تعداد نشریات | 27 |
تعداد شمارهها | 361 |
تعداد مقالات | 3,185 |
تعداد مشاهده مقاله | 4,691,304 |
تعداد دریافت فایل اصل مقاله | 3,204,349 |
شناسایی آستانة متغیرهای تأثیرگذار بر پهنههای سیلاب با استفاده از تکنیک یادگیری ماشین (مطالعة موردی: حوضة انتهایی کارون بزرگ) | ||
مدل سازی و مدیریت آب و خاک | ||
مقاله 13، دوره 4، شماره 1، 1403، صفحه 214-232 اصل مقاله (1.83 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22098/mmws.2023.12285.1220 | ||
نویسندگان | ||
محمد کاظمی* 1؛ عاطفه جعفرپور2 | ||
1استادیار/ مرکز مطالعات و تحقیقات هرمز، دانشگاه هرمزگان، بندرعباس، ایران | ||
2دکتری/ گروه مهندسی آبخیزداری، دانشکدة منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران | ||
چکیده | ||
سیل یکی از شایعترین مخاطرات طبیعی در سراسر جهان است که خسارت زیادی به زندگی انسانها و زیرساختهای مختلف وارد میکند. از اینرو پیشبینی و برآورد آستانة مؤلفههای مؤثر بر وقوع آن در نقاط مختلف ضرورت دارد. بر همین اساس، پژوهش حاضر با هدف پهنهبندی خطر سیلاب به شناسایی حدود متغیرهای تأثیرگذار بر پهنههای سیلاب با استفاده از تکنیکهای یادگیری ماشین انجام شده است. برای این منظور، از تصاویر لندست OLI8 تاریخ هشتم آپریل (فروردینماه) سال 2019 (1398) برای شناسایی پهنههای سیلگیر استفاده شد. از اینرو، مناطق سیلگیر با کد یک و مناطق غیر از آن با کد صفر بهعنوان متغیر وابسته وارد فرآیند مدلسازی و یادگیری ماشین شدند. همچنین، فرآیند یادگیری ماشین با روش درختان رگرسیون چندگانة جمعشدنی (TreeNet) انجام شد. نتایج پهنهبندی خطر سیلاب نشان داد، سیلاب با ریسک زیاد 4256 هکتار معادل 86/3 درصد و پهنة سیلاب با خطر ریسک خیلی زیاد 5500 هکتار معادل 99/4 درصد از سطح محدودة مورد را به خود اختصاص دادهاند. خطر سیلاب با ریسک خیلیکم، 91496 هکتار معادل 132/83 درصد از سطح محدودة مطالعاتی را دربرگرفته است. همچنین، نتایج بررسی اهمیت نسبی متغیرها در وقوع سیلاب نشان داد بهترتیب متغیرهای پوشش گیاهی، بارش تجمعی باران، کمبود آب در خاک، شدت خشکسالی و کاربری اراضی با حدود تأثیرگذاری صفر تا 18/0، 16-15 میلیمتر، 152-144 میلیمتر، شدت 5/2 (ترسالی متوسط) و اراضی ماندابی و باتلاقی بیشترین تأثیر را بر بروز پهنههای سیلاب در محدودة مورد مطالعه داشتهاند. ارزیابی میزان کارایی مدل با شاخصهای سطح زیرمنحنی، ویژگی، شفافیت، صحت کلی و صحت قاعده بهترتیب 95/0، 2/91، 43/90، 12/91 و 88/6 است که نشاندهندة دقت مدل است. بررسی نتایج پهنهبندی سیلاب با واقعیت زمینی حکایت از R2 و MAE معادل 8/72 درصد و 27/0 داشت که صحت نتایج پهنهبندی با واقعیت زمینی را نسبتاً خوب تصدیق مینماید. نتایج پژوهش حاضر میتواند در شناسایی پهنههای سیل، رتبهبندی اهمیت متغیرهای مختلف در وقوع سیل و تدوین اقدامات مؤثر برای به حداقل رساندن خسارت در آینده و مدیریت مناسب متغیرهای کلیدی مؤثر بر وقوع سیلاب از طریق آستانههای تأثیرگذار استفاده شود. | ||
کلیدواژهها | ||
آستانة تأثیرگذاری؛ اهمیت نسبی؛ ارزیابی؛ پهنههای سیلاب؛ یادگیری ماشین | ||
مراجع | ||
References Abdi, M., Nohtani, M., Dehghani, M., & Khaksefidi, A. (2023). Determining the changes in flood potential caused by drought periods in the Dehak watershed of south Khorasan province. Water and Soil Management and Modeling. 3(1), 149-164. doi:10.22098/MMWS.2022.11296.1118. [In Persian] Ahlmer, A.K., Cavalli, M., Hansson, K., Koutsouris, A.J., Crema, S., & Kalantari, Z. (2018). Soil moisture remote-sensing applications for identification of flood-prone areas along transport infrastructure. Environmental Earth Sciences, 77, 1-17. doi:10.1007/s12665-018-7704-z Al-Areeq, A.M., Abba, S.I., Yassin, M.A., Benaafi, M., Ghaleb, M., & Aljundi, I.H. (2022). Computational machine learning approach for flood susceptibility assessment integrated with remote sensing and GIS techniques from Jeddah, Saudi Arabia. Remote Sensing, 14(21), 5515. doi:10.3390/rs14215515 Avand, M., Janizadeh, S., Bui, D.T., Pham, V.H., Ngo, T.T., & Nhu, V. (2020a). A tree-based intelligence ensemble approach for spatial prediction of potential groundwater. International Journal Digital Earth, 13(12), 1–22. doi:10.1080/17538947.2020.1718785 Avand, M.T., Moradi, H.R., Ramazanzadeh, M. )2020b(. Flood susceptibility mapping using random forest machine learning and generalized bayesian linear model. Environment and Water Engineering. 6(1), 83-95. doi:10.22034/ Chakrabortty, R., Chandra Pal, S., Rezaie, F., Arabameri, A., Lee, S., Roy, P., Saha, A., Chowdhuri, I., & Moayedi, H. (2022). Flash-flood hazard susceptibility mapping in Kangsabati River Basin, India. Geocarto International, 37(23), 6713-6735. doi:10.1080/10106049.2021.1953618 Congalton, R.G. & Green, K. (2008). Assessing the accuracy of remotely sensed data: principles and practices. CRC Press. 364 p. doi:10.1201/9780429052729 Dodangeh, E., Choubin, B., Eigdir, A.N., Nabipour, N., Panahi, M., Shamshirband, S., & Mosavi, A. (2020). Integrated machine learning methods with resampling algorithms for flood susceptibility prediction. Science of the Total Environment, 705, 135983. doi:10.1016/j.scitotenv.2019.135983 Elish, M.O. (2009). Improved estimation of software project effort using multiple additive regression trees. Expert Systems with Applications, 36(7), 10774-10778. doi:10.1016/j.eswa.2009.02.013 Faramarzi, H., Hosseini, S.M., Pourghasemi, H.R., & Farneghi, M. (2020). Flood reduction in urban basins using LID-BMPs in SWMM model and selecting the best option with AHP-TOPSIS (Case study: Golestan area in Semnan). Ecohydrology. 6(4), 1003-1013. doi:10.22059/IJE.2019.285430.1163. [In Persian] Friedman, J.H. (2002). Stochastic gradient boosting. Computational Statistics & Data Analysis, 38(4), 367-378. doi:10.1016/S0167-9473(01)00065-2 Friedman, J.H., & Meulman, J.J. (2003). Multiple additive regression trees with application in epidemiology. Statistics in Medicine, 22(9), 1365-1381. doi:10.1002/sim.1501 Ha, M.C., Vu, P.L., Nguyen, H.D., Hoang, T.P., Dang, D.D., Dinh, T.B.H., Serban, G., Rus, I., & Brețcan, P. (2022). Machine learning and remote sensing application for extreme climate evaluation: Example of flood susceptibility in the Hue Province, Central Vietnam region. Water, 14(10), 1617. doi:10.3390/w14101617 Hong, J., Tamakloe, R., & Park, D. (2020). Application of association rules mining algorithm for hazardous materials transportation crashes on expressway. Accident Analysis & Prevention, 142, 105497. doi:10.1016/j.aap.2020.105497 Ighile, E.H., Shirakawa, H., & Tanikawa, H. (2022). Application of GIS and machine learning to predict flood areas in Nigeria. Sustainability, 14(9), 5039. doi:10.3390/su14095039 Iqbal, U., Riaz, M.Z.B., Zhao, J., Barthelemy, J., & Perez, P. (2023). Drones for flood monitoring, mapping and detection: a bibliometric review. Drones, 7(1), 32. doi:10.3390/drones7010032 Kavianpour, A.H., Jafarian, Z., Ismali, A., & Kavian, A.A. (2014). Effect of vegetation covers on decreasing runoff and soil loss using rainfall simultion in Nesho rangeland, Mazandaran province. Geography and Environmental Planning, 26(2), 179-190. dor: 20.1001.1.20085362.1394.26.2.12.3. [In Persian] Kazemi, H., Mansouri, N., & Jozi, S.A. (2022). Khaldi, L., Elabed, A., & El Khanchoufi, A. (2023). Quantitative assessment of the relative impacts of different factors on flood susceptibility modelling: case study of Fez-Meknes region in Morocco. E3S Web of Conferences, 364(4), 02005. doi:10.1051/e3sconf/202336402005 Khosravi, K., Nohani, E., Maroufinia, E., & Pourghasemi, H.R. (2016). A GIS-based flood susceptibility assessment and its mapping in Iran: a comparison between frequency ratio and weights-of-evidence bivariate statistical models with multi-criteria decision-making technique. Natural Hazards, 83(2), 947-987. doi:10.1007/s11069-016-2357-2 Kia, M.B., Pirasteh, S., Pradhan, B., Mahmud, A.R., Sulaiman, W.N.A., Moradi, A., Nor, W., Sulaiman, A., & Moradi, A. (2012). An artificial neural network model for flood simulation using GIS: Johor River Basin, Malaysia. Environmental Earth Sciences, 67, 251-264. doi:10.1007/s12665-011-1504-z Mo, K.C., & Chelliah, M. (2006). The modified Palmer drought severity index based on the NCEP North American Regional Reanalysis. Journal of Applied Meteorology and Climatology, 45(10), 1362-1375. doi:10.1175/JAM2402.1 Monteiro, D.S., & Antonio, J.F. (2002). Multiple additive regression trees a methodology for predictive data mining for fraud detection. Naval Postgraduate School Monterey Ca.93PP Mosavi, A., Ozturk, P., & Chau, K.W. (2018). Flood prediction using machine learning models: Literature review. Water, 10(11), 1536. doi:10.3390/w10111536 Pierdicca, N., Pulvirenti, L., Chini, M., Guerriero, L., & Ferrazzoli, P. (2010). A fuzzy-logic-based approach for flood detection from Cosmo-SkyMed data. In 2010 IEEE International Geoscience and Remote Sensing Symposium, Pp. 4796-4798. doi:10.1109/IGARSS.2010.5650903 Reis, A.A., Carvalho, M.C., de Mello, J.M., Gomide, L.R., Ferraz Filho, A.C., & Acerbi Junior, F.W. (2018). Spatial prediction of basal area and volume in Eucalyptus stands using Landsat TM data: an assessment of prediction methods. New Zealand Journal of Forestry Science, 48(1), 1-17. doi:10.1186/s40490-017-0108-0 Saberi Tanasvan, M.,Ganji Noroozi;, Z., Delghandi, M., Dorostkar, V. (2020). Sensitivity analysis of flood parameters to roughness variation. Journal of Irrigation and Water Engineering, 10(4), 167-180. doi: 10.22125/IWE.2020.110081. [In Persian] Sayyad, D., Ghazavi, R., & Omidvar, E., (2022). Appropriate urban infrastructure management strategies against floods from the perspective of passive defense using SWOT and QSPM (Case study: Kashan City). Water and Soil Management and Modeling, 2(1), 45-52. doi:10.22098/MMWS.2022.9651.1055. [In Persian]. Shafizadeh-Moghadam, H., Valavi, R., Shahabi, H., Chapi, K., & Shirzadi, A. (2018). Novel forecasting approaches using combination of machine learning and statistical models for flood susceptibility mapping. Journal of Environmental Management, 217, 1-11. doi:10.1016/j.jenvman.2018.03.089 Shahbazi, S., Bazrafshan, J., Irannejad, P., & Sohrabi, T. (2014). Palmer drought severity index's calibration under the climatic conditions of arid and semiarid regions of the west and south west of Iran. Journal of Water and Soil Conservation, 22(5), 23-44. doi: 20.1001.1.23222069.1394.22.5.2.2. [In Persian] Solaimani, K., & Davishi, S. (2020). Zoning and monitoring of spring 2019 flood hazard in Khuzestan using landsat-8 data. Ecohydrology. 7(3), 647-662. doi: 10.22059/IJE.2020.302703.1333. [In Persian] Tajbakhsh Fakhrabadi, S.M., & Chezgi, J. (2022). Prioritization of flooding sub-basins in the north of the Birjand Plain using morphometric factors and VIKOR model. Water and Soil Management and Modeling, 3(3), 240-255. doi:10.22098/MMWS.2022.11855.1179. [In Persian] Wang, Y., Fang, Z., Hong, H., & Peng, L. (2020). Flood susceptibility mapping using convolutional neural network frameworks. Journal of. Hydrology, 582, 124–482. doi:10.1016/j.jhydrol.2019.124482 Were, K., Bui, D.T., Dick, Ø.B., & Singh, B.R. (2015). A comparative assessment of support vector regression, artificial neural networks, and random forests for predicting and mapping soil organic carbon stocks across an Afromontane landscape. Ecological Indicators, 52, 394-403. doi:10.1016/j.ecolind.2014.12.028 Yousefi, H., Yonesi, H., Davoudimoghadam, D., Arshia, A., & Shamsi, Z. (2022). Determination of flood potential using CART, GLM and GAM machine learning models. Journal of Irrigation and Water Engineering. 12(4): 84-105. doi: 10.22125/IWE.2022.15068. [In Persian] | ||
آمار تعداد مشاهده مقاله: 445 تعداد دریافت فایل اصل مقاله: 348 |