ارزیابی مدل‌های مختلف آماری در تهیۀ نقشۀ سیل‌گیری استان گیلان

به دلیل کمبود اطلاعات در اکثر حوزه های آبخیز، بسیاری از محققین برای مطالعه های هیدرولوژیکی و سیل گیری به استفاده از تجزیه و تحلیل های مکانی در سیستم اطلاعات جغرافیایی روی آوردند. پژوهش حاضر به منظور مقایسۀ کارایی سه مدل ماشین بردار پشتیبان (svm)، خطی تعمیم یافته (glm) و جمعی تعمیم یافته (gam) در تهیۀ نقشۀ سیل گیری استان گیلان برنامه ریزی شده است. بدین منظور لایه های اطلاعاتی درجۀ شیب، جهت شیب، شکل شیب، ارتفاع از سطح دریا، فاصله از رودخانه، تراکم زهکشی، زمین شناسی، کاربری اراضی، شاخص رطوبت توپوگرافی و شاخص توان آبراهه در محیط سامانۀ اطلاعات جغرافیایی (نرم‌افزارهای arcgis و saga-gis) تهیه شدند. سپس بر اساس اطلاعات 220 نقطۀ سیل گیر، از 70 درصد تعداد کل نقاط به منظور واسنجی و 30 درصد باقیمانده برای اعتبارسنجی و ارزیابی کارآیی مدل ها مورد استفاده قرار گرفت. نتایج ارزیابی دقت مدل ها به ترتیب با استفاده از شاخص‌های سطح زیر منحنی (auc) و کاپا (kappa) نشان داد که از نظر شاخص سطح زیر منحنی (auc)، مدل ماشین بردار پشتیبان (svm) با 0.835 و مدل جمعی تعمیم یافته (gam) با 0.827 دارای دقت خیلی خوب و مدل خطی تعمیم یافته (glm) با 0.79 دارای دقت خوب می باشد. از نظر شاخص کاپا (kappa) مدل ماشین بردار پشتیبان (svm) با 0.58 داری دقت خوب، مدل جمعی تعمیم یافته (gam) با 0.53 و مدل خطی تعمیم یافته (glm) با 0.48 دارای دقت قابل قبول می‌باشند. بنابراین بر اساس شاخص های مذکور مدل ماشین بردار پشتیبان (svm) نسبت به دو مدل دیگر در شناسایی مناطق سیل گیر کارایی بالاتری دارد. همچنین عوامل فاصله از رودخانه، ارتفاع از سطح دریا و شیب بیشترین تاثیر را بر سیل گیری منطقۀ مورد مطالعه دارند.

Evaluating the Different Statistical Models for Flood Susceptibility Mapping in Guilan Province

Due to the lack of information in most of the watersheds, many researchers attempt to use spatial analysis within Geographic Information System (GIS) in hydrological and Flood Prone (FP) area studies. The present study was designed to compare the efficiency of three models i.e. Support Vector Machine (SVM), Generalized Linear Model (GLM) and Generalized Additive Model (GAM) for preparing the flood susceptibility mapping in Guilan province, Iran. For this purpose, slope, aspect, plan curvature, elevation, distance from the river, drainage density, geology, land use, Topographic Wetness Index (TWI) and Stream Power Index (SPI) layers were derived in GIS (ArcGIS and SAGAGIS). Using 220 flood locations, 70% and 30% out of total flood locations were then used to calibrate and to validate the performance of the models, respectively. The evaluation results of the models accuracy using the area under the curve (AUC) and Kappa indices showed that in terms of AUC, the SVM with 0.835 and the GAM with 0.827, and the GLM with of 0.79 performed very good and good classes, respectively. In terms of Kappa index, the SVM with 0.58, GAM with 0.53 and GLM with 0.48 are performed good and acceptable classes, respectively. Therefore, based on the mentioned indices, the SVM superior to other two models for identifying the flood susceptibility areas.