تجزیه و تحلیل خطر سیل‌گیری با استفاده از روش‌ یادگیری ماشین جنگل تصادفی (مطالعه موردی: شهر مشهد)

نوع مقاله : پژوهشی

نویسندگان

1 گروه محیط زیست دانشگاه منابع طبیعی گرگان

2 گروه محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3 عضو هیات علمی گروه طراحی و ارزیابی محیط زیست - دانشگاه علوم کشاورزی و منابع طبیعی گرگان گرگان - ایران

4 دانشیار گروه جغرافیا، دانشگاه رن دو، رن، فرانسه، CNRS.

10.22059/ije.2022.346677.1667

چکیده

سیل یکی از رایج ترین بلایای طبیعی است و خسارات مالی و جانی فراوانی برجای می گذارد. اگرچه میزان بارندگی در بسیاری از مناطق ایران کم است، اما در بسیاری از مناطق، بیشترین میزان بارندگی سالانه تنها در یک روز یا مدت کوتاهی رخ می‌دهد که منجر به سیل می‌شود. آب روان در جریان سیل به دلیل ساختار زمین شناسی و همچنین تخریب اکوسیستم می‌تواند بسیار آلوده باشد و اغلب گل و لای زیادی به همراه دارد که برخسارات سیل می افزاید. برای کاهش خسارات احتمالی سیل، برنامه ریزان و تصمیم گیرندگان باید از زمان و مکان وقوع سیل آگاه باشند. این امر مستلزم استفاده از روش‌های جدید پیش‌بینی سیل و جلوگیری از خسارت‌های آن است. در این مطالعه، از روش یادگیری ماشین درخت تصادفی یا Random Forest (RF) برای پیش بینی مکان وقوع سیل در شهر مشهد استفاده شد و عملکرد آن مورد بررسی قرار گرفت. همچنین تاثیر هر یک از عوامل ارتفاع و شیب متوسط حوضه، جهت شیب، شاخص رطوبت توپوگرافی، شاخص‌خشکسالی، فاصله از آبراهه‌ها، زمین‌شناسی، کاربری اراضی، تراکم آبراهه‌ها، آبراهه‌ها و میزان بارش حداکثر متوسط سالانه در این پیش‌بینی مورد بررسی قرار گرفت. نتایج ارزیابی خروجی مدل RF نشان داد که مقدار AUC 95% است. به طور کلی، نتایج نشان داد که مدل RF دارای دقت بالایی در تعیین مناطق حساس به وقوع سیل در حوضه شهر مشهد است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Flood risk analysis using random forest machine learning method (Case study: Mashhad city)

نویسندگان [English]

  • narges arab 1
  • Abdolrassoul Salmanmahiny 2
  • Ali Reza MIKAEILI -T. 3
  • Thomas Houet 4
1 Environment
2 Department of Envi. Sci., Gorgan University of Agri. Sci. & Natural Resources, Gorgan, Iran
3 Dept. of Environmental Planning & Design - Gorgan Univ. of Agricultural Sciences & Natural Resources (GUASNR) Gorgan, Iran
4 Associate Professor, Department of Geography, University of Rennes, Rennes, France, CNRS.
چکیده [English]

Flood risk analysis using random forest machine learning method

(Case study: Mashhad city)







Abstract



Flood is one of the most common natural disasters and causes a lot of financial and human losses. Although the amount of rainfall is low in many regions of Iran, in many regions, the highest amount of annual rainfall occurs in only one day or a short period of time, which leads to floods. Due to the geological structure and the destruction of the ecosystem, the flowing water during the flood can be very polluted and often carries a lot of mud, which adds to the damage of the flood. To reduce potential flood damage, planners and decision makers must be aware of when and where floods occur. This requires the use of new flood forecasting methods and prevention of its damages. In this study, the Random Forest (RF) machine learning method was used to predict the location of floods in Mashhad City and its performance was investigated. Also, the effect of each of the factors of Elevation, slope, aspect, TWI, SPI, distance from waterways, geology, land use, density of waterways, and rainfall in this forecast is examined. Validation results using training data for RF models show the area under the curve (AUC) (95%). In general, the results showed that the RF model has a high accuracy in determining flood sensitive areas in the Mashhad basin.



Keywords: Food risk assessment, random forest, machine learning, Mashhad city.

کلیدواژه‌ها [English]

  • Keywords: flood risk assessment
  • random forest
  • machine learning
  • Mashhad city. Flood zoning

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 28 آذر 1401
  • تاریخ دریافت: 11 مرداد 1401
  • تاریخ بازنگری: 05 آبان 1401
  • تاریخ پذیرش: 28 آذر 1401
  • تاریخ اولین انتشار: 28 آذر 1401