برتری مدل حداکثر آنتروپی بر جنگل تصادفی در پهنه بندی حساسیت سیل با داده های محدود در مناطق نیمه خشک (مطالعه موردی: حوزه آبخیز الشتر، استان لرستان)

این پژوهش با هدف پهنه بندی حساسیت سیل با استفاده از مدل های هوش مصنوعی در حوزه آبخیز الشتر استان لرستان انجام شد. منطقه مورد مطالعه با مساحت ۶۴/۷۹۷ کیلومتر مربع، بخشی از زیرحوضه کرخه و دارای اقلیم نیمه خشک و سرد با میانگین بارندگی سالانه ۵۷۰ میلی متر است. در این تحقیق، از ۱۰ عامل موثر شامل شیب، جهت شیب، بارش، فاصله از جاده، فاصله از رودخانه، نوع خاک، کاربری اراضی، سازند زمین شناسی، شاخص رطوبت توپوگرافی (TWI)، تراکم زهکشی به عنوان داده های ورودی استفاده شد. از مجموع ۵۸ نقطه مشاهداتی (۳۳ نقطه سیل و ۲۵ نقطه غیرسیل)، ۷۰ درصد برای آموزش و ۳۰ درصد برای اعتبارسنجی مدل ها به کار رفت. عملکرد دو مدل شامل جنگل تصادفی (RF) و حداکثر آنتروپی (MaxEnt) با استفاده از منحنی ROC و شاخص سطح زیر منحنی (AUC) مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل  MaxEnt با مقادیر AUC برابر با ۹۸/۰ در مرحله آموزش و ۹۳/۰ در مرحله اعتبارسنجی، بهترین عملکرد را در پیش بینی حساسیت سیل دارد. تحلیل عوامل موثر نشان داد که بیش ترین سیل ها در طبقات بارشی ۷۰۰-۶۰۰ میلی متر، فواصل ۱۰۰–۰ متر از  جاده و رودخانه، شیب های ۵-۰ و ۱۵-۵ درصد، جهت شمال غربی ، کاربری کشاورزی دیم و سازندهای آبرفت قدیم واقع شده اند. بر اساس این نقشه، ۲۳/۸۳ درصد از منطقه در طبقه حساسیت خیلی کم، ۲۲/۹ درصد در طبقه کم، ۶۶/۴ درصد در طبقه متوسط، ۱۲/۲ درصد در طبقه زیاد و تنها ۷۴/۰ درصد در طبقه خیلی زیاد قرار گرفت. هم چنین بین شاخص TWI و وقوع سیل رابطه مستقیمی مشاهده شد. در نهایت، نقشه نهایی پهنه بندی حساسیت سیل با استفاده از مدل برتر  MaxEnt تهیه شد.

کلیدواژه ها:

Flood susceptibility ، geographic information system ، machine learning ، mapping ، semi-arid regions ، سیستم اطلاعات جغرافیایی ، پهنه بندی ، سیل خیزی ، مناطق نیمه خشک ، یادگیری ماشین