افزایش دقت پهنه بندی خطر سیل با ادغام مدل های یادگیری ماشین، منطق فازی و نظریه دمسفر-شفر

شناسایی مناطق مستعد سیل و تهیه نقشه های پهنه بندی خطر، نقش کلیدی در مدیریت ریسک و برنامه ریزی فضایی ایفا می کند. هدف این پژوهش، ارزیابی و مقایسه عملکرد سه الگوریتم یادگیری ماشین شامل رگرسیون لجستیک (LR)، ماشین بردار پشتیبان (SVM) و گرادیان بوستینگ (GB) در پهنه بندی خطر سیل در حوزه آبخیز نکارود استان مازندران است. بدین منظور، ۱۳ عامل محیطی، هیدرولوژیکی و ژئومورفولوژیکی از جمله بارندگی، شیب، ارتفاع، فاصله از رودخانه و کاربری اراضی استخراج و با ۱۵۲ نقطه وقوع سیل واقعی تلفیق شد. مدل ها پس از پیش پردازش داده ها آموزش داده شده و عملکرد آن ها با استفاده از شاخص های AUC، دقت کلی و ضریب کاپا ارزیابی گردید. نتایج نشان داد که مدل گرادیان بوستینگ با مقدار AUC برابر با ۰.۸۹۶، دقت کلی ۸۷٪ و ضریب کاپا ۰.۸۴ بهترین عملکرد را در شناسایی مناطق سیلابی و غیرسیلابی ارائه می دهد. مدل SVM با AUC برابر با ۰.۸۷۲ و دقت ۸۳٪ در رتبه دوم قرار گرفت، در حالی که مدل رگرسیون لجستیک با AUC برابر با ۰.۸۵۳ و دقت ۸۰٪ ضعیف ترین عملکرد را در میان مدل های مورد بررسی داشت. مقایسه نتایج بیانگر آن است که مدل های مبتنی بر درخت تصمیم و تقویت یادگیری، در مقایسه با مدل های خطی کلاسیک، توانایی بیشتری در بازنمایی الگوهای پیچیده مرتبط با وقوع سیل دارند. تحلیل اهمیت متغیرها نیز نشان داد که بارندگی، شیب، فاصله از رودخانه و ارتفاع مهم ترین عوامل موثر بر حساسیت به سیل در منطقه مطالعاتی هستند. نتایج نشان می دهد الگوریتم های یادگیری ماشین، به ویژه گرادیان بوستینگ، می تواند روش مناسب در پهنه بندی خطر سیل در مناطق مشابه باشد.

کلیدواژه ها:

سیل ، یادگیری ماشین ، گرادیان بوستینگ ، ماشین بردار پشتیبان ، نکارود