پهنه بندی حساسیت سیلاب با استفاده از روش های یادگیری ماشین بهبودیافته توسط الگوریتم ژنتیک

با توجه به بالا رفتن خطر وقوع سیلاب خصوصا در سطح شهرها و به وجود آمدن خطرات جانی، مالی و محیط زیستی ناشی از افزایش آن، پهنه بندی مناطق سیل خیز از اهمیت بالایی برخوردار است. بنابراین در این مطالعه سعی شد مناطق حساس به سیلاب در دشت بیرجند با استفاده از معیارهای موثر پهنه بندی شود. در این راستا از روش های داده محور ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) در ترکیب با الگوریتم ژنتیک جهت پهنه بندی مناطق حساس به سیل استفاده شد. بنابراین برای پیاده سازی و اعتبارسنجی مدل های ذکر شده، 42 موقعیت سیل خیز در منطقه مورد مطالعه استخراج شد. علاوه بر این، 19 معیار هیدروژیولوژیکی، توپوگرافی، زمین شناسی و محیطی موثر بر حساسیت سیلاب در منطقه مورد مطالعه استخراج شدند تا برای پیش بینی نقشه حساسیت سیل مورد استفاده قرارگیرند. سطح زیر منحنی (AUC) و انواع شاخص های آماری دیگر از جمله ضریب تشخیص (R2) و ریشه میانگین خطای مربعات (RMSE) برای ارزیابی عملکرد مدل ها استفاده شد. مقادیر R2، RMSE و AUC حاصل از روش SVM-GA به ترتیب 0/9032، 0/2751 و 0/931 و روش RF-GA به ترتیب 0/9823، 0/2321 و 0/914 به دست آمد که نشان دهنده سازگاری و دقت بالای مدل RF نسبت به مدل SVM است. هم چنین نتایج نشان داد که حساسیت سیل به دلیل ارتفاع و زاویه شیب کمتر در مناطق مرکزی منطقه مطالعاتی بیشتر از سایر مناطق است. نتایج این مطالعه می تواند به منظور مدیریت مناطق آسیب پذیر و کاهش خسارت های سیل مورد استفاده قرار گیرد.