پهنه بندی حساسیت به سیلاب در حوزه آبخیز قره قوم

هدف: سیل از جمله مخاطرات طبیعی اصلی است که باعث خسارات اقتصادی و اجتماعی می‌شود. حوزه آبخیز قره قوم در استان خراسان رضوی به دلیل شرایط اقلیمی، توپوگرافی و ویژگی‌های فیزیوگرافی مستعد سیل‌های خطرناک است. اکثر رودخانه‌های این حوزه فصلی هستند و منجر به سیل‌های شدید گاه به گاه می‌شوند. بنابراین، این مطالعه با هدف پهنه‌بندی حساسیت به وقوع سیل در حوضه آبخیز قره قوم انجام شد.روش و داده: در این تحقیق از مدل‌های یادگیری ماشین شامل مدل جنگل تصادفی (rf) و مدل درخت‌های طبقه‌بندی و رگرسیون (cart) برای پهنه‌بندی خطر سیلاب استفاده شد. از میان 117 رخداد سیلاب، 70درصد آن‌ برای آموزش و 30 درصد برای اعتبارسنجی در نظر گرفته شد. پارامترهای کاربری اراضی، درجه شیب، زمین‌شناسی، فاصله از آبراهه، نقشه رقومی ارتفاع، جهت شیب، ژئومورفولوژی، خاک‌شناسی، شکل انحنای زمین، نیمرخ انحنای زمین، بارندگی و شاخص رطوبت توپوگرافی به عنوان فاکتور موثر در نظر گرفته شد. در نهایت برای ارزیابی مدل‌ها، از سطح زیر منحنی roc و نیز شاخص tolorance استفاده شد.یافته‌ها: نتایج حاصل از مدل rf بیان‌کننده آن است که متغیرهای فاصله از رودخانه، بارندگی و ارتفاع و در مدل cart نیز، ارتفاع، فاصله از رودخانه و بارندگی بیش‌ترین تاثیر را بر حساسیت سیل داشتند. مساحت‌های تحت پوشش کلاس‌های خیلی کم، کم، متوسط، زیاد و خیلی زیاد در مدل cart به‌ترتیب 9، 29/8، 21/9، 32/4 و 6/9 درصد است. این نتایج برای مدل rf به‌ترتیب 11/48، 24/8، 28/7، 24و 11 درصد است.نتیجه‌گیری: سطح زیر منحنی (auc) در مدل cart معادل 0/91 و مدل rf معادل 0/87 است. به‌طوری که بر اساس نرخ پیش‌بینی، مدل cart برابر 0/88 و مدل  rf معادل 0/83 به‌ دست آمد. نتایج بیان‌کننده آن است که مدل cart عملکرد بهتری نسبت به مدل rf دارد.نوآوری، کاربرد نتایج: پهنه‌بندی حساسیت به سیل و تعیین عوامل موثر با استفاده از روش‌های یادگیری ماشین از نکات مهم این تحقیق در منطقه مورد مطالعه است. این پژوهش کمک زیادی به برنامه‌ریزان و سیاست‌گذاران در مدیریت بلایای طبیعی برای شناسایی پهنه‌های خطر سیل و کاهش خسارات اقتصادی و مالی آینده ناشی از آن می‌کند.

flood susceptibility mapping in ghare ghom watershed

aims: floods are among the primary natural hazards that cause economic and social damage. the ghare ghom watershed in razavi khorasan province is prone to dangerous floods due to its climatic conditions, topography, and physiographic features. most rivers in the basin are seasonal, leading to occasional severe flooding. this study assessed flood susceptibility mapping in this region.materials methods: machine learning models, including the random forest (rf) and classification and regression tree (cart), were used for flood susceptibility mapping. of the 117 recorded flood events, 70% were used for training and 30% for validation. influential factors included land use, slope degree, geology, distance from river, digital elevation model, slope direction, geomorphology, soil type, plan and profile curvature, rainfall, and the topographic wetness index (twi). model performance was evaluated using the area under the roc curve (auc) and the tolerance index.findings: the rf model results show that distance from the river, rainfall, and altitude had the greatest impact on flood sensitivity. in the cart model, altitude, distance from the river, and rainfall were the most influential factors. the cart model classified the area into very low, low, medium, high, and very high susceptibility classes as 9%, 29.8%, 21.9%, 32.4%, and 6.9%, respectively. for the rf model, these values were 11.48%, 24.8%, 28.7%, 24%, and 11%.conclusion: the area under the curve (auc) was 0.91 for the cart model and 0.87 for the rf model. the prediction rate was 0.88 for cart and 0.83 for rf. these results indicate that the cart model performed better than the rf model in predicting flood susceptibility.innovation: flood susceptibility mapping and identifying influential factors using machine learning are key contributions of this study. the results support planners and policymakers in managing flood risks and reducing future economic and social losses in the region.