ارزیابی الگوریتم‌های ماشین یادگیرنده (rf و svm) در تولید نقشه حساسیت سیلاب حوزه آبخیز مارون

عوامل متعدد اقلیمی، هیدرولوژیکی، ژئومورفولوژیکی و زمین‌شناسی در وقوع سیلاب نقش دارند. تجزیه و تحلیل سیلاب، مدیریت و کنترل آن می‌تواند با تهیه نقشه‌های پتانسیل سیل‌خیزی انجام شود. هدف این پژوهش تهیه نقشه پتانسیل سیل‌خیزی حوضه مارون با استفاده از روش‌های یادگیری ماشین جنگل تصادفی و ماشین بردار پشتیبان می‌باشد. به این منظور 16 پارامتر موثر در وقوع سیلاب شامل طبقات ارتفاعی، مقدار و جهت شیب، انحنای زمین، سازندهای زمین‌شناسی، کاربری اراضی، شماره منحنی، بارندگی، درجه حرارت، شاخص قدرت جریان (spi)، شاخص رطوبت توپوگرافی (twi)، فاصله از آبراهه، تراکم آبراهه، فاصله از جاده، تراکم جاده و شاخص پوشش گیاهی ndvi در نظر گرفته شد. پارامترهای مذکور در محیط نرم‌افزارهای arcgis 10.8، envi 5.3 و saga gis 7.2 تهیه شدند سپس به فرمت خوانا برای محیط نرم‌افزار r به منظور اجرای مدل ماشین بردار پشتیبان و جنگل تصادفی تبدیل شدند. در نهایت با استفاده از بسته sdm مدل‌های rf و svm اجرا شدند و با استفاده از منحنی تشخیص عملکرد نسبی(roc) مورد ارزیابی قرار گرفتند. نتایج نشان داد که مدل‌های rf و svm بترتیب با دقت 0.997 و 0.947 درصد نقشه سیل‌خیزی حوضه مارون را پیش‌بینی کردند.

evaluation of machine learning algorithms (rf and svm) in producing floodsusceptibility mapping maroon watershed

floods are one of the most important natural hazards that have caused economic and social damage inmost areas. numerous climatic, hydrological, geomorphological and geological factors are involved in theoccurrence of floods. flood analysis, management and control can be done by preparing flood potentialmaps. the purpose of this study is to map the flood potential of maroon watershed using random forestand support vector machine machine learning methods. for this purpose, 16 effective parameters in floodoccurrence including altitude, slope and aspect, curvature, geological formations, land use, curve number,rainfall, temperature, stream power index )spi), topographic wetness index )twi), distance from stream,stream density, road distance, road density and ndvi index were considered. the mentioned parameterswere prepared in arcgis 10.8, envi 5.3 and saga gis 7.2 software environments and then converted toreadable format for r software environment in order to implement the support vector machine and randomforest models. finally, rf and svm models were implemented using sdm packages and evaluated usingreceiver operating characteristic )roc). the results showed that rf and svm models correctly predictedthe flooding map of maroon basin with 0.997 and 0.947 percent accuracy, respectively