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

Abstract

با توجه به باال رفتن خطر وقوع سیالب خصوصاً در سطح شهرها و بهوجود آمدن خطرات جانی، مالی و محیط زیستی ناشی از افزایش آن، پهنهبندی مناطق سیلخیز از اهمیت باالیی برخوردار است. بنابراین در این مطالعه سعی شد مناطق حساس به سیالب در دشت بیرجند با استفاده از معیارهای مؤثر پهنهبندی شود. در این راستا از روشهای دادهمحور ماشینبردار پشتیبان )SVM )و جنگل تصادفی )RF )در ترکیب با الگوریتم ژنتیک جهت پهنهبندی مناطق حساس به سیل استفاده شد. بنابراین برای پیادهسازی و اعتبارسنجی مدلهای ذکر شده، 42 موقعیت سیلخیز در منطقة مورد مطالعه استخراج شد. عالوه بر این، 10 معیار هیدروژئولوژیکی، توپوگرافی، زمینشناسی و محیطی مؤثر بر حساسیت سیالب در منطقة مورد مطالعه استخراج شدند تا برای پیشبینی نقشة حساسیت سیل مورد استفاده ( و ریشةمیانگین 2R قرارگیرند. سطح زیر منحنی )AUC )و انواع شاخصهای آماری دیگر از جمله ضریب تشخیص ) 2R خطای مربعات )RMSE )برای ارزیابی عملکرد مدلها استفاده شد. مقادیر ، RMSE و AUC حاصل از روش GA-SVM بهترتیب ،7/0732 7/2051 و 7/031 و روش GA-RF به ترتیب ،7/0223 7/2321 و 7/014 بهدست- آمد که نشاندهندة سازگاری و دقت باالی مدل RF نسبت به مدل SVM است. همچنین نتایج نشان داد که حساسیت سیل بهدلیل ارتفاع و زاویة شیب کمتر در مناطق مرکزی منطقة مطالعاتی بیشتر از سایر مناطق است. نتایج این مطالعه میتواند بهمنظور مدیریت مناطق آسیبپذیر و کاهش خسارتهای سیل مورد استفاده قرار گیرد.