فهرست نشریات علمی دسترسی آزاد ایران

هدف: هدف از پژوهش حاضر شناسایی مناطق مستعد سیل­خیز در منطقه نیمه‌خشک طبس با استفاده از الگوریتم‌های یادگیری ماشین لجستیک درختی (LT)، (K-SVM) خطی و نزدیک‌ترین همسایه ­(KNN) است تا مهم­‌ترین عوامل مؤثر در سیل­‌خیزی منطقه شناسایی و مورد بررسی قرارگیرد.روش و داده: ابتدا 288 نقطه سیلابی از منابع سازمان منابع طبیعی و آبخیزداری استان خراسان جنوبی گردآوری شده است. در گام دوم داده‌ها به دو بخش تقسیم شدند: 70 درصد جهت آموزش و توسعه مدل و 30 درصد جهت اعتبارسنجی. سپس 12 عامل کلیدی در ارزیابی پتانسیل سیلاب مورد بررسی قرار گرفت و دقت الگوریتم­‌ها با استفاده از شاخص‌های آماری مختلف ارزیابی شد.یافته‌ها: نقشه‌های پهنه‌بندی سیل نشان می‌دهند که در الگوریتم LT، مناطق شمالی و غربی با خطر سیل خیزی زیاد (%43) و نواحی غربی و جنوبی با خطر خیلی زیاد (%36) مواجه هستند. در مقابل، الگوریتم K-SVM نشان می‌دهد که قسمت‌های مرکزی، غربی و جنوبی منطقه در معرض سیل‌خیزی زیاد (%59) قرار دارند، در حالی که نواحی شرقی، شمالی و مرکزی خطر سیل‌­خیزی خیلی زیاد (%41) را نشان می‌دهند. در الگوریتم KNN نیز نواحی شمالی، شرقی و مرکزی با خطر سیل‌خیزی زیاد (%38) و مناطق شمال­‌غربی، غربی و مرکزی با خطر سیل­‌خیزی خیلی زیاد (%27) قرار گرفته است که ناشی از تغییرات کاربری اراضی، به ویژه در مناطقی است که فاقد پوشش گیاهی هستند که باعث افزایش رواناب می­‌شود و خطر سیلاب را تشدید می‌کند.نتیجه‌گیری: نقشه‌های پهنه‌بندی سیلاب نشان می‌دهند که مناطق پرخطر در نزدیکی آبراهه‌ها قرار دارند جایی که جریان آب‌های زیرسطحی باعث تشکیل جبهه‌های رطوبتی می‌شود. این امر مقاومت خاک را کاهش داده و احتمال وقوع سیل­‌خیزی را افزایش می‌دهد. عوامل هیدرولوژیکی مانند شاخص‌های مرتبط با ­سیل­‌خیزی­، مناطق غربی، مرکزی، شمال و شمال­‌غرب و جنوب­‌شرق را به عنوان مناطق سیل‌خیز اصلی معرفی می‌کنندنوآوری، کاربرد نتایج: استفاده از الگوریتم‌های یادگیری ماشین در پژوهش‌ حاضر نوآوری‌های قابل توجهی را به همراه دارد. این رویکرد نه تنها دقت پیش‌بینی‌ها را افزایش می‌دهد، بلکه امکان استفاده از داده‌های چندمنظوره و شناسایی الگوهای پیچیده را فراهم می‌کند. نتایج حاصل از این رویکرد، در مدیریت سیلاب و حفظ سلامت اکوسیستم‌های آبی تأثیرگذار خواهد بود.