سامانه نشریات علمی

---

گسترش شهرنشینی و تغییر شرایط هیدرولوژیک طبیعی آبراهه‌ها احتمال وقوع سیلاب را افزایش می‌دهد. تحقیق حاضر جهت پهنه‌بندی خطر سیلاب در محدوده شهر ایلام و تعیین محدوده‌های بحرانی بافت شهری در برابر سیلاب با استفاده از روش AHP و GIS صورت گرفته است. برای این منظور پارامترهای شماره منحنی، ارتفاع، فاصله از آبراهه، زمین‌شناسی، کاربری اراضی، جمعیت، شیب، خاکشناسی، تراکم ساختمان، بافت فرسوده و تجمع جریان به عنوان پارامترهای تأثیرگذار در خطر سیلاب شهر ایلام انتخاب و وزن‌دهی این پارامترها در محیط نرم‌افزار Expert Choice انجام شد. سپس نتایج حاصل از این نرم‌افزار به محیط نرم‌افزار GIS منتقل و نقشه پهنه‌بندی خطر سیلاب در محدوده موردنظر تهیه گردید. نقشه پهنه‌بندی خطر سیلاب نشان می‌دهد که مناطق با خیلی خطر کم 8/0 درصد، مناطق با خطر کم 5/8 درصد، مناطق با خطر متوسط 6/49 درصد، مناطق با خطر زیاد 54/32 درصد و مناطق با خطر خیلی زیاد 56/8 درصد از مساحت حوزه آبخیز شهر ایلام را تشکیل می‌دهند. همچنین ناحیه مرکزی شهر بیشترین خطر و احتمال وقوع سیلاب را دارد که علت این امر تراکم زیاد جمعیت و مناطق مسکونی در این ناحیه و نزدیکی آن به مسیل و تراکم بافت فرسوده و قدیمی آن می‌باشد. بنابراین، با بررسی نتایج حاصل از نرم‌افزار Expert Choice می‌توان مؤثرترین عوامل در بروز خطر سیلاب را شناسایی و با اولویت‌بندی آنها، راهکارهای مدیریتی را معطوف به برطرف کردن یا کاهش تأثیر این عوامل کرد.

---

هدف از این پژوهش انتخاب بهترین مدل و شناسایی پهنه های خطر زمین لغزش در حوضه های پایین دست سد سنندج است. منطقه مورد مطالعه به مساحت 7/970 کیلومتر مربع در پایین دست سد سنندج قرار دارد و بر روی زون ساختاری سنندج - سیرجان واقع شده است. در این مطالعه از 9 عامل موثر بر زمین لغزش، شامل شیب، جهت شیب، فاصله از گسل، فاصله از جاده، فاصله از آبراهه، لیتولوژی، کاربری اراضی و بارش استفاده شد. با استفاده از تصاویر ماهواره ای Landsat 8 ETM  ، تعداد ۲۳۷ نقطه لغزشی مشخص گردید. سپس نقشه پراکنش زمین لغزشهای منطقه تهیه شد. همچنین 89 نقطه غیرلغزشی،  به منظور استفاده در مراحل آموزش و آزمایش شبکه عصبی پرسپترون در داخل شیبهای کمتر از 5 درجه مشخص شدند.
در مدل شبکه عصبی مصنوعی لایه ی میانی به صورت پیش فرض نرم افزار انتخاب شد. از 70 درصد زمین لغزشهای رخداده، جهت آموزش شبکه عصبی و از 30 درصد مابقی به عنوان داده های زمین مرجع جهت آزمایش و کالیبره کردن مدل استفاده شد. داده ها با استفاده از یک شبکه پرسپترون چندلایه با الگوریتم یادگیری آدام آموزش دیدند. ساختار نهایی شبکه دارای 9 نرون در لایه ورودی، 30 نرون در لایه میانی و 1 نرون در لایه خروجی است. در مدل AHP پس از محاسبه ی وزن نهایی زیرمعیارها، وزن های محاسبه شده را به جدول توصیفی لایه های اطلاعاتی عوامل موثر اضافه نموده و در نهایت نقشه ی پهنه بندی خطر زمین لغزش در منطقه بدست آمد.
 پس از آماده سازی مدلها، منطقه ی مورد مطالعه با 9 متغیر ورودی تحلیل شد. نتایج تحلیل به صورت نقشه ای با پنج طبقه خطر زمین لغزش برای هر مدل ترسیم گردید. از 5 روش محاسبه میزان خطا جهت صحت سنجی مدلها استفاده شد. بر اساس مدل شبکه عصبی، حدود 31 درصد  و مدل AHP ۳۵ درصد از منطقه در محدوده مناطق مطلوب جهت فعالیتهای انسانی قرار دارد.  همچنین  بر اساس مدل شبکه عصبی حدود 39 درصد و مدل AHP ۳۳ درصد از منطقه در محدوده مناطق نامطلوب و بسیار نامطلوب قرار گرفته اند. مناطق مخاطره آمیز عمدتا در غرب و جنوب غرب حوزه واقع شده اند. مقایسه نتایج صحت سنجی نشان می دهد که مدل شبکه عصبی پرسپترون دارای دقت بهتری نسبت به مدل تحلیل سلسله مراتبی است. بر اساس روش AHP پارامترهای شیب، لیتولوژی و کاربری اراضی بیشترین نقش را در وقوع زمین لغزش منطقه دارند.

---

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