Iranian Jornal of Watershed Management Science&Engineering

fa ارزیابی الگوریتم‌های ماشین یادگیرنده (RF و SVM) در تولید نقشه حساسیت سیلاب حوزه آبخیز مارون Evaluation of Machine Learning Algorithms (RF and SVM) in Producing Flood Susceptibility Mapping Maroon Watershed تخصصي Special پژوهشي Research عوامل متعدد اقلیمی، هیدرولوژیکی، ژئومورفولوژیکی و زمین‌شناسی در وقوع سیلاب نقش دارند. تجزیه و تحلیل سیلاب، مدیریت و کنترل آن می‌تواند با تهیه نقشه‌های پتانسیل سیل‌خیزی انجام شود. هدف این پژوهش تهیه نقشه پتانسیل سیل‌خیزی حوضه مارون با استفاده از روش‌های یادگیری ماشین جنگل تصادفی و ماشین بردار پشتیبان می‌باشد. به این منظور 16 پارامتر مؤثر در وقوع سیلاب شامل طبقات ارتفاعی، مقدار و جهت شیب، انحنای زمین، سازندهای زمین‌شناسی، کاربری اراضی، شماره منحنی، بارندگی، درجه حرارت، شاخص قدرت جریان (SPI)، شاخص رطوبت توپوگرافی (TWI)، فاصله از آبراهه، تراکم آبراهه، فاصله از جاده، تراکم جاده و شاخص پوشش گیاهی NDVI در نظر گرفته شد. پارامترهای مذکور در محیط نرم‌افزارهای ArcGIS 10.8، ENVI 5.3 و SAGA GIS 7.2 تهیه شدند سپس به فرمت خوانا برای محیط نرم‌افزار R به منظور اجرای مدل ماشین بردار پشتیبان و جنگل تصادفی تبدیل شدند. در نهایت با استفاده از بسته SDM مدل‌های RF و SVM اجرا شدند و با استفاده از منحنی تشخیص عملکرد نسبی(ROC) مورد ارزیابی قرار گرفتند. نتایج نشان داد که مدل‌های RF و SVM بترتیب با دقت 997/0 و 947/0 درصد نقشه سیل‌خیزی حوضه مارون را پیش‌بینی کردند.   Floods are one of the most important natural hazards that have caused economic and social damage in most areas. Numerous climatic, hydrological, geomorphological and geological factors are involved in the occurrence of floods. Flood analysis, management and control can be done by preparing flood potential maps. The purpose of this study is to map the flood potential of Maroon watershed using random forest and support vector machine machine learning methods. For this purpose, 16 effective parameters in flood occurrence including altitude, slope and aspect, curvature, geological formations, land use, curve number, rainfall, temperature, stream power index )SPI), topographic wetness index )TWI), distance From stream, stream density, road distance, road density and NDVI index were considered. The mentioned parameters were prepared in ArcGIS 10.8, ENVI 5.3 and SAGA GIS 7.2 software environments and then converted to readable format for R software environment in order to implement the support vector machine and random forest models. Finally, RF and SVM models were implemented using SDM packages and evaluated using receiver operating characteristic )ROC). The results showed that RF and SVM models correctly predicted the flooding map of Maroon Basin with 0.997 and 0.947 percent accuracy, respectively   جنگل تصادفی, حوضه مارون, ماشین بردار پشتیبان, مدیریت سیلاب, وقوع سیلاب. Flood management, Flood occurrence, Maroon basin, Random forest, Support vector machine 41 51 http://jwmsei.ir/browse.php?a_code=A-10-1425-3&slc_lang=fa&sid=1 Mohammad Amin Kiani Asl محمد امین کیانی اصل m.keyaniasl@gmail.com 100319475328460016626 100319475328460016626 No Behzad Moteshaffeh بهزاد متشفع bmoteshaffeh@gmail.com 100319475328460016627 100319475328460016627 Yes Seyed Hussein Roshaan سید حسین روشان h.roshun2011@gmail.com 100319475328460016628 100319475328460016628 No