پهنه بندی مناطق مستعد دارای جریان های واریزه ای با استفاده از الگوریتم های یادگیری ماشین (مطالعه موردی: حوضه تنگراه استان گلستان)

سیلاب، رخدادی طبیعی و نامنتظره است که در دهه های اخیر به فراوانی رخ داده و آسیب های جبران ناپذیری به همراه داشته است. ارزیابی جامع خطر جریان های واریزه ای به علت پیچیدگی و فقدان قطعیت شاخص های مختلف مربوطه، بسیار چالش برانگیز است. یک ارزیابی منطقی و معقول باید بر اساس داده های کافی و رویکردهای واقع گرایانه باشد. این مطالعه با استفاده از الگوریتم های یادگیری ماشین، رویکرد دقیقی را برای ارزیابی ریسک خطر جریان واریزه ای ارایه می دهد. در این راستا به منظور ارزیابی آسیب پذیری سیلاب های رخ داده در منطقه، نقشه پهنه بندی ریسک سیلاب از دو مدل RF و ANN در حوضه آبریز تنگراه تهیه شد. بر اساس داده های خطر جریان واریزه ای، پیمایش های گسترده میدانی و داده های ژیومورفولوژیکی و محیطی انجام شده، یازده عامل موثر برای اجرای این مدل آماده شد که شامل طبقات ارتفاعی، درصد شیب، فاصله از آبراهه، تراکم زهکشی، زمین شناسی، میزان بارندگی، کاربری اراضی، جهت شیب، لایه خاک شناسی، شاخص قدرت آبراهه (SPI) و شاخص رطوبت توپوگرافیک (TWI) است. با استفاده از نرم افزارMatlab R2020a ، 609 منطقه مستعد جریان واریزه ای شناسایی شد که از هفتاد درصد آن برای اجرای مدل و از سی درصد آن برای اعتبارسنجی استفاده شد. رویکرد RF بیشترین مقادیر دقت، احتمال تشخیص خطر و AUC (ناحیه زیر منحنی مشخصه عملکرد گیرنده) را ارایه داد. ارزیابی نتایج به دست آمده از مدل الگوریتم جنگل تصادفی نیز با استفاده از ضریب تعیین 089/0 و خطای 24/0 ایجاد شد که سطح دقت بالای این مدل را نسبت به مدل شبکه عصبی مصنوعی با دقت 078/0 و خطای 35/0 نشان داد. براساس پهنه بندی صورت گرفته، نتایج نشان داد که 17، 22، 26، 22 و 12 درصد از مساحت منطقه به ترتیب پهنه های دارای خطر بسیار زیاد با مساحت 14/108 کیلومتر مربع، زیاد 2/136، متوسط 25/168، کم 2/142 و خیلی کم با 56/80 کیلومتر مربع است. اعتبارسنجی ثانویه توسط معیار ROC و سطح زیر منحنی برای مدل RF، 94/0 و برای مدل ANN 088/0 است که دقت برآوردی مدل رندم فارست را نشان می دهد.