ارزيابي و پهنه‌بندي وقوع مخاطرۀ سيلاب در پارك ملي گلستان

Assessment and Zoning of Flood Risk in Golestan National Park

شناسايي مناطق حساس به سيل، عنصر حياتي و مهمي براي كنترل و كاهش تلفات سيل به شمار ميآيد. هدف از تحقيق حاضر، شناسايي متغيرهاي مهم در ايجاد مناطق سيلگير و ارائۀ پتانسيل مخاطرۀ سيل پارك ملي گلستان با استفاده از تكنيكهاي يادگيري ماشين شامل مدل جنگل تصادفي، درخت رگرسيون تقويت‌شده و آنتروپي بيشينه است. براي رسيدن به اهداف يادشده، ابتدا عوامل تأثيرگذار با توجه به مرور منابع تعيين شده و پايگاه داده ها ايجاد شد. در نهايت، با استفاده از تكنيكهاي يادگيري ماشين مدلسازي مخاطرۀ سيل صورت گرفت و دقت اين مدلها با استفاده از روش منحني ROC و داده هاي واقعي از رخداد سيل بررسي شد. نتايج مدلها، اهميت زياد متغيرهاي ارتفاع از سطح دريا، ميانگين دماي ساليانه، فاصله از آبراهه ها، بارش و فاصله از جادۀ ترانزيتي را در وقوع مخاطرۀ سيل نشان دادند. نتايج به‌دست‌آمده از درخت رگرسيون تقويت‌شده تأثير متغير ارتفاع از سطح دريا، ميانگين دماي ساليانه، بارندگي و فاصله از آبراهه ها را به‌ترتيب، 9/38، 2/19، 6/13 و 13 درصد نشان داد. همچنين، در نتايج حاصل از آنتروپي بيشينۀ متغيرهاي ارتفاع از سطح دريا، ميانگين دما و جادۀ ترانزيتي به‌ترتيب با مقدار مشاركت 7/35، 4/22 و 5/19 درصد جزء متغيرهاي مهم به‌دست آمدند. نتايج به‌دست‌آمده از ارزيابي صحت مدلها با استفاده از 30 درصد از داده هاي وقوع سيل كه در مدلسازي وارد نشده بود نيز دقت زياد مدل درخت رگرسيون تقويت‌شده و جنگل تصادفي را با مقدار ROC، 99/0 و دقت مناسب آنتروپي بيشينه را با مقدار ROC، 89/0 نشان داد، به طوري كه نقشه هاي به‌دست‌آمده از اين مدلها به طور مشترك 4500 هكتار از مساحت پارك را داراي احتمال زياد خطر سيل برآورد كردند.

Identifying the flood susceptible areas is a vital and substantial element of disaster management to control and mitigate injuries of the natural hazards. The purpose of this study was to identify the important variables in creating flood areas and to present the potential hazard of flood in Golestan National Park (GNP) using machine learning techniques including random forest (RF), boosted regression tree (BRT) and maximum entropy (ME) models. In order to achieve these purposes, firstly, factors were determined by reviewing the relevant sources, and the databases were created by sorting out these factors. Finally, Flood risk modeling was done using machine learning techniques and the accuracy assessment were determined using the ROC method and real data recorded in nature. The results of the models showed the importance of elevation, distance from the river and transit road, moisture and maximum temperature variables in the event of flood hazard. So that the results of the BRT showed role elevation variable to 38.9%, mean temperature 19/2 %, Rainfall 13/6 % and distance from the rivers 13% and the results of ME showed role elevation, mean temperature and distance of road variables respectively 35.7, 22/4 and 13.8%. The results of the accuracy assessment models using 30% of the data that were not included in the modeling the ROC value showed BRT and RF model with 0.99 values, and the proper accuracy ME was with value of 0.89. Therefore, the maps obtained can be used to manage the flood crisis in the area