پهنه بندی خطر سیل در حوضه آبریز هراز با استفاده از مدل شبکه عصبی پرسپترون چندلایه (MLP)

سیل یکی از مخرب ترین مخاطرات طبیعی است که سالانه خسارات قابل توجهی را به زیرساختها، منابع طبیعی و جوامع انسانی وارد می کند. در این پژوهش به منظور پهنه بندی خطر سیلاب در حوضه آبریز هراز از مدل شبکه عصبی پرسپترون چندلایه (MLP) استفاده شده است. داده های مختلف مکانی و محیطی شامل نقشه های شیب، ارتفاع، کاربری اراضی، نوع خاک، بارش سالانه و شدت بارش همراه با داده های تاریخی وقوع سیلاب جمع آوری و پیش پردازش شدند. پس از آموزش مدل با استفاده از الگوریتم بازگشت گرادیان و بهینه سازی Adam، نقشه پهنه بندی خطر سیلاب در پنج کلاس مختلف (خیلی کم، کم، متوسط، زیاد و خیلی زیاد) تهیه شد. نتایج نشان داد که بیشترین مساحت منطقه در کلاس خطر کم (۳۲.۳۳ درصد) و متوسط (۲۶.۴۳ درصد) قرار دارد، در حالی که کلاس های خطر زیاد و خیلی زیاد که به ترتیب ۱۵.۳۰ و ۷.۳۲ درصد از مساحت منطقه را پوشش داده اند، نشان دهنده نواحی حساس و مستعد وقوع سیلاب های شدید هستند. اعتبارسنجی مدل با داده های واقعی سیلاب (GCP Flood) دقت بالای مدل را در شناسایی مناطق پرخطر تایید کرد. این مطالعه بر توانایی بالای مدل های یادگیری ماشین، به ویژه شبکه عصبی پرسپترون چندلایه، در تحلیل داده های پیچیده محیطی تاکید دارد و نقشه های تولید شده می توانند به عنوان ابزاری کارآمد برای مدیریت منابع آب، کاهش خطر سیلاب و برنامه ریزی های توسعه ای در حوضه آبریز هراز مورد استفاده قرار گیرند.

کلیدواژه ها:

سیلاب ، شبکه عصبی پرسپترون چندلایه ، پهنه بندی خطر ، حوضه آبریز هراز ، مدیریت منابع آب