تعیین پتانسیل سیل با استفاده از مدل‌های یادگیری ماشین cart، glm و gam (مطالعه موردی: حوضه کشکان)

سیل پدیده‌ای است که موجب آسیب‌های زیست محیطی و اقتصادیاجتماعی بسیاری می‌شود. هدف از این پژوهش، ارزیابی کارایی مدل‌های یادگیری ماشین cart، glm و gam در شناسایی مناطق حساس به خطر سیلاب در حوضه کشکان است. استان لرستان و به ویژه حوضه کشکان شامل: سلسله، دلفان، دوره، خرم آباد، پلدختر و کوهدشت، سیل خیز است و دفعات بسیاری دچار خسارات ناشی از سیل شده است و در فروردین 1398، بزرگ‌ترین سیل 200 سال اخیر را تجربه کرده است؛ در همین راستا از عوامل مختلف شامل: ارتفاع، جهت شیب، انحنای زمین، درصد شیب، فاصله از رودخانه، تراکم زهکشی، خاک، سنگ شناسی، کاربری اراضی و شاخص رطوبت توپوگرافی استفاده شد. نقشه رقومی تمام عوامل نام برده در نرم افزار arcgis10.5 و در قالب پایگاه داده تهیه شد. موقعیت 123 واقعه سیل ثبت شده در سال های اخیر در این حوضه، جمع آوری و به‌صورت تصادفی در دو دسته آموزش مدل (86 واقعه) و اعتبار سنجی مدل (37 واقعه) در مدل‌سازی‌ها استفاده شد. با استفاده از مدل‌های یادگیری ماشین و عوامل موثر محیطی، نقشه‌های پیش بینی پتانسیل سیل تهیه شدند و سپس با استفاده از روش‌های منحنی مشخصه auc و شاخص tss اعتبار سنجی شدند. نتایج حاصل از اعتبارسنجی مدل‌ها نشان داد که مدل‌ یادگیری ماشین cart با 91/0auc= و شاخص 88/0tss= دقیق‌ترین مدل در پیش‌بینی پتانسیل خطر سیل بوده و پس ‌از آن مدل gam با 87/0auc= و شاخص 84/0 tss=و مدل glm با 83/0auc= و شاخص 88/0 tss=قرار دارند. دقت 91/0 مدل cart نشان دهنده دقت عالی این مدل برای حوضه کشکان است. این مدل، مساحت بیشتری از حوضه را تحت شرایط پتانسیل بالا و متوسط خطر سیل گیری نشان می دهد که اغلب مناطق غربی و همچنین مناطق مرکزی حوضه (کوهدشت، خرم آباد و پلدختر) را شامل می شوند که دقیقاً بخش هایی از همین مناطق در سیل بزرگ سال 98 هم زیر آب رفتند و لازم است در اولویت اول برنامه‌ریزی و مدیریت ریسک سیل قرار گیرند.

Determination of Flood potential Using CART, GLM and GAM Machine learning Models

Flood is a phenomenon that causes a lot of environmental and socioeconomic damage. The purpose of this study is to evaluate the efficiency of CART, GLM and GAM machine learning models in identifying flood risk areas in the Kashkan basin. Lorestan province and especially Kashkan basin, including: Selseleh, Delfan, Doreh, Khorramabad, Poldakhtar and Kuhdasht, is flooded and has suffered flood damage many times and in April 2019, experienced the largest flood of the last 200 years. In this regard, various factors including: height, slope direction, land curvature, slope percentage, distance from the river, drainage density, soil, lithology, land use and topographic moisture index were used. The digital map of all the mentioned factors was prepared in ArcGIS10.5 software and in the form of a database. The location of 123 flood events recorded in recent years in this basin was collected and randomly used in two categories of model training (86 cases) and model validation (37 cases) in modeling. Using machine learning models and environmental factors, flood potential prediction maps were prepared and then validated using AUC characteristic curve methods and TSS index. The results of model validation showed that CART machine learning model with AUC = 0.91 and TTS = 0.88 index was the most accurate model in predicting flood risk potential, followed by GAM model with AUC = 0.87 and TSS index = 0.84 and GLM model with AUC = 0.83 and TSS index = 0.88. Accuracy 0.91 CART model indicates the excellent accuracy of this model for the Kashkan basin. This model shows a larger area of ​​the basin under high potential and moderate flood risk conditions, which include most of the western areas as well as the central areas of the basin (Kuhdasht, Khorramabad and Poldakhtar), which are exactly parts The same areas were flooded in the great flood of 2019 and it is necessary to be in the first priority of flood risk planning and management in this basin.