| تعداد نشریات | 284 |
| تعداد نشریات سازمان | 82 |
| تعداد شماره‌ها | 3,051 |
| تعداد مقالات | 34,085 |
| تعداد مشاهده مقاله | 46,595,532 |
| تعداد دریافت فایل اصل مقاله | 77,626,554 |
پیش‌بینی مکانی استعداد سیل‌گیری آبخیز زرینه‌رود با استفاده از مدل یادگیری ماشینی بیز ساده | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 31 خرداد 1404 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2025.369572.1623 | ||
| نویسندگان | ||
| فرنوش محمدی* 1؛ عارف بهمنی2 | ||
| 1دانش‌آموخته کارشناسی ارشد، گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 2معاون آبخیزداری، اداره کل منابع طبیعی و آبخیزداری استان کردستان، سنندج، ایران | ||
| چکیده | ||
| مقدمه و هدف سیلاب‌ها هرساله خسارات مالی و تلفات جانی متعددی را به بار آورده و تأثیر مخربی بر توسعه پایدار کشور دارند. با این وجود، عموماً رخدادهای واقعی سیل‌گیری در تحلیل‌های مکانی و مدل‌سازی مورد استفاده قرار نگرفته و نقشه‌های استعداد سیل‌گیری صرفاً براساس نظرات کارشناسی و روش‌های تصمیم‌گیری چندمعیاره تهیه شده‌اند. از سویی دیگر، برنامه‌های مدیریتی و اقدامات دستگاه‌های اجرایی معمولاً بدون توجه به پهنه‌های مختلف استعداد سیل‌گیری آبخیزها تدوین می‌شوند. این پژوهش، با هدف بهره‌گیری از داده‌های مشاهداتی رخدادهای سیل‌گیری و تعیین کارائی مدل نابو بیز در زمینه پیش‌بینی مکانی استعداد سیل‌گیری در آبخیز زرینه‌رود انجام گرفته است. مواد و روش‌ها پایگاه داده رخدادهای سیل‌گیری، براساس اطلاعات وقایع سیل در آبخیز زرینه‌رود که توسط دفتر مدیریت بحران استانداری و شرکت آب منطقه‌ای ثبت شده است، تهیه شد. با توجه به اینکه عوامل محیطی مختلفی در شکل‌گیری سیل و آب‌گرفتگی اراضی مجاور رودخانه‌ها نقش دارند، بدون درنظر گرفتن آن‌ها، مدل‌سازی سیل امکان‌پذیر نیست. از اینرو، بعد از بررسی منابع مختلف، سیزده عامل محیطی مؤثر بر سیل‌گیری شامل ارتفاع زمین، جهت دامنه، تراکم زهکشی، کاربری اراضی، سنگ‌شناسی، انحنای سطح، انحنای مقطع، میانگین بارندگی سالانه، درصد شیب، بافت خاک، شاخص توان جریان، فاصله از آبراهه و شاخص رطوبت توپوگرافی انتخاب شدند. وضعیت هم‌خطی چندگانه عوامل محیطی با استفاده از آماره عامل تحمل بررسی شد. لایه‌های رستری عوامل محیطی به‌عنوان متغیرهای مستقل به مدل یادگیری ماشینی بیز ساده معرفی شدند. نقاط موقعیت‌های رخداد سیل‌گیری براساس روش تصادفی مکانی، با نسبت "سی درصد و هفتاد درصد" به دو گروه آموزش و اعتبارسنجی تقسیم گردید. پس از اجرای مدل، نقشه استعداد سیل آبخیز زرینه‌رود تولید شد؛ به گونه‌ای که هر سلول نشان‌دهنده احتمال سیل‌گیری در آن محدوده است. دقت نقشه استعداد سیل‌گیری با استفاده از آماره‌های مستقل و وابسته به آستانه و همچنین داده‌های گروه اعتبارسنجی مورد ارزیابی قرار گرفت. نتایج و بحث براساس نتایج این پژوهش، متغیرهای مستقل موردنظر فاقد هم‌خطی چندگانه بوده است و توانستند به‌عنوان عوامل پیش‌بینی‌کننده در فرایند مدل‌سازی استفاده شوند. نتایج اعتبارسنجی براساس آماره مساحت زیر منحنی مشخصه عملکرد گیرنده نشان داد که نقشه استعداد سیل‌گیری از دقت 6/93 درصد برخوردار است. مطابق آماره‌های وابسته به آستانه می‌توان مشاهده نمود که کارائی مدل یادگیری ماشینی بیز ساده براساس آماره Accuracy 7/85 درصد، براساس آماره Precision 6/82 درصد و براساس آماره Recall 4/90 درصد به دست آمده است. نتیجه‌گیری و پیشنهادها مدل یادگیری ماشینی بیز ساده کارائی مناسبی برای پیش‌بینی مکانی استعداد سیل‌گیری در مقیاس آبخیز داشته است و می‌تواند متغیرهای مختلفی را برای تجزیه و تحلیل مکانی درنظر بگیرد. نقشه استعداد سیل‌گیری باید به‌عنوان مبنای برنامه‌ریزی عملیات ساماندهی رودخانه (مانند ایجاد دیوار ساحلی و لایه‌روبی بستر)، مدیریت سیل (مانند رعایت حریم رودخانه‌ها) و آبخیزداری (مانند ساخت سازه‌های آبخیزداری در بالادست مناطق مستعد سیل‌گیری) در آبخیز زرینه‌رود، مدنظر قرار گیرد. پیشنهاد می‌گردد که از این مدل برای تهیه نقشه استعداد سیل‌گیری براساس داده‌های سیلاب‌های تاریخی در دیگر حوضه‌های کشور استفاده شود. چکیدۀ مبسوط مقدمه و هدف سیلاب‌ها هرساله خسارات مالی و تلفات جانی متعددی را به بار آورده و تأثیر مخربی بر توسعه پایدار کشور دارند. با این وجود، عموماً رخدادهای واقعی سیل‌گیری در تحلیل‌های مکانی و مدل‌سازی مورد استفاده قرار نگرفته و نقشه‌های استعداد سیل‌گیری صرفاً براساس نظرات کارشناسی و روش‌های تصمیم‌گیری چندمعیاره تهیه شده‌اند. از سویی دیگر، برنامه‌های مدیریتی و اقدامات دستگاه‌های اجرایی معمولاً بدون توجه به پهنه‌های مختلف استعداد سیل‌گیری آبخیزها تدوین می‌شوند. این پژوهش، با هدف بهره‌گیری از داده‌های مشاهداتی رخدادهای سیل‌گیری و تعیین کارائی مدل نابو بیز در زمینه پیش‌بینی مکانی استعداد سیل‌گیری در آبخیز زرینه‌رود انجام گرفته است. مواد و روش‌ها پایگاه داده رخدادهای سیل‌گیری، براساس اطلاعات وقایع سیل در آبخیز زرینه‌رود که توسط دفتر مدیریت بحران استانداری و شرکت آب منطقه‌ای ثبت شده است، تهیه شد. با توجه به اینکه عوامل محیطی مختلفی در شکل‌گیری سیل و آب‌گرفتگی اراضی مجاور رودخانه‌ها نقش دارند، بدون درنظر گرفتن آن‌ها، مدل‌سازی سیل امکان‌پذیر نیست. از اینرو، بعد از بررسی منابع مختلف، سیزده عامل محیطی مؤثر بر سیل‌گیری شامل ارتفاع زمین، جهت دامنه، تراکم زهکشی، کاربری اراضی، سنگ‌شناسی، انحنای سطح، انحنای مقطع، میانگین بارندگی سالانه، درصد شیب، بافت خاک، شاخص توان جریان، فاصله از آبراهه و شاخص رطوبت توپوگرافی انتخاب شدند. وضعیت هم‌خطی چندگانه عوامل محیطی با استفاده از آماره عامل تحمل بررسی شد. لایه‌های رستری عوامل محیطی به‌عنوان متغیرهای مستقل به مدل یادگیری ماشینی بیز ساده معرفی شدند. نقاط موقعیت‌های رخداد سیل‌گیری براساس روش تصادفی مکانی، با نسبت "سی درصد و هفتاد درصد" به دو گروه آموزش و اعتبارسنجی تقسیم گردید. پس از اجرای مدل، نقشه استعداد سیل آبخیز زرینه‌رود تولید شد؛ به گونه‌ای که هر سلول نشان‌دهنده احتمال سیل‌گیری در آن محدوده است. دقت نقشه استعداد سیل‌گیری با استفاده از آماره‌های مستقل و وابسته به آستانه و همچنین داده‌های گروه اعتبارسنجی مورد ارزیابی قرار گرفت. نتایج و بحث براساس نتایج این پژوهش، متغیرهای مستقل موردنظر فاقد هم‌خطی چندگانه بوده است و توانستند به‌عنوان عوامل پیش‌بینی‌کننده در فرایند مدل‌سازی استفاده شوند. نتایج اعتبارسنجی براساس آماره مساحت زیر منحنی مشخصه عملکرد گیرنده نشان داد که نقشه استعداد سیل‌گیری از دقت 6/93 درصد برخوردار است. مطابق آماره‌های وابسته به آستانه می‌توان مشاهده نمود که کارائی مدل یادگیری ماشینی بیز ساده براساس آماره Accuracy 7/85 درصد، براساس آماره Precision 6/82 درصد و براساس آماره Recall 4/90 درصد به دست آمده است. نتیجه‌گیری و پیشنهادها مدل یادگیری ماشینی بیز ساده کارائی مناسبی برای پیش‌بینی مکانی استعداد سیل‌گیری در مقیاس آبخیز داشته است و می‌تواند متغیرهای مختلفی را برای تجزیه و تحلیل مکانی درنظر بگیرد. نقشه استعداد سیل‌گیری باید به‌عنوان مبنای برنامه‌ریزی عملیات ساماندهی رودخانه (مانند ایجاد دیوار ساحلی و لایه‌روبی بستر)، مدیریت سیل (مانند رعایت حریم رودخانه‌ها) و آبخیزداری (مانند ساخت سازه‌های آبخیزداری در بالادست مناطق مستعد سیل‌گیری) در آبخیز زرینه‌رود، مدنظر قرار گیرد. پیشنهاد می‌گردد که از این مدل برای تهیه نقشه استعداد سیل‌گیری براساس داده‌های سیلاب‌های تاریخی در دیگر حوضه‌های کشور استفاده شود. | ||
| کلیدواژه‌ها | ||
| سیل؛ مدل‌سازی؛ تجزیه و تحلیل مکانی؛ مدیریت بحران؛ استان کردستان | ||
| عنوان مقاله [English] | ||
| Spatial prediction of flooding potential in the Zarineh-Rud watershed using Naive Bayes machine-learning model | ||
| نویسندگان [English] | ||
| Farnoush Mohammadi1؛ Aref Bahmani2 | ||
| 1Department of Arid and Mountain Reclamation Engineering, Faculty of Natural Resources, University of Tehran, Karaj, Iran | ||
| 2Deputy Minister of Watershed Management, General Directorate of Natural Resources and Watershed Management of Kurdistan Province, Sanandaj, Iran | ||
| چکیده [English] | ||
| Introduction and Goal Floods cause numerous financial losses and human casualties every year and have a devastating impact on the sustainable development of the country. However, generally, actual flood events are not used in spatial analysis and modeling, and flood susceptibility maps are prepared solely based on expert opinions and multi-criteria decision-making methods. On the other hand, management plans and actions of executive agencies are usually developed without considering the different flood susceptibility zones of watersheds. This study was conducted with the aim of utilizing observational data of flood events and determining the efficiency of the Naive Bayes model in the field of spatial prediction of flood susceptibility in the Zarineh-Rud watershed. Materials and Methods First, a database for flood events was prepared based on flood event information in the Zarineh-Rud watershed recorded by the Provincial Disaster Management Office and the Regional Water Company. Given that various environmental factors play a role in the formation of floods and inundation of lands adjacent to rivers, flood modeling is not possible without considering them. Therefore, thirteen environmental factors affecting flooding were selected, including land elevation, slope direction, drainage density, land use, lithology, surface curvature, cross-sectional curvature, average annual rainfall, slope percentage, soil texture, flow power index, distance from the watercourse, and topographic moisture index. The multicollinearity of environmental factors was examined using the tolerance factor statistic. Raster layers of environmental factors were introduced as independent variables into the Naive Bayes model. The flood event locations were divided into two training and validation groups based on the spatial random method with a ratio of 30|70. After running the model, a flood susceptibility map of the Zarineh-Rud watershed was generated in such a way that each cell represents the probability of flooding. The accuracy of the flood susceptibility map was evaluated using independent and threshold-dependent statistics as well as data from the validation group. Results and Discussion Based on the results of this study, the independent variables in question lacked multicollinearity and could be used as predictive factors in the modeling process. The validation results based on the area under the receiver operating characteristic curve statistic showed that the flood susceptibility map has an accuracy of 93.6%. According to the threshold-dependent statistics, it can be seen that the performance of the Naive Bayes model was obtained based on the Accuracy statistic of 85.7%, the Precision statistic of 82.6%, and the Recall statistic of 90.4%. Conclusion and Suggestions The Naive Bayes machine learning model has shown good performance for spatial prediction of flood susceptibility at the watershed scale and can consider various variables for spatial analysis. The flood susceptibility map should be considered as the basis for planning river regulation operations (such as building coastal river walls and bed stripping), flood management (such as respecting river boundaries), and watershed management (such as building watershed management structures in the upstream of flood-prone areas) in the Zarineh-Rud watershed. It is suggested that this model be used to prepare flood susceptibility maps based on historical flood data in other basins of the country. Extended Abstract Introduction and Goal Floods cause numerous financial losses and human casualties every year and have a devastating impact on the sustainable development of the country. However, generally, actual flood events are not used in spatial analysis and modeling, and flood susceptibility maps are prepared solely based on expert opinions and multi-criteria decision-making methods. On the other hand, management plans and actions of executive agencies are usually developed without considering the different flood susceptibility zones of watersheds. This study was conducted with the aim of utilizing observational data of flood events and determining the efficiency of the Naive Bayes model in the field of spatial prediction of flood susceptibility in the Zarineh-Rud watershed. Materials and Methods First, a database for flood events was prepared based on flood event information in the Zarineh-Rud watershed recorded by the Provincial Disaster Management Office and the Regional Water Company. Given that various environmental factors play a role in the formation of floods and inundation of lands adjacent to rivers, flood modeling is not possible without considering them. Therefore, thirteen environmental factors affecting flooding were selected, including land elevation, slope direction, drainage density, land use, lithology, surface curvature, cross-sectional curvature, average annual rainfall, slope percentage, soil texture, flow power index, distance from the watercourse, and topographic moisture index. The multicollinearity of environmental factors was examined using the tolerance factor statistic. Raster layers of environmental factors were introduced as independent variables into the Naive Bayes model. The flood event locations were divided into two training and validation groups based on the spatial random method with a ratio of 30|70. After running the model, a flood susceptibility map of the Zarineh-Rud watershed was generated in such a way that each cell represents the probability of flooding. The accuracy of the flood susceptibility map was evaluated using independent and threshold-dependent statistics as well as data from the validation group. | ||
| کلیدواژه‌ها [English] | ||
| Flood, Modeling, Spatial Analysis, Crisis Management, Kurdistan Province | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 146 |
||