پهنهبندی حساسیت سیلاب با استفاده از روشهای یادگیری ماشین بهبودیافته توسط الگوریتم ژنتیک
نویسندگان
1 گروه مهندسی نقشه برداری، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشگاه تهران، تهران. ایران.
2 گروه مهندسی عمران آب و سازههای هیدرولیکی، دانشکده فنی مهندسی، دانشگاه تهران، تهران، ایران.
3 گروه مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران و محیط زیست، دانشگاه تربیت مدرس، تهران، ایران.
4 گروه مهندسی نقشه برداری، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشگاه تهران، تهران. ایران.
5 گروه مهندسی عمران، دانشکده مهندسی، دانشگاه بیرجند، بیرجند، ایران
doi
10.22059/jne.2022.350170.2485چکیده
با توجه به بالا رفتن خطر وقوع سیلاب خصوصاً در سطح شهرها و به وجود آمدن خطرات جانی، مالی و محیط زیستی ناشی از افزایش آن، پهنهبندی مناطق سیلخیز از اهمیت بالایی برخوردار است. بنابراین در این مطالعه سعی شد مناطق حساس به سیلاب در دشت بیرجند با استفاده از معیارهای مؤثر پهنهبندی شود. در این راستا از روشهای دادهمحور ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) در ترکیب با الگوریتم ژنتیک جهت پهنهبندی مناطق حساس به سیل استفاده شد. بنابراین برای پیادهسازی و اعتبارسنجی مدلهای ذکر شده، 42 موقعیت سیلخیز در منطقة مورد مطالعه استخراج شد. علاوه بر این، 19 معیار هیدروژئولوژیکی، توپوگرافی، زمینشناسی و محیطی مؤثر بر حساسیت سیلاب در منطقة مورد مطالعه استخراج شدند تا برای پیشبینی نقشة حساسیت سیل مورد استفاده قرارگیرند. سطح زیر منحنی (AUC) و انواع شاخص های آماری دیگر از جمله ضریب تشخیص (R2) و ریشة میانگین خطای مربعات (RMSE) برای ارزیابی عملکرد مدلها استفاده شد. مقادیر R2، RMSE و AUC حاصل از روش SVM-GA بهترتیب 0/9032، 0/2751 و 0/931 و روش RF-GA به ترتیب 0/9823، 0/2321 و 0/914 به دست آمد که نشاندهندة سازگاری و دقت بالای مدل RF نسبت به مدل SVM است. همچنین نتایج نشان داد که حساسیت سیل بهدلیل ارتفاع و زاویة شیب کمتر در مناطق مرکزی منطقة مطالعاتی بیشتر از سایر مناطق است. نتایج این مطالعه میتواند بهمنظور مدیریت مناطق آسیبپذیر و کاهش خسارتهای سیل مورد استفاده قرار گیرد.