مکان ‌یابی سازه‌های آبخیزداری با استفاده از مدل یادگیری ماشین در حوزه آبخیز دهدر

مقدمه: فرسایش خاک و بحران آب از مهم‌ترین تهدیداتی است که امنیت آب‌ و خاک کشور را به خطر انداخته است. به‌ منظور حل این مشکلات، اقدامات حفاظت خاک و آب در حال انجام است. مهم‌ترین مرحله اقدامات سازه‌ای آبخیزداری، شناسایی درست مکان‌های موردنیاز جهت اجرای این طرح‌ها است. مکان‌یابی صحیح سازه‌های آبخیزداری، تاثیر فراوانی در کاهش هزینه فعالیت‌های آبخیزداری و افزایش اثربخشی دارد. مکان‌یابی با تکیه‌بر روش‌های سنتی با توجه به حجم لایه‌های اطلاعاتی و لزوم تلفیق و تحلیل آن‌ها، دشوار بوده و ضمن صرف وقت و هزینه زیاد، ممکن است موجب بروز خطا گردد. ازجمله روش‌های نوین و با کارایی زیاد روش‌های داده‌کاوی مبتنی بر کیفیت و کمیت داده‌ها بوده و مبتنی بر یادگیری ماشین (machine learning) است. در این پژوهش از مدل‌ حداکثر آنتروپی به‌منظور مکان‌یابی سازه‌های آبخیزداری در حوزه آبخیز دهدر طالقان استفاده شد. مواد و روش‌ها: حوزه آبخیز دهدر طالقان با مساحت 4780 هکتار در شمال استان البرز واقع شده است. ارتفاع از سطح دریا از بلندترین نقطه با ارتفاع 4050 متر تا خروجی حوزه با ارتفاع 2248 متر متغیر است. برای انجام این تحقیق، ابتدا بر اساس بانک اطلاعاتی سازه های اجراشده موجود در اداره کل منابع طبیعی و آبخیزداری استان البرز و کتابچه سازه‌های مکانیکی مطالعات تفصیلی-اجرایی، محل سازه‌های اجراشده و پیشنهادی (مطالعات تفصیلی-اجرایی) استخراج گردید. در تحقیق حاضر جهت تعیین مناطق مناسب سازه های آبخیزداری از 14 عامل موثر در جانمایی سازه ها شامل مدل رقومی ارتفاعی، شیب، فاصله از آبراهه، جاده و گسل، تراکم آبراهه، جاده و گسل، سنگ شناسی (لیتولوژی)، کاربری اراضی، شاخص قدرت آبراهه، رتبه آبراهه، تجمع جریان و بارندگی استفاده شده است. بررسی عدم وجود هم‌خطی چندگانه با استفاده از عامل تورم واریانس (vif) و شاخص ضریب تحمل (tolerance) انجام شد. پس از بررسی عدم وجود هم‌خطی بین متغیرها، نقاط سازه‌های موجود، با استفاده از روش تصادفی به دو دسته داده‌های مدل‌سازی (آموزش، 70 درصد) و داده‌های اعتبارسنجی (آزمون، 30 درصد) تقسیم شدند. میزان اهمیت هر یک از متغیرهای بکار رفته در تبیین مدل با استفاده از مدل حداکثر آنتروپی و با استفاده از نمودار جکنایف (jackknife) تعیین و انجام این فرآیند در نرم‌افزار maxent انجام شد. در این پژوهش، کارایی مدل‌ در مراحل آموزش و اعتبارسنجی با استفاده از منحنی تشخیص عملکرد گیرنده (roc) و سطح زیر منحنی آن (auc) ارزیابی شد. نتایج و بحث: نتایج نشان داد که بین عوامل هم‌خطی وجود ندارد و لذا کلیه عوامل در روند مدل سازی مورد استفاده قرار گرفتند. نتایج حاصل از نمودار جکنایف نشان داد که به ترتیب عوامل فاصله از آبراهه، شیب، تجمع جریان، رتبه آبراهه، ارتفاع، میانگین بارندگی و لیتولوژی مهم‌ترین عوامل تاثیرگذار بر جانمایی سازه های آبخیزداری هستند و در پیش بینی مناطق دارای پتانسیل احداث سازه تاثیرگذار بوده اند. میزان دقت پیش بینی مدل در هر دو بخش آموزش (0.959) و اعتبارسنجی (0.961) عالی بوده است. نتایج بازدیدهای میدانی نشان داد که در تمامی آبراهه های مورد بررسی، مدل به‌درستی و با دقت بسیار زیاد آبراهه های بحرانی را به لحاظ آورد سیل و رسوب تشخیص داده است. درمجموع 30.3 کیلومتر آبراهه بحرانی و فوق بحرانی به لحاظ آورد سیل و رسوبات تشخیص داده شد. لذا در ادامه و در طی بازدیدهای مختلف تعداد 11 سازه آبخیزداری (6 مورد سازه سنگ و ملات، 5 مورد سازه گابیونی) در آبراهه‌های مورد بازدید جانمایی شد. لازم به ذکر است که میزان انطباق نقشه نهایی (مناطق بحرانی) و جانمایی سازه های آبخیزداری شرکت های مشاور در قالب مطالعات تفصیلی-اجرایی میزان 92 درصد بوده است که دقت بالای مدل های یادگیری ماشینی را نشان می دهد. نتیجه‌گیری: در این پژوهش نقشه مناطق مناسب احداث سازه های آبخیزداری حوزه آبخیز دهدر طالقان با در نظر گرفتن متغیرهای محیطی تاثیرگذار و با مدل حداکثر آنتروپی تهیه شد. منحنی roc نشان داد که دقت مدل در برآورد کردن مناطق دارای پتانسیل احداث سازه های آبخیزداری در مرحله‌ آموزش و در مرحله‌ اعتبارسنجی عالی بوده است که به معنای عملکرد عالی مدل است. بر اساس نتایج به‌‌دست‌آمده می توان گفت که مدل maxent توانایی زیادی در تعیین مناطق دارای پتانسیل احداث سازه های آبخیزداری دارد. به دلیل سرعت و دقت زیاد مدل پیشنهاد می شود که در پژوهش های مشابه به‌خصوص در کشورهای درحال‌توسعه که با کمبود امکانات و منابع مالی مواجه هستند استفاده شود. ترکیب سیستم اطلاعات جغرافیایی با مدل های نوین یادگیری ماشین به‌منظور تعیین مناطق دارای پتانسیل احداث سازه ها مخصوصاً در کشورهای درحال‌توسعه مثل ایران پیشنهاد می گردد.

the site selection of check dams using machine learning model in dehdar watershed

introduction: soil erosion and water crisis are among the most significant threats that endanger the security of water and soil in the country. in order to address these problems, measures are being taken to soil and water conservation. the most important stage in implementing these plans is the structural measures of watershed management, which involves identifying the correct locations for implementing these plans. proper site selection of check dams has a significant impact on reducing the cost of watershed activities and increasing their effectiveness. traditional methods of locating check dams based on more information layers and the need for their integration and analysis are difficult and may result in errors, while modern and highly efficient data mining methods based on the quality and quantity of data and machine learning have been introduced. in this study, the maximum entropy (maxent) model was used to locate check dams in the dehdar taleghan watershed. materials and methods: the dehdar taleghan watershed is located in the north of alborz province, with variable elevation from the highest point at 4050 meters above sea level to the outlet of the watershed at 2248 meters. there are two villages located within the basin, which covers an area of 4780 hectares. the locations of existing and proposed check dams were extracted based on the database of implemented check dams in the natural resources and watershed management head office of alborz province and the mechanical check dams’ manuals of detailed-executive studies. in this study, 14 factors that affect the placement of watershed check dams including dem, slope, distance from stream, roads, and faults, density of stream, roads, and faults, lithology, land use, stream power, stream rank, flow accumulation, and precipitation were used to determine suitable locations. the multicollinearity was checked using the variance inflation factor (vif) and tolerance index. after confirming the absence of multicollinearity between variables, the existing check dam’s points were randomly divided into training data (70%) and validation data (30%). the importance of each variable in explaining the model was determined using the maxent model and the jackknife plot, which was performed using maxent software. in this study, the performance of the model in the training and validation stages was evaluated using the receiver operating characteristic (roc) curve and its area under the curve (auc).