کاربرد نمایه های کمی شبکه زهکشی در جانمایی سازه های آبخیزداری بر پایه یادگیری ماشینی

سابقه و هدف: خسارت جانی و مالی ناشی از پدیده سیل و پر شدن سدهای ذخیره آب از رسوب، به ویژه در سالیان اخیر به علت استفاده غیراصولی از منابع طبیعی نگران کننده است. به منظور حل این مشکلات، اقدامات حفاظت خاک و آب در قالب برنامه های مختلف آبخیزداری شامل اقدامات سازه ای (بیومکانیکی و مکانیکی)، مدیریتی و بیولوژیکی در سطح کشور در حال انجام می باشد. اجرای طرح های آبخیزداری، به عنوان اولویتی زیرساختی، نقش مهمی در کاهش تخریب های ناشی از جاری شدن روان آب ها و سیلاب ها ایفا می کند. از مهم ترین اهداف اجرای سازه های کنترلی آبخیزداری در مسیر رودخانه ها و به ویژه در بالادست مناطق مسکونی و حوزه های آبخیز منتهی به حریم شهر و روستاها، کنترل سیل و رسوب به شمار می رود. مهم ترین مرحله اجرای طرح های مکانیکی به عنوان اقدامات سازه ای آبخیزداری، شناسایی درست مکان های موردنیاز جهت اجرای این طرح ها می باشد. مکان یابی صحیح سازه های آبخیزداری، تاثیر فراوانی در کاهش هزینه فعالیت های آبخیزداری و افزایش اثربخشی دارد. در این پژوهش تعدادی از مدل های رویکرد مبتنی بر یادگیری ماشین شامل شبکه عصبی مصنوعی (ANN) و مدل حداکثر آنتروپی (ME) با هدف تعیین بهترین مدل رویکرد یادگیری ماشین به منظور مکان یابی سازه های آبخیزداری در آبخیز کوئین استفاده می شود.مواد و روش ها: آبخیز کوئین در استان البرز و شمال طالقان و بین مختصات جغرافیایی (۵۰ درجه و ۴۶ دقیقه تا ۵۰ درجه و ۵۶ دقیقه طول شرقی و ۳۶ درجه و ۱۰ دقیقه تا ۳۶ درجه و ۱۸ دقیقه عرض شمالی) واقع شده است. در تحقیق حاضر جهت تعیین مناطق مناسب احداث سازه های آبخیزداری از ۱۱ شاخص موثر در جانمایی سازه ها شامل عوامل توپوگرافی، هیدرولوژی، زمین شناسی، کاربری اراضی و اقتصادی استفاده شده است. نقاط سازه های موجود، با استفاده از روش تصادفی به دو دسته داده های مدل سازی (آموزش) و داده های اعتبارسنجی (آزمون) تقسیم شدند. لایه مدل رقومی ارتفاعی با استفاده از نقاط ارتفاعی و خطوط تراز در ابعاد ۱۰*۱۰ متر تهیه شد. لایه شیب با استفاده از مدل رقومی ارتفاعی و با استفاده از تابع Slope تهیه شده است. لایه فاصله از آبراهه و تراکم آبراهه بر اساس نقشه آبراهه ها (استخراج از نرم افزار SAGA GIS) و به ترتیب با استفاده از تابع Euclidean distance و Line Density در نرم افزار ArcGIS تهیه شدند. لایه سنگ شناسی به عنوان یک عامل مهم در تغییرات مکانی و زمانی زهکشی، میزان نفوذپذیری، هیدرولوژی و تولید رسوب آبخیز در نظر گرفته می شود و از نقشه زمین شناسی استخراج گردید. لایه کاربری اراضی از اداره کل منابع طبیعی و آبخیزداری استان البرز دریافت شده است. نقشه بارندگی با استفاده از اطلاعات ۱۵ ایستگاه باران سنجی و هواشناسی در طی یک دوره آماری (۱۸ ساله) به صورت گرادیان بارندگی تهیه شده است. عوامل SPI، رتبه آبراهه ها و تجمع جریان با استفاده از نقشه مدل رقومی ارتفاعی و در نرم افزار SAGA GIS تهیه شده است. لایه تراکم جاده بر اساس نقشه جاده ها و با استفاده از تابع Line Density در نرم-افزار ArcGIS تهیه شد. در این پژوهش از دو مدل حداکثر آنتروپی و شبکه عصبی مصنوعی استفاده شد. پیش پردازش عوامل ورودی به منظور بررسی عدم وجود هم خطی چندگانه با استفاده از عامل تورم واریانس (VIF) و شاخص ضریب تحمل (Tolerance) انجام شد. میزان اهمیت هر یک از عوامل بکار رفته در تبیین مدل با استفاده از مدل حداکثر آنتروپی و با استفاده از نمودار جکنایف (Jackknife) تعیین شد و انجام این فرآیند در نرم افزار MaxEnt انجام می شود. در این پژوهش، کارایی مدل ها در مراحل آموزش و اعتبارسنجی با استفاده از منحنی تشخیص عملکرد گیرنده (ROC) و سطح زیر منحنی آن (AUC) ارزیابی شد.یافته ها: نتایج نشان داد که بین عوامل هم خطی وجود ندارد و لذا کلیه عوامل در روند مدل سازی مورد استفاده قرار گرفتند. نتایج نشان داد که به ترتیب عوامل فاصله از آبراهه، رتبه آبراهه، تجمع جریان، ارتفاع و میانگین بارندگی مهم ترین عوامل تاثیرگذار بر جانمایی سازه های آبخیزداری هستند و در پیش بینی مناطق دارای پتانسیل احداث سازه تاثیرگذار بوده اند. میزان دقت پیش بینی مدل حداکثر آنتروپی در هر دو بخش آموزش (۹۹۴/۰) و اعتبارسنجی (۹۹۳/۰) عالی بوده است. میزان دقت پیش بینی مدل شبکه عصبی مصنوعی نیز در هر دو بخش آموزش (۱) و اعتبارسنجی (۱) عالی بوده است. با توجه به واقعیت میدانی موجود در آبخیز کوئین به نظر می رسد که مدل شبکه عصبی مصنوعی دچار بیش برازش شده است و نقشه نهایی پتانسیل سازه های آبخیزداری با خطا مواجه است و نتایج مدل حداکثر آنتروپی نتایج منطقی تری ارائه داده است. نتایج بازدیدهای میدانی جهت صحت سنجی نتایج مدل نشان داد که در تمامی آبراهه-های مورد بررسی، مدل حداکثر آنتروپی به درستی و با دقت بسیار زیاد آبراهه های بحرانی را به لحاظ آورد سیل و رسوب تشخیص داده است. در مجموع ۴۷ کیلومتر آبراهه بحرانی به لحاظ آورد سیل و رسوبات تشخیص داده شد. لذا در ادامه و در طی بازدیدهای مختلف تعداد ۲۲ سازه آبخیزداری در آبراهه های مورد بازدید جانمایی شد. نتیجه گیری: نتایج بازدیدهای میدانی نشان داد که در تمامی آبراهه های مورد بررسی، مدل حداکثر آنتروپی به درستی و با دقت بسیار زیاد آبراهه های بحرانی را به لحاظ آورد سیل و رسوب تشخیص داده است. این امر بیانگر توانایی بالای روش های مبتنی بر یادگیری ماشین در تلفیق و تحلیل داده های مکانی پیچیده و افزایش دقت در مکان یابی اقدامات آبخیزداری است. نتایج این پژوهش تاکید دارد که استفاده از روش های مبتنی بر یادگیری ماشین می تواند بهبود قابل توجهی در دقت مکان یابی سازه های آبخیزداری ایجاد کند. از این رو، پیشنهاد می شود که در مطالعات آینده، ترکیب مدل های یادگیری ماشین با روش های بهینه سازی و تحلیل عدم قطعیت برای افزایش دقت مکان یابی مورد بررسی قرار گیرد. این پژوهش گامی مهم در جهت استفاده از مدل های داده محور برای بهینه سازی اقدامات آبخیزداری بوده و می تواند به عنوان الگویی برای مطالعات مشابه در سایر حوزه های آبخیز مورد استفاده قرار گیرد. این روش نه تنها باعث افزایش دقت در تصمیم گیری می شود، بلکه هزینه های اجرایی را نیز کاهش داده و بهره وری پروژه های آبخیزداری را بهبود می بخشد.

Keywords:

اقدامات آبخیزداری , حداکثر آنتروپی , جانمایی , یادگیری ماشینی