شناسایی مناطق مستعد آبگرفتگی برای جمع‌آوری رواناب شهری با استفاده از مدل ماشین بردار پشتیبان

رواناب حاصل از بارندگی در مناطق شهری یکی از منابع آب قابل‌استفاده است که به دلیل عدم توجه و مدیریت صحیح از دسترس خارج می‌شود. علاوه بر این رواناب مازاد بر ظرفیت زهکش‌های شهری باعث ایجاد مشکلات فراوان ازجمله آبگرفتگی و آلودگی محیط‌ زیست شهری می‌شود. لذا استفاده ازاین‌رواناب می‌تواند علاوه بر تامین بخشی از آب موردنیاز در مناطق شهری باعث کاهش آبگرفتی و سیل شهری شود که سامانه‌های استحصال آب باران می‌تواند در این زمینه نقش‌آفرینی کند. هدف از این مطالعه پتانسیل‌یابی مناطق مستعد جهت جمع‌آوری رواناب شهری با استفاده از مدل ماشین بردار پشتیبان است. برای این منظور 46 نقطه آبگرفتگی در شهرک امام علی (ع) شهر مشهد برداشت شد و به‌صورت کاملاً تصادفی 32 نقطه برای گروه آموزش مدل و 14 نقطه برای گروه اعتبار سنجی مدل انتخاب گردید. همچنین از متغیرهای پیش‌بینی کننده ارتفاع، شیب، تراکم کانال‌های زهکشی، فاصله از کانال‌های زهکشی و کاربری اراضی برای اجرای مدل ماشین بردار پشتیبان استفاده گردید. نتایج نشان داد کلاس‌های پتانسیل زیاد و خیلی زیاد برای جمع‌آوری رواناب به ترتیب 11.63 و 4.49 درصد کل منطقه را شامل می‌شود. بخش‌های مرکزی و شمال شرقی پتانسیل بیشتری برای جمع‌آوری رواناب شهری دارند درحالی‌که بخش‌های غربی، شرقی و جنوبی دارای کمترین پتانسیل جمع‌آوری رواناب هستند. همچنین ارزیابی عملکرد مدل ماشین بردار پشتیبان در مرحله آموزش 87.8 درصد و در مرحله اعتبارسنجی 80 درصد به دست آمد که نشان‌دهنده عملکرد بسیار خوب مدل است.

Identification areas with inundation potential for urban runoff harvesting using the support vector machine model

Rainfallrunoff from urban areas is one of the available water resources, which is wasted due to lack of attention and proper management. Besides, urban runoff excess of drains capacity causing many problems including inundation and urban environmental pollution. Therefore, harvesting this runoff can provide a part of the required water in urban areas, and also reduce flood and urban inundation, thus rainwater harvesting systems can play an important role in this regard. The purpose of this study is identification areas with inundation potential for urban runoff harvesting using the support vector machine model. For this purpose, 46 flood points were collected in Imam Ali (AS) town in Mashhad, and 32 points were randomly selected for the model training plus 14 points for the model validation. The predicting variables such as elevation, slope, drainage density, distance from drainage channels, and land use were used to implement the support vector machine model. The results showed that high and very high potential classes for runoff collection include 11.63% and 4.49% of the total area, respectively. The central and northeastern parts have more potential for urban runoff harvesting, while the western, eastern, and southern regions have the lowest potential for runoff harvesting. Also, the evaluation performance of the support vector machine model was 87.8% in the training stage and 80% in the validation stage, which indicates that the performance of the model is very good .