| پیش‌بینی رخداد سیل با استفاده از مدل‌های احتمالاتی و یادگیری ماشین |
| کد مقاله : 1026-SCWMWR (R1) |
| نویسندگان |
|
کورش شیرانی *1، محمدعلی صدری2، احمد مختاری3، میرمسعود خیرخواه زرکش4 1دانشیار پژوهشکده حفاظت خاک و آبخیزداری کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی 2کارشناسی ارشد دانشگاه آزاد لنجان 3مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی اصفهان 4عضو هیئت علمی |
| چکیده مقاله |
| اهداف این پژوهش اولویت‌بندی عوامل مؤثر، پهنه‌بندی و پیش‌بینی حساسیت نسبت به رخداد سیل با استفاده از مدل‌های رگرسیون بردار پشتیبان (SVR) و وزن شاهد بیزین (WOE) و معرفی مناسب‌ترین آن‌ها در حوزه‌ی قره‌سو و گرگان‌رود استان گلستان می‌باشد. نقشه پراکنش رخداد سیل بر اساس 368 مکان با تعداد تکرار 782 رخداد سیل بر اساس اطلاعات موجود، بازدید میدانی و بررسی تصاویر گوگل ارث در بازه زمانی قبل و بعد از سیلاب تهیه شد. از این تعداد 70 درصد (258 نقطه) به عنوان داده‌های آموزشی و 30 درصد (110 نقطه) به‌عنوان داده‌های آزمایشی به‌ترتیب برای اجرا و اعتبارسنجی مدل به طور تصادفی انتخاب و تقسیم شدند. در مرحله بعد از 15عامل زمین‌شناسی، هیدرولوژیک، مورفومتریک حوزه آبخیز به همراه داده‌های اقلیمی (به‌عنوان متغیر مستقل) به‌منظور پهنه‌بندی و مدل‌سازی استفاده شد. ارتباط بین عوامل موثر و رخدادهای سیل با استفاده از نسبت فراوانی، کمی و وزن‌دار شدند. به منظور بررسی چندراستایی و هم‌پوشانی اطلاعاتی عوامل موثر، با استفاده از تحلیل رگرسیون چند متغیره خطی، استقلال داده‌ها مورد آزمون قرار گرفت. نقشه‌های پهنه‌بندی حساسیت حاصل از اجرای دو مدل با استفاده از سطح زیر منحنی ویژگی عملکرد گیرنده (AUC-ROC) مورد ارزیابی، اعتبارسنجی و مقایسه قرار گرفتند. نتایج بررسی عوامل موثر در هر دو مدل متفقاً نشان داد، عوامل کاربری اراضی، ارتفاع و پوشش گیاهی به‌ترتیب تاثیر به‌سزایی در رخداد سیلاب داشته‌اند و بخش زیادی (بیش از 80%) از سیل‌های رخداده در کلاس حساسیت خیلی زیاد و زیاد قرار می‌گیرند. نتایج ارزیابی طبقه‌بندی و اعتبارسنجی مدل‌ها نشان داد AUC-ROC برای میزان موفقیت مدل‌های رگرسیون بردار پشتیبان و وزن شاهد به‌ترتیب 92/0 و 88/0 است. بنابراین، نتایج مدل رگرسیون بردار پشتیبان نسبت به مدل وزن شاهد دقت بیش‌تری دارد. |
| کلیدواژه ها |
| بیزین، پیش‌بینی، سیل، قره‌سو، یادگیری ماشین |
| وضعیت: پذیرفته شده برای ارائه شفاهی |
