تحلیل خطر پذیری سیلاب حوضه های آبریز با بهره‌گیری از الگوریتم‌های یادگیری ماشین و فاکتورهای هیدروژئومرفولوژیکی(مطالعه موردی: حوضه شرقی آبریز دریاچه اورمیه)

فرد مرادی نیا, سینا; زندی, یوسف

doi:10.22034/rsgi.2023.54585.1037

فهرست نشریات دارای اعتبار وزارت علوم، تحقیقات و فناوری

تعداد نشریات	45
تعداد شماره‌ها	1,499
تعداد مقالات	18,351
تعداد مشاهده مقاله	59,521,709
تعداد دریافت فایل اصل مقاله	20,819,564

	تحلیل خطر پذیری سیلاب حوضه های آبریز با بهره‌گیری از الگوریتم‌های یادگیری ماشین و فاکتورهای هیدروژئومرفولوژیکی(مطالعه موردی: حوضه شرقی آبریز دریاچه اورمیه)
نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی
دوره 3، شماره 7 - شماره پیاپی 6، تیر 1402، صفحه 55-24 اصل مقاله (1.43 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22034/rsgi.2023.54585.1037
نویسندگان
سینا فرد مرادی نیا^* ¹؛ یوسف زندی²
¹استادیارگروه مهندسی عمران، واحد تبریز ، دانشگاه آزاد اسلامی، تبریز، ایران
²دانشیار 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.
تازه های تحقیق
در این تحقیق از پنج روش مهم یادگیری ماشین شامل رگرسیون خطی چندگانه، مدل حداقل مربعات جزئی، رگرسیون چندکی، رگرسیون ستیغی و رگرسیون با ثبات جهت پیش بینی مکانی خطر سیلاب استفاده گردید. در ادامه از منحنی ROC جهت اعتبارسنجی نتایج استفاده گردید. نتایج نشان دهنده عملکرد عالی هر 5 روش استفاده شده می باشد. در ادامه از مدل جنگل تصادفی جهت 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 باشد.. در نهایت به‌کارگیری تکنیکهای یادگیری ماشین و سیستم اطلاعات جغرافیایی به منظور بررسی پتانسیل و استعداد سیل، مخصوصاً در کشورهای در حال توسعه که دسترسی به اطلاعات و داده‌های هیدروژئولوژیکی و ادافیکی[1]( اطلاعات مربوط به ویژگی‌های خاک و ارتباط آن با عواملی مانند آب و هوا، دما، رطوبت و ... است) با مشکل و محدودیت مواجه است، پیشنهاد می شود. از آن جایی که سیل به عنوان یک پدیده فاجعه‌انگیز در کل جهان شناخته می شود، بنابراین تهیه نقشه حساسیت سیل به منظور مدیریت بهتر حوضه‌های آبخیز امری حیاتی و اجنتاب ناپذیر می باشد. ارزیابی حساسیت سیل توسط بسیاری از محققین انجام شده است. در بین این تحقیقات نیاز به یک روش جامع و قابل اعتماد جهت شناسایی مناطق مستعد سیل بیش از پیش احساس می شود. نتایج به دست آمده از این تحقیق با نتایج Darabi و همکاران (2014)، Siahkamari و همکاران (2018)، و نیز با نتایج Khosravi و همکاران (2018)، هم‌خوانی دارد. نتایج مدل PLS که دارای بالاترین سطح زیرنمودار ROCبود، نشان داد که 32 و 15 درصد از مساحت منطقه مورد مطالعه دارای خطر سیلاب زیاد و خیلی زیاد می باشد. آگاهی از خصوصیات مورفومتریک یک حوضه، همراه با داشتن اطلاعات از شرایط آب و هوایی منطقه می تواند تصویر نسبتا دقیقی از کارکرد کمی و کیفی سیستم هیدرولوژیک حوضه و هم چنین، وضعیت حاکم بر آن را از نقطه نظرهای مختلف به دست آورد. یافته‌های این تحقیق حاکی از آن است که دقت تکنیکهای یادگیری ماشین در شناسایی مناطق دارای استعداد سیل مناسب می باشد. بنابراین استفاده ازاینارزیابی خطر سیل، مفید و قابل اعتماد است که با نتایج مطالعات Tehrany و همکاران (2014) مطابقت دارد. هم چنین این نتیجه با نتایج Zhao و همکاران (2018)، و نیز Kanani-Sadat و همکاران (2019) مطابقت دارد. در این تحقیق، رویکردی ارائه شده است که با به کارگیری برخی متغیرهای موثر بر وقوع سیل، که این پارامترها برآیند عوامل مختلف محیطی و انسانی هستند، می‌توان به کاهش خسارت‌ها و تلفات ناشی از سیل کمک کرد. با توجه به نقشه‌های پیش‌بینی خطر سیل، اقدامات مدیریتی مناسبی می‌توان برای کاهش خسارت‌ها و تلفات ناشی از سیل انجام داد. با توجه به نتایج حاصل از تحلیل خطرپذیری سیلاب حوضه‌های آبریز با استفاده از الگوریتم‌های یادگیری ماشین و عامل‌های هیدروژئومورفولوژیکی، پیشنهاد می‌شود که در ادامه کار، به موارد زیر توجه شود: تحلیل دقیق‌تر موانع و چالش‌های موجود در حوضه‌ی آبریز شرقی دریاچه ارومیه و تاثیر آن‌ها بر خطر سیلاب، به منظور بهبود دقت مدل‌سازی. استفاده از داده‌های بیشتر و مشاهدات واقعی مربوط به شرایط جغرافیایی و آب و هوایی حوضه‌ی آبریز برای بهبود دقت و قابلیت اعتماد مدل‌های یادگیری ماشین. مطالعه تاثیر تغییرات اقلیمی بر روی خطر سیلاب در حوضه‌ی آبریز شرقی دریاچه ارومیه و ارائه راهکارهایی برای مدیریت و کاهش خطر سیلاب در آینده. بررسی تأثیر تغییرات کاربری اراضی بر روی خطر سیلاب و ارائه راهکارهایی برای کنترل و کاهش اثرات آن. استفاده از روش‌های دقیق‌تر و پیشرفته‌تر برای تحلیل داده‌ها و اعمال مدل‌های پیش‌بینی جهت تعیین خطر سیلاب در حوضه‌ها بررسی تأثیر تراکم جمعیت و میزان توسعه شهری بر خطر سیلاب در حوضه‌های آبریز و ارائه راهکارهایی برای کاهش اثرات آن. مقایسه‌ی نتایج حاصل از مدل‌های یادگیری ماشین با نتایج حاصل از روش‌های سنتی مانند مدل‌های آماری و تحلیلی مقایسه‌ی نتایج حاصل از مدل‌های یادگیری ماشین با نتایج حاصل از روش‌های سنتی مانند مدل‌های آماری و تحلیلی 6- محدودیت های تحقیق در مورد محدودیت‌هایی که در تحقیق مورد نظر می‌تواند وجود داشته باشد، می‌توان به موارد زیر اشاره کرد: - داده‌های کم: تعداد داده‌های موجود در مورد خطرپذیری سیلاب در حوضه‌ی مورد مطالعه، ممکن است کم باشد و به همین دلیل نمی‌تواند تمامی جنبه‌های خطر را پوشش دهد. - نویز در داده‌ها: داده‌هایی که برای تحلیل استفاده می‌شوند، ممکن است دارای نویز باشند و این موضوع می‌تواند به دقت نتایج تاثیر بگذارد. - کیفیت داده‌ها: کیفیت داده‌های جمع‌آوری شده، به طور مستقیم بر دقت نتایج و پایداری مدل‌های پیشنهادی تاثیر می‌گذارد. - تحلیل پویایی: تحلیل خطرپذیری سیلاب، به طور کلی یک پروسه پویایی است و ممکن است تحلیل یکباره و ثابت در زمان، نتایج دقیقی ارائه ندهد. - انتقال پذیری: ممکن است مدل‌های پیشنهادی برای تحلیل خطرپذیری سیلاب حوضه‌ی مورد مطالعه، قابلیت انتقال پذیری به حوضه‌های دیگر را نداشته باشند. - پوشش جغرافیایی: ممکن است بخشی از حوضه‌ی آبریز، برای جمع‌آوری داده‌ها یا انجام تحلیل، در دسترس نباشد و این موضوع ممکن است باعث شود که داده‌های تحلیلی کامل نباشند.
کلیدواژه‌ها
پهنه‌بندی؛ الگوریتم‌های یادگیری ماشین؛ فاکتورهای هیدروژئومرفولوژیکی؛ روش رگرسیون؛ حوضه شرقی آبریز دریاچه اورمیه
سایر فایل های مرتبط با مقاله 1037.pdf
اصل مقاله
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 فاصله از آبراهه و درصد شیب تاثیرگذارترین عوامل روی سیلاب منطقه مورد مطالعه میباشند.
مراجع
Al-Abadi, A. M., Al-Temmeme, A. A., & Al-Ghanimy, M. A. 2016. A GIS-based combining of frequency ratio and index of entropy approaches for mapping groundwater availability zones at Badra–Al Al-Gharbi–Teeb areas, Iraq. Sustainable Water Resources Management, 2, 265-283. Amiri, F., & Tabatabaie, F. 2020. Integration of GIS, remote sensing and Multi-Criteria Evaluation tools in the search for healthy walking paths. Journal of Civil Engineering, 22(1), 279-291. doi:https://doi.org/10.1007/s11104-009-0053-7. (In Persian). Assaf, A. G., M. Tsionas, & Tasiopoulos, A. 2019. Diagnosing and correcting the effects of multicollinearity: Bayesian implications of ridge regression. Tourism Management, 71, 1-8. Avand, M.T., Moradi, H.R., & Ramazanzadeh, M. 2020. Preparation of flood sensitivity map using two random forest machine learning models and Bayesian generalized linear model. Environment and Water Engineering, 6(1), 83-95. DOI: 10.22094/joeee.2020.108812.1791. Bakhtiari,B., Pourghasemi, H.,R., Khorshiddoost, N., Fakheri Fard, A., Mosavi, A. 2017. Flood hazard zoning using process-based and stochastic modeling approaches. Natural Hazards, 2, 1159-1179. Balan, B., Mohaghegh, S., & Ameri, S. 1995. State-of-the-art in permeability determination from well log data: Part 1-A comparative study, model development. In SPE Eastern Regional Meeting. OnePetro. Bedini, M., Piroozi, A., Aghayari, L., & Ostadi, A. 2018. Flood risk zoning in Meshkinshahr city using Vikor model. Geography of the Land, 14. OPA: 0.22059/JGEL.2018.250727.1007473. Buitendag, S., Beirlant, J. & de Wet, T. 2019. Ridge regression estimators for the extreme value index. Extremes, 22(2), 271-292. doi:10.1007/s10687-018-0320-8. Constantin, M., Bednarik, M., Jurchescu, M. C., & Vlaicu, M. 2011. Landslide susceptibility assessment using the bivariate statistical analysis and the index of entropy in the Sibiciu Basin (Romania). Environmental earth sciences, 63, 397-406. Darabi, H., Shahedi, K., Solaimani, K., & Miryaghoubzadeh, M. 2014. Prioritization of subwatersheds based on flooding conditions using hydrological model, multivariate analysis and remote sensing technique. Water and environment journal, 28(3), 382-392. Ebrahimipour, M., & Ziari, K. 2019. Zoning of urban lands against flood risk with physical resilience approach (Case study: Cheshmeh Kileh river). New Attitudes in Human Geography (Human Geography), 11(1), 83-104. Esmaeili, H., Akhond Ali, A. M., Zarei, H., & Taghian, M. 2018. Regional Flood Analysis Via Comparison of The M5 Decision Tree Algorithm and Regression Models. Irrigation Sciences and Engineering, 40(4), 183-195. Faramarzi, H., Hosseini, S. M., Pourghasemi, H. R., & Farneghi, M. 2019. Assessment and Zoning of Flood Risk in Golestan National Park. Iranian journal of Ecohydrology, 6(4), 1055-1068. Garthwaite, P.H., Jolliffe, I.T. & Jones, B. 1995. Statistical Inference. Prentice-Hall. Ghanavati, E., Karam, A., & Aghaalikhani, M. 2013. Flood risk zonation in the farahzad basin (Tehran) using Fuzzy model. Geography and Environmental Planning, 23(4), 121-138. Goodarzi, M., & Fatehifar, A. 2019. Flood risk zoning due to climate change under RCP 8.5 scenario using hydrologic model SWAT in Gis (Azarshahr basin). Journal of Applied Researches in Geographical Sciences, 19(53), 99-117. Guo, L., Liu, R., Men, C., Wang, Q., Miao, Y., & Zhang, Y. 2019. Quantifying and simulating landscape composition and pattern impacts on land surface temperature: A decadal study of the rapidly urbanizing city of Beijing, China. Science of The Total Environment, 654, 430-440. doi:https://doi.org/10.1007/s11104-009-0053-7. Hejazi, A., & Khodayee Geshlag, F. 2020. Flood risk zoning in the Varkash Chay catchment using the HEC-RAS model and the HEC-GEO-RAS supplement. Applied Research in Geographical Sciences (Geographical Sciences), 19(53), 75-89. Jothibasu, A., & Anbazhagan, S. 2016. Modeling groundwater probability index in Ponnaiyar River basin of South India using analytic hierarchy process. Modeling Earth Systems and Environment, 2, 1-14. Kanani-Sadat, Y., Arabsheibani, R., Karimipour, F., & Nasseri, M. 2019. A new approach to flood susceptibility assessment in data-scarce and ungauged regions based on GIS-based hybrid multi criteria decision-making method. Journal of hydrology, 572, 17-31. Khosravi, K., Pham, B. T., Chapi, K., Shirzadi, A., Shahabi, H., Revhaug, I., & Bui, D. T. 2018. A comparative assessment of decision trees algorithms for flash flood susceptibility modeling at Haraz watershed, northern Iran. Science of the Total Environment, 627, 744-755. Koenker, R. 2005. Quantile Regression. Economic Society Monographs No 38, ed. by Chesher A and Jackson M. Lin, M., Song, X., Qian, Q., Li, H., Sun, L., Zhu, S., & Jin, R. 2019. Robust gaussian process regression for real-time high precision GPS signal enhancement. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 2838-2847) Liu, A., G. Shi, S. J. Chung, A. Anandkumar, & Y. Yue. 2019. Robust regression for safe exploration in control. arXiv preprint arXiv:1906.05819. Malazehi, A., M. Pudineh, M. Khosravi, M. Armesh, & A. Dehvari. 2020. Flood risk potential assessment in Sarbaz catchment. Applied Research in Geographical Sciences (Geographical Sciences), 20 (58). Moore I.D., R.B. Grayson, A.R. Ladson. 1991. Digital terrain modelling: a review of hydrological, geomorphological, and biological applications. Hydrological processes, 5(1), 3-30. Naghibi, S. A., Pourghasemi, H. R., Pourtaghi, Z. S., & Rezaei, A. 2015. Groundwater qanat potential mapping using frequency ratio and Shannon’s entropy models in the Moghan watershed, Iran. Earth Science Informatics, 8, 171-186. Nouri, H., Ildoromi, A., Sepehri, M., & Artimani, M. 2019. Comparing Three Main Methods of Artificial Intelligence in Flood Estimation in Yalphan Catchment. Geography and Environmental Planning, 29(4), 35-50. Rahimi, L., Saboori, S., & Bordbar, H. 2019. Investigating the effect of flood risk perception on preventive behaviors through the attachment to place component (Case Study: Babol city). Geography and Development, 17(57), 49-68. Rajabi, M., Roostaei, S., Barzkar, M. 2022. Evaluation of flood potential under basins based on morphometric parameters and correlation test(Case: Zab catchment to Mirabad), Journal of Geography and Planning, 26(79), 127-139. magiran.com/p2431487 Rezvani Faezifar, R., Safari, A., Bahroudi, A., & Ramouz, S. 2022. Feasibility study of forecasting the flood occurrence using GRACE satellite gravity data in the Karun river basin, Iran. Iranian Journal of Geophysics, 16(1), 103-117. Rostami Khalaj, M., Hesami, D., Salmani, H., & Tymoriyan, T. 2020. Urban Flood Hazard Zoning Using Multicriteria Decision Analysis (Emam Ali town, Mashhad city). Journal of Environmental Science and Technology, 21(11), Salehi, A., Rafiei, Y., Farzad Behtash, M. & Aghababaei, M. 2014. Urban flood risk zoning using GIS and fuzzy hierarchical analysis process (Case study: Tehran). Environmental Science, 39(3). Sattari, M., Abdollah Pourazad, M. & Mir Abbasi Najafabadi, R. 2017. Technical report: Predicting hourly floods of Ahrachai river using machine learning methods. Watershed Engineering and Management, 8(1). Sharifi Garmadreh, E., Vafakhah, M., Eslamian, S. S. 2020. Evaluation of the efficiency of support vector machine systems and artificial neural network in flood zone analysis (Case study: Salt Lake watershed). Journal of Soil and Water Sciences, 23(1), 351-366. Siahkamari, S., Haghizadeh, A., Zeinivand, H., Tahmasebipour, N., & Rahmati, O. 2018. Spatial prediction of flood-susceptible areas using frequency ratio and maximum entropy models. Geocarto international, 33(9), 927-941. Tehrany, M. S., B. Pradhan, S. Mansor, & N. Ahmad. 2015. Flood susceptibility assessment using GIS-based support vector machine model with different kernel types. Catena, 125, 91-101. Yesilnacar, E.K.2005. The application of computational intelligence to landslide susceptibility mapping
آمار تعداد مشاهده مقاله: 388 تعداد دریافت فایل اصل مقاله: 546

سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب

پیوندهای مفید

آمار

تحلیل خطر پذیری سیلاب حوضه های آبریز با بهره‌گیری از الگوریتم‌های یادگیری ماشین و فاکتورهای هیدروژئومرفولوژیکی(مطالعه موردی: حوضه شرقی آبریز دریاچه اورمیه)