مدل سازی مکانی و تهیه نقشه پتانسیل سیل گیری با استفاده از الگوریتم های یادگیری ماشین (مطالعه موردی: استان بوشهر)
- سال انتشار: 1403
- محل انتشار: فصلنامه مدیریت جامع حوزه های آبخیز، دوره: 4، شماره: 2
- کد COI اختصاصی: JR_IWM-4-2_006
- زبان مقاله: فارسی
- تعداد مشاهده: 182
نویسندگان
بخش مهندسی منابع طبیعی و محیط زیست، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران
بخش علوم خاک، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران
بخش مهندسی منابع طبیعی و محیط زیست، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران
بخش مهندسی منابع طبیعی و محیط زیست، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران
بخش مهندسی منابع طبیعی و محیط زیست، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران
چکیده
چکیده مبسوط مقدمه: سیلاب یکی از مخرب ترین بلایای طبیعی محسوب می شود؛ بنابراین تهیه نقشه حساسیت سیل گیری گامی مهم در راستای مدیریت سیلاب است. به دلیل کمبود اطلاعات در اکثر حوزه های آبخیز کشور، بسیاری از محققان برای مطالعه های هیدرولوژیکی و سیل گیری از تجزیه وتحلیل های مکانی در محیط GIS استفاده می کنند. بر این اساس، شناسایی مهم ترین عوامل موثر بر ایجاد و تشدید وقوع سیل و هم چنین تهیه نقشه حساسیت پذیری آن می تواند یکی از مهم ترین راهکارها در راستای کاهش خطر سیل باشد؛ بنابراین هدف از پژوهش حاضر، تهیه نقشه حساسیت پذیری سیل در استان بوشهر با استفاده از تکنیک های یادگیری ماشین و شناسایی عوامل مهم و موثر بر وقوع آن است. مواد و روش ها: پژوهش حاضر به منظور مقایسه کارایی سه مدل یادگیری ماشین، شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و مدل جمعی تعمیم یافته (GAM) در تهیه نقشه سیل گیری استان بوشهر انجام شده است. در این تحقیق ابتدا لایه های اطلاعاتی تاثیرگذار بر رخداد سیلاب در منطقه موردمطالعه تعیین و هر یک از نقشه های تهیه شده به عنوان ورودی به مدل های ذکرشده در این تحقیق معرفی شدند تا بر اساس آن ها نقشه حساسیت به سیلاب (سیل گیری) در محدوده مطالعاتی تهیه شود. بدین منظور، لایه های اطلاعاتی درجه شیب، جهت شیب، ارتفاع، فاصله از رودخانه، تراکم زهکشی، سنگ شناسی، کاربری اراضی، شاخص رطوبت توپوگرافی، شاخص تفاضلی پوشش گیاهی نرمال شده و بارندگی در محیط سامانه اطلاعات مکانی در نرم افزارهای ArcGIS و SAGA-GIS تهیه شد. سپس بر اساس اطلاعات ۹۲۵ موقعیت سیلاب های رخ داده و شناسایی شده در محیط گوگل ارث انجین، از ۷۰ درصد تعداد کل نقاط (۶۴۵ نقطه) به منظور مدل سازی و ۳۰ درصد باقیمانده (۲۸۰ نقطه) برای ارزیابی استفاده شد. به منظور اعتبارسنجی و ارزیابی کارایی مدل ها نیز از منحنی تشخیص عملکرد نسبی استفاده شد. نتایج و بحث: نتایج روش جنگل تصادفی نتایج نشان داد از بین ۱۰ عامل اصلی، عوامل ارتفاع، بارندگی و سنگ شناسی به عنوان مهم ترین فاکتورهای تاثیرگذار بر وقوع سیل در منطقه موردمطالعه بوده و در مقابل عوامل جهت شیب و فاصله از رودخانه دارای کم ترین تاثیر بر وقوع سیل می باشند. به عبارت دیگر، نتایج نشان داد که عوامل ارتفاع، بارندگی و سنگ شناسی بیش ترین تاثیر را بر سیل گیری منطقه موردمطالعه دارند. نتایج ارزیابی دقت مدل ها با استفاده شاخص سطح زیر منحنی نشان داد که مدل ماشین بردار پشتیبان (۸۶/۰)، مدل جمعی تعمیم یافته (۸۵/۰) و مدل جنگل تصادفی (۸۸/۰) دارای دقت خیلی خوب هستند. همچنین بیشترین مساحت حساسیت سیل در مدل جنگل تصادفی و مدل جمعی تعمیم یافته مربوط به طبقه کم است. اگرچه در مدل ماشین بردار پشتیبان بیشترین کلاس حساسیت مربوط به طبقه متوسط است؛ بنابراین بر اساس شاخص های مذکور هر سه مدل توانائی خوبی در شناسایی مناطق سیل گیر دارند. به بیان دیگر، نتایج به دست آمده بر اساس مدل ماشین بردار پشتیبان نشان می دهد که ۳۲/۳۷ درصد از مساحت استان دارای حساسیت کم، ۰۱/۲۶ درصد از مساحت استان دارای حساسیت متوسط، ۴۲/۱۲ درصد از استان دارای حساسیت زیاد و ۴۲/۲۴ درصد از مساحت استان دارای حساسیت خیلی زیاد نسبت به سیل خیزی هستند. همچنین دو مدل دیگر نیز از دقت خیلی خوبی برای مدل سازی سیل در منطقه موردمطالعه برخوردار بوده اند. نمودار ROC مربوط به مربوط به مدل جنگل تصادفی، ماشین بردار پشتیبان و مدل جمعی تعمیم یافته نشان دهنده دقت ۵/۸۸ برای مدل جنگل تصادفی، دقت ۸۶ درصد برای مدل ماشین بردار پشتیبان و دقت ۸۵ درصد برای مدل جمعی است. نتیجه گیری: نتایج به دست آمده از تحقیق حاضر می تواند کمک قابل توجهی به دولت، برنامه ریزان و مهندسین در پیش گیری و کاهش وقوع سیلاب نماید. هم چنین می توان از روش های دیگر و ترکیب آن ها برای مدل سازی و مقایسه نتیجه آن با پژوهش حاضر استفاده کرد. بنا بر نتایج این تحقیق می توان اذعان داشت با استفاده از ابزارهای قدرتمند هوش مصنوعی، محققان و ذینفعان درک عمیق تری از پویایی پیچیده در وقوع سیل به دست می آورند و در نتیجه تصمیم گیری آگاهانه تر و استراتژی های موثرتری را در کاهش و کنترل سیل به کار می برند.کلیدواژه ها
سیل گیری, مدل سازی, یادگیری ماشین, استان بوشهراطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.