| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شمارهها | 3,133 |
| تعداد مقالات | 34,833 |
| تعداد مشاهده مقاله | 50,240,812 |
| تعداد دریافت فایل اصل مقاله | 86,020,204 |
پیشبینی الگوی مکانی استعداد سیلگیری در آبخیز سیروان با استفاده از مدل ماشین بردار پشتیبان | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 30 آذر 1404 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2025.371438.1645 | ||
| نویسندگان | ||
| عارف بهمنی1؛ هیراد عبقری* 2؛ امید رحمتی3 | ||
| 1گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران | ||
| 2دانشیار دانشکده منابع طبیعی دانشگاه ارومیه | ||
| 3بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی کردستان، سازمان تحقیقات آموزش و ترویج کشاورزی، سنندج، | ||
| چکیده | ||
| مقدمه و هدف سیلابها خسارات مالی و تلفات جانی زیادی را هرساله در کشور به بار میآورند. اگرچه اطلاعات موقعیت رخدادهای سیل از ارزش علمی بالایی برخوردار است، در بسیاری از مطالعات سیل، پهنههای سیلگیری صرفاً بر اساس نظر کارشناسی و روشهای تصمیمگیری چندمعیاره مشخصشده است. هدف از انجام این پژوهش، پیشبینی الگوی مکانی استعداد سیلگیری آبخیز سیروان استان کردستان با استفاده از اطلاعات مکانی رخداد سیلگیری در دهه اخیر است. در مطالعه حاضر، برای دستیابی به این هدف از مدل ماشین بردار پشتیبان به عنوان یک مدل مبتنی بر یادگیری ماشینی، استفاده شده است. مواد و روشها بهمنظور اجرای این پژوهش، نخست یک پایگاه داده در سامانه اطلاعات جغرافیایی برای رخدادهای سیلگیری آبخیز سیروان با استفاده از اطلاعات بانک سیل اداره کل منابع طبیعی و آبخیزداری استان کردستان تهیه شد. تعداد 102 رخداد سیلگیری در آبخیز سیروان در بازه زمانی ده ساله (1395 تا 1404) مورد تأیید قرار گرفت. ازآنجاییکه مدلهای یادگیری ماشینی نیاز به نقاط رخداد و عدم رخداد سیلگیری دارند، بر اساس روش واحدکاری، نقاط عدم رخداد سیلگیری نیز انتخاب شدند. این پایگاه داده با استفاده از اطلاعات حاصل از مصاحبه حضوری با افراد بومی این منطقه تکمیل شد. بر اساس خصوصیات مختلف آبخیز سیروان و همچنین مرور منابع علمی، شانزده عامل مؤثر بر رخداد سیلگیری انتخابشده و نقشههای رقومی آنها تهیه شد. عوامل مؤثر بر سیلگیری شامل ارتفاع، جهت دامنه، درصد شیب، شاخص همگرایی، تراکم زهکشی، کاربری اراضی، حداکثر بارندگی 24 ساعته، تعداد بارشهای با مقدار بیشتر از میانگین ایستگاه هواشناسی، شاخص نرمالشده تفاوت پوشش گیاهی، انحنای سطح، انحنای مقطع، بافت خاک، فاصله از جریان، شاخص موقعیت توپوگرافی، شاخص رطوبت توپوگرافی و فاصله عمودی از آبراهه بودند که در مدلسازی بهعنوان متغیرهای مستقل، مورداستفاده قرار گرفتند. دادههای رخداد و عدم رخداد سیلگیری بهصورت تصادفی به دو گروه آموزش و اعتبارسنجی با نسبتهای 70 درصد و 30 درصد تقسیم شدند. پس از اجرای مدل ماشین بردار پشتیبان در محیط نرمافزار R، نقشه استعداد سیلگیری آبخیز سیروان تهیهشده و الگوی مکانی استعداد سیلگیری موردبررسی قرار گرفت. دقت نقشه مزبور با استفاده از آماره مساحت زیرمنحنی مشخصه عملکرد گیرنده مورد ارزیابی قرار گرفت. نتایج و بحث پس از انجام اعتبارسنجی، نتایج نشان داد که مدل ماشین بردار پشتیبان با مقدار مساحت زیرمنحنی مشخصه عملکرد گیرنده (AUC) 921/0 (1/92 درصد) قابلیت بالایی در پیشبینی مناطق مستعد سیلگیری دارد. با توجه به اینکه دقت پیشبینی مدل بیشتر از 90 درصد گزارششده است، بر اساس طبقهبندی رایج عملکرد مدلها، کارایی مدل ماشین بردار پشتیبان در آبخیز سیروان عالی محسوب میشود. بر اساس تحلیلهای انجامشده، کلاس استعداد سیلگیری خیلی کم، کم، متوسط، زیاد و خیلی زیاد به ترتیب 51، 10، 17، 20 و 2 درصد از آبخیز سیروان را شامل شدهاند. با توجه به مشخصشدن پهنههای استعداد سیلگیری، اولویتهای اجرایی جهت برنامه مدیریت سیل بهوضوح برای انجام اقدامات اجرایی مشخصشده است که از میان 127 زیرحوضه آبخیز سیروان تعداد 15 زیرحوضه در کلاس استعداد سیلگیری زیاد و 8 زیرحوضه در کلاس استعداد سیلگیری خیلی زیاد قرار گرفتهاند. تمامی زیرحوضههای آبخیز واقع در کلاس استعداد زیاد (مانند گازرخانی، پالنگان، شویشه، ساوجی، سلین، ساناو، زریبار و غیره) و زیرحوضههای آبخیز واقع در کلاس استعداد خیلی زیاد (مانند سنندج، باباریز، مریوان، موچش، دولباغ، دورود و خامسان) از تراکم جمعیتی نسبتاً بالایی برخوردارند. نتیجهگیری و پیشنهادها بر اساس نتایج حاصل از این پژوهش، مدل ماشین بردار پشتیبان عملکرد بسیار خوبی در شناسایی مناطق مستعد سیلگیری دارد که با توجه به کمبود دادههای تخصصی و منابع مالی در دستگاههای اجرایی، نقش آن در مدیریت و برنامهریزی برنامههای اصلاحی آبخیزداری حائز اهمیت است. اولویتبندی زیرحوضههای اجرایی بر اساس شدت سیلگیری انجام شد که در شرایط کمبود داده، ضمن صرفهجویی در زمان و منابع، موجب بهبود اثربخشی اقدامات اصلاحی آبخیزداری نیز خواهد شد. بر این اساس میتوان پیشنهاد نمود که از مدل ماشین بردار پشتیبان در سطوح بالاتر استانی، منطقهای و ملی و همچنین مطالعات تفضیلی-اجرایی آبخیزداری و مدیریت ریسک بهره گرفت. | ||
| کلیدواژهها | ||
| اولویتبندی؛ خطر؛ سیل؛ شبیهسازی؛ مدیریت حوضه | ||
| عنوان مقاله [English] | ||
| Predicting the spatial pattern of flood susceptibility in the Sirwan watershed using support vector machine model | ||
| نویسندگان [English] | ||
| Aref Bahmani1؛ hirad abghari2؛ Omid Rahmati3 | ||
| 1Department of Range & Watershed Management, Faculty of Natural Resources, Urmia University, Urmia, Iran | ||
| 2Associate Professor, School of Natural Resources, University of Urmia | ||
| 3Soil Conservation and Watershed Management Research Department, Kurdistan Agricultural and Natural Resources Research and Education Center, AREEO, Sanandaj, Iran | ||
| چکیده [English] | ||
| Introduction and Objectives Floods cause significant financial losses and loss of life in the country every year. Although information on the location of flood events is of high scientific value, in many flood studies, flood zones have been determined solely based on expert’s opinion and multi-criteria decision-making methods. The aim of this study is to predict the spatial pattern of flood susceptibility in the Sirwan watershed of Kurdistan province using spatial information on flood events in the last decade. In the present study, support vector machine (SVM), which is a machine learning-based model, has been used to achieve this goal. Materials and Methods In order to carry out this research, first a database in the geographic information system was prepared for flooding events in the Sirwan watershed using bank flood data from the Main Directorate of Natural Resources and Watershed Management of Kurdistan Province. Since machine learning models require points of occurrence and non-occurrence of flooding, points of non-occurrence of flooding were also selected based on the homogeneous-unit method. This database was completed using information obtained from face-to-face interviews with local communities in this area. Based on the various characteristics of the Sirwan watershed and a review of scientific sources, sixteen factors affecting flooding events were selected and their digital maps were prepared. Factors affecting flooding included elevation, slope aspect, slope percentage, convergence index, drainage density, land use, maximum 24-hour precipitation, number of rainfalls higher than the average of the meteorological station, normalized vegetation difference index, plan curvature, profile curvature, soil texture, distance from the stream, topographic position index, topographic wetness index, and vertical distance from the channel, which were used as independent variables in the modeling. Flooding occurrence and non-occurrence data were randomly divided into two training and validation groups with proportions of 70% and 30%. After implementing the support vector machine model in the R software environment, a flood susceptibility map of the Sirwan watershed was prepared and the spatial pattern of flood susceptibility was examined. The accuracy of the map was evaluated using the area under the curve (AUC) statistic of the receiver operating characteristic. Results and Discussion After validation, the results showed that the support vector machine model with an area under the receiver operating characteristic curve (AUC) of 0.921 (92.1%) has a high capability to predict flood-prone areas. Given that the model's prediction accuracy is reported to be more than 90%, based on the common classification of model efficiency, the performance of the support vector machine model in the Sirwan watershed is considered excellent. Based on the analyses, the very low, low, medium, high, and very high flood susceptibility classes include 51, 10, 17, 20, and 2 percent of the Sirwan watershed, respectively. Given the identification of flood-prone areas, the implementation priorities for the flood management plan have been clearly identified for implementing measures. Out of the 127 catchments of the Sirwan watershed, 15 catchments are in the high flood-prone class and 8 catchments are in the very high flood-prone class. All catchments located in the high talent class (such as Gazerkhani, Palangan, Shwishe, Sawji, Sleen, Sianaw, Danan, Ghshlagh, Zrivar, etc.) and catchments located in the very high talent class (such as Sanandaj, Babarez, Marivan, Gholian, Mochesh, Doulbakh, Doroud, and Khamsan) have a relatively high population density. Conclusions and Suggestions Based on the results of this study, the support vector machine model has a very good performance in identifying areas prone to flooding, which is important in the management and planning of watershed programs, given the lack of specialized data and financial resources in the executive agencies. Prioritization of executive catchments was done based on the severity of flood inundation, which in conditions of data shortage, while saving time and resources, will also improve the effectiveness of watershed management plans. On this basis, it can be suggested that the support vector machine model be used at higher provincial, regional and national levels, as well as in detailed-implementation studies of watershed management and risk management. | ||
| کلیدواژهها [English] | ||
| flood, hazard, prioritization, simulation, watershed management | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 37 |
||