ارزیابی روش های یادگیری ماشین (SVM، GLM، FDA و RF) در تهیه نقشه حساسیت سیل بخشی از استان خوزستان

سیل یکی از مخرب ترین بلایای طبیعی است که خسارات جدی به منابع طبیعی و زیرساخت ها وارد کرده و تلفات انسانی بسیاری به همراه دارد. مدل های یادگیری ماشین به منظور شناسایی و مدیریت مناطق در معرض خطر سیل به طور گسترده ای مورد توجه بوده است. هدف از این تحقیق ارزیابی عملکرد چهار مدل ماشین بردار پشتیبان (SVM)، خطی تعمیم یافته (GLM)، آنالیز تفکیکی انعطاف پذیر (FDA) و جنگل تصادفی (RF) در مدل سازی پراکنش خطر وقوع سیل بخشی از استان خوزستان بود. برای این منظور ۱۳ عامل موثر بر سیل شامل عوامل توپوگرافی، هیدرواقلیمی، سنگ شناسی و انسانی تعیین شد. سپس موقعیت ۳۳۴ نقطه محل وقوع و عدم وقوع سیلاب براساس بازدیدهای میدانی و گزارش های موجود مشخص شد؛ که ۷۰% از این نقاط برای آموزش و ۳۰% باقیمانده جهت اعتبارسنجی مدل ها، بصورت تصادفی در نظر گرفته شد. نتایج ارزیابی عملکرد مدل های مورد بررسی براساس شاخص مساحت زیر منحنی مشخصه عامل گیرنده (ROC) برای مدل های RF، GLM و FDA بالاتر از ۷/۰ بدست آمد؛ که مدل RF با سطح زیر منحنی ۸/۹۸ درصد از دقت بالاتری نسبت به سایر مدلها برخوردار بود. براساس نقشه حساسیت خطر سیل حاصل از این مدل به ترتیب در ۷/۴% و ۴/۱۲% از سطح منطقه احتمال وقوع سیل خیلی زیاد و زیاد بوده است. نتایج این تحقیق به مدیران در کاهش تهدیدهای مرتبط با سیل و اجرای راهکارهای مدیریتی موثر در جهت کاهش خسارات آن کمک می کند.

کلیدواژه ها:

مدل های یادگیری ماشین ، نقشه حساسیت خطر سیل ، مدل جنگل تصادفی ، استان خوزستان