مدل ‌سازی مکانی و تهیه نقشه پتانسیل سیل‌ گیری با استفاده از الگوریتم‌ های یادگیری ماشین (مطالعه موردی: استان بوشهر)

مقدمه: سیلاب یکی از مخرب ‌ترین بلایای طبیعی محسوب می‌شود؛ بنابراین تهیه نقشه حساسیت سیل‌گیری گامی مهم در راستای مدیریت سیلاب است. به دلیل کمبود اطلاعات در اکثر حوزه‌های آبخیز کشور، بسیاری از محققان برای مطالعه‌های هیدرولوژیکی و سیل‌گیری از تجزیه‌وتحلیل‌های مکانی در محیط gis استفاده می‌کنند. بر این اساس، شناسایی مهم‌ترین عوامل موثر بر ایجاد و تشدید وقوع سیل و هم‌چنین تهیه نقشه حساسیت‌پذیری آن می‌تواند یکی از مهم‌ترین راهکارها در راستای کاهش خطر سیل باشد؛ بنابراین هدف از پژوهش حاضر، تهیه نقشه حساسیت‌پذیری سیل در استان بوشهر با استفاده از تکنیک‌های یادگیری ماشین و شناسایی عوامل مهم و موثر بر وقوع آن است. مواد و روش‌ها: پژوهش حاضر به‌منظور مقایسه کارایی سه مدل یادگیری ماشین، شامل جنگل تصادفی (rf)، ماشین بردار پشتیبان (svm) و مدل جمعی تعمیم‌یافته (gam) در تهیۀ نقشۀ سیل‌گیری استان بوشهر انجام شده است. در این تحقیق ابتدا لایه‌های اطلاعاتی تاثیرگذار بر رخداد سیلاب در منطقه موردمطالعه تعیین و هر یک از نقشه‌های تهیه‌شده به‌عنوان ورودی به مدل‌های ذکرشده در این تحقیق معرفی شدند تا بر اساس آن‌ها نقشه حساسیت به سیلاب (سیل‌گیری) در محدوده مطالعاتی تهیه شود. بدین منظور، لایه‌های اطلاعاتی درجۀ شیب، جهت شیب، ارتفاع، فاصله از رودخانه، تراکم زهکشی، سنگ‌شناسی، کاربری اراضی، شاخص رطوبت توپوگرافی، شاخص تفاضلی پوشش گیاهی نرمال‌شده و بارندگی در محیط سامانۀ اطلاعات مکانی در نرم‌افزارهای arcgis و saga-gis تهیه شد. سپس بر اساس اطلاعات 925 موقعیت سیلاب‌های رخ‌داده و شناسایی‌شده در محیط گوگل ارث انجین، از 70 درصد تعداد کل نقاط (645 نقطه) به‌منظور مدل‌سازی و 30 درصد باقیمانده (280 نقطه) برای ارزیابی استفاده شد. به‌منظور اعتبارسنجی و ارزیابی کارایی مدل‌ها نیز از منحنی تشخیص عملکرد نسبی استفاده شد. نتایج و بحث: نتایج روش جنگل تصادفی نتایج نشان داد از بین 10 عامل اصلی، عوامل ارتفاع، بارندگی و سنگ‌شناسی به‌عنوان مهم‌ترین فاکتورهای تاثیرگذار بر وقوع سیل در منطقه موردمطالعه بوده و در مقابل عوامل جهت شیب و فاصله از رودخانه دارای کم‌ترین تاثیر بر وقوع سیل می‌باشند. به‌عبارت‌دیگر، نتایج نشان داد که عوامل ارتفاع، بارندگی و سنگ‌شناسی بیش‌ترین تاثیر را بر سیل‌گیری منطقۀ موردمطالعه دارند. نتایج ارزیابی دقت مدل‌ها با استفاده شاخص سطح زیر منحنی نشان داد که مدل ماشین بردار پشتیبان (0.86)، مدل جمعی تعمیم‌یافته (0.85) و مدل جنگل تصادفی (0.88) دارای دقت خیلی خوب هستند. همچنین بیشترین مساحت حساسیت سیل در مدل جنگل تصادفی و مدل جمعی تعمیم‌یافته مربوط به طبقه کم است. اگرچه در مدل ماشین‌بردار پشتیبان بیشترین کلاس حساسیت مربوط به طبقه متوسط است؛ بنابراین بر اساس شاخص‌های مذکور هر سه مدل توانائی خوبی در شناسایی مناطق سیل‌گیر دارند. به‌بیان‌دیگر، نتایج به‌دست‌آمده بر اساس مدل ماشین بردار پشتیبان نشان می‌دهد که 37.32 درصد از مساحت استان دارای حساسیت کم، 26.01 درصد از مساحت استان دارای حساسیت متوسط، 12.42 درصد از استان دارای حساسیت زیاد و 24.42 درصد از مساحت استان دارای حساسیت خیلی زیاد نسبت به سیل‌خیزی هستند. همچنین دو مدل دیگر نیز از دقت خیلی خوبی برای مدل‌سازی سیل در منطقه موردمطالعه برخوردار بوده‌اند. نمودار roc مربوط به مربوط به مدل جنگل تصادفی، ماشین بردار پشتیبان و مدل جمعی تعمیم‌یافته نشان‌دهنده دقت 88.5 برای مدل جنگل تصادفی، دقت 86 درصد برای مدل ماشین بردار پشتیبان و دقت 85 درصد برای مدل جمعی است.نتیجه‌گیری: نتایج به‌دست‌آمده از تحقیق حاضر می‌تواند کمک قابل‌توجهی به دولت، برنامه‌ریزان و مهندسین در پیش‌گیری و کاهش وقوع سیلاب نماید. هم‌چنین می‌توان از روش‌های دیگر و ترکیب آن‌ها برای مدل‌سازی و مقایسه نتیجه آن با پژوهش حاضر استفاده کرد. بنا بر نتایج این تحقیق می‌توان اذعان داشت با استفاده از ابزارهای قدرتمند هوش مصنوعی، محققان و ذینفعان درک عمیق‌تری از پویایی پیچیده در وقوع سیل به دست می‌آورند و در نتیجه تصمیم‌گیری آگاهانه‌تر و استراتژی‌های موثرتری را در کاهش و کنترل سیل به کار می‌برند.

spatial modeling and mapping of flood potential using machine learning algorithms (case study: bushehr province)

introduction: given the scarcity of data on river basins nationwide, numerous researchers turn to spatial analysis within a geographic information system (gis) setting for hydrological studies and flood investigations. on that basis, identifying the most important factors influencing flood occurrence and severity, as well as building their sensitivity maps can be one of the most important solutions for flood reduction. therefore, the objective of this study is to prepare a flood risk map in bushehr province using machine learning techniques and to identify important factors affecting flood hazards.materials and methods: in this study conducted in bushehr province, we aimed to compare the effectiveness of three machine learning models: support vector machine (svm), random forest (rf), and generalized additive model (gam). initially, layers of information influencing flood occurrence in the study area were identified. each prepared map served as input for the models. various layers such as slope, slope direction, elevation, distance to river, drainage density, lithology, land use, topographic wetness index, and vegetation cover index were prepared using arcgis and saga-gis software, crucial for analyzing flood patterns. using data from 925 flood locations, points were divided into two sets: 70% (645 points) for modeling and 30% (280 points) for evaluation. the effectiveness of the models was validated using receiver operating characteristic (roc) analysis.results and discussion: the results indicated that among the ten main factors, height, rainfall, and lithology were the most important factors affecting flood occurrence, while slope and distance from the river had the least impact. evaluating model accuracy using roc revealed very good accuracy for the svm model (0.86), generalized additive model (0.85), and rf model (0.88). flood sensitivity analysis showed rf and gam methods identified the highest area in the low susceptibility class, while the svm method identified the highest area in the medium susceptibility class. results indicated that 37.32% of the study area had low sensitivity, 26.01% had medium sensitivity, 12.42% had high sensitivity, and 24.42% were very sensitive to flood hazards. also, two other models have had very good accuracy for flood modeling in the studied area. the roc related to the rf model, svm, and generalized collective model showed an accuracy of 88.5 for the rf model, 86% accuracy for the svm model, and 85% accuracy for the generalized collective model.conclusion: this study concludes that integrating machine learning models, namely svm, rf, and gam, with gis analysis holds tremendous potential for advancing our understanding of flood patterns in bushehr province. leveraging these tools allows for a deeper comprehension of flood dynamics, aiding informed decision-making and effective mitigation strategies. this approach marks a significant leap forward in proactively addressing flood challenges and fostering resilient flood management practices in bushehr province.