تجزیه و تحلیل خطر سیل‌گیری با استفاده از روش‌ یادگیری ماشین جنگل تصادفی (مطالعۀ موردی: شهر مشهد)

سیل از رایج‌ترین بلایای طبیعی است و خسارت‌های مالی و جانی فراوانی به جای می‏گذارد. اگرچه میزان بارندگی در بسیاری از مناطق ایران کم است، در بسیاری از مناطق، بیشترین میزان بارندگی سالانه تنها در یک روز یا مدت کوتاهی رخ می‏دهد که منجر به سیل می‏شود. آب روان در جریان سیل به دلیل ساختار زمین‌شناسی و همچنین، تخریب اکوسیستم می‏تواند بسیار آلوده باشد و اغلب گل‌و‌لای زیادی به همراه دارد که بر خسارت‌های سیل می‏افزاید. برای کاهش خسار‌ت‌های احتمالی سیل، برنامه‏ریزان و تصمیم‏گیرندگان باید از زمان و مکان وقوع سیل آگاه باشند. این امر مستلزم استفاده از روش‏های جدید پیش‏بینی سیل و جلوگیری از خسارت‏های آن است. در این مطالعه، از روش یادگیری ماشین درخت تصادفی یا random forest (rf) برای پیش‌بینی مکان وقوع سیل در شهر مشهد استفاده شد و عملکرد آن مورد بررسی قرار گرفت. همچنین تاثیر هر یک از عوامل ارتفاع و شیب متوسط حوضه، جهت شیب، شاخص رطوبت توپوگرافی، شاخص ‏خشکسالی، فاصله از آبراهه‏ها، زمین‏شناسی، کاربری اراضی، تراکم آبراهه‏ها، آبراهه‏ها و میزان بارش حداکثر متوسط سالانه در این پیش‏بینی مورد بررسی قرار گرفت. نتایج ارزیابی خروجی مدل rf نشان داد مقدار auc95 درصد است. به طور کلی، نتایج نشان داد مدل rf دارای دقت زیادی در تعیین مناطق حساس به وقوع سیل در حوضۀ شهر مشهد است.

flood risk analysis using random forest machine learning method (case study: mashhad city)

abstractflood is one of the most common natural disasters that causes significant financial and human losses. although rainfall is low in many parts of iran, in some areas, the highest amount of annual rainfall occurs in just one day or a short period, leading to floods. due to geological structure and ecosystem destruction, the surface water during floods can be highly polluted and often carries a lot of sediment, which increases flood damage. to reduce potential flood damage, planners and decision-makers must be aware of the time and location of floods. this requires the use of new methods for predicting floods and preventing their damage. in this study, the random forest (rf) machine learning method was used to predict the location of floods in mashhad city, and its performance was evaluated. the impact of each factor including average basin elevation and slope, slope direction, topographic moisture index, drought index, distance from waterways, geology, land use, waterway density, waterways, and maximum average annual rainfall was also examined in this prediction. the evaluation results of the rf model output showed an auc value of 95%. overall, the results showed that the rf model has high accuracy in identifying flood-prone areas in the mashhad city basin.