پهنه بندی خطر سیلاب با استفاده از داده های هیدروژئومورفولوژی و مدل های یادگیری ماشین در حوضه آبخیز گرگانرود

هدف از پژوهش حاضر، پهنه بندی احتمال وقوع سیلاب در حوزه آبخیز گرگانرود واقع در استان گلستان با استفاده از مدل های یادگیری ماشین است. پهنه بندی دقیق مناطق پرخطر سیلاب با روش های نوینی همچون یادگیری ماشین، می تواند به مدیریت بهینه ریسک و کاهش خسارات ناشی از سیل کمک شایانی نماید. بدین منظور، دو مدل شناخته شده و پرکاربرد جنگل تصادفی و بیشینه آنتروپی به عنوان روش های بنچمارک با قابلیت محاسباتی بالا برای ارزیابی فرآیند وقوع سیلاب انتخاب شدند. نقشه پراکنش سیلاب با استفاده از بازدیدهای میدانی، گزارش های سازمانی و ثبت ۱۲۷ نقطه وقوع سیل در سامانه اطلاعات جغرافیایی تهیه شد. همچنین بر اساس مرور جامع منابع، تعداد ۱۹ عامل محیطی موثر شامل فاصله از آبراهه، سنگ شناسی، درصد شیب، بافت خاک، جهت شیب، کاربری اراضی، انحنای طولی و عرضی دامنه، شاخص رطوبت توپوگرافی، شاخص قدرت جریان، تراکم زهکشی، بارندگی سالانه و طبقات ارتفاعی انتخاب و لایه های اطلاعاتی مربوطه در سامانه اطلاعات جغرافیایی آماده شدند. به منظور ارزیابی دقت و پایداری مدل ها، سه مجموعه داده متفاوت از نقاط وقوع سیل S۱)، S۲،  (S۳ شامل ۷۰ درصد نقاط برای آموزش و ۳۰ درصد برای اعتبارسنجی به صورت تصادفی تهیه شد. ارزیابی نتایج مدل ها با استفاده از سطح زیر منحنی مشخصه عملکرد نسبی انجام شد. نتایج این پژوهش نشان داد که نقشه میانگین حاصل از مدل جنگل تصادفی در مرحله اعتبارسنجی با سطح زیر منحنی ۹۶ درصد و مقدار پایداری ۰۰۱/۰، از کارایی عالی در پهنه بندی سیلاب حوضه مورد مطالعه برخوردار است. در مقابل، مدل بیشینه آنتروپی دقت ۹۴ درصد و پایداری ۰۰۸/۰ را نشان داد. همچنین تحلیل درجه اهمیت متغیرها نشان داد که عوامل فاصله از جریان (حدود ۴۹ درصد اهمیت) و تراکم زهکشی (حدود ۱۵ درصد اهمیت) به عنوان مهم ترین عوامل محیطی موثر بر سیل گیری منطقه مورد مطالعه شناسایی شدند. به طور کلی، مدل جنگل تصادفی به دلیل دقت بالاتر و پایداری بیشتر، به عنوان مدل برتر در پهنه بندی سیلاب حوضه آبخیز گرگانرود معرفی می شود.

کلیدواژه ها:

Flood susceptibility ، Random Forest ، Maximum Entropy ، Model robustness ، Gorganrud watershed ، Golestan Province ، GIS-based modeling ، استان گلستان ، جنگل تصادفی ، سیل ، صداقت مدل