مدل ‌سازي مكاني و تهيه نقشه پتانسيل سيل‌ گيري با استفاده از الگوريتم‌ هاي يادگيري ماشين (مطالعه موردي: استان بوشهر)

مقدمه: سيلاب يكي از مخرب ‌ترين بلاياي طبيعي محسوب مي‌شود؛ بنابراين تهيه نقشه حساسيت سيل‌گيري گامي مهم در راستاي مديريت سيلاب است. به دليل كمبود اطلاعات در اكثر حوزه‌هاي آبخيز كشور، بسياري از محققان براي مطالعه‌هاي هيدرولوژيكي و سيل‌گيري از تجزيه‌وتحليل‌هاي مكاني در محيط GIS استفاده مي‌كنند. بر اين اساس، شناسايي مهم‌ترين عوامل مؤثر بر ايجاد و تشديد وقوع سيل و هم‌چنين تهيه نقشه حساسيت‌پذيري آن مي‌تواند يكي از مهم‌ترين راهكارها در راستاي كاهش خطر سيل باشد؛ بنابراين هدف از پژوهش حاضر، تهيه نقشه حساسيت‌پذيري سيل در استان بوشهر با استفاده از تكنيك‌هاي يادگيري ماشين و شناسايي عوامل مهم و مؤثر بر وقوع آن است. مواد و روش‌ها: پژوهش حاضر به‌منظور مقايسه كارايي سه مدل يادگيري ماشين، شامل جنگل تصادفي (RF)، ماشين بردار پشتيبان (SVM) و مدل جمعي تعميم‌يافته (GAM) در تهيۀ نقشۀ سيل‌گيري استان بوشهر انجام شده است. در اين تحقيق ابتدا لايه‌هاي اطلاعاتي تأثيرگذار بر رخداد سيلاب در منطقه موردمطالعه تعيين و هر يك از نقشه‌هاي تهيه‌شده به‌عنوان ورودي به مدل‌هاي ذكرشده در اين تحقيق معرفي شدند تا بر اساس آن‌ها نقشه حساسيت به سيلاب (سيل‌گيري) در محدوده مطالعاتي تهيه شود. بدين منظور، لايه‌هاي اطلاعاتي درجۀ شيب، جهت شيب، ارتفاع، فاصله از رودخانه، تراكم زهكشي، سنگ‌شناسي، كاربري اراضي، شاخص رطوبت توپوگرافي، شاخص تفاضلي پوشش گياهي نرمال‌شده و بارندگي در محيط سامانۀ اطلاعات مكاني در نرم‌افزارهاي ArcGIS و SAGA-GIS تهيه شد. سپس بر اساس اطلاعات 925 موقعيت سيلاب‌هاي رخ‌داده و شناسايي‌شده در محيط گوگل ارث انجين، از 70 درصد تعداد كل نقاط (645 نقطه) به‌منظور مدل‌سازي و 30 درصد باقيمانده (280 نقطه) براي ارزيابي استفاده شد. به‌منظور اعتبارسنجي و ارزيابي كارايي مدل‌ها نيز از منحني تشخيص عملكرد نسبي استفاده شد. نتايج و بحث: نتايج روش جنگل تصادفي نتايج نشان داد از بين 10 عامل اصلي، عوامل ارتفاع، بارندگي و سنگ‌شناسي به‌عنوان مهم‌ترين فاكتورهاي تأثيرگذار بر وقوع سيل در منطقه موردمطالعه بوده و در مقابل عوامل جهت شيب و فاصله از رودخانه داراي كم‌ترين تأثير بر وقوع سيل مي‌باشند. به‌عبارت‌ديگر، نتايج نشان داد كه عوامل ارتفاع، بارندگي و سنگ‌شناسي بيش‌ترين تأثير را بر سيل‌گيري منطقۀ موردمطالعه دارند. نتايج ارزيابي دقت مدل‌ها با استفاده شاخص سطح زير منحني نشان داد كه مدل ماشين بردار پشتيبان (0.86)، مدل جمعي تعميم‌يافته (0.85) و مدل جنگل تصادفي (0.88) داراي دقت خيلي خوب هستند. همچنين بيشترين مساحت حساسيت سيل در مدل جنگل تصادفي و مدل جمعي تعميم‌يافته مربوط به طبقه كم است. اگرچه در مدل ماشين‌بردار پشتيبان بيشترين كلاس حساسيت مربوط به طبقه متوسط است؛ بنابراين بر اساس شاخص‌هاي مذكور هر سه مدل توانائي خوبي در شناسايي مناطق سيل‌گير دارند. به‌بيان‌ديگر، نتايج به‌دست‌آمده بر اساس مدل ماشين بردار پشتيبان نشان مي‌دهد كه 37.32 درصد از مساحت استان داراي حساسيت كم، 26.01 درصد از مساحت استان داراي حساسيت متوسط، 12.42 درصد از استان داراي حساسيت زياد و 24.42 درصد از مساحت استان داراي حساسيت خيلي زياد نسبت به سيل‌خيزي هستند. همچنين دو مدل ديگر نيز از دقت خيلي خوبي براي مدل‌سازي سيل در منطقه موردمطالعه برخوردار بوده‌اند. نمودار ROC مربوط به مربوط به مدل جنگل تصادفي، ماشين بردار پشتيبان و مدل جمعي تعميم‌يافته نشان‌دهنده دقت 88.5 براي مدل جنگل تصادفي، دقت 86 درصد براي مدل ماشين بردار پشتيبان و دقت 85 درصد براي مدل جمعي است. نتيجه‌گيري: نتايج به‌دست‌آمده از تحقيق حاضر مي‌تواند كمك قابل‌توجهي به دولت، برنامه‌ريزان و مهندسين در پيش‌گيري و كاهش وقوع سيلاب نمايد. هم‌چنين مي‌توان از روش‌هاي ديگر و تركيب آن‌ها براي مدل‌سازي و مقايسه نتيجه آن با پژوهش حاضر استفاده كرد. بنا بر نتايج اين تحقيق مي‌توان اذعان داشت با استفاده از ابزارهاي قدرتمند هوش مصنوعي، محققان و ذينفعان درك عميق‌تري از پويايي پيچيده در وقوع سيل به دست مي‌آورند و در نتيجه تصميم‌گيري آگاهانه‌تر و استراتژي‌هاي مؤثرتري را در كاهش و كنترل سيل به كار مي‌برند.