| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,219 |
| تعداد مقالات | 35,690 |
| تعداد مشاهده مقاله | 53,555,834 |
| تعداد دریافت فایل اصل مقاله | 92,839,165 |
پیشبینی الگوی مکانی استعداد سیلگیری با استفاده از مدل ماشین بردار پشتیبان در آبخیز سیروان | ||
| پژوهش های آبخیزداری | ||
| مقاله 7، دوره 39، شماره 2 - شماره پیاپی 151، تیر 1405، صفحه 96-115 اصل مقاله (1.79 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2025.371438.1645 | ||
| نویسندگان | ||
| عارف بهمنی1؛ هیراد عبقری* 2؛ امید رحمتی3 | ||
| 1دانشآموخته دکتری تخصصی علوم و مهندسی آبخیزداری، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران | ||
| 2دانشیار گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران | ||
| 3استادیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کردستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، سنندج، ایران | ||
| چکیده | ||
| مقدمه و هدف هرساله در کشور سیلابها خسارتهای مالی و تلفات جانی زیادی را بهدنبال دارند. اگرچه ارزش علمی دادههای موقعیت رخدادهای سیل، زیاد است اما در بسیاری از پژوهشهای سیل، پهنههای سیلگیری صرفاً بر اساس دیدگاه کارشناسی و روشهای تصمیمگیری چندمعیاره، مشخص شدهاند. در این پژوهش الگوی مکانی استعداد سیلگیری آبخیز سیروان استان کردستان با استفاده از دادههای مکانی رخداد سیلگیری در دهه گذشته پیشبینی شد و برای دستیابی به این هدف از مدل ماشین بردار پشتیبان بهعنوان یک مدل مبتنی بر یادگیری ماشینی، استفاده شد. مواد و روشها بهمنظور اجرای این پژوهش، نخست یک پایگاه داده در سامانة اطلاعات جغرافیایی برای رخدادهای سیلگیری آبخیز سیروان با استفاده از اطلاعات بانک سیل ادارة کل منابعطبیعی و آبخیزداری استان کردستان تهیه شد. شمار 102 رخداد سیلگیری در آبخیز سیروان در بازة زمانی ده ساله (1395 تا 1404)، تأیید شد. از آنجاییکه مدلهای یادگیری ماشینی نیازمند نقاط با و بدون رخداد سیلگیری هستند، بر اساس روش واحدکاری، نقاط بدون رخداد سیلگیری نیز انتخاب شدند. این پایگاه داده با استفاده از اطلاعات بهدست آمده از مصاحبه حضوری با افراد بومی این منطقه تکمیل شد. بر اساس خصوصیات مختلف آبخیز سیروان و بررسی نتایج پژوهشهای علمی، شانزده عامل مؤثر بر رخداد سیلگیری انتخاب شد و نقشههای رقومی آنها تهیه شد. عاملهای مؤثر بر سیلگیری شامل بلندی، جهت دامنه، درصد شیب، شاخص همگرایی، تراکم زهکشی، کاربری زمین، بیشینة بارندگی 24 ساعته، شمار بارشهای با اندازة بیشتر از میانگین ایستگاه هواشناسی، شاخص بهنجارشده تفاوت پوشش گیاهی، انحنای سطح، انحنای مقطع، بافت خاک، فاصله از جریان، شاخص موقعیت پستیبلندی، شاخص رطوبت پستیبلندی و فاصله عمودی از آبراهه، بودند که در مدلسازی بهعنوان متغیرهای مستقل، استفاده شدند. دادههای رخداد و بدون رخداد سیلگیری بهطور تصادفی به دو گروه آموزش و اعتبارسنجی با نسبتهای 70% و 30% تقسیم شدند. پس از اجرای مدل ماشین بردار پشتیبان در محیط نرمافزار R، نقشه استعداد سیلگیری آبخیز سیروان تهیه شد و الگوی مکانی استعداد سیلگیری، بررسی شد. دقت نقشه نامبرده با استفاده از آمارة مساحت زیرمنحنی مشخصه عملکرد گیرنده، ارزیابی شد. نتایج و بحث نتایج اعتبارسنجی نشان داد که دقت مدل ماشین بردار پشتیبان بر اساس اندازة مساحت زیرمنحنی مشخصه عملکرد گیرنده (0/921 AUC=) برابر با 92/1% بود. بر اساس طبقهبندی رایج عملکرد مدلها و با توجه به اینکه دقت مدل در پیشبینی مناطق مستعد سیلگیری بیشتر از 90% بهدست آمد، کارایی مدل ماشین بردار پشتیبان در آبخیز سیروان، بسیارخوب بود. بر اساس تحلیلهای انجامشده، درصد استعداد سیلگیری در آبخیز سیروان در طبقه خیلیکم، کم، متوسط، زیاد و خیلیزیاد بهترتیب 51، 10، 17، 20 و 2%، بود. برای اقدامات اجرایی و اولویت بندی مناطق در راستای مدیریت سیل بر پایة درصد استعداد سیلگیری، مشخص شد از میان 127 زیرآبخیز سیروان شمار 15 زیرآبخیز در طبقه استعداد سیلگیری زیاد و 8 زیرآبخیز در طبقه استعداد سیلگیری خیلیزیاد است. تراکم جمعیت در تمام زیرآبخیزها در طبقه استعداد سیلگیری زیاد (مانند گازرخانی، پالنگان، شویشه، ساوجی، سلین، ساناو، زریبار و غیره) و زیرآبخیزها در طبقه استعداد سیلگیری خیلیزیاد (مانند سنندج، باباریز، مریوان، موچش، دولباغ، دورود و خامسان) نسبتاً زیاد است. نتیجهگیری و پیشنهادها بر اساس نتایج این پژوهش، عملکرد مدل ماشین بردار پشتیبان در شناسایی مناطق مستعد سیلگیری، بسیار خوب بود. بر اساس کمبود دادههای تخصصی و منابع مالی در دستگاههای اجرایی، کاربرد این مدل در مدیریت و برنامهریزی اقدامات اصلاحی آبخیزداری حائز اهمیت است. در این پژوهش، اولویتبندی زیرآبخیزهای اجرایی بر اساس شدت سیلگیری انجام شد. زیرا، در شرایط کمبود داده، ضمن صرفهجویی در زمان و منابع، موجب بهبود اثربخشی اقدامات اصلاحی آبخیزداری نیز خواهد شد. بر اساس نتایج این پژوهش پیشنهاد میشود از مدل ماشین بردار پشتیبان در سطوح کلانتر استانی، منطقهای و ملی و همچنین مطالعات تفضیلی-اجرایی آبخیزداری برای مدیریت خطر بهره گرفت. | ||
| کلیدواژهها | ||
| اولویتبندی؛ خطر؛ سیل؛ شبیهسازی؛ مدیریت آبخیز | ||
| عنوان مقاله [English] | ||
| Predicting the Spatial Pattern of Flood Susceptibility Using Support Vector Machine Model in the Sirwan Watershed | ||
| نویسندگان [English] | ||
| Aref Bahmani1؛ Hirad Abghari2؛ Omid Rahmati3 | ||
| 1Ph.D. in Watershed Management Science and Engineering, Department of Range and Watershed Management, Faculty of Natural Resources, Urmia University, Urmia, Iran | ||
| 2Associate Professor, Department of Range and Watershed Management, Faculty of Natural Resources, Urmia University, Urmia, Iran | ||
| 3Assistant Professor, Soil Conservation and Watershed Management Research Department, Kurdistan Agricultural and Natural Resources Research and Education Center, AREEO, Sanandaj, Iran | ||
| چکیده [English] | ||
| Introduction and Goal 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. This study predicts the spatial pattern of flood susceptibility in the Sirwan watershed of Kurdistan province using spatial information on flood events in the last decade, and to achieve this objective, asupport vector machine model, as a machine learning-based approach, was employed. 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. The number of 102 flooding events in the Sirwan watershed was confirmed in the ten-year period (2015-2015). 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 stream, 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 aforementioned 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% 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 sub-watersheds of the Sirwan sub-watershed, 15 sub-watersheds are in the high flood-prone class and 8 sub-watersheds are in the very high flood-prone class. Population density is relatively high in all sub-watersheds in the high flood susceptibility category (such as Gazrokhani, Palangan, Shwishe, Sawji, Sleen, Sianaw, Danan, Zaribar, etc.) and in sub-watersheds in the very high flood susceptibility category (such as Sanandaj, Babarez, Marivan, Gholian, Mochesh, Doulbakh, Doroud, and Khamsan). Conclusions and Suggestions Based on the results of this study, the performance of the support vector machine model in identifying areas prone to flooding was very good. Based on the lack of specialized data and financial resources in the executive agencies, the application of this model in the management and planning of watershed improvement measures is important. In this study, prioritization of operational watersheds was performed based on the severity of flooding. Because, in conditions of data scarcity, it will not only save time and resources, but also improve the effectiveness of watershed management remedial measures. According to the results of this study, it is suggested that the support vector machine model be used at larger provincial, regional, and national levels, as well as in detailed-implementation studies of watershed management for risk management. | ||
| کلیدواژهها [English] | ||
| Flood, hazard, prioritization, simulation, watershed management | ||
| مراجع | ||
|
Abedi R, Costache R, Shafizadeh-Moghadam H, Pham QB. 2022. Flash-flood susceptibility mapping based on XGBoost, random forest and boosted regression trees. Geocarto International. 37(19): 5479-5496. DOI: 10.1080/10106049.2021.1920636 Abegaz R, Xu J, Wang F, Huang J. 2024. Impact of flooding events on buried infrastructures: A review. Frontiers in Built Environment. 10: p.1357741. DOI: 10.3389/fbuil.2024.1357741 Arabameri A, Seyed Danesh A, Santosh M, Cerda A, Chandra Pal S, Ghorbanzadeh O, Chowdhuri I. 2022. Flood susceptibility mapping using meta-heuristic algorithms. Geomatics, Natural Hazards and Risk. 13(1): 949-974. DOI: 10.1080/19475705.2022.2060138 Babai B, Mohammadi A, Seyedian M, Tomaj A. 2020. The role of flood management approach on the resilience of local communities Case study: Flooded villages of the Gorganrood watershed. Geographical Planning of Space Quarterly Journal. 10(36): 63-73. Chan JYL, Leow SMH, Bea KT, Cheng WK, Phoong SW, Hong ZW, Chen YL. 2022. Mitigating the multicollinearity problem and its machine learning approach: A review. Mathematics. 10(8): p. 1283. DOI: 10.3390/math10081283 Choubin B, Hosseini FS, Rahmati O, Youshanloei MM. 2023. A step toward considering the return period in flood spatial modeling. Natural Hazards. 115(1): 431-460. DOI: 10.1007/s11069-022-05561-y Chowdhury ME, Islam AS, Zaman RU, Khadem S. 2025. A machine learning-based approach for flash flood susceptibility mapping considering rainfall extremes in the northeast region of Bangladesh. Advances in Space Research. 75(2):1990-2017. DOI: 10.1016/j.asr.2024.10.047 Dodangeh E, Choubin B, Eigdir AN, Nabipour N, Panahi M, Shamshirband S, Mosavi A. 2020. Integrated machine-learning methods with resampling algorithms for flood susceptibility prediction. Science of the Total Environment, 705 :135983. DOI: 10.1016/j.scitotenv.2019.135983 Dutta P, Deka S. 2024. A novel approach to flood risk assessment: Synergizing with geospatial based MCDM-AHP model, multicollinearity, and sensitivity analysis in the Lower Brahmaputra Floodplain, Assam. Journal of Cleaner Production. 467: p. 142985. DOI: 10.1016/j.jclepro.2024.142985 Frattini P, Crosta G, Carrara A. 2010. Techniques for evaluating the performance of landslide susceptibility models. Engineering Geology. 111(1-4): 62-72. DOI: 10.1016/j.enggeo.2009.12.004 Idrees MO, Olateju SA, Omar DM, Babalola A, Ahmadu HA, Kalantar B. 2022. Spatial assessment of accelerated surface runoff and water accumulation potential areas using AHP and data-driven GIS-based approach: the case of Ilorin metropolis, Nigeria. Geocarto International. 37(27): 15877-15895. DOI: 10.1080/10106049.2022.2102236 Islam ARMT, Talukdar S, Mahato S, Kundu S, Eibek KU, Pham QB, Kuriqi A, Linh NTT. 2021. Flood susceptibility modelling using advanced ensemble machine learning models. Geoscience Frontiers. 12(3): p.101075. DOI: 10.1016/j.gsf.2020.09.006 Karra K, Kontgis C, Statman-Weil Z, Mazzariello JC, Mathis M, Brumby SP. 2021. Global land use/land cover with Sentinel 2 and deep learning. In 2021 IEEE international geoscience and remote sensing symposium (IGARSS). pp. 4704-4707. IEEE. DOI: 10.1109/IGARSS47720.2021.9553499 Kazemi M, Mohammadi F, Nafooti MH, Behvar K, Kariminejad N. 2024. Flood susceptibility mapping using machine learning and remote sensing data in the Southern Karun Basin, Iran. Applied Geomatics. 16(3): 731-750. DOI: 10.1007/s12518-024-00582-7 Khosravi K, Melesse AM, Shahabi H, Shirzadi A, Chapi K, Hong H. 2019. Flood susceptibility mapping at Ningdu catchment, China using bivariate and data mining techniques. In Extreme hydrology and climate variability. Elsevier. pp. 419-434. DOI: 10.1016/B978-0-12-815998-9.00033-6 Nabinejad S, Schüttrumpf H. 2023. Flood risk management in arid and semi-arid areas: A comprehensive review of challenges, needs, and opportunities. Water. 15(17): p. 3113. DOI: 10.3390/w15173113 Rahmati O, Kornejady A, Choubin B, Jaafari A, Amini A. 2024. Evaluating the Impact of Environmental Factors on Flood Susceptibility in the Sirwan Watershed Based on Historical Flood Events. Watershed Management Research. 37(1):80-97. DOI: 10.22092/wmrj.2023.361544.1527 Rahmati O, Kornejady A, Samadi M, Deo RC, Conoscenti C, Lombardo L, Dayal K, Taghizadeh-Mehrjardi R, Pourghasemi HR, Kumar S, Bui DT. 2019. PMT: New analytical framework for automated evaluation of geo-environmental modelling approaches. Science of the Total Environment. 664: 296-311. DOI: 10.1016/j.scitotenv.2019.02.017 Rezai Moghadam MH, Nikjou MR, Mokhtari D, Hoseinzadeh R, Maleki H. 2016. Estimating the discharge and flood levels of past Sirvan River floods using geomorphological and flood evidence. Natural Geography. 9(33): 1-18. Seleem O, Ayzel G, de Souza ACT, Bronstert A, Heistermann M. 2022. Towards urban flood susceptibility mapping using data-driven models in Berlin, Germany. Geomatics, Natural Hazards and Risk. 13(1): 1640-1662. DOI: 10.1080/19475705.2022.2097131 Sulaiman MS, Abood MM, Sinnakaudan SK, Shukor MR, You GQ, Chung XZ. 2021. Assessing and solving multicollinearity in sediment transport prediction models using principal component analysis. ISH Journal of Hydraulic Engineering. 27(1):343-353. DOI: 10.1080/09715010.2019.1653799 Tehrany MS, Pradhan B, Jebur MN. 2014. Flood susceptibility mapping using a novel ensemble weights-of-evidence and support vector machine models in GIS. Journal of hydrology. 512: 332-343. DOI: 10.1016/j.jhydrol.2014.03.008 Tehrany MS, Pradhan B, Mansor S, Ahmad N. 2015. Flood susceptibility assessment using GIS-based support vector machine model with different kernel types. Catena. 125: 91-101. DOI: 10.1016/j.catena.2014.10.017 Wahba M, Sharaan M, Elsadek WM, Kanae S, Hassan HS. 2024. Examination of the efficacy of machine learning approaches in the generation of flood susceptibility maps. Environmental Earth Sciences. 83(14): p. 429. DOI: 10.1007/s12665-024-11696-x Wainer J, Fonseca P. 2021. How to tune the RBF SVM hyperparameters? An empirical evaluation of 18 search algorithms. Artificial Intelligence Review. 54(6): 4771-4797. DOI: 10.1007/s10462-021-10011-5 | ||
|
آمار تعداد مشاهده مقاله: 163 تعداد دریافت فایل اصل مقاله: 88 |
||