فهرست نشریات علمی دسترسی آزاد ایران

سیل پدیده‌ای است که موجب آسیب‌های زیست­محیطی و اقتصادی-اجتماعی بسیاری می‌شود. هدف از این پژوهش، ارزیابی کارایی مدل‌های یادگیری ماشین CART، GLM و GAM در شناسایی مناطق حساس به خطر سیلاب در حوضه کشکان است. استان لرستان و به­ویژه حوضه کشکان شامل: سلسله، دلفان، دوره، خرم­آباد، پلدختر و کوهدشت، سیل­خیز است و دفعات بسیاری دچار خسارات ناشی از سیل شده است و در فروردین 1398، بزرگ‌ترین سیل 200 سال اخیر را تجربه کرده است؛ در همین راستا از عوامل مختلف شامل: ارتفاع، جهت شیب، انحنای زمین، درصد شیب، فاصله از رودخانه، تراکم زهکشی، خاک، سنگ­شناسی، کاربری اراضی و شاخص رطوبت توپوگرافی استفاده شد. نقشه رقومی تمام عوامل نام­برده در نرم­افزار ArcGIS10.5 و در قالب پایگاه داده تهیه شد. موقعیت 123 واقعه سیل ثبت­شده در سال­های اخیر در این حوضه، جمع­آوری و به‌صورت تصادفی در دو دسته آموزش مدل (86 واقعه) و اعتبار­سنجی مدل (37 واقعه) در مدل‌سازی‌ها استفاده شد. با استفاده از مدل‌های یادگیری ماشین و عوامل مؤثر محیطی، نقشه‌های پیش­بینی پتانسیل سیل تهیه شدند و سپس با استفاده از روش‌های منحنی مشخصه AUC و شاخص TSS اعتبار­­سنجی شدند. نتایج حاصل از اعتبارسنجی مدل‌ها نشان داد که مدل‌ یادگیری ماشین CART با 91/0AUC= و شاخص 88/0TSS= دقیق‌ترین مدل در پیش‌بینی پتانسیل خطر سیل بوده و پس ‌از آن مدل GAM با 87/0AUC= و شاخص 84/0 TSS=و مدل GLM با 83/0AUC= و شاخص 88/0 TSS=قرار دارند. دقت 91/0 مدل CART نشان­دهنده دقت عالی این مدل برای حوضه کشکان است. این مدل، مساحت بیشتری از حوضه را تحت شرایط پتانسیل بالا و متوسط خطر سیل­گیری نشان می­دهد که اغلب مناطق غربی و همچنین مناطق مرکزی حوضه (کوهدشت، خرم­آباد و پلدختر) را شامل می­شوند که دقیقاً بخش­هایی از همین مناطق در سیل بزرگ سال 98 هم زیر آب رفتند و لازم است در اولویت اول برنامه‌ریزی و مدیریت ریسک سیل قرار گیرند.