1- دانشگاه مازندران
2- دانشگاه مازندران ،h.roradeh@umz.ac.ir
2- دانشگاه مازندران ،
چکیده: (840 مشاهده)
هدف: سیلاب یکی از مهمترین بلایای طبیعی در استان مازندران و بهویژه شهرستان ساری به شمار میرود که هر ساله خسارات گستردهای در ابعاد اقتصادی، اجتماعی و زیستمحیطی بههمراه دارد. هدف این پژوهش، شناسایی و پهنهبندی خطر سیلاب با بهرهگیری از الگوریتمهای یادگیری ماشین جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) و همچنین استفاده از رویکرد تلفیقی برای افزایش دقت پیشبینیها و کاهش عدمقطعیت مدلها است.
روش پژوهش: در این مطالعه، مجموعهای از دادههای مکانی شامل مدل رقومی ارتفاع (DEM)، کاربری اراضی حاصل از تصاویر ماهوارهای، شاخصهای ژئومورفولوژیکی (شیب، جهت شیب و تراکم زهکشی)، دادههای زمینشناسی، فاصله از جادهها و آبراههها، شاخص پوشش گیاهی (NDVI) و متغیرهای اقلیمی (بارش و دما) گردآوری شد. دادهها با استفاده از ابزارهای GIS و RS پردازش و برای آموزش و اعتبارسنجی مدلها آماده گردیدند. عملکرد مدلها با معیارهای ارزیابی شامل دقت، F1، AUC و منحنی ROC سنجیده شد.
یافتهها: نتایج نشان داد که هر دو مدل RF و SVM عملکرد بالایی در پهنهبندی خطر سیلاب دارند، بهطوریکه مقادیر شاخصهای ارزیابی بیانگر دقت قابل قبول آنها است. همچنین، رویکرد تلفیقی منجر به بهبود نتایج و کاهش خطاهای ناشی از پیشبینی منفرد شد. بر اساس نقشههای تولیدشده، بخش قابل توجهی از شهرستان ساری در طبقات خطر زیاد و خیلی زیاد قرار دارد که با مناطق دارای بارشهای شدید، تراکم زهکشی بالا و شیب تند همپوشانی دارد.
نتیجهگیری: پژوهش حاضر تأکید میکند که الگوریتمهای یادگیری ماشین، بهویژه در قالب رویکرد تلفیقی، ابزار مؤثری در شناسایی مناطق مستعد سیلاب هستند. نتایج این تحقیق میتواند بهعنوان مبنای علمی در برنامهریزی شهری، مدیریت بحران و کاهش خطرپذیری سیلاب در شهرستان ساری و سایر مناطق مشابه مورد استفاده قرار
روش پژوهش: در این مطالعه، مجموعهای از دادههای مکانی شامل مدل رقومی ارتفاع (DEM)، کاربری اراضی حاصل از تصاویر ماهوارهای، شاخصهای ژئومورفولوژیکی (شیب، جهت شیب و تراکم زهکشی)، دادههای زمینشناسی، فاصله از جادهها و آبراههها، شاخص پوشش گیاهی (NDVI) و متغیرهای اقلیمی (بارش و دما) گردآوری شد. دادهها با استفاده از ابزارهای GIS و RS پردازش و برای آموزش و اعتبارسنجی مدلها آماده گردیدند. عملکرد مدلها با معیارهای ارزیابی شامل دقت، F1، AUC و منحنی ROC سنجیده شد.
یافتهها: نتایج نشان داد که هر دو مدل RF و SVM عملکرد بالایی در پهنهبندی خطر سیلاب دارند، بهطوریکه مقادیر شاخصهای ارزیابی بیانگر دقت قابل قبول آنها است. همچنین، رویکرد تلفیقی منجر به بهبود نتایج و کاهش خطاهای ناشی از پیشبینی منفرد شد. بر اساس نقشههای تولیدشده، بخش قابل توجهی از شهرستان ساری در طبقات خطر زیاد و خیلی زیاد قرار دارد که با مناطق دارای بارشهای شدید، تراکم زهکشی بالا و شیب تند همپوشانی دارد.
نتیجهگیری: پژوهش حاضر تأکید میکند که الگوریتمهای یادگیری ماشین، بهویژه در قالب رویکرد تلفیقی، ابزار مؤثری در شناسایی مناطق مستعد سیلاب هستند. نتایج این تحقیق میتواند بهعنوان مبنای علمی در برنامهریزی شهری، مدیریت بحران و کاهش خطرپذیری سیلاب در شهرستان ساری و سایر مناطق مشابه مورد استفاده قرار
واژههای کلیدی: پهنهبندی خطر، جنگل تصادفی (RF)، رویکرد تلفیقی، سیلاب، شهرستان ساری، ماشین بردار پشتیبان (SVM)، یادگیری ماشین
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
