شناسایی آستانه متغیرهای تاثیرگذار بر پهنه های سیلاب با استفاده از تکنیک یادگیری ماشین (مطالعه موردی: حوضه انتهایی کارون بزرگ)

سیل یکی از شایع ترین مخاطرات طبیعی در سراسر جهان است که خسارت زیادی به زندگی انسان ها و زیرساخت های مختلف وارد می کند. از این رو پیش بینی و برآورد آستانه مولفه های موثر بر وقوع آن در نقاط مختلف ضرورت دارد. بر همین اساس، پژوهش حاضر با هدف پهنه بندی خطر سیلاب به شناسایی حدود متغیرهای تاثیرگذار بر پهنه های سیلاب با استفاده از تکنیک های یادگیری ماشین انجام شده است. برای این منظور، از تصاویر لندست OLI۸ تاریخ هشتم آپریل (فروردین ماه) سال ۲۰۱۹ (۱۳۹۸) برای شناسایی پهنه های سیل گیر استفاده شد. از این رو، مناطق سیل گیر با کد یک و مناطق غیر از آن با کد صفر به عنوان متغیر وابسته وارد فرآیند مدل سازی و یادگیری ماشین شدند. هم چنین، فرآیند یادگیری ماشین با روش درختان رگرسیون چندگانه جمع شدنی (TreeNet) انجام شد. نتایج پهنه بندی خطر سیلاب نشان داد، سیلاب با ریسک زیاد ۴۲۵۶ هکتار معادل ۸۶/۳ درصد و پهنه سیلاب با خطر ریسک خیلی زیاد ۵۵۰۰ هکتار معادل ۹۹/۴ درصد از سطح محدوده مورد را به خود اختصاص داده اند. خطر سیلاب با ریسک خیلی کم، ۹۱۴۹۶ هکتار معادل ۱۳۲/۸۳ درصد از سطح محدوده مطالعاتی را دربرگرفته است. هم چنین، نتایج بررسی اهمیت نسبی متغیرها در وقوع سیلاب نشان داد به ترتیب متغیرهای پوشش گیاهی، بارش تجمعی باران، کمبود آب در خاک، شدت خشکسالی و کاربری اراضی با حدود تاثیرگذاری صفر تا ۱۸/۰، ۱۶-۱۵ میلی متر، ۱۵۲-۱۴۴ میلی متر، شدت ۵/۲ (ترسالی متوسط) و اراضی ماندابی و باتلاقی بیش ترین تاثیر را بر بروز پهنه های سیلاب در محدوده مورد مطالعه داشته اند. ارزیابی میزان کارایی مدل با شاخص های سطح زیرمنحنی، ویژگی، شفافیت، صحت کلی و صحت قاعده به ترتیب ۹۵/۰، ۲/۹۱، ۴۳/۹۰، ۱۲/۹۱ و ۸۸/۶ است که نشان دهنده دقت مدل است. بررسی نتایج پهنه بندی سیلاب با واقعیت زمینی حکایت از R۲ و MAE معادل ۸/۷۲ درصد و ۲۷/۰ داشت که صحت نتایج پهنه بندی با واقعیت زمینی را نسبتا خوب تصدیق می نماید. نتایج پژوهش حاضر می تواند در شناسایی پهنه های سیل، رتبه بندی اهمیت متغیرهای مختلف در وقوع سیل و تدوین اقدامات موثر برای به حداقل رساندن خسارت در آینده و مدیریت مناسب متغیرهای کلیدی موثر بر وقوع سیلاب از طریق آستانه های تاثیرگذار استفاده شود.

Keywords:

آستانه تاثیرگذاری , اهمیت نسبی , ارزیابی , پهنه های سیلاب , یادگیری ماشین