، سنگ­ شناسی، بارندگی، شاخص توان جریان، فاصله از آبراهه، شاخص رطوبت پستی‌بلندی) به‌عنوان متغیر مستقل در مدل‌سازی انتخاب شدند و لایه ­های رقومی آن­ها تهیه شد. در این پژوهش از مدل ANFIS-ICA و مدل ANFIS-PSO  استفاده شد. نتایج پیش ­بینی مدل‌ها بر اساس معیار (AUC) و آماره‌ی مهارت صحیح (TSS) ارزیابی شد.نتایج و بحثبر پایه‌ی یافته ­های این پژوهش در مرحله‌ی اعتبارسنجی، مدل ANFIS-PSO با (AUC) 98/0 و آماره‌ی مهارت صحیح (TSS) 89/0 بیشترین دقت را داشت. همچنین عامل فاصله از آبراهه به‌عنوان مهم‌ترین عامل محیطی شناسایی شد. افزون بر این، شیب زمین و TWI به‌ترتیب در جایگاه‌های دوم و سوم اهمیت بودند.نتیجه ­گیری و پیشنهادهابر اساس نتایج این پژوهش، رویکرد ترکیبی (هیبریداسیون) که ترکیب شدن مدل­ های یادگیری ماشینی و دستورالعمل­ های بهینه­ سازی فراکاوشی است، موجب افزایش قدرت یادگیری و همچنین توان پیش ­بینی مدل شد. همچنین عامل فاصله از آبراهه و شیب زمین مهم‌ترین عامل‌های مؤثر در سیل­ گیری هستند. بر اساس نتایج و تحلیل­ های انجام‌شده می­ توان نتیجه ­گیری کرد که مدل­ های یادگیری ماشینی قابلیت زیادی در پیش ­بینی توان سیل­ گیری دارند. در این پژوهش نقشه­ های توان سیل تهیه‌شده می ­تواند برای مدیران و کارشناسان بسیار کاربردی بوده و در برنامه ­ریزی اقدام‌های مهارکردن سیل استفاده‌ی عملی داشته باشد. توجه­ کردن به امکانات و اقدام‌های مهارکردن سیل در موقعیت­ هایی که توان سیل‌گیری زیادی دارند، موجب افزایش مدیریت سیل از نظر اقتصادی و فنی می­ شود.