مقایسه مدل‌های یادگیری ماشینی در پهنه بندی حساسیت سیل خیزی حوزه آبخیز سد کرج

هدف از این تحقیق تعیین مناطق دارای حساسیت سیل خیزی با استفاده از روش های cart, rf و brt می باشد. 12 عامل موثر بر پتانسیل سیل شامل ارتفاع، شیب، جهت شیب، فاصله از آبراهه، سنگ شناسی، بارندگی، کاربری اراضی، spi، tpi، twi، انحناء توپوگرافی و rsp انتخاب شدند. از مجموع 82 نقطه سیل، به صورت تصادفی و نسبت 70 به 30 درصد به عنوان داده های آزمون و اعتبارسنجی طبقه بندی شدند. همچنین جهت تعیین مهم ترین پارامترها از روش جنگل تصادفی استفاده شد. از منحنی roc نیز جهت قدرت پیش بینی مدل استفاده شد. بر اساس روش جنگل تصادفی لایه های ارتفاع، فاصله از آبراهه، بارندگی، کاربری اراضی و rsp به ترتیب مهم ترین عوامل موثر بر حساسیت و احتمال وقوع سیل بودند. بر اساس نمودار roc میزان دقت مدل rf به عنوان مدل برتر، هم در بخش آموزش (0.884) و هم اعتبارسنجی (0.856) خیلی خوب بوده است. بر اساس نقشه نهایی حساسیت سیل 32.7 درصد از پهنه حوزه مورد مطالعه دارای حساسیت سیل متوسط رو به بالا می باشد. نتایج نشان داد که با توجه به دقت عالی نقشه توزیع مکانی حساسیت سیل، نتایج این پژوهش می تواند مورد استفاده تصمیم گیران، مدیران محلی و مسئولان به منظور کاهش خسارات قرار گیرد.

comparison of machine learning models in flood susceptibility zoning in karajdam basin

the present research aims to determine areas with flood susceptibility using cart, rf and brt models.twelve factors affecting flood susceptibility including altitude )dem), slope, aspect, distance from stream,lithology, rainfall, land use, spi, tpi, twi, curvature and rsp were selected. out of 82 flood points, 70percent to 30 percent were randomly classified as training and validation data. also, random forest methodwas used to determine the most important parameters. the roc curve was also used to validation themodel. according to the random forest model, dem, distance from stream, rainfall, land use and rsp werethe most important factors affecting the susceptibility and probability of floods, respectively. accordingto the roc chart, the accuracy of the rf model as a superior model has been very good in both training)0.884) and validation )0.856). according to the final flood susceptibility map, 32.7 percent of the studyarea has a medium to high flood susceptibility. the results showed due to the high accuracy of the spatialdistribution map of flood susceptibility can be promising for decision makers, local managers and policymakers to reduce flood damages.