نوع مقاله : مقاله پژوهشی

نویسندگان

• سینا فرد مرادی نیا ¹
• یوسف زندی ²

¹ استادیارگروه مهندسی عمران، واحد تبریز ، دانشگاه آزاد اسلامی، تبریز، ایران

² دانشیار گروه مهندسی عمران دانشکده فنی و مهندسی دانشگاه آزاد اسلامی واحد تبریز، تبریز،ایران

چکیده

نقشه‌های پهنه‌بندی سیل اطلاعات ارزشمندی را در رابطه با طبیعت سیلابها و اثرات آن بر اراضی دشت سیلابی ارائه میدهند. برای تهیه نقشه حساسیت به وقوع سیل، مجموعه‌ای از عوامل مؤثر باید تعریف شود .مجموعه عوامل مؤثر بر سیلاب با استفاده از 13 عامل شامل ارتفاع، شیب، فاصله از رودخانه، شاخص رطوبت توپوگرافی، شاخص موقعیت توپوگرافی، شاخص زبری، سطح انحنای طولی یا عرضی، مقطع انحنای توپوگرافی، انحنای کلی،شاخص نرمال شده تفاوت پوشش گیاهی (NDVI)، کاربری اراضی، سنگ شناسی و بارندگی با توجه به استفاده از تجربیات کارشناسان و پژوهشگران در بررسی‌های صورت‌گرفته، در حوضه شرقی آبریز دریاچه اورمیه استفاده شد. بعد ازآماده سازی لایه‌های موثر بر سیلاب و لایه نقطه‌ای نقاط سیل‌خیز، و نیز انجام آزمون‌ هم‌خطی، در مرحله بعد از پنج روش رگرسیون خطی چندگانه، مدل حداقل مربعات جزئی، رگرسیون چندکی، رگرسیون ستیغی و رگرسیون با ثبات برای مدلسازی و پیش‌بینی استفاده شد. از منحنی مشخصه عملکرد (ROC)برای اعتبارسنجی نتایج استفاده گردید. نتایج این اعتبار سنجی نشان داد که مدلهای حداقل مربعات جزئی PLS)) و مدل رگرسیون خطی چندگانه ( MLR) با دارا بودن حداکثر مساحت زیرمنحنی (AUC)، ( به ترتیب 0.983و 0.997) و کمترین میزان انحراف معیار( به ترتیب 0.015و 0.018) بهتر عمل کرده اند. در بین این دو مدل هم PLS دارای نتایج کمی بهتر نسبت به MLR می‌باشد. در نهایت از مدل جنگل تصادفی برای مشخص کردن اهمیت عاملهای ورودی استفاده گردید، و مشخص گردید عاملهای ارتفاع، فاصله از آبراهه و درصد شیب تاثیر‌گذارترین عوامل روی سیلاب منطقه مورد مطالعه می-باشند.

کلیدواژه‌ها

• پهنه‌بندی
• الگوریتم‌های یادگیری ماشین
• فاکتورهای هیدروژئومرفولوژیکی
• روش رگرسیون
• حوضه شرقی آبریز دریاچه اورمیه

موضوعات

• سنجش از دور و سیستم اطلاعات جغرافیایی

عنوان مقاله [English]

Flood risk Analysis of Watersheds Using Machine Learning Algorithms and Hydrogeomorphological Factors (Case study: Eastern Catchment Area of Lake Urmia)

نویسندگان [English]

• Sina Fard Moradinia ¹
• Yoosef Zandi ²

¹ Assistant professor, Department of Civil Engineering, Tabriz Branch, Islamic Azad University, Tabriz, Iran

² Associate Professor, Department of Civil Engineering, Tabriz Branch, Islamic Azad University, Tabriz, Iran

چکیده [English]

Flood zoning maps provide valuable information about the nature of flood and its effect on floodplain lands. A set of effective factors must be defined to map flood susceptibility or, in general, to develop a model for assessing natural disaster risk. The factors affecting flood were used in eastern catchment area of lake Urmia which include altitude, slope, distance from the river, topographic moisture index, topographic position index, roughness index, curvature level, topographic curvature section, total curvature, NDVI index, land use, lithology and rainfall according to the experiences of experts and researchers reported in previous studies. After preparing the effective layers on the flood and the point layer of the flood points, as well as performing the linear test, five methods including Multiple Linear Regression, Partial Least Squares Model, Quantile Regression, Ridge Regression and Robust Regression were used for modeling and predictions. Then the ROC curve was used to validate the results. The results of this validation showed that the partial least squares (PLS) and multiple linear regression (MLR) models with the maximum area under the curve (AUC) (0.983 and 0.997, respectively) and the lowest standard deviation (0.015 and 0.018, respectively) ) have performed better. Among these two models, PLS has slightly better results than MLR. Finally, a random forest model was used to determine the importance of the input factors, and it was found that the factors of height, distance from the waterway and slope percentage are the most influential factors on floods in the study area.

کلیدواژه‌ها [English]

• Flood zoning
• Machine learning algorithms
• Hydrogeomorphological factors
• Regression method
• Easten Catchment Urmia Lake