پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,978,906 |
| تعداد دریافت فایل اصل مقاله | 89,650,785 |
ارزیابی مدل‌های مختلف آماری در تهیۀ نقشۀ سیلگیری استان گیلان | ||
| نشریه علمی - پژوهشی مرتع و آبخیزداری | ||
| مقاله 9، دوره 72، شماره 4، اسفند 1398، صفحه 1011-1022 اصل مقاله (1.78 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jrwm.2020.270045.1320 | ||
| نویسندگان | ||
| عیسی غلامی1؛ مهدی وفاخواه* 2؛ سید جلیل علوی3 | ||
| 1دانشجوی کارشناسی ارشد آبخیزداری، دانشکدۀ منابع طبیعی، دانشگاه تربیت مدرس، نور، ایران. | ||
| 2استاد گروه آبخیزداری، دانشکدۀ منابع طبیعی، دانشگاه تربیت مدرس، نور، ایران. | ||
| 3استادیار گروه جنگلداری، دانشکدۀ منابع طبیعی، دانشگاه تربیت مدرس، نور، ایران. | ||
| چکیده | ||
| به دلیل کمبود اطلاعات در اکثر حوزههای آبخیز، بسیاری از محققین برای مطالعههای هیدرولوژیکی و سیلگیری به استفاده از تجزیه و تحلیلهای مکانی در سیستم اطلاعات جغرافیایی روی آوردند. پژوهش حاضر به منظور مقایسۀ کارایی سه مدل ماشین بردار پشتیبان (SVM)، خطی تعمیم یافته (GLM) و جمعی تعمیم یافته (GAM) در تهیۀ نقشۀ سیلگیری استان گیلان برنامهریزی شده است. بدین منظور لایههای اطلاعاتی درجۀ شیب، جهت شیب، شکل شیب، ارتفاع از سطح دریا، فاصله از رودخانه، تراکم زهکشی، زمین شناسی، کاربری اراضی، شاخص رطوبت توپوگرافی و شاخص توان آبراهه در محیط سامانۀ اطلاعات جغرافیایی (نرم‌افزارهای ArcGIS و SAGA-GIS) تهیه شدند. سپس بر اساس اطلاعات 220 نقطۀ سیلگیر، از 70 درصد تعداد کل نقاط به منظور واسنجی و 30 درصد باقیمانده برای اعتبارسنجی و ارزیابی کارآیی مدلها مورد استفاده قرار گرفت. نتایج ارزیابی دقت مدلها به ترتیب با استفاده از شاخصهای سطح زیر منحنی (AUC) و کاپا (Kappa) نشان داد که از نظر شاخص سطح زیر منحنی (AUC)، مدل ماشین بردار پشتیبان (SVM) با 835/0 و مدل جمعی تعمیم یافته (GAM) با 827/0 دارای دقت خیلی خوب و مدل خطی تعمیم یافته (GLM) با 79/0 دارای دقت خوب میباشد. از نظر شاخص کاپا (Kappa) مدل ماشین بردار پشتیبان (SVM) با 58/0 داری دقت خوب، مدل جمعی تعمیم یافته (GAM) با 53/0 و مدل خطی تعمیم یافته (GLM) با 48/0 دارای دقت قابل قبول می‌باشند. بنابراین بر اساس شاخصهای مذکور مدل ماشین بردار پشتیبان (SVM) نسبت به دو مدل دیگر در شناسایی مناطق سیلگیر کارایی بالاتری دارد. همچنین عوامل فاصله از رودخانه، ارتفاع از سطح دریا و شیب بیشترین تأثیر را بر سیلگیری منطقۀ مورد مطالعه دارند. | ||
| کلیدواژه‌ها | ||
| سیلگیری؛ داده‌کاوی؛ مدل‌های داده محور؛ مدل‌سازی؛ منحنی تشخیص عملکرد؛ استان گیلان | ||
| عنوان مقاله [English] | ||
| Evaluating the Different Statistical Models for Flood Susceptibility Mapping in Guilan Province | ||
| نویسندگان [English] | ||
| Eisa Gholami1؛ Mehdi Vatakhah2؛ Seyed Jalil Alavi3 | ||
| 1Department of Watershed management, Faculty of Natural Resources, Tarbiat Modares University, Noor | ||
| 22Professor, Department of Watershed Management Engineering, Faculty of Natural Resources, Tarbiat Modares University | ||
| 3Tarbiat Modares University Faculty of Natural Resources | ||
| چکیده [English] | ||
| Due to the lack of information in most of the watersheds, many researchers attempt to use spatial analysis within Geographic Information System (GIS) in hydrological and Flood Prone (FP) area studies. The present study was designed to compare the efficiency of three models i.e. Support Vector Machine (SVM), Generalized Linear Model (GLM) and Generalized Additive Model (GAM) for preparing the flood susceptibility mapping in Guilan province, Iran. For this purpose, slope, aspect, plan curvature, elevation, distance from the river, drainage density, geology, land use, Topographic Wetness Index (TWI) and Stream Power Index (SPI) layers were derived in GIS (ArcGIS and SAGA-GIS). Using 220 flood locations, 70% and 30% out of total flood locations were then used to calibrate and to validate the performance of the models, respectively. The evaluation results of the models accuracy using the area under the curve (AUC) and Kappa indices showed that in terms of AUC, the SVM with 0.835 and the GAM with 0.827, and the GLM with of 0.79 performed very good and good classes, respectively. In terms of Kappa index, the SVM with 0.58, GAM with 0.53 and GLM with 0.48 are performed good and acceptable classes, respectively. Therefore, based on the mentioned indices, the SVM superior to other two models for identifying the flood susceptibility areas. | ||
| کلیدواژه‌ها [English] | ||
| Flood Inundation Area, Data Mining, Data Driven Models, Modelling, Receiving Operating Curve (ROC), Guilan Province | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 287 تعداد دریافت فایل اصل مقاله: 225 |
||