توسعه مدلی مبتنی بر روش های هوشمند یادگیری ماشین به منظور شناسایی بهنگام مکان های مستعد وقوع سیلاب با استفاده از داده های سنجش از دوری

پدیده سیلاب یکی از بزرگترین مخاطرات طبیعی است که سالانه سبب ایجاد خسارات جانی و مالی زیادی می شود. لذا شناسایی مناطق مستعد وقوع سیلاب از اقدامات ضروری در مدیریت بحران سیلاب محسوب می شود. در راستای مدلسازی مکانی سیلاب عموما از داده های ایستگاه زمینی و داده های سنجش از دوری استفاده می شود. در این پژوهش هدف استفاده از داده های زمینی و سنجش برای انجام مدلسازی سیلاب، ضمن بررسی امکان استفاده از فقط داده های سنجش از دوری در دسترس و رایگان به منظور انجام مدلسازی بهنگام مکان های مستعد وقوع سیلاب است. همچنین برای انجام مدلسازی ها با قابلیت اعتماد پذیری بالا به توسعه یکی از محدودیت های مدل جنگل تصادفی با استفاده از الگوریتم بهنیه سازی ازدحام ذرات (pso) پرداخته شده است. مدلسازی ها با روش پیشنهادی در مناطق مطالعاتی اٌتاووا-گاتینوا و گنبد کاووس انجام شده است که نتایج نشان داد اگر چه انجام مدلسازی ها با داده های زمینی و سنجش از دوری نسبت به مدلسازی با داده های فقط سنجش از دوری دقت بالاتری داشته است. اما مدلسازی با داده های سنجش از دوری رایگان و در دسترس نیز عملکرد قابل قبولی داشته است و می توان با استفاده از داده های سنجش از دوری نقشه های بهنگام برای مدیریت بحران سیلاب تولید نمود.