تعیین پتانسیل سیل با استفاده از مدل های یادگیری ماشین CART، GLM و GAM (مطالعه موردی: حوضه کشکان)

سیل پدیده ای است که موجب آسیب های زیست­محیطی و اقتصادی-اجتماعی بسیاری می شود. هدف از این پژوهش، ارزیابی کارایی مدل های یادگیری ماشین CART، GLM و GAM در شناسایی مناطق حساس به خطر سیلاب در حوضه کشکان است. استان لرستان و به­ویژه حوضه کشکان شامل: سلسله، دلفان، دوره، خرم­آباد، پلدختر و کوهدشت، سیل­خیز است و دفعات بسیاری دچار خسارات ناشی از سیل شده است و در فروردین ۱۳۹۸، بزرگ ترین سیل ۲۰۰ سال اخیر را تجربه کرده است؛ در همین راستا از عوامل مختلف شامل: ارتفاع، جهت شیب، انحنای زمین، درصد شیب، فاصله از رودخانه، تراکم زهکشی، خاک، سنگ­شناسی، کاربری اراضی و شاخص رطوبت توپوگرافی استفاده شد. نقشه رقومی تمام عوامل نام­برده در نرم­افزار ArcGIS۱۰.۵ و در قالب پایگاه داده تهیه شد. موقعیت ۱۲۳ واقعه سیل ثبت­شده در سال­های اخیر در این حوضه، جمع­آوری و به صورت تصادفی در دو دسته آموزش مدل (۸۶ واقعه) و اعتبار­سنجی مدل (۳۷ واقعه) در مدل سازی ها استفاده شد. با استفاده از مدل های یادگیری ماشین و عوامل موثر محیطی، نقشه های پیش­بینی پتانسیل سیل تهیه شدند و سپس با استفاده از روش های منحنی مشخصه AUC و شاخص TSS اعتبار­­سنجی شدند. نتایج حاصل از اعتبارسنجی مدل ها نشان داد که مدل یادگیری ماشین CART با ۹۱/۰AUC= و شاخص ۸۸/۰TSS= دقیق ترین مدل در پیش بینی پتانسیل خطر سیل بوده و پس از آن مدل GAM با ۸۷/۰AUC= و شاخص ۸۴/۰ TSS=و مدل GLM با ۸۳/۰AUC= و شاخص ۸۸/۰ TSS=قرار دارند. دقت ۹۱/۰ مدل CART نشان­دهنده دقت عالی این مدل برای حوضه کشکان است. این مدل، مساحت بیشتری از حوضه را تحت شرایط پتانسیل بالا و متوسط خطر سیل­گیری نشان می­دهد که اغلب مناطق غربی و همچنین مناطق مرکزی حوضه (کوهدشت، خرم­آباد و پلدختر) را شامل می­شوند که دقیقا بخش­هایی از همین مناطق در سیل بزرگ سال ۹۸ هم زیر آب رفتند و لازم است در اولویت اول برنامه ریزی و مدیریت ریسک سیل قرار گیرند.

Keywords:

شاخص رطوبت توپوگرافی , نقشه سیل , AUC , ROC , TSS