پهنه‌بندی خطر سیلاب در شهر نوشهر با استفاده از مدل‌های یادگیری ماشین

اولین گام در جهت رسیدن به برنامۀ پیشگیری و ایمن‌سازی شهرها، شناخت مخاطرات و بحران‌های موجود و اولویت‌بندی مولفه‌های ریسک‌پذیری، با توجه به سوابق تاریخی و مطالعات علمی انجام‌گرفته در تبیین احتمال خطر است. پدیدۀ سیل به‌عنوان یکی از مخاطرات بسیار پرخطر طبیعی است که در مدیریت بحران باید نگاه ویژه‌ای به آن معطوف داشت. هدف مطالعۀ حاضر، مدل‌سازی و پیش‌بینی مخاطرۀ سیل طبق ویژگی‌های شهر بندری نوشهر، با استفاده از مدل‌های یادگیری ماشین است. بر اساس مرور منابع، ابتدا معیارها و شاخص‌های موثر بر مخاطرۀ سیل، شامل معیار آب‌وهوا (شاخص بارندگی 6ساعته)، معیار هیدرولوژی (شاخص‌های ارتفاع رواناب سطحی، تراکم زهکشی، عمق آب زیرزمینی)، معیار توپوگرافی (شاخص‌های شیب و ارتفاع از سطح دریا)، معیار خاک‌شناسی (شاخص نوع خاک) و معیار کاربری اراضی (شاخص نوع کاربری زمین) شناسایی شدند و سپس در محیط arcgis رستری گردیدند و در نهایت، برای استفاده در مدل‌ها، به‌روش فازی استاندارد‌سازی شدند. در تحقیق حاضر، برای پهنه‌بندی مخاطرۀ سیل از مدل‌های یادگیری ماشین، k نزدیک‌ترین همسایه (fine knn، cubic knn، cosine knn، weighted knn)، درخت تصمیم (fine tree، medium tree، coarse tree)، یادگیری تجمعی (ensemble (subspace knn)) و wlc استفاده ‌شده است. برای انجام صحت‌سنجی مدل‌ها و انتخاب بهترین مدل نیز از روش roc بر اساس دو معیار ارزیابی صحت و سطح زیر نمودار در خصوص بحران سیل استفاده گردیده است. لایه‌ها در محیط arcgis تهیه و برای انجام مدل‌سازی و تعیین ضرایب تعیین، به محیط نرم‌افزاری matlab انتقال داده ‌شده‌اند. نتایج نشان می‌دهند که مدل یادگیری تجمعی با صحت 96/0 و سطح زیر نمودار 90/0 بهترین و مدل wlc با صحت 61/0 و سطح زیر نمودار 62/0 ضعیف‌ترین مدل پیش‌بینی مخاطرۀ سیل در شهر نوشهر است. بنابراین نتیجۀ خروجی الگوریتم ensemble (subspace knn) برای ارائۀ نقشۀ نهایی خطر سیلاب انتخاب گردید.

Flood risk zoning in Nowshahr city using machine learning models

The first step in developing the prevention and safety plan for cities is to identify the existing hazards and crises and to prioritize the risk factors according to historical records and scientific studies to explain the probability of danger. Flood is one of the most highrisk natural hazards that should be given particular attention in crisis management. The study aims to model and predict flood hazard according to the characteristics of Nowshahr port city in Mazandaran province using machine learning models. The criteria and indicators affecting flood hazard, including climate criteria (6hour rainfall indicator), hydrological criteria (surface runoff height indicators, drainage density, and groundwater depth), topographic criteria (slope and altitude indicators), Soil science criteria (soil type indicator) and land use criteria (land use type indicator) were identified based on the literature review. The indicators were then converted into raster data in the ArcGIS environment and finally standardized by fuzzy method for using in models. Knearest neighbor models (Fine KNN, Cubic KNN, Cosine KNN, Weighted KNN), decision tree (Fine tree, Medium tree, Coarse tree), ensemble learning (Subspace KNN)) and WLC were used in the present study for flood risk zoning. ROC method was used to validate the models and choose the best one based on assessing the accuracy and area below the diagram of the flood. The layers were prepared in the ArcGIS environment and transferred into MATLAB to perform the modelling process and define the coefficients. The results show that the ensemble learning model with an accuracy of 0.96 and the area below the graph of 0.90 is the best and the WLC model with the accuracy of 0.61 and the area below the graph of 0.62 is the weakest model of flood hazard prediction in Nowshahr. Therefore, the output result of the Ensemble (Subspace KNN) algorithm was chosen to present the final flood risk map.