آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,553 |
| تعداد مقالات | 18,943 |
| تعداد مشاهده مقاله | 63,602,489 |
| تعداد دریافت فایل اصل مقاله | 23,290,309 |
ارزیابی پتانسیل خطر وقوع سیلاب در حوضه آبخیز داراب، با استفاده از الگوریتم‌های یادگیری ماشین جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) | ||
| جغرافیا و برنامه‌ریزی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 03 مرداد 1405 | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/gp.2026.71814.3524 | ||
| نویسندگان | ||
| رضا ذاکری نژاد* 1؛ زهرا Zahra2؛ یاسمین غبیشاوی3 | ||
| 1عضو هئیت علمی دانشگاه اصفهان | ||
| 2دانش آموخته کارشناسی ارشد سنجش ازدور و سیستم اطلاعات جغرافیایی دانشگاه اصفهان | ||
| 3دانش آموخته کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی دانشگاه اصفهان | ||
| چکیده | ||
| سیلاب به‌عنوان یکی از مخرب‌ترین بلایای طبیعی، هر ساله خسارات جانی و مالی قابل‌توجهی را در مناطق مختلف جهان به‌ویژه در نواحی نیمه‌خشک ایران به همراه دارد. در این راستا، مدل‌سازی دقیق خطر سیلاب نقش تعیین‌کننده‌ای در برنامه‌ریزی و مدیریت ریسک این پدیده ایفا می‌کند. پژوهش حاضر با هدف ارزیابی و پهنه‌بندی خطر سیلاب در حوضه آبخیز داراب، ضمن بهره‌گیری از الگوریتم‌های یادگیری ماشین ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) در محیط نرم‌افزار GIS و زبان برنامه‌نویسی R، به مقایسه کارایی این دو مدل در تحلیل‌های مکانی پرداخت. برای این منظور، یک پایگاه داده‌ی مکانی جامع شامل شاخص‌های محیطی (بافت خاک، زمین‌شناسی، فاصله از جاده، (NDVI، شاخص‌های هیدرولوژیکی (تراکم زهکشی، فاصله از رودخانه، قدرت آبراهه، NDWI، TWI، SPI و (WRI و شاخص‌های توپوگرافی (ارتفاع، شیب، جهت شیب و طول شیب) تهیه و در فرایند مدل‌سازی مورد استفاده قرار گرفت. نتایج ارزیابی عملکرد مدل‌ها نشان داد که هر دو الگوریتم از دقت مناسبی در شناسایی الگوهای مکانی سیلاب برخوردارند؛ با این حال، مدل RF نسبت به SVM دقت بالاتری ارائه داد (8906/0= R² در برابر 875/0= R²). مدل RF حدود ۷۱ درصد از مساحت حوضه را در طبقات خطر بسیار کم و کم‌خطر شناسایی کرده است که با الگوی واقعی وقوع سیلاب (تمرکز در مناطق پیرامون آبراهه‌ها و بخش‌های پست حوضه) مطابقت دارد. در مقابل، مدل SVM با تأکید بر همبستگی شاخص‌های هیدرولوژیکی و داده‌های سنجش از دور، نزدیک به ۷۷ درصد از مساحت حوضه را در طبقات خطر متوسط تا بسیار زیاد (عمدتاً در بخش‌های مرکزی و شرقی حوضه) طبقه‌بندی نموده است. این یافته‌ها کارایی بالای الگوریتم‌های یادگیری ماشین، به‌ویژه مدل RF، را در مدل‌سازی خطر سیل نشان می‌دهند و برتری آن‌ها را نسبت به روش‌های فیزیکی و نیمه‌تجربی سنتی مانند HEC RAS از نظر کارایی، سرعت و نیاز کمتر به داده‌های میدانی تأیید می‌کنند. | ||
| کلیدواژه‌ها | ||
| پیش بینی؛ سیلاب؛ یادگیری ماشین؛ خسویه | ||
|
آمار تعداد مشاهده مقاله: 140 |
||