پهنه بندی خطر سیلاب در حوضه مرکزی طبس با استفاده از رویکردهای یادگیری ماشین و یادگیری عمیق

وقوع سیلاب های ناگهانی در حوضه های خشک و نیمه خشک، به دلیل ویژگی های خاص توپوگرافی و اقلیمی، یکی از مخاطرات عمده زیست محیطی محسوب می شود. هدف اصلی این پژوهش، تولید نقشه های دقیق پهنه بندی خطر سیلاب در حوضه مرکزی طبس با استفاده از مدل های هوشمند شبکه عصبی مصنوعی (ANN) و شبکه عصبی عمیق (DNN) جهت ارتقای دقت پیش بینی و بهبود مدیریت منابع آب است. در این راستا، ۱۴ لایه اطلاعاتی موثر شامل داده های سنجش ازدور، لیتولوژی، شبکه گسل ها، کاربری اراضی، تراکم زهکشی و شاخص های توپوگرافی TWI و SPI با استفاده از ۵۸ نقطه وقوع سیلاب جمع آوری شده از اداره منابع طبیعی، مورد تحلیل قرار گرفتند. داده ها به صورت تصادفی به دو بخش ۷۰ درصد برای آموزش و ۳۰ درصد برای اعتبارسنجی مدل ها تقسیم شدند. ارزیابی دقت مدل ها با استفاده از شاخص های آماری (حساسیت، ویژگی، PPV و NPV و تحلیل مساحت زیر منحنی مشخصه عملکرد (AUC-ROC) انجام شد. نتایج نشان داد که الگوریتم ANN با دستیابی به AUC برابر با ۷۸۱/۰ در شناسایی دشت های سیلابی و روابط مستقیم پارامترهای هیدرولوژیک عملکرد بهتری داشت، در حالی که مدل DNN با AUC برابر با ۷۰۱/۰، توانمندی بالاتری در استخراج ویژگی های انتزاعی و شناسایی الگوهای پیچیده در مناطق کوهپایه ای ناشی از اثرات هم افزایی لیتولوژی و گسل ها از خود نشان داد. یافته های این مطالعه حاکی از آن است که شاخص های TWI و SPI نقش تعیین کننده ای در شناسایی نقاط بحرانی تمرکز رواناب دارند. در نهایت، با توجه به توانایی بالای این مدل ها در محیط های خشک، استفاده از نقشه های پهنه بندی حاصله در سامانه های پشتیبان تصمیم (DSS) و اجرای راهکارهای تلفیقی، شامل احداث سازه های آبخیزداری در نقاط پرخطر و استقرار سامانه های هشدار سیل زودرس، می تواند نقش موثری در کاهش آسیب پذیری زیرساخت ها و مدیریت بهینه مخاطرات هیدرولوژیکی در حوضه طبس ایفا نماید.

کلیدواژه ها:

پهنه بندی ، یادگیری عمیق ، شبکه عصبی ، حوضه طبس ، سیلاب ، سنجش ازدور.