رویکرد پیش بینی جدید با استفاده از ترکیب یادگیری ماشین برای پیش بینی مناطق حساس به وقوع سیل (مطالعه موردی: حوضه آبریز کارون)
Publish place: Remote Sensing and Iran GIS، Vol: 16، Issue: 2
Publish Year: 1403
نوع سند: مقاله ژورنالی
زبان: Persian
View: 14
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GIS-16-2_001
تاریخ نمایه سازی: 4 تیر 1403
Abstract:
سابقه و هدف: ایران به دلیل تنوع محیطی بالا، رتبه بالایی در بحران های ناشی از سوانح طبیعی دارد. با رشد سریع شهرها و تغییرات اقلیمی، سیل به عنوان یکی از این سوانح طبیعی خسارات اجتماعی– اقتصادی، بهداشتی و آسیب های محیط زیستی شدیدی را در بسیاری از مناطق به وجود آورده است. لذا، پیش بینی فضایی سیل به قدری حیاتی است که عدم شناسایی مناطق مستعد سیل در یک حوضه آبریز ممکن است آثار مخرب آن را افزایش دهد. در سال های اخیر، با پیشرفت ابزارهای سنجش از دور، اطلاعات جغرافیایی، یادگیری ماشین و مدل های آماری، ایجاد نقشه های پیش بینی سیل با دقت بالا کاملا امکان پذیر شده است. به همین منظور، در این پژوهش، با استفاده از تصاویر ماهوارهSentinel و استفاده از رویکرد نوین مدل همادی با شش مدل یادگیری ماشین به پیش بینی مکان های مستعد سیل در حوضه آبریز کارون پرداخته شد. مواد و روش ها: در این پژوهش از رادار دیافراگم مصنوعی (SAR) به دست آمده از تصاویر Sentinel-۱ برای شناسایی مناطقی که تحت تاثیر سیل قرار گرفته اند، استفاده شد. ابتدا تاریخ های بارندگی شدید و وقوع سیل در منطقه مورد مطالعه از منابع اطلاعاتی مختلف شناسایی شدند. سپس تصاویر Sentinel-۱ مربوط به قبل و بعد از رویداد سیل از طریق پایگاه داده Copernicus تهیه شد. پردازش این داده ها با استفاده از پلتفرم SNAP انجام شد. شناسایی مناطق تحت تاثیر سیل با بهره گیری از روش حد آستانه صورت گرفت. برای این منظور از شاخص تفاوت نرمال شده آب (NDWI) تولیدشده از تصاویر Sentinel-۲ و همچنین طبقات پوشش زمین که بدنه های آبی دائمی را نشان می دهند، استفاده شد تا آستانه ای که مناطق سیل زده را شناسایی می کند، تعیین شود. سپس لایه پلیگونی سیل به لایه نقطه ای تبدیل و در مجموع ۷۰ نقطه وقوع سیل ایجاد شد. با توجه به مرور مطالعات پیشین و ویژگی های محلی، هفت عامل اصلی که به طور چشمگیری بر وقوع سیلاب در منطقه تاثیر دارند، شناسایی شدند. این عوامل شامل شاخص نرمال شده تفاوت پوشش گیاهی (NDVI)، شاخص رطوبت توپوگرافی (TWI)، شیب، جهت جریان، تجمع جریان، فاصله از رودخانه و بارندگی ماهانه هستند. مدل رقومی ارتفاع (DEM) منطقه نیز از پایگاه داده SRTM تهیه شده و تفکیک فضایی همه عوامل با لایه DEM یکسان تنظیم شد. سپس، با استفاده از الگوریتم های مختلف یادگیری ماشین، مدلی ترکیبی توسعه داده شد که نتایج دقیق تری در پیش بینی مناطق مستعد سیل ارائه می دهد. مدل های منفرد شامل مدل خطی تعمیم یافته (GLM)، رگرسیون درختی پیشرفته (BRT)، مدل ماشین بردار پشتیبان (SVM)، مدل جنگل تصادفی (RF)، مدل رگرسیون سازشی چندمتغیره (MARS) و مدل بیشینه بی نظمی (MAXENT) هستند. نتایج و بحث: نتایج این مطالعه نشان می دهد که شمال شرق شهرستان الیگودرز، بخش هایی از دورود و ازنا در استان لرستان، خادم میرزا، شهرکرد و کیار در استان چهارمحال بختیاری، دنا و بویراحمد در استان کهکیلویه و بویراحمد، شهرستان سمیرم در استان اصفهان، و مناطق جنوبی حاشیه رودخانه کارون در استان خوزستان بیشترین پتانسیل وقوع سیل را در این حوضه دارند. ارزیابی عملکرد مدل ها نشان می دهد که مدل های جنگل تصادفی (RF) و بیشینه بی نظمی (MaxEnt) بالاترین دقت را در بین مدل های منفرد داشته اند. این مدل ها با ترکیب اطلاعات محیطی و داده های وقوع سیل، قادر به ارائه نقشه های حساسیت به سیل با دقت بالا هستند. از این نقشه ها می توان به عنوان ابزار مدیریتی مهمی برای کاهش اثرات مخرب سیل و جلوگیری از توسعه مناطق آسیب پذیر استفاده کرد. نتیجه گیری: به طور کلی، این پژوهش نشان می دهد که استفاده از رویکرد همادی با ترکیب مدل های یادگیری ماشین می تواند نتایج قابل اطمینان تری در پیش بینی مناطق مستعد سیل فراهم کند. نتایج این پژوهش برای مدیران و برنامه ریزان کارآمد است و می تواند از توسعه در مناطق آسیب پذیر جلوگیری کند و در نتیجه به کاهش زیان های اقتصادی و جانی در آینده کمک کند.
Keywords:
Authors
بهاره قره داغی
کارشناس ارشد گروه محیط زیست، دانشگاه محیط زیست کرج، کرج، ایران
امیر قاسم زاده
استاد گروه محیط زیست، دانشگاه آزاد اسلامی تبریز، تبریز، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :