پیشبینی مناطق مستعد سیل با استفاده از مدلهای یادگیری ماشین خطی تعمیم یافته و بیشینه آنتروپی
نویسندگان
1 دانشجوی دکترای مدیریت حوزههای آبخیز، دانشگاه ارومیه
2 دانشیار، گروه مرتع و آبخیزداری، دانشگاه ارومیه
doi
10.22111/jneh.2024.47730.2021چکیده
هدف این مطالعه، شناسایی عوامل موثر، تهیه نقشههای پیشبینی خطرات سیل با استفاده از مدلهای یادگیری ماشین و در انتها ارزیابی کارایی این مدلها در حوزه آبخیز زیوه ارومیه میباشد. برای این منظور از عوامل محیطی و انسانی شامل شاخصهای مورفومتری؛ شاخص توان آبراهه (SPI)، شاخص طول شیب (LS)، شاخص خیسی توپوگرافی (TWI)، شاخص موقعیت توپوگرافی (TPI)، شاخص ناهمواری زمین (TRI)، شاخص تعادل جرم (MBI)، شاخص انحنای پروفیل (Profile Curvature) و شاخص انحنای سطح (Plan Curvature)، بارندگی، ارتفاع حوضه، درجه شیب، جهت شیب، لیتولوژی، کاربری اراضی، شاخص تفاضل نرمالشده پوشش گیاهی (NDVI)، فاصله از آبراهه، فاصله از روستا و فاصله از گسل استفاده شد. برای این منظور با استفاده از بازدیدهای میدانی و تصاویر گوگل ارث و منابع دریافتی از ادارات تعداد 96 نقطه سیل در حوضه شناسایی شدند. لایههای مربوط به شاخصهای مورفومتری از مدل رقومی ارتفاعی (5/12×5/12) متر و در محیط SAGA_GIS ؛ و نقشههای عوامل محیطی و انسانی در سامانه اطلاعات جغرافیایی ArcGIS تهیه و رقومی شدند. نتایج ارزیابی دو مدل با استفاده از منحنی ROC برای مدلهای یادگیری ماشین (ML) نشان داد که مدل بیشینه آنتروپی با )916/0(AUC= و مدل خطی تعمیم یافته با )902/0(AUC= دارای عملکرد عالی در پهنهبندی حساسیت محدوده مطالعاتی به سیلاب بودهاند. همچنین نتایج حاصل از شاخص کاپا برای مدل برتر نشان داد که عوامل محیطی شامل زمین-شناسی، فاصله از آبراهه، ارتفاع و شیب بیشترین تاثیر و کمترین تاثیر مربوط به عاملهای شاخص انحنای پروفیل، کاربری اراضی و شاخص تعادل جرم بوده است. شناسایی مناطق پر خطر و تعیین عوامل موثر بر رخداد سیلابها در این حوضه در امر کاهش خسارات احتمالی میتواند بسیار کارآمد باشد.