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.
Kiani Asl M A, Moteshaffeh B, Roshaan S H. Evaluation of Machine Learning Algorithms (RF and SVM) in Producing Flood
Susceptibility Mapping Maroon Watershed. jwmseir 2023; 17 (61) :41-51 URL: http://jwmsei.ir/article-1-1135-fa.html
کیانی اصل محمد امین، متشفع بهزاد، روشان سید حسین. ارزیابی الگوریتمهای ماشین یادگیرنده (RF و SVM) در تولید نقشه حساسیت سیلاب حوزه آبخیز مارون. مجله علوم ومهندسی آبخیزداری ایران. 1402; 17 (61) :41-51
به اطلاع کلیه نویسندگان ، محققین و داوران محترم می رساند:با عنایت به تصمیم هیئت تحریریه مجله علمی پژوهشی علوم و مهندسی آبخیزداری فرمت تهیه مقاله به شکل پیوست در بخش راهنمای نویسندگان تغییر کرده است. در این راستا، از تاریخ ۱۴۰۳/۰۱/۲۱ کلیه مقالات ارسالی فقط در صورتی که طبق راهنمای نگارش جدید تنظیم شده باشد مورد بررسی قرار خواهد گرفت.