جستجوی مقالات مرتبط با کلیدواژه
تکرار جستجوی کلیدواژه bayesian logistic regression mode در نشریات گروه کشاورزی
bayesian logistic regression mode
در نشریات گروه آبخیزداری، بیابان، محیط زیست، مرتع
تکرار جستجوی کلیدواژه bayesian logistic regression mode در مقالات مجلات علمی
-
سیل یکی از خطرناک ترین و شایع ترین پیش آمد های طبیعی در جهان است که هر ساله باعث رسیدن زیان ها و آسیب های بسیاری بر جامعه و محیط زیست می شود . ارزیابی و مدیریت جامع سیلاب برای کم کردن تاثیر سیل بر زندگی و گذران مردم ضروری است. افزایش سیل در سال های اخیر نشان می دهد که مکان یابی و شناسایی منطقه های سیل خیز برای پیش بینی این فاجعه ی زیست محیطی اهمیت زیادی دارد زیرا نشناختن منطقه های حساس به سیل در آبخیز ممکن است اثر ویرانگری در پی داشته باشد. هدف اصلی این پژوهش ارزیابی عمل کرد مدل وزن شاهد و مدل وایازی پشتیبان بیزین برای تهیه ی نقشه ی حساسیت سیل در آبخیز رود تلوار استان کردستان است. 93 جای سیل گیر مشخص شده در منطقه به شیوه ی تصادفی به گروه واسنجی (70 %) و گروه اعتبارسنجی (30 %) تقسیم شد. هر دو مدل بر 10 عامل موثر در ایجاد سیل تمرکز دارند، که عبارت است از شیب، جهت شیب، انحنا، مدل رقومی ارتفاع، فاصله از آب راه، شاخص رطوبت پستی بلندی، شاخص توان آب راه، بارندگی، زمین شناسی و کاربری زمین. بر پایه ی مدل وزن شاهد 35/8% از سطح منطقه در طبقه ی خطر متوسط تا خیلی زیاد، و برپایه ی مدل وایازی پشتیبان بیزین 45/08% از سطح منطقه در طبقه ی خطر متوسط تا خیلی زیاد بود. برای اعتبارسنجی نقشه های توان سیل خیزی، از منحنی تشخیص عمل کرد نسبی بهره گرفته شد. اگرچه هر دو مدل دقت کافی دارد، در مدل وایازی پشتیبان بیزین درستی بیش تری (93/4 %) دیده شد. در زمینه ی توان یابی خطر سیل کار کرد مدل وایازی پشتیبان بیزین بهتر از مدل وزن شاهد بود.کلید واژگان: آبخیز رود تلوار، سیل، مدل وایازی پشتیبان بیزین، مدل وزن شاهدFlooding is one of the most dangerous and common natural disasters, which yearly causes many damages and causalities for communities and the environment. A comprehensive flooding assessment and management is essential to reduce the effects of flooding on people's lives and livelihoods. Due to an increase in flooding in recent years, locating and identifying flood-prone areas is very important to predict this environmental disaster as mis-identification of flood-prone areas in a watershed may have devastating effects. The main purpose of this study was to evaluate the performance of the Bayesian Logistic Regression (BLR) and the weight-of-evidence (WOE) models for preparing flooding susceptibility maps in the Talvar Watershed of Province of Kurdistan. The geographical location of 93 flood prone areas identified in the watershed was randomly divided into one group (70%) for calibration and another (30%) for validation. Both models consider ten effective factors in causing flooding, namely: slope, slope direction, curvature, digital elevation model, distance from stream, topographic wetness index (TWI), stream power index (SPI), rainfall amount, geology, and land use. According to the WOE model, about 35.8% of the area is placed in the medium to very high hazard class, and based on the Bayesian logistic regression model, about 45.08% of the area is placed in the medium to very high hazard class. The relative performance detection curve was used to validate the flooding potential maps. Even though both models offered sufficient accuracy, the higher accuracy was assigned to the BLR model (93.4%). Therefore, the BLR model has better performance than the WOE model in terms of the flooding risk potential.Keywords: Bayesian logistic regression mode, Talvar watershed, flood
نکته
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.