مدل سازی توان سیل خیزی در آبخیز زرینه رود با استفاده از مدل های هوش مصنوعی

در میان خطرها و بلاهای طبیعی، بدون تردید سیل به عنوان ناگوارترین خطر در جهان شناخته شده است. یکی از راه کارهای اساسی برای کاهش خسارت های ناشی از سیل تهیه ی نقشه ی حساسیت سیل است. پیش بینی مکانی احتمال رخداد سیل با استفاده از مدل هایی که براساس داده های مکانی و تاریخی به وجود آمده اند، در نهایت منجر به تهیه ی نقشه های حساسیت پذیری سیلاب می شود، از راه کارهای مناسب برای برنامه ریزان مدیریت زمین ها در مناطق مختلف برای پیشگیری از رخداد این پدیده است. در این پژوهش، به منظور تعیین مناطق مستعد رخداد سیل از مدل ترکیبی (هیبریدی) استنتاج عصبی و فازی تطبیقی و دستورالعمل بهینه سازی فراکاوشی رقابت امپراتوری (ANFIS-ICA)  و مدل ترکیبی استنتاج عصبی و فازی تطبیقی و دستورالعمل بهینه سازی فراکاوشی ازدحام ذرات (ANFIS-PSO) استفاده شد.

آبخیز زرینه رود در شمال غربی استان کردستان و میان طول جغرافیایی ′′30′48°45 و ′′20′48°46 شرقی و عرض جغرافیایی ′′20′42°35 و ′′15′23°36 شمالی است. مساحت این آبخیز 4485/2 کیلومترمربع است. اقلیم منطقه معتدل مرطوب است و میانگین بارندگی سالانه ی آن 480 میلی متر است. موقعیت رخدادهای سیل به طور تصادفی به دو گروه آموزش (70%) و اعتبارسنجی (30%) تقسیم شد. عامل های محیطی مختلف (بلندی، جهت، شیب، انحنای سطح، کاربری زمین، سنگ شناسی، بارندگی، شاخص توان جریان، فاصله از آبراهه، شاخص رطوبت پستی بلندی) به عنوان متغیر مستقل در مدل سازی انتخاب شدند و لایه های رقومی آن ها تهیه شد. در این پژوهش از مدل ANFIS-ICA و مدل ANFIS-PSO  استفاده شد. نتایج پیش بینی مدل ها بر اساس معیار (AUC) و آماره ی مهارت صحیح (TSS) ارزیابی شد.

بر پایه ی یافته های این پژوهش در مرحله ی اعتبارسنجی، مدل ANFIS-PSO با (AUC) 98/0 و آماره ی مهارت صحیح (TSS) 89/0 بیشترین دقت را داشت. همچنین عامل فاصله از آبراهه به عنوان مهم ترین عامل محیطی شناسایی شد. افزون بر این، شیب زمین و TWI به ترتیب در جایگاه های دوم و سوم اهمیت بودند.

بر اساس نتایج این پژوهش، رویکرد ترکیبی (هیبریداسیون) که ترکیب شدن مدل های یادگیری ماشینی و دستورالعمل های بهینه سازی فراکاوشی است، موجب افزایش قدرت یادگیری و همچنین توان پیش بینی مدل شد. همچنین عامل فاصله از آبراهه و شیب زمین مهم ترین عامل های موثر در سیل گیری هستند. بر اساس نتایج و تحلیل های انجام شده می توان نتیجه گیری کرد که مدل های یادگیری ماشینی قابلیت زیادی در پیش بینی توان سیل گیری دارند. در این پژوهش نقشه های توان سیل تهیه شده می تواند برای مدیران و کارشناسان بسیار کاربردی بوده و در برنامه ریزی اقدام های مهارکردن سیل استفاده ی عملی داشته باشد. توجه کردن به امکانات و اقدام های مهارکردن سیل در موقعیت هایی که توان سیل گیری زیادی دارند، موجب افزایش مدیریت سیل از نظر اقتصادی و فنی می شود.