تعیین مناطق مستعد سیل‌خیزی با استفاده از مدل‌های یادگیری ماشین در حوزه آبخیز شهرستانک شهرستان خوسف

سیل یکی از مخرب‌ترین پدیده‌های طبیعی است که در سراسر جهان رخ می‌دهد و منجر به آسیب به اموال و زیرساخت‌ها و یا حتی تلفات جانی می‌شود. این پژوهش باهدف تهیه نقشه پهنه بندی پتانسیل سیل‌خیزی در حوزه آبخیز شهرستانک شهرستان خوسف با استفاده از الگوریتم‌های یادگیری ماشینی،  انجام گرفته است. در این تحقیق برای تعیین مناطق دارای پتانسیل خطر سیل در منطقه مورد مطالعه از 8 پارامتر تاثیرگذار و روش های جنگل تصادفی، مدل درخت رگرسیونی پیشرفته و ماشین بردار پشتیبان استفاده شده است. در این راستا 81 مورد مخاطره منطقه سیل خیز ثبت شد. به طور تصادفی 70 درصد برای فرآیند مدل‌سازی و 30 درصد برای ارزیابی مدل های تهیه شده تقسیم بندی شد. نتایج اهمیت پارامترها نشان داد پارامتر تراکم زهکشی بیشترین تاثیر را در سیل خیزی داشته است. علاوه بر این در تعیین مناطق حساس به وقوع سیل، مدل جنگل تصادفی، درخت رگرسیون پیشرفته و ماشین بردار پشتیبان به ترتیب با منحنی تشخیص عملکرد نسبی (roc) 0/99، 098 و 0/95 دارای دقت بالاتری هستند. منطقه مورد مطالعه از نظر حساسیت سیل خیزی به چهار طبقه (خیلی زیاد، زیاد، متوسط و کم) تقسیم شد. به‌صورت کلی، حوزه از نظر سیل خیزی متوسط به بالا است.

determining flood-prone areas using machine learning models in the shahrestank watershed area of khosef city

flood is one of the most destructive natural phenomenon that occur worldwide, resulting in damage to properties, infrastructure, and even loss of life. this research aims to create a zoning map of flood-prone areas in the watershed of khosuf county, using machine learning algorithms. in this study, 8 influential parameters and random forest (rf), boosted regression tree (brt), and support vector machine (svm) were used to identify areas at susceptibility of flooding in the study area. a total of 81 flood-prone zones were identified. randomly, 70% of the data were allocated for the modeling process, and the remaining 30% were used for evaluating the generated models. the results of parameter importance analysis indicated that the drainage density parameter had the most significant impact on flood susceptibility. furthermore, in determining flood-prone areas, the random forest model, boosted regression tree model, and support vector machine showed higher accuracy with receiver operating characteristics (roc) curves of 0.99, 0.98, and 0.95, respectively. the study area was divided into four categories of flood susceptibility: very high, high, moderate, and low. overall, the watershed is considered to have a moderate to high flood susceptibility level.