پیش بینی مکانی مناطق مستعد سیل در آبخیز کرخه ی استان لرستان با استفاده از مدل ترکیبی جنگل تصادفی- وزن شواهد

مقدمه و هدف پدیده ی سیل یکی از پدیده های پرتکرار دهه ی گذشته در ایران است که خسارت های مالی و تلفات جانی بسیاری را سبب شده است. یکی از سه مخاطره طبیعی و اصلی ایران، رخداد سیل است و بدون شک حداقل در سال در یک نقطه از این کشور سیلاب بزرگی رخ می دهد. سیل به‌عنوان یک تهدید بزرگ برای زندگی بشر (با آسیب زدن یا مرگ انسان و حیوان‌ها) و به ‌طور خاص برای ساختمان و خانه، زمین کشاورزی و تولید محصول، زیرساخت‌های شهری، پل ها و جاده ها به‌ شمار می‌آید. سیل در ایران خسارت‌های بسیاری از نظر اقتصادی، نابودی محیط‌زیست، منابع‌طبیعی و مسکونی و تلفات جانی وارد می‌نماید. در سال های گذشته حدود 70% اعتبارهای سالانه‌ی طرح کاهش اثر بلاهای طبیعی و ستاد حوادث غیرمترقبه صرف جبران خسارت‌های ناشی از سیل شده است. در این پژوهش، با استفاده‌ از داده‌های موقعیت مکانی سیل و به‌کارگیری مدل های یادگیری ماشینی و داده کاوی جنگل تصادفی و وزن و ترکیب آن ها به پیش بینی مکانی مناطق مستعد سیل پرداخته می‌شود.مواد و روش‌هادر این پژوهش از مدل های ترکیبی و 11 متغیر پیش بینی کننده‌ی احتمال سیلاب در آبخیز کرخه واقع در استان لرستان استفاده‌ شده است. این متغیرها شامل نقشه‌ی شاخص های سنجش شکل زمین از جمله شاخص رطوبت پستی ‌بلندی، موقعیت شیب نسبی و شاخص موقعیت پستی ‌بلندی، نقشه های آب‌شناختی شامل: تراکم زهکشی و فاصله از شبکه‌ی زهکشی است. به‌این منظور ابتدا مدل های داده کاوی برای تجزیه و تحلیل اولیه‌ی رابطه‌ی بین متغیرهای محیطی و رخداد سیل های گذشته استفاده شد و نتایج آن ها به‌ عنوان اطلاعات ورودی مدل های یادگیری ماشینی استفاده ‌شد. داده های سیل به ‌شکل تصادفی به دو گروه آموزش70% و اعتبارسنجی30% تقسیم شدند. دقت پیش‌بینی با استفاده از روش منحنی مشخصه‌ی عملکرد (roc) بررسی شد.نتایج و بحثبراساس نتایج، دقت مدل جنگل تصادفی 0/904، دقت مدل وزن شواهد 0/886 و دقت مدل ترکیبی جنگل تصادفی- وزن شواهد 0/978 بود. براساس مدل ترکیبی جنگل تصادفی و وزن شواهد به‌عنوان مدل برتر، 20/49% سطح ظرفیتی بیش از اندازه‌ی متوسط داشت. براساس مدل جنگل تصادفی، عوامل تراکم زهکشی، فاصله از آبراهه، بلندی و کاربری زمین مهم ترین عوامل موثر بر ظرفیت سیل بودند.

spatial prediction of flood susceptable areas in karkheh watershed of lorestan province using the combined random forest – weight of evidence model

introduction and goalthe phenomenon of flood is one of the frequent hazards that have caused financial losses and many lives in iran in the last decade. one of the three main natural hazards of iran is the occurrence of floods, and it is safe to say that a large flood occurs at least once a year in some part of this country. floods are considered as a great threat to human life by damaging or killing people and animals, especially buildings and houses, agricultural land and crop production, urban infrastructure, bridges and roads. floods in iran cause a lot of damage from an economic point of view; it causes destruction of the environment, natural and residential resources and loss of life. in the past years, about 70% of the annual credits of the plan to reduce the effects of natural disasters and the headquarters of unexpected events have been used to compensate for the damages caused by floods. in this research, by using flood location data and using machine learning models and random forest data mining and the weight of evidence and their combination, the spatial prediction of flood prone areas has been discussed.materials and methodsin this research, combined models and 11 predicting variables of flood probability in karkheh watershed located in lorestan province have been used. these variables include maps of geomorphometric indicators, including topographic humidity index, relative slope position and topographic position index, hydrological maps including: drainage density and distance from the drainage network, for this purpose, first, data mining models for the initial analysis of the relationships between environmental variables and events past risks are used and their results are used as input data for machine learning models. flood data were randomly divided into two groups: training (70%) and validation (30%). prediction accuracy was evaluated using operating characteristic curve (roc) method.results and discussionaccording to the results of the random forest model, the accuracy was 0.904, the weight of evidence was 0.886, and the combined model of random forest - the weight of evidence was 0.978. based on the combined model of random forest and the weight of evidence as the superior model, 20.49% of the surface has medium upward potential. based on the random forest model, drainage density, distance from waterways, height and land use were the most important factors affecting flood potential.