تجزیه و تحلیل خطر سیلگیری با استفاده از روش یادگیری ماشین جنگل تصادفی (مطالعۀ موردی: شهر مشهد) | ||
| مجله اکوهیدرولوژی | ||
| مقاله 1، دوره 10، شماره 1، بهار 1402، صفحه 1-15 اصل مقاله (2.2 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2022.346677.1667 | ||
| نویسندگان | ||
| نرگس عرب1؛ عبدالرسول سلمان ماهینی* 2؛ علیرضا میکائیلی تبریزی3؛ توما ویته4 | ||
| 1دکتری آمایش محیط زیست، دانشکدۀ شیلات و محیط زیست، دانشگاه گرگان | ||
| 2استاد، دانشکدۀ شیلات و محیط زیست، دانشگاه گرگان | ||
| 3دانشیار، دانشکدۀ شیلات و محیط زیست، دانشگاه گرگان | ||
| 4دانشیار، دانشکدۀ جغرافیا، دانشگاه رن 2 | ||
| چکیده | ||
| سیل از رایجترین بلایای طبیعی است و خسارتهای مالی و جانی فراوانی به جای میگذارد. اگرچه میزان بارندگی در بسیاری از مناطق ایران کم است، در بسیاری از مناطق، بیشترین میزان بارندگی سالانه تنها در یک روز یا مدت کوتاهی رخ میدهد که منجر به سیل میشود. آب روان در جریان سیل به دلیل ساختار زمینشناسی و همچنین، تخریب اکوسیستم میتواند بسیار آلوده باشد و اغلب گلولای زیادی به همراه دارد که بر خسارتهای سیل میافزاید. برای کاهش خسارتهای احتمالی سیل، برنامهریزان و تصمیمگیرندگان باید از زمان و مکان وقوع سیل آگاه باشند. این امر مستلزم استفاده از روشهای جدید پیشبینی سیل و جلوگیری از خسارتهای آن است. در این مطالعه، از روش یادگیری ماشین درخت تصادفی یا Random Forest (RF) برای پیشبینی مکان وقوع سیل در شهر مشهد استفاده شد و عملکرد آن مورد بررسی قرار گرفت. همچنین تأثیر هر یک از عوامل ارتفاع و شیب متوسط حوضه، جهت شیب، شاخص رطوبت توپوگرافی، شاخص خشکسالی، فاصله از آبراههها، زمینشناسی، کاربری اراضی، تراکم آبراههها، آبراههها و میزان بارش حداکثر متوسط سالانه در این پیشبینی مورد بررسی قرار گرفت. نتایج ارزیابی خروجی مدل RF نشان داد مقدار AUC95 درصد است. به طور کلی، نتایج نشان داد مدل RF دارای دقت زیادی در تعیین مناطق حساس به وقوع سیل در حوضۀ شهر مشهد است. | ||
| کلیدواژهها | ||
| ارزیابی خطر سیلگیری؛ جنگل تصادفی؛ یادگیری ماشین؛ شهر مشهد؛ پهنهبندی سیل | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,333 تعداد دریافت فایل اصل مقاله: 765 |
||