پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,253 |
| تعداد مقالات | 68,018 |
| تعداد مشاهده مقاله | 116,121,779 |
| تعداد دریافت فایل اصل مقاله | 90,892,479 |
مطالعۀ تطبیقی مدلسازی مناطق حساس به وقوع سیل (استان اصفهان) | ||
| مدیریت مخاطرات محیطی | ||
| مقاله 2، دوره 10، شماره 3، مهر 1402، صفحه 199-214 اصل مقاله (1.3 M) | ||
| نوع مقاله: پژوهشی کاربردی | ||
| شناسه دیجیتال (DOI): 10.22059/jhsci.2023.362467.786 | ||
| نویسنده | ||
| احمد حجاریان* | ||
| پژوهشگر پسادکتری جغرافیا و برنامه‌ریزی دانشگاه اصفهان، اصفهان، ایران | ||
| چکیده | ||
| شناسایی مناطق سیل گیر از راهکارهای اساسی کنترل و کاهش آثار مخرب سیل است. شناسایی نقاط حساس سیل از بهترین روش‌ها برای برنامه‌ریزی و شناسایی مناطق تحت تأثیر سیل است. به همین دلیل تعیین مناطق حساس به وقوع سیل اهمیت زیادی در مدیریت سیل در منابع طبیعی دارد. تحقیق حاضر درصدد است که با استفاده از دو روش یادگیری ماشینی جنگل تصادفی و ماشین بردار پشتیبان و 3327 نقطۀ وقوع سیل، مناطق حساس به وقوع سیل در استان اصفهان را تعیین کند. عوامل محیطی در چهار گروه اصلی شامل عوامل توپوگرافی (ارتفاع، جهت شیب، تند شیب)، عوامل اقلیمی (بارش، رطوبت نسبی، باد، درجۀ حرارت)، عوامل زیستی (پوشش گیاهی و رطوبت خاک) و عوامل انسان‌ساخت (فاصله از مناطق مسکونی، فاصله از جاده، فاصله از اراضی کشاورزی، فاصله از آبراهه) تهیه شدند. دقت مدل‌ها با استفاده از سطح زیر نمودار (AUC) و آماره‌های ارزیابی متقاطع ارزیابی شد. بررسی شاخص AUC نشان داد که هر دو مدل دقت مناسبی دارند، هرچند دقت مدل جنگل تصادفی (97/0AUC =) از مدل ماشین بردار پشتیبان (86/0AUC =) بیشتر است. براساس نتایجِ مدل جنگل تصادفی، حدود 41 درصد در طبقۀ پرخطر و حدود 20 درصد در طبقۀ کم‌خطر و براساس نتایج مدل ماشین بردار پشتیبان، حدود 29 درصد در طبقۀ پرخطر و حدود 30 درصد در طبقۀ کم‌خطر قرار دارند. | ||
| کلیدواژه‌ها | ||
| استان اصفهان؛ جنگل تصادفی؛ ماشین بردار پشتیبان؛ مدلسازی سیل | ||
| عنوان مقاله [English] | ||
| A comparative study of flood sensitive areas modeling (Isfahan Province) | ||
| نویسندگان [English] | ||
| Ahmad Hajarian | ||
| Postdoctoral researcher in Geography and Planning, University of Isfahan, Isfahan, Iran | ||
| چکیده [English] | ||
| One of the basic solutions to control and reduce the destructive effects of floods is to identify flood prone areas in the regions. Identifying flood sensitive points is one of the best methods for planning and identifying areas affected by floods. For this reason, determining flood-sensitive areas plays an important role in flood management in natural resources. For this reason, the current research is trying to determine the flood-prone areas in Isfahan province by using two methods of random forest machine learning and support vector machine and 3327 flood occurrence points. Environmental factors in four main groups including topographical factors (altitude, slope direction, steepness of slope), climatic factors (rainfall, relative humidity, wind, temperature), biological factors (vegetation and soil moisture) and man-made factors (distance from areas residential, distance from road, distance from agricultural land, distance from waterway) were prepared. The accuracy of the used models was evaluated using the area under the graph (AUC) and cross evaluation statistics. Examining the AUC index showed that both models had good accuracy, although the random forest model (AUC = 0.97) had higher accuracy than the support vector machine model (AUC = 0.86). According to the results of the random forest model, about 41% are in the high risk class and about 20% are in the low flood risk class. Also, in the support vector machine model, about 29% is in the high risk class and about 30% is in the low risk class. | ||
| کلیدواژه‌ها [English] | ||
| comparative study, flood sensitive, areas, modeling, Isfahan Province | ||
| مراجع | ||
|
[1]. اصغری سراسکانرود، صیاد؛ پیروزی، الناز؛ و زینالی، بتول (1397). پهنه‌بندی خطر سیلاب در حوضۀ آبخیز آق‌لاقان‌چای با استفاده از مدل ویکور. پژوهش‌های ژئومورفولوژی کمّی، 4(3)، 231-245.
[2]. امیدوار،کریم (1390). مخاطرات طبیعی، انتشارات دانشگاه یزد.
[3]. بازیار، مژگان؛ اولادی قادیکلایی، جعفر؛ پورقاسمی، حمیدرضا؛ و سراجیان مارالان، محمدرضا (1398). پهنه‌بندی و بررسی عوامل مؤثر بر آتش‌سوزی جنگل در شهرستان بویراحمد با استفاده از مدل‌های تابع شواهد قطعی و ماشین بردار پشتیبان. تحقیقات حمایت و حفاظت جنگل‌ها و مراتع ایران، 17(2)، 197-222. doi: 10.22092/ijfrpr.2020.128649.1406
[4]. حسن‌زاده نفوتی محمد؛ و خواجه بافقی حبیب (1395). پهنه‌بندی خطر سیلاب با استفاده از سیستم تصمیم‌گیری چندمعیاره (مطالعۀ موردی: حوزۀ آبخیز شیطور بافق). پ‍‍ژوهشنامۀ مدیریت حوزۀ آبخیز. ۷ (۱۴) :۳۷-۲۹
[5]. راد، مژگان؛ وفاخواه، مهدی؛ و غلامعلی فرد، مهدی (1397). پهنه‌بندی سیل با استفاده از مدل هیدرولیکی HEC-RAS در پایین‌دست حوزۀ آبخیز خرم‌آباد. مخاطرات محیط طبیعی، 7(16)، 211-226. doi: 10.22111/jneh.2017.3343
[6]. رحیم‌پور، توحید؛ رضائی مقدم، محمدحسین؛ حجازی، سید اسدالله؛ و ولی‌زاده کامران، خلیل (1400). تحلیل تغییرات فضایی حساسیت خطر وقوع سیل برپایۀ نوعی مدل ترکیبی نوین (مطالعۀ موردی: حوضۀ آبریز الندچای، شهرستان خوی). مدیریت مخاطرات محیطی، 8(4)، 371-393. doi: 10.22059/jhsci.2022.335204.692
[7].عابدینی، موسی؛ پیروزی، الناز؛ آقایاری، لیلا؛ و استادی، الناز (1396). پهنه‌بندی خطر سیلاب در شهرستان مشکین‌شهر با استفاده از مدل ویکور. فصلنامۀ جغرافیایی سرزمین، 14(56), 21-34.
[8].عابدینی، موسی؛ فعال نذیری، مهدی؛ و پیروزی، الناز (1402). ارزیابی و پهنه‌بندی خطر سیلاب با استفاده از تکنیک چندمعیارۀ آراس و هیدروگراف واحد (مطالعۀ موردی: حوضۀ بالادست ایستگاه هیدرومتری پل سلطان مشکین‌شهر). مخاطرات محیط طبیعی، 12(35)، 115-138. doi: 10.22111/jneh.2022.40684.1863
[9].علیزاده، امین (1390). اصول هیدورولوژی کاربردی، چاپ 33، دانشگاه فردوسی مشهد.
[10].طهماسبی، قباد؛ محمدی، علی‌رضا؛ و بوچانی، محمدحسین (1400). تحلیل فضایی عوامل مؤثر بر رخداد سیلاب در شهر ایلام. آمایش سرزمین، 13(1)، 21-56. doi: 10.22059/jtcp.2021.314126.670179
[11].معیری، مسعود؛ و انتظاری، مژگان (1387). سیلاب و مروری بر سیلاب‌های استان اصفهان. مطالعات برنامه‌ریزی سکونتگاه‌های انسانی، 3(6)، 110-124.
[12].مینایی، مژده؛ و وحیدنیا، محمدحسن (1401). راهکارهای بازدارنده برای جلوگیری از سیل به کمک سنجش از دور و مدلسازی عامل‌مبنا (مطالعۀ موردی: شهرستان شوش). مخاطرات محیط طبیعی، 11(33)، 197-216. doi: 10.22111/jneh.2022.38718.1812
[13].وهابی، جواد (1395). پهنه‌بندی سیل با استفاده از مدل‌های هیدرولوژیکی و هیدرولیکی در منطقۀ طالقان‌رود، پژوهش و سازندگی در مناطق طبیعی، 5(2)، 34-87.
[14].یمانی، مجتبی؛ و عباسی، موسی (1399). ارزیابی سیل‌خیزی زیرحوضه‌های آبریز گادر براساس پارامترهای مورفومتری و همبستگی آماری. آمایش سرزمین، 12(1)، 205-224. doi: 10.22059/jtcp.2020.293947.670048
[15]. Green, C., Diepernk, G., EK, K., Hegger, D., Pettersson, M., Priest, S., & Tapsell, S. (2014). Flood risk management in Europe: the flood problem and interventions. Star flood. 1- 250.
[16]. Khattak, M. S., Anwar, F., Usman Saeed, T., Sharif, M., Sheraz, K., & Ahmed, A. (2016), Floodplain Mapping Using HEC-RAS and ArcGIS: A Case Study of Kabul River, Research Article – Civil engineering, 40, 1375-1390.
[17]. Hong H,. Naghibi S.A., Moradi Dashtpagerdi M., Pourghasemi H.R., & Chen W. (2017). A comparative assessment between linear and quadratic discriminant analyses (LDA-QDA) with frequency ratio and weights-of-evidence models for forest fire susceptibility mapping in China. Arabian Journal of Geosciences, 10: 1- 14. Doi: https://doi.org/10.1007/s12517-017-2905-4
[18]. Kargar M., Farzi H., & Taheri A. (2018). Comparison of random forest models and artificial neural network in predicting the occurrence of pasture fires in Alborz province. The 7th National Conference on Pasture and Pasture Management of Iran: 1- 13. (In Persian).
[19]. Monavvari, M. (2004). Guide to environmental impact assessment of tourism and nature tourism projects. Farzaneh Book Publications.
[20]. Simmonds, J., Gómez, J.A., & Ledezma, A. (2020). The role of agent-based modeling and multi-agent systems in floodbased hydrological problems: a brief review. Journal of Water and Climate Change. 11(4), 1580-1602, https://doi.org/10.2166/wcc.2019.108
[21]. Yen an W., Ping-an Z. Yu Z., Biao M., & Kun Y. (2015). Integrated flood risk assessment and zonation method: a case study in Huaihe River basin, China. Natural Hazards, Issue 1, 635-651
[22]. Zhu, S., Li, D., Huang, G., Chhipi-Shrestha, G., Nahiduzzaman, K.M., Hewage, K., & Sadiq, R. (2020); Enhancing urban flood resilience: a holistic framework incorporating historic worst flood to Yangtze River Delta, China, International Journal of Disaster Risk Reduction, 61, 1-52.
[23]. Zhuo, L. & Han, D. (2020). Agent-based modelling and flood risk management: a compendious literature review. Journal of Hydrology, https://doi.org/10.1016/j.jhydrol.2020.125600. | ||
|
آمار تعداد مشاهده مقاله: 94 تعداد دریافت فایل اصل مقاله: 127 |
||