توسعه مدلی هوشمند مبتنی بر روش جنگل تصادفی به منظور شناسایی بهنگام مناطق مستعد وقوع سیلاب های رودخانه ای

شناسایی مناطق مستعد وقوع سیلاب، به عنوان اقدامی ضروری در مدیریت بحران سیلاب، بسیار حائز اهمیت است. در این پژوهش، با تلفیق الگوریتم بهینه سازی ازدحام ذرات (particle swarm optimization) با الگوریتم جنگل تصادفی، به منظور بهبود انتخاب فراپارامتری در روش جنگل تصادفی با جست و جوی موازی و همزمان در فضای پارامتری، اقدام به شناسایی مکان‌های مستعد وقوع سیلاب‌های رودخانه‌ای شده است. در راستای تحقق اهداف روش پیشنهادی، از داده‌های زمینی نظیر بارندگی ایستگاه‌های زمینی، فاصله از جاده، فاصله از رودخانه و همچنین از داده هایی نظیر مدل ارتفاع رقومی، شیب، جهت شیب، شاخص پوشش گیاهی و غیره مستخرج از تصاویر سنجش از دور راداری ماهواره سنتینل-1 (sentinel1/a) و تصاویر ماهواره‌های نوری لندست-8 (landsat-8) و سنتینل-2 (sentinel-2) استفاده شده است. نتایج نشان داد که این تلفیق الگوریتمی باعث بهبود دقت مدلسازی نسبت به استفاده از الگوریتم جنگل تصادفی به تنهایی می‌شود و توانایی تولید نقشه‌های بهنگام مناطق مستعد سیلاب را با استفاده از داده‌های زمینی و سنجش از دور بهبود می‌بخشد. در مطالعه موردی در مناطق اتاوا-گاتینوا و گنبد-کاووس با نوع سیلاب رودخانه ای، مدلسازی با استفاده از داده‌های زمینی و سنجش از دور انجام شد که ضریب کاپا مدلسازی ها به ترتیب برابر با 74.31 و 73.21 بود. در این مناطق مدلسازی ها بار دیگر با استفاده از فقط داده‌های سنجش از دور انجام شد و ضریب کاپا به ترتیب برابر با  69.1 و 67.45 بود. براساس نتایج حاصل اگرچه استفاده از داده‌های زمینی و سنجش از دوری باعث افزایش دقت مدلسازی می‌شود ولی مدلسازی با استفاده از داده‌های سنجش از دور به تنهایی نیز عملکرد قابل قبولی دارد. علاوه بر این، مدلسازی با استفاده از داده‌های سنجش از دور راداری ماهواره تراسار-ایکس (terrasar-x) با قدرت تفکیک مکانی بالا و بدون استفاده از داده های زمینی نیز در منطقه اتاوا-گاتینوا انجام شد و ضریب کاپا برابر با 80 به دست آمد، به این معنا که با افزایش قدرت تفکیک مکانی تصاویر راداری نیاز به استفاده از داده‌های زمینی برای مدلسازی به طور چشم گیری کاهش می‌یابد.  

development of an intelligent model based on random forest algorithm for up to date flood-prone area detection

the identification of flood-prone areas is a crucial step in flood crisis management. in this research, a combination of the particle swarm optimization (pso) algorithm and the random forest (rf) algorithm is employed to improve the selection of the hyperparameters in the rf method through parallel and simultaneous parametric space search. the objective is to identify the locations that are susceptible to river flooding. the proposed method utilizes both ground data, such as the precipitation data from ground stations, distance from roads and rivers, and remotely sensed data, including the digital elevation models, slope, aspect, and vegetation cover index, extracted from radar remote sensing imagery such as sentinel-1a, and optical satellite images like landsat-8 and sentinel-2. the results demonstrate that this algorithmic combination enhances the modeling accuracy compared to using the rf algorithm alone and improves the capability of generating real-time flood-prone maps using both ground and remote sensing data. the case studies conducted in the ottawa-gatineau and gonbad-kavus regions, where river floods occur, yielded kappa coefficients of 74/31 and 73/21, respectively, when modeling was built by using both the ground and remote sensing data. moreover, model building by using just remote sensing data in these regions resulted in kappa coefficients of 69/1 and 67/45, respectively. these findings indicate that while utilizing both ground and remote sensing data improves modeling accuracy, model building that is based on remote sensing data also yields acceptable performance. additionally, model building using high-resolution terrasar-x radar satellite data without the use of ground data was performed in the ottawa-gatineau region, resulted in a kappa coefficient of 80. this suggests that with increased spatial resolution of the radar images, the need for ground data in modeling the flood-prone areas reduces significantly.