ناحیه‌بندی مناطق مستعد سیلاب توسط الگوریتم ماشین بردار پشتیبان بهینه‌سازی شده

در این مطالعه تولید نقشه‌های مناطق مستعد سیل با بهینه‌سازی مدل ماشین بردار پشتیبان (svm) با استفاده از الگوریتم‌های بهینه‌سازی فراابتکاری ازدحام ذرات (pso)، ژنتیک (ga) و کلونی مورچگان (aco) در حوضه آبریز زاهدان صورت گرفته است. برای تعیین بهترین فاکتورهای تاثیرگذار بر سیل، از بین 19 فاکتور مورداستفاده در مطالعات قبلی و اهمیت نسبی متغیرهای ورودی از دو آزمایش روش نسبت کسب اطلاعات (igr) و آزمایش چندخطی بودن پارامترها استفاده شد.  فاکتور میزان محتوای آب در خاک که جزو عوامل موثر با ضریب igr=0.767 است، برای اولین بار در این مطالعه به‌صورت مستقیم در مدل‌سازی مورداستفاده قرار گرفت. نقشه مشخصه سیل از روی پردازش داده‌های ماهواره sentinel1 تهیه و اعتبارسنجی شد. از مجموعه داده‌های تولید شده برای تولید نقشه‌های مناطق مستعد سیل با استفاده از مدل svm بهینه‌سازی شده با الگوریتم‌های مذکور استفاده شد که برای اولین بار، در این تحقیق از الگوریتم aco برای بهینه‌سازی مدل svm در تولید نقشه‌های مناطق مستعد سیل استفاده شد. دقت پیش‌بینی مدل‌ها با استفاده از معیارهای آماری بررسی گردید. هر سه الگوریتم مورداستفاده در این مطالعه، عملکرد svm را به‌‏طور متوسط 4 درصد بهبود بخشیدند درحالی‌که مدل psosvm بهترین عملکرد را با rmse=0.158، mse=0.025، auc=0.953 و std=0.405 در میان الگوریتم‌های دیگر به نمایش گذاشت؛ همچنین مشخص شد تقریباً نیمی از منطقه شهری زاهدان در مناطق خطر متوسط تا بسیار زیاد قرار دارند.

Flood Susceptibility Mapping Using Optimized SVM Algorithm

This study describes optimization of Support Vector Machine (SVM) using metaoptimization algorithms including the Particle Swarm Optimization (PSO), Genetic Algorithm (GA) and Ant Colony optimization for flood susceptibility mapping at Zahedan Basin. To determine the best factors among the 19 factors used in previous studies and the relative importance of input variables, two experiments of Information Acquisition Ratio (IGR) and multilinearity of parameters were used soil moisture content factor which is identified as a highly effective factor (IGR=0.767),  is used directly in this study for the first time. The flood inventory map was prepared from Sentinel1 satellite data processing and validated. The generated data set was used to map the flood prone areas using SVM model optimized with the mentioned algorithms. For the first time, in this research, ACO algorithm was used to optimize SVM model. The prediction accuracy of the models was evaluated using statistical criterion. All three algorithms used in this study improved SVM performance by 4% in average, while the PSOSVM model had the best performance among the others with AUC=0.953, MSE=0.025, RMSE=0.158 and StD=0.405.