Iranian Jornal of Watershed Management Science&Engineering

fa پهنه‌بندی خطر سیلاب با استفاده از داده‌های هیدروژئومورفولوژی و مدل‌های یادگیری ماشین در حوضه آبخیز گرگانرود Flood Hazard Zoning Using Hydrogeomorphological Data and Machine Learning Models in the Gorganrud Watershed تخصصي Special پژوهشي Research هدف از پژوهش حاضر، پهنه‌بندی احتمال وقوع سیلاب در حوزه آبخیز گرگانرود واقع در استان گلستان با استفاده از مدل‌های یادگیری ماشین است. پهنه‌بندی دقیق مناطق پرخطر سیلاب با روش‌های نوینی همچون یادگیری ماشین، می‌تواند به مدیریت بهینه ریسک و کاهش خسارات ناشی از سیل کمک شایانی نماید. بدین منظور، دو مدل شناخته‌شده و پرکاربرد جنگل تصادفی و بیشینه آنتروپی به عنوان روش‌های بنچمارک با قابلیت محاسباتی بالا برای ارزیابی فرآیند وقوع سیلاب انتخاب شدند. نقشه پراکنش سیلاب با استفاده از بازدیدهای میدانی، گزارش‌های سازمانی و ثبت 127 نقطه وقوع سیل در سامانه اطلاعات جغرافیایی تهیه شد. همچنین بر اساس مرور جامع منابع، تعداد 19 عامل محیطی مؤثر شامل فاصله از آبراهه، سنگ‌شناسی، درصد شیب، بافت خاک، جهت شیب، کاربری اراضی، انحنای طولی و عرضی دامنه، شاخص رطوبت توپوگرافی، شاخص قدرت جریان، تراکم زهکشی، بارندگی سالانه و طبقات ارتفاعی انتخاب و لایه‌های اطلاعاتی مربوطه در سامانه اطلاعات جغرافیایی آماده شدند. به منظور ارزیابی دقت و پایداری مدل‌ها، سه مجموعه داده متفاوت از نقاط وقوع سیل S1)، S2،  (S3 شامل 70 درصد نقاط برای آموزش و 30 درصد برای اعتبارسنجی به صورت تصادفی تهیه شد. ارزیابی نتایج مدل‌ها با استفاده از سطح زیر منحنی مشخصه عملکرد نسبی انجام شد. نتایج این پژوهش نشان داد که نقشه میانگین حاصل از مدل جنگل تصادفی در مرحله اعتبارسنجی با سطح زیر منحنی 96 درصد و مقدار پایداری 001/0، از کارایی عالی در پهنه‌بندی سیلاب حوضه مورد مطالعه برخوردار است. در مقابل، مدل بیشینه آنتروپی دقت 94 درصد و پایداری 008/0 را نشان داد. همچنین تحلیل درجه اهمیت متغیرها نشان داد که عوامل فاصله از جریان (حدود 49 درصد اهمیت) و تراکم زهکشی (حدود 15 درصد اهمیت) به عنوان مهم‌ترین عوامل محیطی مؤثر بر سیل‌گیری منطقه مورد مطالعه شناسایی شدند. به طور کلی، مدل جنگل تصادفی به دلیل دقت بالاتر و پایداری بیشتر، به عنوان مدل برتر در پهنه‌بندی سیلاب حوضه آبخیز گرگانرود معرفی می‌شود. This study evaluates flood susceptibility mapping in the Gorganrud watershed, Golestan Province, Iran, using Random Forest (RF) and Maximum Entropy (ME) machine learning models. Unlike previous research that relied on single random splits of flood data, this study systematically assessed both predictive accuracy and model robustness across three distinct training/validation splits (S1, S2, S3). A flood inventory of 127 occurrence points was combined with 19 environmental factors including distance to stream, drainage density, lithology, rainfall, slope, and land use. Multicollinearity was checked and confirmed as negligible. Both models showed excellent predictive performance. RF achieved validation AUC values of 0.95, 0.97, and 0.98 for S1, S2, and S3 respectively, while ME achieved 0.936, 0.955, and 0.935. For robustness, measured by AUC variability, RF scored 0.001 compared to ME's 0.008, indicating that RF provides significantly more stable predictions regardless of how training data are split. The final flood susceptibility map (averaged across model runs) classified approximately 15% (RF) to 22.7% (ME) of the watershed as high or very high flood hazard, concentrated in low-slope areas near rivers. The most influential factors were distance to stream (49.4%), drainage density (15.2%), and lithology (10.8%). Flood probability increased sharply when distance to stream fell below 500 m and drainage density exceeded 2.5 km/km². Quaternary alluvial formations (Qsw) were identified as the most susceptible lithology. The study concludes that while both models are highly effective (AUC > 0.93), RF is superior due to its higher accuracy (up to 98%) and greater robustness (0.001 vs. 0.008). The ensemble map provides a reliable decision-support tool for sustainable land-use planning and flood risk mitigation in Golestan Province. Future work should incorporate hydrological time-series data and climate change scenarios. استان گلستان, جنگل تصادفی, سیل, صداقت مدل Flood susceptibility, Random Forest, Maximum Entropy, Model robustness, Gorganrud watershed, Golestan Province, GIS-based modeling 1 0 http://jwmsei.ir/browse.php?a_code=A-10-1341-3&slc_lang=fa&sid=1 Narges Javidan نرگس جاویدان Narges.javidan20@gmail.com 100319475328460019042 0009-0009-4853-4494 Yes Ataollah Kavian عطااله کاویان ataollah.kavian@gmail.com 100319475328460019043 100319475328460019043 No