تعداد نشریات | 27 |
تعداد شمارهها | 364 |
تعداد مقالات | 3,223 |
تعداد مشاهده مقاله | 4,741,491 |
تعداد دریافت فایل اصل مقاله | 3,238,624 |
ارزیابی روشهای یادگیری ماشین (SVM، GLM، FDA و RF) در تهیه نقشه حساسیت سیل بخشی از استان خوزستان | ||
مدل سازی و مدیریت آب و خاک | ||
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 10 شهریور 1403 | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22098/mmws.2024.15566.1485 | ||
نویسندگان | ||
رویت قنواتی* 1؛ علی سلاجقه2؛ حمیدرضا پورقاسمی3؛ شهرام خلیقی سیگارودی4؛ حمیدرضا کشت کار5 | ||
1گروه احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران | ||
2استاد دانشگاه تهران | ||
3دانشگاه شیراز | ||
4دانشکده منابع طبیعی دنشگاه تهران | ||
5دانشگاه تهران | ||
چکیده | ||
سیل یکی از مخربترین بلایای طبیعی است که خسارات جدی به منابع طبیعی و زیرساختها وارد کرده و تلفات انسانی بسیاری بههمراه دارد. مدلهای یادگیری ماشین بهمنظور شناسایی و مدیریت مناطق در معرض خطر سیل بهطور گستردهای مورد توجه بوده است. هدف از این تحقیق ارزیابی عملکرد چهار مدل ماشین بردار پشتیبان (SVM)، خطی تعمیمیافته (GLM)، آنالیز تفکیکی انعطافپذیر (FDA) و جنگل تصادفی (RF) در مدلسازی پراکنش خطر وقوع سیل بخشی از استان خوزستان بود. برای این منظور 13 عامل مؤثر بر سیل شامل عوامل توپوگرافی، هیدرواقلیمی، سنگشناسی و انسانی تعیین شد. سپس موقعیت 334 نقطه محل وقوع و عدم وقوع سیلاب براساس بازدیدهای میدانی و گزارشهای موجود مشخص شد؛ که 70% از این نقاط برای آموزش و 30% باقیمانده جهت اعتبارسنجی مدلها، بصورت تصادفی در نظر گرفته شد. نتایج ارزیابی عملکرد مدلهای مورد بررسی براساس شاخص مساحت زیر منحنی مشخصه عامل گیرنده (ROC) برای مدلهای RF، GLM و FDA بالاتر از 7/0 بدست آمد؛ که مدل RF با سطح زیر منحنی 8/98 درصد از دقت بالاتری نسبت به سایر مدلها برخوردار بود. براساس نقشه حساسیت خطر سیل حاصل از این مدل بهترتیب در 7/4% و 4/12% از سطح منطقه احتمال وقوع سیل خیلیزیاد و زیاد بوده است. نتایج این تحقیق به مدیران در کاهش تهدیدهای مرتبط با سیل و اجرای راهکارهای مدیریتی مؤثر در جهت کاهش خسارات آن کمک میکند. | ||
کلیدواژهها | ||
مدلهای یادگیری ماشین؛ نقشه حساسیت خطر سیل؛ مدل جنگل تصادفی؛ استان خوزستان | ||
آمار تعداد مشاهده مقاله: 118 |