ارزیابی روش‌های یادگیری ماشین (SVM، GLM، FDA و RF) در تهیه نقشه حساسیت سیل بخشی از استان خوزستان

نوع مقاله : پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه احیا مناطق خشک و کوهستانی، دانشکدة منابع طبیعی، دانشگاه تهران، تهران، ایران

2 استاد، گروه احیاء مناطق خشک و کوهستانی، دانشکدة منابع طبیعی، دانشگاه تهران، تهران، ایران

3 استاد، بخش علوم خاک، دانشکدة کشاورزی، دانشگاه شیراز، شیراز، ایران

4 دانشیار، گروه احیا مناطق خشک و کوهستانی، دانشکدة منابع طبیعی، دانشگاه تهران، تهران، ایران

5 استادیار، گروه احیا مناطق خشک و کوهستانی، دانشکدة منابع طبیعی، دانشگاه تهران، تهران، ایران

چکیده

سیل یکی از مخرب‌ترین بلایای طبیعی است که خسارات جدی به منابع طبیعی و زیرساخت‌ها وارد کرده و تلفات انسانی بسیاری به‌همراه دارد. مدل‌های یادگیری ماشین به‌منظور شناسایی و مدیریت مناطق در معرض خطر سیل به‌طور گسترده‌ای مورد توجه بوده است. هدف از این تحقیق ارزیابی عملکرد چهار مدل ماشین بردار پشتیبان (SVM)، خطی تعمیم‌یافته (GLM)، آنالیز تفکیکی انعطاف‌پذیر (FDA) و جنگل تصادفی (RF) در مدل‌سازی پراکنش خطر وقوع سیل بخشی از استان خوزستان بود. برای این منظور 13 عامل مؤثر بر سیل شامل عوامل توپوگرافی، هیدرواقلیمی، سنگ‌شناسی و انسانی تعیین شد. سپس موقعیت 334 نقطه محل وقوع و عدم وقوع سیلاب براساس بازدیدهای میدانی و گزارش‌های موجود مشخص شد؛ که 70% از این نقاط برای آموزش و 30% باقیمانده جهت اعتبارسنجی مدل‌ها، بصورت تصادفی در نظر گرفته شد. نتایج ارزیابی عملکرد مدل‌های مورد بررسی براساس شاخص مساحت زیر منحنی مشخصه عامل گیرنده (ROC) برای مدل‌های RF، GLM و FDA بالاتر از 7/0 بدست آمد؛ که مدل RF با سطح زیر منحنی 8/98 درصد از دقت بالاتری نسبت به سایر مدلها برخوردار بود. براساس نقشه حساسیت خطر سیل حاصل از این مدل به‌ترتیب در 7/4% و 4/12% از سطح منطقه احتمال وقوع سیل خیلی‌زیاد و زیاد بوده است. نتایج این تحقیق به مدیران در کاهش تهدیدهای مرتبط با سیل و اجرای راهکارهای مدیریتی مؤثر در جهت کاهش خسارات آن کمک می‌کند.

کلیدواژه‌ها

موضوعات

مدل سازی و مدیریت آب و خاک
دوره 5، شماره 1
1404
صفحه 231-246

فایل ها

سابقه مقاله

  • تاریخ دریافت: 14 مرداد 1403
  • تاریخ بازنگری: 10 شهریور 1403
  • تاریخ پذیرش: 10 شهریور 1403

هم رسانی

ارجاع به این مقاله

آمار