ارزیابی، پیش‌بینی و تحلیل منطقه‌ای سیلاب با استفاده از مدل‌های داده‌کاوی در حوضه آبریز فریزی

اهداف: سیلاب از جمله مخاطرات طبیعی است که سالانه باعث خسارات مالی و جانی می‌شود. این پژوهش با هدف تعیین پهنه‌های خطر سیلاب در حوضه آبخیز فریزی با مدل شبکه عصبی مصنوعی و ماشین پشتیبان بردار انجام شد تا با شناسایی عوامل موثر در وقوع سیلاب منطقه، اقدامات لازم برای کنترل، برنامه‌ریزی و اقدامات حفاظتی و مدیریتی به منظور کاهش خطر سیلاب انجام شود.روش‌شناسی: مطالعه حاضر از نوع کاربردی، تحلیلی و توسعه‌ای بوده و در سال 1402 در حوزه آبریز فریزی انجام شد. به منظور پهنه‌بندی خطر سیلاب از 14 پارامتر محیطی استفاده شد. سپس 150 نقطه سیلابی در حوضه با استفاده از تصاویر ماهواره‌ای استخراج شد و به صورت تصادفی به 70% برای آموزش مدل و 30% برای اعتبارسنجی تقسیم شد. سپس لایه‌ها وزن‌دهی شد و نقشه‌های پتانسیل وقوع سیل با استفاده از روش شکست طبیعی به 5 طبقه بسیار زیاد، زیاد، متوسط، کم و خیلی کم طبقه‌بندی شد. سپس صحت مدل‌های به کاررفته در پژوهش با استفاده از روش منحنی مشخصه عملکرد مورد بررسی قرار گرفت.یافته‌ها: صحت مدل‌های به کار رفته با استفاده از روش منحنی مشخصه عملکرد بررسی شد. سطح زیر منحنی در مدل شبکه عصبی مصنوعی، 0/923 و در مدل ماشین پشتیبان بردار، 0/898 به‌دست آمد که نشان‌دهنده عملکرد بهتر مدل مدل شبکه عصبی مصنوعی است.نتیجه‌گیری: سیلاب حوضه عمدتاً در شیب‌های کم، سازندهای مقاوم و غیرقابل نفوذ، ارتفاعات پایین‌تر و زمین‌های مجاور رودخانه‌ها (دشت‌های سیلابی) به وقوع می‌پیوندد. نواحی با خطر زیاد و خیلی زیاد در قسمت‌های مرکزی و خروجی حوضه قرار دارد.  

evaluation, prediction and regional analysis of floods using data mining models (frizi watershed)

aims: floods are one of the natural hazards that cause financial and human losses every year. this research was carried out to determine the flood risk zones in the friesian watershed with artificial neural network model and support vector machine to identify the influential factors in the occurrence of floods in the region, necessary measures for control, planning and protective and management measures in to reduce the risk of flooding.methodology: this was an applied, analytical and developmental study carried out in 2023 in firizi watershed. 14 environmental parameters were used for flood risk zoning. then, 150 flood points in the basin were extracted using satellite images and randomly divided into 70% for model training and 30% for validation. then, the layers were weighted, and the flood potential maps were classified into 5 categories: very high, high, medium, low, and very low, using the natural fracture method. then, the accuracy of the models used in the research was investigated using the receiver operating characteristic method.findings: the research assessed the accuracy of the models by employing the receiver operating characteristic approach. the collected findings indicate that the artificial neural network model outperformed the support vector machine model, with an area under the curve value of 0.923 compared to 0.898. conclusion: the flooding in the basin primarily affected areas with gentle slopes, rocks that are resistant to water flow and not easily penetrated, lower altitudes, and lands located next to rivers (known as floodplains). the basin contains areas that are classified as high and extremely high-risk, primarily in its central and outflow regions.