ارزيابي امكان روي داد سيل در آبخيز رود تلوار با مدل هاي وزن شاهد و وايازي پشتيبان بيزين

Evaluation of the Flooding Susceptibility in the Telvar River Basin Using the Evidence Weight Models and the Bayesian Logistic Regression

سيل يكي از خطرناك ترين و شايع ترين پيش آمد هاي طبيعي در جهان است كه هر ساله باعث رسيدن زيان ها و آسيب هاي بسياري بر جامعه و محيط زيست مي شود . ارزيابي و مديريت جامع سيلاب براي كم كردن تاثير سيل بر زندگي و گذران مردم ضروري است. افزايش سيل در سال هاي اخير نشان مي دهد كه مكان يابي و شناسايي منطقه هاي سيل خيز براي پيش بيني اين فاجعه ي زيست محيطي اهميت زيادي دارد زيرا نشناختن منطقه هاي حساس به سيل در آبخيز ممكن است اثر ويرانگري در پي داشته باشد. هدف اصلي اين پژوهش ارزيابي عمل كرد مدل وزن شاهد و مدل وايازي پشتيبان بيزين براي تهيه ي نقشه ي حساسيت سيل در آبخيز رود تلوار استان كردستان است. 93 جاي سيل گير مشخص شده در منطقه به شيوه ي تصادفي به گروه واسنجي (70 %) و گروه اعتبارسنجي (30 %) تقسيم شد. هر دو مدل بر 10 عامل موثر در ايجاد سيل تمركز دارند، كه عبارت است از شيب، جهت شيب، انحنا، مدل رقومي ارتفاع، فاصله از آب راه، شاخص رطوبت پستي بلندي، شاخص توان آب راه، بارندگي، زمين شناسي و كاربري زمين. بر پايه ي مدل وزن شاهد 35/8% از سطح منطقه در طبقه ي خطر متوسط تا خيلي زياد، و برپايه ي مدل وايازي پشتيبان بيزين 45/08% از سطح منطقه در طبقه ي خطر متوسط تا خيلي زياد بود. براي اعتبارسنجي نقشه هاي توان سيل خيزي، از منحني تشخيص عمل كرد نسبي بهره گرفته شد. اگرچه هر دو مدل دقت كافي دارد، در مدل وايازي پشتيبان بيزين درستي بيش تري (93/4 %) ديده شد. در زمينه ي توان يابي خطر سيل كار كرد مدل وايازي پشتيبان بيزين بهتر از مدل وزن شاهد بود.

Flooding is one of the most dangerous and common natural disasters, which yearly causes many damages and causalities for communities and the environment. A comprehensive flooding assessment and management is essential to reduce the effects of flooding on people›s lives and livelihoods. Due to an increase in flooding in recent years, locating and identifying flood-prone areas is very important to predict this environmental disaster as mis-identification of flood-prone areas in a watershed may have devastating effects. The main purpose of this study was to evaluate the performance of the Bayesian Logistic Regression (BLR) and the weight-of-evidence (WOE) models for preparing flooding susceptibility maps in the Talvar Watershed of Province of Kurdistan. The geographical location of 93 flood prone areas identified in the watershed was randomly divided into one group (70%) for calibration and another (30%) for validation. Both models consider ten effective factors in causing flooding, namely: slope, slope direction, curvature, digital elevation model, distance from stream, topographic wetness index (TWI), stream power index (SPI), rainfall amount, geology, and land use. According to the WOE model, about 35.8% of the area is placed in the medium to very high hazard class, and based on the Bayesian logistic regression model, about 45.08% of the area is placed in the medium to very high hazard class. The relative performance detection curve was used to validate the flooding potential maps. Even though both models offered sufficient accuracy, the higher accuracy was assigned to the BLR model (93.4%). Therefore, the BLR model has better performance than the WOE model in terms of the flooding risk potential.