پهنه بندی حساسیت به سیلاب در حوزه آبخیز قره قوم (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: سیل از جمله مخاطرات طبیعی اصلی است که باعث خسارات اقتصادی و اجتماعی می شود. حوزه آبخیز قره قوم در استان خراسان رضوی به دلیل شرایط اقلیمی، توپوگرافی و ویژگی های فیزیوگرافی مستعد سیل های خطرناک است. اکثر رودخانه های این حوزه فصلی هستند و منجر به سیل های شدید گاه به گاه می شوند. بنابراین، این مطالعه با هدف پهنه بندی حساسیت به وقوع سیل در حوضه آبخیز قره قوم انجام شد. روش و داده: در این تحقیق از مدل های یادگیری ماشین شامل مدل جنگل تصادفی (RF) و مدل درخت های طبقه بندی و رگرسیون (CART) برای پهنه بندی خطر سیلاب استفاده شد. از میان ۱۱۷ رخداد سیلاب، ۷۰درصد آن برای آموزش و ۳۰ درصد برای اعتبارسنجی در نظر گرفته شد. پارامترهای کاربری اراضی، درجه شیب، زمین شناسی، فاصله از آبراهه، نقشه رقومی ارتفاع، جهت شیب، ژئومورفولوژی، خاک شناسی، شکل انحنای زمین، نیمرخ انحنای زمین، بارندگی و شاخص رطوبت توپوگرافی به عنوان فاکتور مؤثر در نظر گرفته شد. در نهایت برای ارزیابی مدل ها، از سطح زیر منحنی ROC و نیز شاخص Tolorance استفاده شد. یافته ها: نتایج حاصل از مدل RF بیان کننده آن است که متغیرهای فاصله از رودخانه، بارندگی و ارتفاع و در مدل CART نیز، ارتفاع، فاصله از رودخانه و بارندگی بیش ترین تأثیر را بر حساسیت سیل داشتند. مساحت های تحت پوشش کلاس های خیلی کم، کم، متوسط، زیاد و خیلی زیاد در مدل CART به ترتیب ۹، ۲۹/۸، ۲۱/۹، ۳۲/۴ و ۶/۹ درصد است. این نتایج برای مدل RF به ترتیب ۱۱/۴۸، ۲۴/۸، ۲۸/۷، ۲۴و ۱۱ درصد است. نتیجه گیری: سطح زیر منحنی (AUC) در مدل CART معادل ۰/۹۱ و مدل RF معادل ۰/۸۷ است. به طوری که بر اساس نرخ پیش بینی، مدل CART برابر ۰/۸۸ و مدل RF معادل ۰/۸۳ به دست آمد. نتایج بیان کننده آن است که مدل CART عملکرد بهتری نسبت به مدل RF دارد. نوآوری، کاربرد نتایج: پهنه بندی حساسیت به سیل و تعیین عوامل مؤثر با استفاده از روش های یادگیری ماشین از نکات مهم این تحقیق در منطقه مورد مطالعه است. این پژوهش کمک زیادی به برنامه ریزان و سیاست گذاران در مدیریت بلایای طبیعی برای شناسایی پهنه های خطر سیل و کاهش خسارات اقتصادی و مالی آینده ناشی از آن می کند.Flood Susceptibility Mapping in Ghare Ghom watershed
Aims: Floods are among the primary natural hazards that cause economic and social damage. The Ghare Ghom watershed in Razavi Khorasan province is prone to dangerous floods due to its climatic conditions, topography, and physiographic features. Most rivers in the basin are seasonal, leading to occasional severe flooding. This study assessed flood susceptibility mapping in this region. Materials & Methods: Machine learning models, including the Random Forest (RF) and Classification and Regression Tree (CART), were used for flood susceptibility mapping. Of the 117 recorded flood events, 70% were used for training and 30% for validation. Influential factors included land use, slope degree, geology, distance from river, digital elevation model, slope direction, geomorphology, soil type, plan and profile curvature, rainfall, and the Topographic Wetness Index (TWI). Model performance was evaluated using the Area Under the ROC Curve (AUC) and the Tolerance Index. Findings: The RF model results show that distance from the river, rainfall, and altitude had the greatest impact on flood sensitivity. In the CART model, altitude, distance from the river, and rainfall were the most influential factors. The CART model classified the area into very low, low, medium, high, and very high susceptibility classes as 9%, 29.8%, 21.9%, 32.4%, and 6.9%, respectively. For the RF model, these values were 11.48%, 24.8%, 28.7%, 24%, and 11%. Conclusion: The Area Under the Curve (AUC) was 0.91 for the CART model and 0.87 for the RF model. The prediction rate was 0.88 for CART and 0.83 for RF. These results indicate that the CART model performed better than the RF model in predicting flood susceptibility. Innovation: Flood susceptibility mapping and identifying influential factors using machine learning are key contributions of this study. The results support planners and policymakers in managing flood risks and reducing future economic and social losses in the region.
تبلیغات
