|
|
|
|
ارزیابی مکانی حساسیت سیلگیری با استفاده از روشهای تقویت تطبیقی و بستهبندی در یادگیری ماشین
|
|
|
|
|
|
|
|
نویسنده
|
جهانبانی مریم ,آقا محمدی حسین ,وحیدنیا محمدحسن ,عزیزی زهرا
|
|
منبع
|
تحقيقات منابع طبيعي تجديده شونده - 1402 - دوره : 14 - شماره : 2 - صفحه:101 -115
|
|
چکیده
|
سیل هر ساله میلیاردها دلار خسارت به کشورها وارد می کند که معیشت افراد را تهدید می کند. در نتیجه، تهدیدات اجتماعی-اقتصادی قابل توجهی برای جمعیت در سراسر جهان ایجاد می کند. بنابراین باید کنترل و مهار شود. در این راستا الگوریتمهای یادگیری ماشین به همراه سیستمهای اطلاعات جغرافیایی، ابزارهای اولیهای هستند که در مدلسازی و تحلیل کنترل سیلاب موثر هستند. هدف از این تحقیق شناسایی بخشی از مناطق حساس به سیل در حوضه آبریز هراز در استان مازندران با استفاده از روشهای مجموعهای در الگوریتمهای یادگیری ماشینی است. روند پژوهش به شرح زیر میباشد: ابتدا داده های نقاط سیلاب تهیه شد. سپس، 70 درصد از حدود 200 موقعیت نمونه برای مدلسازی و 30 درصد باقیمانده برای اعتبارسنجی نقشه های تولید شده استفاده شدند. سپس عوامل موثر شامل زاویه شیب، جهت شیب، توپوگرافی، نوع خاک، پوشش زمین، فاصله از رودخانه، بارندگی سالانه، شاخص پوشش گیاهی تفاوت نرمال شده، شاخص انتقال رسوب، شاخص رطوبت توپوگرافی و شاخص تراکم آبراهه برای وزن دادن تاثیر هر عامل با استفاده از الگوریتم های یادگیری ماشین جمعی استفاده شده است. بر اساس نتایج این مطالعه، منحنی مشخصه عملکرد سیستم (roc) ترسیم شد و مساحت زیر منحنی (auc) برای اعتبار سنجی نقشه منطقه مستعد سیل محاسبه شد. یافتهها نشان داد که مدل تقویت تطبیقی دقیقتر از مدل بگینگ در تهیه نقشه حساسیت سیلابی است. تهیه نقشه حساسیت سیل نقشی محوری در توانمندسازی برنامهریزان و مدیران شهری برای کاهش و حفاظت پیشگیرانه در برابر پیامدهای نامطلوب سیل بازی میکند. مقامات مدیریت سیل در وزارت نیرو می توانند از مدل مجموعه پیشنهادی برای کمک به مدیریت بلایا و کاهش خطرات در مطالعات آتی استفاده کنند.
|
|
کلیدواژه
|
الگوریتم بگینگ، الگوریتم تقویت تطبیقی، سیل، سیستم اطلاعات مکانی، مدلهای یادگیری ماشین ترکیبی.
|
|
آدرس
|
دانشگاه آزاد اسلامی, دانشکده منابع طبیعی و محیط زیست, ایران, دانشگاه آزاد اسلامی, دانشکده منابع طبیعی و محیط زیست, استادیار گروه سنجش از دور و gis, ایران, دانشگاه شهید بهشتی, استادیار مرکز مطالعات سنجش از دور و gis, دانشکده علوم زمین, ایران, دانشگاه شهید بهشتی, دانشکده منابع طبیعی و محیط زیست, استادیار گروه سنجش از دور و gis, ایران
|
|
پست الکترونیکی
|
zsazizi@yahoo.com
|
|
|
|
|
|
|
|
|
|
|
|
|
|
spatial flood susceptibility assessment using boosting and bagging in machine learning techniques
|
|
|
|
|
Authors
|
jahanbani maryam ,aghamohammadi hossein ,vahidnia mohammad hassan ,azizi zahra
|
|
Abstract
|
every year flooding causes countries billions of dollars’ worth of damage that threatens the livelihood of individuals. as a result, it poses significant socio-economic threats to populations worldwide. therefore, it should be controlled and restrained. in this regard, machine learning algorithms, along with geographic information systems, are primary tools that are effective in flood control modeling and analysis. the purpose of this research is to identify a part of flood-sensitive regions across the heraz catchment area in mazandaran province using ensemble methods in machine learning algorithms. the research process is as follows: first, the data of flood points were prepared. next, 70% of approximately 240 sample positions were used for modeling and map preparation. the remaining 30%, which were randomly selected, were used to validate the produced maps. then, the effective factors, including slope angle, slope direction, topography, soil type, land cover, distance from the river, annual rainfall, normalized difference vegetation index, index of sediment transmittance, index of topographic wetness, and index of stream density have been used to weight the impact of each factor using machine learning algorithms. based on the results of this study, the system performance characteristic curve (roc) was drawn, and the area under the curve (auc) was calculated to validate the flood-prone area map. findings demonstrated that the adaptive boosting model is more accurate than the bagging model in preparing a flood sensitivity map. predictive susceptibility mapping plays a pivotal role in enabling urban planners and managers to mitigate and safeguard proactively against the adverse consequences of flooding. flood management authorities in the ministry of energy can employ the proposed ensemble model to assist disaster management and mitigate hazards in future studies. . &
|
|
Keywords
|
adaptive boosting algorithm ,bagging algorithm ,ensemble machine learning models ,flood ,spatial information system.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|