پیش بینی مناطق مستعد سیل با استفاده از مدل های یادگیری ماشین خطی تعمیم یافته و بیشینه آنتروپی(مقاله علمی وزارت علوم)
منبع:
مخاطرات محیط طبیعی سال ۱۴ بهار ۱۴۰۴ شماره ۴۳
19 - 34
حوزههای تخصصی:
هدف این مطالعه، شناسایی عوامل موثر، تهیه نقشه های پیش بینی خطرات سیل با استفاده از مدل های یادگیری ماشین و در انتها ارزیابی کارایی این مدل ها در حوزه آبخیز زیوه ارومیه می باشد. برای این منظور از عوامل محیطی و انسانی شامل شاخص های مورفومتری؛ شاخص توان آبراهه (SPI)، شاخص طول شیب (LS)، شاخص خیسی توپوگرافی (TWI)، شاخص موقعیت توپوگرافی (TPI)، شاخص ناهمواری زمین (TRI)، شاخص تعادل جرم (MBI)، شاخص انحنای پروفیل (Profile Curvature) و شاخص انحنای سطح (Plan Curvature)، بارندگی، ارتفاع حوضه، درجه شیب ، جهت شیب، لیتولوژی، کاربری اراضی، شاخص تفاضل نرمال شده پوشش گیاهی (NDVI)، فاصله از آبراهه، فاصله از روستا و فاصله از گسل استفاده شد. برای این منظور با استفاده از بازدیدهای میدانی و تصاویر گوگل ارث و منابع دریافتی از ادارات تعداد 96 نقطه سیل در حوضه شناسایی شدند. لایه های مربوط به شاخص های مورفومتری از مدل رقومی ارتفاعی (5/12×5/12) متر و در محیط SAGA_GIS ؛ و نقشه های عوامل محیطی و انسانی در سامانه اطلاعات جغرافیایی ArcGIS تهیه و رقومی شدند. نتایج ارزیابی دو مدل با استفاده از منحنی ROC برای مدل های یادگیری ماشین (ML) نشان داد که مدل بیشینه آنتروپی با )916/0(AUC= و مدل خطی تعمیم یافته با )902/0(AUC= دارای عملکرد عالی در پهنه بندی حساسیت محدوده مطالعاتی به سیلاب بوده اند. همچنین نتایج حاصل از شاخص کاپا برای مدل برتر نشان داد که عوامل محیطی شامل زمین-شناسی، فاصله از آبراهه، ارتفاع و شیب بیشترین تاثیر و کمترین تاثیر مربوط به عامل های شاخص انحنای پروفیل، کاربری اراضی و شاخص تعادل جرم بوده است. شناسایی مناطق پر خطر و تعیین عوامل موثر بر رخداد سیلاب ها در این حوضه در امر کاهش خسارات احتمالی می تواند بسیار کارآمد باشد.