تعیین پتانسیل سیل با استفاده از مدل های یادگیری ماشین CART، GLM و GAM (مطالعه موردی: حوضه کشکان)
سیل پدیده ای است که موجب آسیب های زیست محیطی و اقتصادی-اجتماعی بسیاری می شود. هدف از این پژوهش، ارزیابی کارایی مدل های یادگیری ماشین CART، GLM و GAM در شناسایی مناطق حساس به خطر سیلاب در حوضه کشکان است. استان لرستان و به ویژه حوضه کشکان شامل: سلسله، دلفان، دوره، خرم آباد، پلدختر و کوهدشت، سیل خیز است و دفعات بسیاری دچار خسارات ناشی از سیل شده است و در فروردین 1398، بزرگ ترین سیل 200 سال اخیر را تجربه کرده است؛ در همین راستا از عوامل مختلف شامل: ارتفاع، جهت شیب، انحنای زمین، درصد شیب، فاصله از رودخانه، تراکم زهکشی، خاک، سنگ شناسی، کاربری اراضی و شاخص رطوبت توپوگرافی استفاده شد. نقشه رقومی تمام عوامل نام برده در نرم افزار ArcGIS10.5 و در قالب پایگاه داده تهیه شد. موقعیت 123 واقعه سیل ثبت شده در سال های اخیر در این حوضه، جمع آوری و به صورت تصادفی در دو دسته آموزش مدل (86 واقعه) و اعتبار سنجی مدل (37 واقعه) در مدل سازی ها استفاده شد. با استفاده از مدل های یادگیری ماشین و عوامل موثر محیطی، نقشه های پیش بینی پتانسیل سیل تهیه شدند و سپس با استفاده از روش های منحنی مشخصه AUC و شاخص TSS اعتبار سنجی شدند. نتایج حاصل از اعتبارسنجی مدل ها نشان داد که مدل یادگیری ماشین CART با 91/0AUC= و شاخص 88/0TSS= دقیق ترین مدل در پیش بینی پتانسیل خطر سیل بوده و پس از آن مدل GAM با 87/0AUC= و شاخص 84/0 TSS=و مدل GLM با 83/0AUC= و شاخص 88/0 TSS=قرار دارند. دقت 91/0 مدل CART نشان دهنده دقت عالی این مدل برای حوضه کشکان است. این مدل، مساحت بیشتری از حوضه را تحت شرایط پتانسیل بالا و متوسط خطر سیل گیری نشان می دهد که اغلب مناطق غربی و همچنین مناطق مرکزی حوضه (کوهدشت، خرم آباد و پلدختر) را شامل می شوند که دقیقا بخش هایی از همین مناطق در سیل بزرگ سال 98 هم زیر آب رفتند و لازم است در اولویت اول برنامه ریزی و مدیریت ریسک سیل قرار گیرند.
شاخص رطوبت توپوگرافی ، نقشه سیل ، AUC ، ROC ، TSS
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.