مدل جنگل تصادفی

حوضه آبریز جاجرود در دامنه جنوبی رشته کوه های البرز مرکزی تحت تأثیر تغییرات محیطی زیادی قرارگرفته است. در این مطالعه، از یک روش یکپارچه برای شناسایی تحولات میکرولندفرم های این حوضه بر اساس رویکرد ژئومورفولوژیکی ریزمقیاس با استفاده از داده های تصاویر پهپاد به همراه بررسی میدانی استفاده شد. از اندازه گیری تصاویر پهپادی با رزولوشن مکانی 10 سانتیمتر در بازه زمانی 1396 تا 1397 و الگوریتم یادگیری ماشین با مدل جنگل تصادفی، نقشه های تحولات میکرولندفرم های حوضه جاجرود تهیه شد. این تصاویر با استفاده از نرم افزارهای ENVI 5.1 و ArcMap 10.3 تصحیح شد و سپس با استفاده کد نویسی در Python الگوریتم های موردنظر اجرا شد. واحدهای ریز زمین در حوضه با استفاده از این تصاویر طبقه بندی شدند. سپس، یک نقشه پهنه بندی تحولات از آن تهیه شد. تجزیه تحلیل تصاویر موجب یافتن الگوریتم مناسب برای شناسایی تحولات میکرو لندفرم ها با دقت بسیار بالا در زمان کوتاه شد. نتایج نشان داد که بیشترین تغییرات میکرولندفرم ها در این مدل، مربوط به تغییر پوشش گیاهی به خاک (64/66%) است. با توجه به نتایج به دست آمده مشخص شد که سیل منطقه افجه در سال 1397 سبب تغییرات عمده ای در منطقه شده است. میکرولندفرم های وابسته به پوشش گیاهی دچار تغییرات عمده شده است. به طوری که نمودار تغییرات آن را در بالاترین حد آشفتگی نسبت به میکرولندفرم های پایدارتر بستر سنگی رودخانه جاجرود نشان می دهد.

امروزه میزان برداشت از آبهای زیرزمینی بیش از میزان تغذیه آبهای زیرزمینی است که این عامل باعث افت شدید سطح سفره های آب زیرزمینی شده است. مراتع و جنگل ها بعنوان اصلی ترین مکان های تغذیه سفره های آب زیرزمینی محسوب می شوند، درحالی که بیشترین برداشت از این منابع در کاربری کشاورزی انجام می شود. هدف اصلی از پژوهش حاضر استفاده از الگوریتم های یادگیری ماشین شامل رگرسیون جنگل تصادفی و تابع آنتروپی شانون برای مدل سازی منابع آب زیرزمینی در مراتع نیمه خشک غرب ایران می باشد. برای این هدف، ابتدا لایه های اطلاعاتی شامل: درجه شیب، جهت شیب، ارتفاع از سطح دریا، فاصله از گسل، شکل شیب، فاصله از آبراهه، فاصله از جاده، بارندگی، لیتولوژی و کاربری اراضی تهیه شد. پس از تعیین وزن پارامترها با استفاده از تابع آنتروپی شانون و سپس تعیین طبقات آن ها، در محیط سامانه های اطلاعات جغرافیایی، از ترکیب وزن پارامترها و طبقات آن ها نقشه نهایی مناطق دارای پتانسیل منابع آب زیرزمینی مدل سازی گردید. بعلاوه، برای اجرای مدل جنگل تصادفی از نرم افزار R 3.5.1 و بسته randomForest استفاده شد. در تحقیق حاضر از اعتبارسنجی ضربدری k-fold برای صحت سنجی مدل ها استفاده گردید. به منظور ارزیابی کارایی مدل های جنگل تصادفی و آنتروپی شانون برای پتانسیل یابی منابع آب زیرزمینی، از شاخص های آماری MAE، RMSE و R2 استفاده شد. نتایج ارزیابی نشان داد که مدل جنگل تصادفی با دقت (RMSE: 3.41, MAE: 2.85 R² = 0.825,) دارای دقت بالاتری نسبت به مدل آنتروپی شانون با دقت (R² = 0.727, RMSE: 4.36, MAE: 3.34) می باشد. یافته های مدل جنگل تصادفی نشان داد که قسمت زیادی از منطقه مورد مطالعه دارای پتانسیل متوسط (22/26954 هکتار) و مساحت خیلی اندکی (61/205 هکتار) بدون پتانسیل آب زیرزمینی می باشد. از طرفی، نتایج مدل آنتروپی شانون نشان داد که قسمت اعظمی از منطقه مورد مطالعه دارای پتانسیل متوسط (05/24633 هکتار) و مساحت خیلی اندکی (12/1502 هکتار) بدون پتانسیل آب زیرزمینی می باشد.

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.