تهیه نقشه پیش‌بینی مناطق مستعد سیل به کمک یادگیری ماشین جنگل تصادفی (مطالعه موردی: حوزه آبخیز سیاه خور استان کرمانشاه)

زمینه و هدف: سیل ناگهانی یکی از پویاترین بلایای طبیعی در نظر گرفته می‌شود که برای به حداقل رساندن خسارات اقتصادی، اثرات نامطلوب و پیامدهای آن با ترسیم حساسیت به سیل باید تدابیری اتخاذ شود. بنابراین تهیه نقشه حساسیت مناطق مستعد سیل گامی‌مهم در راستای مدیریت سیلاب است. به دلیل کمبود اطلاعات در اکثر حوزه‌های آبخیز کشور، بسیاری از محققان برای مطالعه‌های هیدرولوژیکی و سیل‌گیری از تجزیه‌وتحلیل‌های مکانی استفاده می‌کنند. بر این اساس، شناسایی مهم‌ترین عوامل موثر بر ایجاد و تشدید وقوع سیل و هم‌چنین تهیه نقشه حساسیت‌پذیری آن می‌تواند یکی از مهم‌ترین راهکارها در راستای کاهش خطر سیل باشد. در پژوهش حاضر، حوزه آبخیز سیاه خور در شمال شرق شهر اسلام آباد غرب (استان کرمانشاه)، برای پیش‌بینی مناطق مستعد سیل و شناسایی عوامل مهم و موثر بر وقوع آن انتخاب شد.روش بررسی : برای شناسایی مناطق مستعد سیل در این منطقه مورد مطالعه، الگوریتم یادگیری ماشین (ml) روش جنگل تصادفی در محیط پایتون مورد استفاده قرار گرفت. نقشه پراکنش سیلاب های گذشته به‌منظور پیش بینی سیلاب در آینده تهیه شد.یافته ها: 53 رخداد سیلاب در تاریخ آذر ماه 1403 در منطقه ثبت شده بود و 49 منطقه نیز به عنوان مناطق غیر سیلابی در نظر گرفته شد، 70% به‌منظور مدل‌سازی و 30% به‌منظور اعتبارسنجی استفاده شد. با بررسی مطالعات قبلی و پیمایش منطقه موردمطالعه 8 عامل موثر(شیب، تراکم زهکشی، کاربری اراضی، فاصله از رودخانه، خصوصیات زمین شناسی، بارندگی، جهت شیب و ارتفاع) به‌منظور پهنه بندی سیلاب انتخاب و تهیه شد. به‌منظور اعتبارسنجی و ارزیابی کارایی مدل‌ها نیز از منحنی تشخیص عملکرد نسبی (roc) استفاده شد.بحث و نتیجه گیری: نتایج نشان داد که از بین 8 عامل موثر بر پهنه‌های سیلابی، سه عامل بارندگی (0.35)، فاصله از رودخانه (0.27) و ارتفاع (0.21) به ترتیب بیش ترین تاثیر را در سیل گیری منطقه مورد مطالعه دارند. همچنین نتایج ارزیابی خروجی مدل ها نشان داد که مقدار auc در مدل rf ، 0.98 بود که نشان‌دهنده کارایی و دقت بالای مدل rf در تهیه نقشه حساسیت به وقوع سیل در منطقه موردمطالعه می باشد. بیش ترین مساحت حساسیت به سیل در مدل rf مربوط به طبقه خیلی کم است. نتایج حاصل نشان داد که استفاده از الگوریتم یادگیری ماشین (ml) روش جنگل تصادفی می‌تواند به طور موثر در تجزیه و تحلیل خطر سیلاب کارآمد باشد.

preparation of flood_prone areas prediction map using random forest machine learning in the siahkhor watershed of kermanshah province

background and objective: flash floods are considered among the most dynamic natural disasters, necessitating measures to minimize economic damages, adverse effects, and their consequences by enhancing flood sensitivity. therefore, mapping the sensitivity of areas prone to flooding is a critical step towards flood management. due to the scarcity of information in most of the country's watershed areas, many researchers rely on spatial analyses for hydrological studies and flood mapping. consequently, identifying the most significant factors influencing the creation and intensification of floods, as well as mapping their sensitivity, can be one of the most important strategies for reducing flood risk. in the current study, the siah khor watershed in the northeast of islam abad e gharb (kermanshah province) was selected for predicting flood prone areas and identifying key factors affecting their occurrence.material and methodology: to identify flood prone areas in this study region, the random forest machine learning (ml) algorithm was employed within a python environment. a map depicting the distribution of past flood events was created to predict future flooding.findings: fifty three flood events were recorded in the area, and forty nine regions were identified as non flood zones; 70% of the data was used for modeling and 30% for validation purposes. after reviewing previous studies and surveying the study area, eight influential factors (slope, drainage density, land use, distance from the river, geological characteristics, rainfall, slope direction, and elevation) were selected for flood zoning. the relative operational characteristic (roc) curve was utilized for model validation and efficiency evaluation.predicting flood prone areas using machine learning methods in the siahkhor watershed of kermanshah province discussion and conclusion: the results indicated that among the eight factors affecting flood zones, rainfall (0.35), distance from the river (0.27), and elevation (0.21) have the most significant impact on flooding in the study area, respectively. furthermore, the evaluation of model outputs revealed that the area under the curve (auc) value for the random forest (rf) model was 0.98, demonstrating the high efficiency and accuracy of the rf model in mapping flood sensitivity in the study area. the largest area of flood sensitivity in the rf model corresponds to the very low category. the findings suggest that employing the random forest machine learning (ml) algorithm can be effectively used in analyzing flood risk.