پیش‌بینی اثر اقدامات بیولوژیک بر سیل‌خیزی حوزه آبخیز بهشت‌آباد با استفاده از روش‌های یادگیری ماشین

مقدمه: سیل یکی از انواع بلایای طبیعی است که هر ساله موجب ایجاد خسارات زیادی در ایران می‌شود. اجرای اقدامات آبخیزداری در سطح حوزه‌های آبخیز، یکی از راهکارهای موثر در مدیریت سیل و جلوگیری از خسارات ناشی از آن است. از طرفی بررسی میزان تاثیر این اقدامات بر فرآیندهای هیدرولوژیک حوزه آبخیز اجتناب‌ناپذیر است. در مدیریت مخاطرات طبیعی به‌ویژه در مدیریت سیل، زمان یکی از مهم ترین عوامل است، به عبارتی مدل به کار گرفته شده باید توانایی مدل‌سازی یا شبیه‌سازی در کوتاه‌ترین زمان ممکن را دارا باشد تا به اقدامات پیشگیرانه و هشدار اولیه کمک نماید. مطالعات زیادی به منظور اندازه‌گیری و طبقه‌بندی اثرات سیل از دیدگاه‌های مختلف انجام شده است. در همین راستا پیشرفت در زمینه‌های مختلف هوش مصنوعی مخصوصاً در زمینه مطالعات مربوط به منابع آب موجب شده که به عنوان گزینه مناسب برای مدل‌سازی فرآیندهای هیدرولوژیکی و هیدرولیکی مورد توجه قرار گیرند. بر همین اساس پژوهش حاضر با هدف پیش‌بینی اثر اقدامات آبخیزداری بر سیل خیزی حوزه آبخیز بهشت‌آباد با استفاده از روش یادگیری ماشین برنامه‌ریزی شد.مواد و روش‌ها: داده‌های مورد استفاده شامل دبی و بارش در دوره های 1399-1378 بود. عوامل موثر بر سیل ازجمله پوشش گیاهی، خاک و توپوگرافی نیز با استفاده از تصاویر ماهواره‌ای، سامانه گوگل ارث انجین و مطالعات میدانی در محیط نرم‌افزار arcgis تهیه شد. همچنین تاثیر اقدامات آبخیزداری شامل عملیات بیولوژیک با مدل‌های ماشین بردار پشتیبان (svm) و جنگل تصادفی (rf) شبیه‌سازی شد. به طور کلی پیش‌بینی دبی جریان بر اساس مجموعه داده‌های موجود (7850 سری) در دو دسته داده‌های آموزش مدل (train) شامل 70 درصد داده‌ها (5495 سری) مربوط به دوره 1378 تا 1393 و داده‌های آزمون مدل (test) شامل 30 درصد داده‌ها (2355 سری) در دوره 1393 تا 1399 انجام شد. براساس مطالعات تفصیلی-اجرایی صورت گرفته، اقدامات بیولوژیک شامل کپه‌کاری، بذکاری، بذرپاشی و نهال کاری شبیه‌سازی شد و اثر اقدامات بیولوژیک بر دبی جریان، در نظر گرفته شد. بنابراین با انجام طرح‌های بیولوژیک پیش‌بینی شده در سطح حوزه‌ آبخیز مورد مطالعه، پارامترهای پوشش گیاهی و کاربری اراضی، تغییر نموده و از لایه‌های پیش‌بینی شده استفاده شد، لذا مقادیر عددی مربوط به پوشش گیاهی حوضه ازجمله شاخص ndvi و کاربری اراضی در پیکسل‌هایی که عملیات پیشنهاد شده بود، تغییر داده شد که مقادیر آن ها مجدداَ محاسبه و وارد فرآیند مدل‌سازی گردید.نتایج و بحث: بیش ترین میزان دبی شبیه‌سازی شده در حوضه با مدل‌های ماشین بردار پشتیبان (svm) و جنگل تصادفی (rf) به‌ترتیب حدود 500 و 520 مترمکعب بر ثانیه بوده که در سال‌‌های 1383 و 1395 رخ داده است. نتایج نشان داد اقدامات بیولوژیک حجم دبی جریان را کاهش داده و اثر کمتری بر مقدار دبی اوج داشته است. مقایسه نتایج دو مدل svm و rf نشان داد که مدل svm عملکرد بهتری نسبت به مدل rf در پیش‌بینی دبی جریان رودخانه داشته است به نحوی که طبق نتایج به دست آمده از مدل svm، مقدار ضریب تببین در مرحله آموزش و آزمون به ترتیب برابر 96/0 و 89/0 بوده است. همچنین مقدار شاخص نش-ساتکلیف برای مرحله آموزش برابر 95/0 و برای مرحله آزمون برابر با 86/0 می باشد.نتیجه‌گیری: نقش اقدامات آبخیزداری به‌صورت بیولوژیک در حوزه‌های آبخیز در کاهش میزان رواناب سطحی و اثرگذاری آن بر متغیرهای سیل، از طریق تاثیر آن‌ها بر زمان تمرکز و شماره منحنی حوزه آبخیز امری غیرقابل انکار است. از طرفی بررسی میزان تاثیر این اقدامات بر فرآیندهای هیدرولوژیک حوزه آبخیز اجتناب‌ناپذیر است. براساس نتایج، استفاده از مدل‌های یادگیری ماشین گزینه مناسبی برای صرفه‌جویی در وقت و هزینه‌ طرح‌ها و پروژه‌های پیش‌بینی جریان روخانه و جریان سیلی و کنترل و مدیریت سیل در حوزه‌های آبخیز می‌باشند. می‌توان اظهار نمود پیش‌بینی سیل با استفاده از روش‌های مبتنی بر هوش مصنوعی می‌تواند در زمان و هزینه به‌صرفه باشد و با آموزش صحیح مدل و استفاده از داده های جامع پیش‌بینی دقیق‌تری ارائه داشت.

predicting the effect of biological measures on flood generation in the behesht abad watershed using machine learning methods

extended abstractintroduction: flood events are among the most significant natural disasters, causing substantial damage each year in iran. one effective approach in watersheds for mitigating the consequences of flooding is the implementation of watershed management operations. moreover, evaluating the effects of each operation is crucial. in natural disaster management, particularly in the case of floods, timing is the most critical factor. this underscores the need for a rapid response model to facilitate precautionary actions and early warnings. numerous studies have been conducted to measure and classify the effects of floods from various perspectives. generally, the damages are evaluated both directly and indirectly in flood impact assessments. advances in various fields of artificial intelligence, especially in water resources, have made these technologies viable options for modeling hydrological and hydraulic processes. consequently, the present research employs machine learning methods to predict the impact of water management measures on floods in the behesht abad watershed.materials and methods: the main focus of this research is to simulate the effects of watershed operations using machine learning methods in the behesht abad watershed. discharge and rainfall data from 1999 to 2020 were used. effective factors in flood occurrence, including canopy cover, soil, and topography, were analyzed in arcgis using satellite imagery, gee, and field surveys. furthermore, the effects of watershed management actions, particularly biological operations, were simulated using support vector machine (svm) and random forest (rf) models. in summary, discharge flow predictions were made based on a dataset comprising 7,850 records, with 70% (5,495 records) used for model training and 30% (2,355 records) for testing. biological measures such as mounding, sowing, seeding, and seedling were simulated to assess their impact on flow rates. by implementing these predicted biological plans in the studied watershed, changes in vegetation and land use parameters were modeled. the predicted layers were then used to update numerical values related to vegetation cover, including the ndvi index and land use, which were recalculated and integrated into the modeling process.results and discussion: in this watershed, the svm simulation indicated that the highest discharge flow occurred in 2003, reaching approximately 500 m³/s. according to the rf simulation, this value increased to 520 m³/s in 2016. the results demonstrate that biological operations reduce discharge flow and have the least impact on peak discharge flow. a comparison between svm and rf revealed that svm performed better in discharge flow prediction. based on the results, the r² values for the training and testing phases were 0.96 and 0.89, respectively, while the nts values for the training and testing phases were 0.95 and 0.86, respectively.conclusion: the role of biological watershed management measures in reducing surface runoff and their effect on flood variables, particularly through their influence on the watershed’s concentration time and curve number, is undeniable. it is also essential to examine the impact of these measures on the watershed’s hydrological processes. the results indicate that applying machine learning models is a cost- and time-effective approach for discharge flow estimation, flood management, and flood control in planning and projects. by leveraging these methods, communities and governments can enhance flood preparedness, improve management strategies, and ultimately reduce the impact of flooding events on human lives and infrastructure.