تهیه نقشه پیش بینی مناطق مستعد سیل به کمک یادگیری ماشین جنگل تصادفی (مطالعه موردی: حوزه آبخیز سیاه خور استان کرمانشاه)

زمینه و هدف: سیل ناگهانی یکی از پویاترین بلایای طبیعی در نظر گرفته می شود که برای به حداقل رساندن خسارات اقتصادی، اثرات نامطلوب و پیامدهای آن با ترسیم حساسیت به سیل باید تدابیری اتخاذ شود. بنابراین تهیه نقشه حساسیت مناطق مستعد سیل 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 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. در پژوهش حاضر، حوزه آبخیز سیاه خور در شمال شرق شهر اسلام آباد غرب (استان کرمانشاه)، برای پیش بینی مناطق مستعد سیل و شناسایی عوامل مهم و موثر بر وقوع آن انتخاب شد.

روش بررسی : برای شناسایی مناطق مستعد سیل در این منطقه مورد مطالعه، الگوریتم یادگیری ماشین (ML) روش جنگل تصادفی در محیط پایتون مورد استفاده قرار گرفت. نقشه پراکنش سیلاب های گذشته به منظور پیش بینی سیلاب در آینده تهیه شد.

یافته ها: ۵۳ رخداد سیلاب در تاریخ آذر ماه ۱۴۰۳ در منطقه ثبت شده بود و ۴۹ منطقه نیز به عنوان مناطق غیر سیلابی در نظر گرفته شد، ۷۰% به منظور مدل سازی و ۳۰% به منظور اعتبارسنجی استفاده شد. با بررسی مطالعات قبلی و پیمایش منطقه موردمطالعه ۸ عامل موثر(شیب، تراکم زهکشی، کاربری اراضی، فاصله از رودخانه، خصوصیات زمین شناسی، بارندگی، جهت شیب و ارتفاع) به منظور پهنه بندی سیلاب انتخاب و تهیه شد. به منظور اعتبارسنجی و ارزیابی کارایی مدل ها نیز از منحنی تشخیص عملکرد نسبی (ROC) استفاده شد.

بحث و نتیجه گیری: نتایج نشان داد که از بین ۸ عامل موثر بر پهنه های سیلابی، سه عامل بارندگی (۳۵/۰)، فاصله از رودخانه (۲۷/۰) و ارتفاع (۲۱/۰) به ترتیب بیش ترین تاثیر را در سیل گیری منطقه مورد مطالعه دارند. همچنین نتایج ارزیابی خروجی مدل ها نشان داد که مقدار AUC در مدل RF ، ۹۸/۰ بود که نشان دهنده کارایی و دقت بالای مدل RF در تهیه نقشه حساسیت به وقوع سیل در منطقه موردمطالعه می باشد. بیش ترین مساحت حساسیت به سیل در مدل RF مربوط به طبقه خیلی کم است. نتایج حاصل نشان داد که استفاده از الگوریتم یادگیری ماشین (ML) روش جنگل تصادفی می تواند به طور موثر در تجزیه و تحلیل خطر سیلاب کارآمد باشد.

کلیدواژه ها:

سیل گیری ، منحنی تشخیص عملکرد نسبی ، مکان یابی ، اسلام آباد غرب.