پیشبینی مناطق مستعد وقوع سیل با استفاده از مدلهای پیشرفته یادگیری ماشین ( دشت بیرجند)
نویسندگان
1 دانشآموخته کارشناسی ارشد، گروه آب و سازههای هیدرولیکی، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.
2 استادیار، گروه معدن، دانشکده مهندسی، دانشگاه بیرجند، بیرجند، ایران.
3 دانشآموخته کارشناسی ارشد، گروه مهندسی نقشهبرداری، دانشکده مهندسی نقشهبرداری و اطلاعات مکانی، دانشگاه تهران، تهران، ایران.
4 کارشناس ارشد مهندسی عمران آب و سازههای هیدرولیکی، عضو باشگاه پژوهشگران جوان و نخبگان، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران.
5 دانشیار، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه بیرجند، بیرجند، ایران.
doi
10.22059/jwim.2022.332875.934چکیده
تحقیقات در مورد مدلهای پیشبینی سیل، یکی از اقدامات اولیه در کاهش خسارت سیل و مدیریت سیلهای آینده در حوضههای آبریز است. هدف از مطالعه حاضر، ارزیابی حساسیت سیل در حوضه آبریز دشت بیرجند از طریق چهار مدل یادگیری ماشین شامل ماشین بردار پشتیبان (SVM)، درخت تصمیم J48، جنگل تصادفی (RF) و سیستم استنتاج عصبی فازی (ANFIS) است. لذا جهت پیادهسازی و اعتبارسنجی مدلهای ذکر شده، فهرستی از مناطق مستعد سیل در منطقه مورد مطالعه تهیه شد (42 موقعیت سیلخیز). علاوه بر این، 19 معیار هیدروژئولوژیکی، توپوگرافی، زمینشناسی و محیطی مؤثر بر وقوع سیل در منطقه مورمطالعه استخراج شدند تا برای پیشبینی نقشه حساسیت سیل مورد استفاده قرار گیرند. نتایج نشان داد که بالاترین دقت مربوط به مدل RF (845/0) و کمترین دقت مربوط به مدل SVM (791/0) بود. علاوه بر این، اعتبارسنجی نتایج با استفاده از منحنی ROC نشان داد که دقیقترین مقادیر حساسیت سیل نیز به مدل RF اختصاص دارد (958/0AUC=). نتایج این مطالعه میتواند به منظور مدیریت مناطق آسیبپذیر و کاهش خسارات سیل استفاده گردد.
