تهیه نقشه پیشبینی مناطق مستعد سیل به کمک یادگیری ماشین جنگل تصادفی (مطالعه موردی: حوزه آبخیز سياه خور استان کرمانشاه)
نویسندگان
1 دانشجوی دکتری، گروه مهندسی طبیعت، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2 دانشیار، گروه مهندسی طبیعت، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. * (مسوول مکاتبات)
3 دانشیار، گروه کشاورزی و منابع طبیعی، واحد تربت جام، دانشگاه آزاد اسلامی، تربت جام، ایران.
4 گروه سیاست دانشگاه تهران
doi
چکیده
زمینه و هدف: سیل ناگهانی یکی از پویاترین بلایای طبیعی در نظر گرفته میشود که برای به حداقل رساندن خسارات اقتصادی، اثرات نامطلوب و پیامدهای آن با ترسیم حساسیت به سیل باید تدابیری اتخاذ شود. بنابراین تهیه نقشه حساسیت مناطق مستعد سیل گامیمهم 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 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. در پژوهش حاضر، حوزه آبخیز سياه خور در شمال شرق شهر اسلام آباد غرب (استان كرمانشاه)، برای پیشبینی مناطق مستعد سیل و شناسایی عوامل مهم و مؤثر بر وقوع آن انتخاب شد. روش بررسی: برای شناسایی مناطق مستعد سیل در این منطقه مورد مطالعه، الگوریتم یادگیری ماشین (ML) روش جنگل تصادفی در محیط پایتون مورد استفاده قرار گرفت. نقشه پراکنش سیلابهای گذشته بهمنظور پیشبینی سیلاب در آینده تهیه شد. یافته ها: 53 رخداد سیلاب در تاریخ آذر ماه 1403 در منطقه ثبت شده بود و 49 منطقه نیز به عنوان مناطق غیر سیلابی در نظر گرفته شد، 70% بهمنظور مدلسازی و 30% بهمنظور اعتبارسنجی استفاده شد. با بررسی مطالعات قبلی و پیمایش منطقه موردمطالعه 8 عامل مؤثر(شیب، تراکم زهکشی، کاربری اراضی، فاصله از رودخانه، خصوصیات زمین شناسی، بارندگی، جهت شیب و ارتفاع) بهمنظور پهنهبندی سیلاب انتخاب و تهیه شد. بهمنظور اعتبارسنجی و ارزیابی کارایی مدلها نیز از منحنی تشخیص عملکرد نسبی (ROC) استفاده شد. بحث و نتیجه گیری : نتایج نشان داد که از بین 8 عامل مؤثر بر پهنههای سیلابی، سه عامل بارندگی (35/0)، فاصله از رودخانه (27/0) و ارتفاع (21/0) بهترتیب بیشترین تأثیر را در سیل گیری منطقه مورد مطالعه دارند. همچنین نتایج ارزیابی خروجی مدلها نشان داد که مقدار AUC در مدل RF ، 98/0 بود که نشاندهنده کارایی و دقت بالای مدل RF در تهیه نقشه حساسیت به وقوع سیل در منطقه موردمطالعه میباشد. بیشترین مساحت حساسیت به سیل در مدل RF مربوط به طبقه خیلی کم است. نتایج حاصل نشان داد که استفاده از الگوریتم یادگیری ماشین (ML) روش جنگل تصادفی میتواند به طور موثر در تجزیه و تحلیل خطر سیلاب کارآمد باشد.