Iranian Jornal of Watershed Management Science&Engineering

fa مقایسه مدل‌های یادگیری ماشینی در پهنه بندی حساسیت سیل خیزی حوزه آبخیز سد کرج Comparison of Machine Learning Models in Flood Susceptibility Zoning in Karaj Dam Basin تخصصي Special پژوهشي Research هدف از این تحقیق تعیین مناطق دارای حساسیت سیلخیزی با استفاده از روشهای CART, RF و BRT میباشد. 12 عامل موثر بر پتانسیل سیل شامل ارتفاع، شیب، جهت شیب، فاصله از آبراهه، سنگشناسی، بارندگی، کاربری اراضی، SPI، TPI، TWI، انحناء توپوگرافی و RSP انتخاب شدند. از مجموع 82 نقطه سیل، به صورت تصادفی و نسبت 70 به 30 درصد به عنوان دادههای آزمون و اعتبارسنجی طبقهبندی شدند. همچنین جهت تعیین مهمترین پارامترها از روش جنگل تصادفی استفاده شد. از منحنی ROC نیز جهت قدرت پیشبینی مدل استفاده شد. بر اساس روش جنگل تصادفی لایههای ارتفاع، فاصله از آبراهه، بارندگی، کاربری اراضی و RSP به ترتیب مهمترین عوامل موثر بر حساسیت و احتمال وقوع سیل بودند. بر اساس نمودار ROC میزان دقت مدل RF به عنوان مدل برتر، هم در بخش آموزش (884/0) و هم اعتبارسنجی (856/0) خیلی خوب بوده است. بر اساس نقشه نهایی حساسیت سیل 7/32 درصد از پهنه حوزه مورد مطالعه دارای حساسیت سیل متوسط رو به بالا میباشد. نتایج نشان داد که با توجه به دقت عالی نقشه توزیع مکانی حساسیت سیل، نتایج این پژوهش میتواند مورد استفاده تصمیمگیران، مدیران محلی و مسئولان به منظور کاهش خسارات قرار گیرد.   <div style="text-align: justify;">The present research aims to determine areas with flood susceptibility using CART, RF and BRT models. Twelve factors affecting flood susceptibility including altitude )DEM), slope, aspect, distance from stream, lithology, rainfall, land use, SPI, TPI, TWI, curvature and RSP were selected. Out of 82 flood points, 70 percent to 30 percent were randomly classified as training and validation data. Also, random forest method was used to determine the most important parameters. The ROC curve was also used to validation the model. According to the random forest model, DEM, distance from stream, rainfall, land use and RSP were the most important factors affecting the susceptibility and probability of floods, respectively. According to the ROC chart, the accuracy of the RF model as a superior model has been very good in both training )0.884) and validation )0.856). According to the final flood susceptibility map, 32.7 percent of the study area has a medium to high flood susceptibility. The results showed due to the high accuracy of the spatial distribution map of flood susceptibility can be promising for decision makers, local managers and policymakers to reduce flood damages.</div> جنگل تصادفی, سد کرج, حساسیت سیل, یادگیری ماشینی. Random forest, Karaj dam basin, Flood susceptibility, Machine learning. 30 40 http://jwmsei.ir/browse.php?a_code=A-10-839-8&slc_lang=fa&sid=1 Mehdi Teimoori مهدی تیموری m.teimouri@yahoo.com 100319475328460016622 100319475328460016622 Yes Farzaneh Vakili tajareh فرزانه وکیلی تجره vakili.farzane.t@ut.ac.ir 100319475328460016623 100319475328460016623 No Malihe Mozayyan ملیحه مزین 100319475328460016624 100319475328460016624 No Marziyeh Ramezani مرضیه رمضانی 100319475328460016625 100319475328460016625 No