حسن کاظمی قهی - Islamic Azad University, Science and Research Branch
نبی الله منصوری - Islamic Azad University, Science and Research Branch
سید علی جوزی - Islamic Azad University, North Branch, Tehran, Iran

اولین گام در جهت رسیدن به برنامه پیشگیری و ایمن سازی شهرها، شناخت مخاطرات و بحران های موجود و اولویت بندی مولفه های ریسک پذیری، با توجه به سوابق تاریخی و مطالعات علمی انجام گرفته در تبیین احتمال خطر است. پدیده سیل به عنوان یکی از مخاطرات بسیار پرخطر طبیعی است که در مدیریت بحران باید نگاه ویژه ای به آن معطوف داشت. هدف مطالعه حاضر، مدل سازی و پیش بینی مخاطره سیل طبق ویژگی های شهر بندری نوشهر، با استفاده از مدل های یادگیری ماشین است. بر اساس مرور منابع، ابتدا معیارها و شاخص های موثر بر مخاطره سیل، شامل معیار آب وهوا (شاخص بارندگی ۶ساعته)، معیار هیدرولوژی (شاخص های ارتفاع رواناب سطحی، تراکم زهکشی، عمق آب زیرزمینی)، معیار توپوگرافی (شاخص های شیب و ارتفاع از سطح دریا)، معیار خاک شناسی (شاخص نوع خاک) و معیار کاربری اراضی (شاخص نوع کاربری زمین) شناسایی شدند و سپس در محیط ArcGIS رستری گردیدند و در نهایت، برای استفاده در مدل ها، به روش فازی استاندارد سازی شدند. در تحقیق حاضر، برای پهنه بندی مخاطره سیل از مدل های یادگیری ماشین، k نزدیک ترین همسایه (Fine KNN، Cubic KNN، Cosine KNN، Weighted KNN)، درخت تصمیم (Fine tree، Medium tree، Coarse tree)، یادگیری تجمعی (Ensemble (Subspace KNN)) و WLC استفاده شده است. برای انجام صحت سنجی مدل ها و انتخاب بهترین مدل نیز از روش ROC بر اساس دو معیار ارزیابی صحت و سطح زیر نمودار در خصوص بحران سیل استفاده گردیده است. لایه ها در محیط ArcGIS تهیه و برای انجام مدل سازی و تعیین ضرایب تعیین، به محیط نرم افزاری MATLAB انتقال داده شده اند. نتایج نشان می دهند که مدل یادگیری تجمعی با صحت ۹۶/۰ و سطح زیر نمودار ۹۰/۰ بهترین و مدل WLC با صحت ۶۱/۰ و سطح زیر نمودار ۶۲/۰ ضعیف ترین مدل پیش بینی مخاطره سیل در شهر نوشهر است. بنابراین نتیجه خروجی الگوریتم Ensemble (Subspace KNN) برای ارائه نقشه نهایی خطر سیلاب انتخاب گردید.  

flood, Ensemble learning, Nowshahr, machine learning models, پهنه بندی, مخاطره سیل, یادگیری ماشین, یادگیری تجمعی.