فهرست نشریات علمی دسترسی آزاد ایران

چکیده مبسوط مقدمه: سیلاب یکی از مخرب‌ترین بلایای طبیعی محسوب می‌شود؛ بنابراین تهیه نقشه حساسیت سیل‌گیری گامی مهم در راستای مدیریت سیلاب است. به دلیل کمبود اطلاعات در اکثر حوزه‌های آبخیز کشور، بسیاری از محققان برای مطالعه‌های هیدرولوژیکی و سیل‌گیری از تجزیه‌وتحلیل‌های مکانی در محیط GIS استفاده می‌کنند. بر این اساس، شناسایی مهم‌ترین عوامل مؤثر بر ایجاد و تشدید وقوع سیل و هم‌چنین تهیه نقشه حساسیت‌پذیری آن می‌تواند یکی از مهم‌ترین راهکارها در راستای کاهش خطر سیل باشد؛ بنابراین هدف از پژوهش حاضر، تهیه نقشه حساسیت‌پذیری سیل در استان بوشهر با استفاده از تکنیک‌های یادگیری ماشین و شناسایی عوامل مهم و مؤثر بر وقوع آن است. مواد و روش‌ها: پژوهش حاضر به‌منظور مقایسه کارایی سه مدل یادگیری ماشین، شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و مدل جمعی تعمیم‌یافته (GAM) در تهیۀ نقشۀ سیل‌گیری استان بوشهر انجام شده است. در این تحقیق ابتدا لایه‌های اطلاعاتی تأثیرگذار بر رخداد سیلاب در منطقه موردمطالعه تعیین و هر یک از نقشه‌های تهیه‌شده به‌عنوان ورودی به مدل‌های ذکرشده در این تحقیق معرفی شدند تا بر اساس آن‌ها نقشه حساسیت به سیلاب (سیل‌گیری) در محدوده مطالعاتی تهیه شود. بدین منظور، لایه‌های اطلاعاتی درجۀ شیب، جهت شیب، ارتفاع، فاصله از رودخانه، تراکم زهکشی، سنگ‌شناسی، کاربری اراضی، شاخص رطوبت توپوگرافی، شاخص تفاضلی پوشش گیاهی نرمال‌شده و بارندگی در محیط سامانۀ اطلاعات مکانی در نرم‌افزارهای ArcGIS و SAGA-GIS تهیه شد. سپس بر اساس اطلاعات 925 موقعیت سیلاب‌های رخ‌داده و شناسایی‌شده در محیط گوگل ارث انجین، از 70 درصد تعداد کل نقاط (645 نقطه) به‌منظور مدل‌سازی و 30 درصد باقیمانده (280 نقطه) برای ارزیابی استفاده شد. به‌منظور اعتبارسنجی و ارزیابی کارایی مدل‌ها نیز از منحنی تشخیص عملکرد نسبی استفاده شد. نتایج و بحث: نتایج روش جنگل تصادفی نتایج نشان داد از بین 10 عامل اصلی، عوامل ارتفاع، بارندگی و سنگ‌شناسی به‌عنوان مهم‌ترین فاکتورهای تأثیرگذار بر وقوع سیل در منطقه موردمطالعه بوده و در مقابل عوامل جهت شیب و فاصله از رودخانه دارای کم‌ترین تأثیر بر وقوع سیل می‌باشند. به‌عبارت‌دیگر، نتایج نشان داد که عوامل ارتفاع، بارندگی و سنگ‌شناسی بیش‌ترین تأثیر را بر سیل‌گیری منطقۀ موردمطالعه دارند. نتایج ارزیابی دقت مدل‌ها با استفاده شاخص سطح زیر منحنی نشان داد که مدل ماشین بردار پشتیبان (86/0)، مدل جمعی تعمیم‌یافته (85/0) و مدل جنگل تصادفی (88/0) دارای دقت خیلی خوب هستند. همچنین بیشترین مساحت حساسیت سیل در مدل جنگل تصادفی و مدل جمعی تعمیم‌یافته مربوط به طبقه کم است. اگرچه در مدل ماشین‌بردار پشتیبان بیشترین کلاس حساسیت مربوط به طبقه متوسط است؛ بنابراین بر اساس شاخص‌های مذکور هر سه مدل توانائی خوبی در شناسایی مناطق سیل‌گیر دارند. به‌بیان‌دیگر، نتایج به‌دست‌آمده بر اساس مدل ماشین بردار پشتیبان نشان می‌دهد که 32/37 درصد از مساحت استان دارای حساسیت کم، 01/26 درصد از مساحت استان دارای حساسیت متوسط، 42/12 درصد از استان دارای حساسیت زیاد و 42/24 درصد از مساحت استان دارای حساسیت خیلی زیاد نسبت به سیل‌خیزی هستند. همچنین دو مدل دیگر نیز از دقت خیلی خوبی برای مدل‌سازی سیل در منطقه موردمطالعه برخوردار بوده‌اند. نمودار ROC مربوط به مربوط به مدل جنگل تصادفی، ماشین بردار پشتیبان و مدل جمعی تعمیم‌یافته نشان‌دهنده دقت 5/88 برای مدل جنگل تصادفی، دقت 86 درصد برای مدل ماشین بردار پشتیبان و دقت 85 درصد برای مدل جمعی است. نتیجه‌گیری: نتایج به‌دست‌آمده از تحقیق حاضر می‌تواند کمک قابل‌توجهی به دولت، برنامه‌ریزان و مهندسین در پیش‌گیری و کاهش وقوع سیلاب نماید. هم‌چنین می‌توان از روش‌های دیگر و ترکیب آن‌ها برای مدل‌سازی و مقایسه نتیجه آن با پژوهش حاضر استفاده کرد. بنا بر نتایج این تحقیق می‌توان اذعان داشت با استفاده از ابزارهای قدرتمند هوش مصنوعی، محققان و ذینفعان درک عمیق‌تری از پویایی پیچیده در وقوع سیل به دست می‌آورند و در نتیجه تصمیم‌گیری آگاهانه‌تر و استراتژی‌های مؤثرتری را در کاهش و کنترل سیل به کار می‌برند.