پیش بینی اثر اقدامات بیولوژیک بر سیل خیزی حوزه آبخیز بهشت آباد با استفاده از روش های یادگیری ماشین

چکیده مبسوط مقدمه: سیل یکی از انواع بلایای طبیعی است که هر ساله موجب ایجاد خسارات زیادی در ایران می شود. اجرای اقدامات آبخیزداری در سطح حوزه های آبخیز، یکی از راهکارهای موثر در مدیریت سیل و جلوگیری از خسارات ناشی از آن است. از طرفی بررسی میزان تاثیر این اقدامات بر فرآیندهای هیدرولوژیک حوزه آبخیز اجتناب ناپذیر است. در مدیریت مخاطرات طبیعی به ویژه در مدیریت سیل، زمان یکی از مهم­ترین عوامل است، به­عبارتی مدل به­کار گرفته شده باید توانایی مدل سازی یا شبیه سازی در کوتاه ترین زمان ممکن را دارا باشد تا به اقدامات پیشگیرانه و هشدار اولیه کمک نماید. مطالعات زیادی به منظور اندازه گیری و طبقه بندی اثرات سیل از دیدگاه های مختلف انجام شده است. در همین راستا پیشرفت در زمینه های مختلف هوش مصنوعی مخصوصا در زمینه مطالعات مربوط به منابع آب موجب شده که به­عنوان گزینه مناسب برای مدل سازی فرآیندهای هیدرولوژیکی و هیدرولیکی مورد توجه قرار گیرند. بر همین اساس پژوهش حاضر با هدف پیش بینی اثر اقدامات آبخیزداری بر سیل­خیزی حوزه آبخیز بهشت آباد با استفاده از روش یادگیری ماشین برنامه ریزی شد.مواد و روش ها: داده های مورد استفاده شامل دبی و بارش در دوره­های ۱۳۹۹-۱۳۷۸ بود. عوامل موثر بر سیل ازجمله پوشش گیاهی، خاک و توپوگرافی نیز با استفاده از تصاویر ماهواره ای، سامانه گوگل ارث انجین و مطالعات میدانی در محیط نرم افزار ArcGIS تهیه شد. همچنین تاثیر اقدامات آبخیزداری شامل عملیات بیولوژیک با مدل های ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) شبیه سازی شد. به­طور کلی پیش بینی دبی جریان بر اساس مجموعه داده های موجود (۷۸۵۰ سری) در دو دسته داده های آموزش مدل (Train) شامل ۷۰ درصد داده ها (۵۴۹۵ سری) مربوط به دوره ۱۳۷۸ تا ۱۳۹۳ و داده های آزمون مدل (Test) شامل ۳۰ درصد داده ها (۲۳۵۵ سری) در دوره ۱۳۹۳ تا ۱۳۹۹ انجام شد. براساس مطالعات تفصیلی-اجرایی صورت گرفته، اقدامات بیولوژیک شامل کپه کاری، بذکاری، بذرپاشی و نهال­کاری شبیه سازی شد و اثر اقدامات بیولوژیک بر دبی جریان، در نظر گرفته شد. بنابراین با انجام طرح های بیولوژیک پیش بینی شده در سطح حوزه آبخیز مورد مطالعه، پارامترهای پوشش گیاهی و کاربری اراضی، تغییر نموده و از لایه های پیش بینی شده استفاده شد، لذا مقادیر عددی مربوط به پوشش گیاهی حوضه ازجمله شاخص NDVI و کاربری اراضی در پیکسل هایی که عملیات پیشنهاد شده بود، تغییر داده شد که مقادیر آن­ها مجددا محاسبه و وارد فرآیند مدل سازی گردید.نتایج و بحث: بیش­ترین میزان دبی شبیه سازی شده در حوضه با مدل های ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) به ترتیب حدود ۵۰۰ و ۵۲۰ مترمکعب بر ثانیه بوده که در سال های ۱۳۸۳ و ۱۳۹۵ رخ داده است. نتایج نشان داد اقدامات بیولوژیک حجم دبی جریان را کاهش داده و اثر کمتری بر مقدار دبی اوج داشته است. مقایسه نتایج دو مدل SVM و RF نشان داد که مدل SVM عملکرد بهتری نسبت به مدل RF در پیش بینی دبی جریان رودخانه داشته است به­نحوی­که طبق نتایج به­دست آمده از مدل SVM، مقدار ضریب تببین در مرحله آموزش و آزمون به­ترتیب برابر ۹۶/۰ و ۸۹/۰ بوده است. همچنین مقدار شاخص نش-ساتکلیف برای مرحله آموزش برابر ۹۵/۰ و برای مرحله آزمون برابر با ۸۶/۰ می­باشد.نتیجه گیری: نقش اقدامات آبخیزداری به صورت بیولوژیک در حوزه های آبخیز در کاهش میزان رواناب سطحی و اثرگذاری آن بر متغیرهای سیل، از طریق تاثیر آن ها بر زمان تمرکز و شماره منحنی حوزه آبخیز امری غیرقابل انکار است. از طرفی بررسی میزان تاثیر این اقدامات بر فرآیندهای هیدرولوژیک حوزه آبخیز اجتناب ناپذیر است. براساس نتایج، استفاده از مدل های یادگیری ماشین گزینه مناسبی برای صرفه جویی در وقت و هزینه طرح ها و پروژه های پیش بینی جریان روخانه و جریان سیلی و کنترل و مدیریت سیل در حوزه های آبخیز می باشند. می توان اظهار نمود پیش بینی سیل با استفاده از روش های مبتنی بر هوش مصنوعی می تواند در زمان و هزینه به صرفه باشد و با آموزش صحیح مدل و استفاده از داده­های جامع پیش بینی دقیق تری ارائه داشت.

کلیدواژه ها:

جنگل تصادفی (RF) ، حوضه بهشت آباد ، مدل ماشین بردار پشتیبان (SVM) ، مدیریت سیل ، هوش مصنوعی