عنوان به زبان ديگر :
Efficiency Evaluation of the VIKOR, L-THIA, and Artificial Neural Network (ANT) Models in Flood Zone Analysis (Case Study: Khorasan Razavi Province)
پديد آورندگان :
زنگنه اسدي، محمدعلي دانشگاه حكيم سبزواري - دانشكدۀ جغرافيا و علوم محيطي , امير احمدي، ابوالقاسم دانشگاه حكيم سبزواري - دانشكدۀ جغرافيا و علوم محيطي , ناعمي تبار، مهناز دانشگاه حكيم سبزواري - دانشكدۀ جغرافيا و علوم محيطي
كليدواژه :
آزمون گاما , پهنه بندي , حوضه هاي آبريز , سيلاب , مدل سازي
چكيده فارسي :
با توجه به شرايط طبيعي ايران، بي‌توجهي به موضوع سيلاب ها ميتواند خسارت هاي جبران‌ناپذيري به بار آورد كه در اين ميان، برآورد سيلاب و پهنه بندي نواحي سيل‌گير اهميت بسيار زيادي در كنترل خطرات دارد. بنابراين، پهنه بندي بر اثر تغييرات اقليمي، امري ضروري است. از اين‌رو، در پژوهش حاضر به منظور بررسي خطرپذيري سيلاب در حوضه هاي منتخب خراسان رضوي با استفاده از مدل ويكور، L-THIA و شبكۀ عصبي مصنوعي انجام شده است. سپس، از متغيرهاي چهارده‌گانۀ مؤثر بر وقوع سيلاب شامل اقليم، كاربري اراضي، ارتفاع، تراكم زهكشي، واحدهاي ژئومورفولوژي، ليتولوژي، ارتفاع رواناب، نفوذپذيري، شيب و جهت آن، فاصله از آبراهه، بارش، دما و خاك استفاده شده است. نتايج نشان داد از ميان عوامل نامبرده، پارامترهاي اقليم، كاربري اراضي، شيب، تراكم زهكشي، فاصله از آبراهه، بارش، خاك و واحدهاي ژئومورفولوژي بر اساس محاسبات آماري تأثير بيشتري را در وقوع سيلاب دارند. ارزيابي كمي و كيفي نتايج با استفاده از آماره هاي گوناگون نشان داد مدل L-THIA، با گاماي 0/8 بيشترين مقدار همبستگي را با لايه هاي اوليه دارد و از دقت و كارايي بيشتري نسبت به دو مدل ويكور و شبكۀ عصبي مصنوعي در پيش بيني سيلاب برخوردار است.
چكيده لاتين :
Considering the natural conditions of Iran, not paying attention to floods can cause irreparable damages, among which flood estimation and zoning of floodplain areas are very significant in controlling hazards, so zoning of climate change is necessary. The present study aims to investigate the risk of floods in selected basins of Khorasan Razavi using the VIKOR, L-THIA, and ANT models. Then, fourteen variables affecting the occurrence of floods including climate, land use, altitude, drainage density, geomorphological units, lithology, run-off height, permeability, slope and direction, distance to rivers/waterways, precipitation, temperature, and soil were used. The results showed that among the mentioned variables, climate parameters, land use, slope, drainage density, distance to rivers/waterways, precipitation, soil, and geomorphological units have greater effects on the occurrence of floods according to statistical calculations. Quantitative and qualitative evaluation of the results using various statistics showed that the L-THIA model, with a γ=0.8, had the highest correlation with the primary layers and was more accurate and efficient than the two VIKOR and ANT models in flood prediction.
