| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,191 |
| تعداد مقالات | 35,352 |
| تعداد مشاهده مقاله | 51,752,071 |
| تعداد دریافت فایل اصل مقاله | 91,445,320 |
پهنهبندی و پیشبینی خطر رخداد سیل با استفاده از مدلهای یادگیری عمیق در آبخیز قرهسو استان گلستان | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 تیر 1405 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2026.371561.1648 | ||
| نویسندگان | ||
| کورش شیرانی* 1؛ محمدعلی صدری2 | ||
| 1دانشیار گروه پژوهشی مهندسی حفاظت خاک و آب، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران | ||
| 2دانشگاه آزاد اسلامی | ||
| چکیده | ||
| مقدمه و هدف سیل یکی از مخربترین بلایای طبیعی با پیامدهای اجتماعی، اقتصادی و زیستمحیطی است که امروزه روشهای یادگیری ماشین بهمنظور مدلسازی و پیشبینی آن توسعه داده شدهاند. هدف از انجام این پژوهش پهنهبندی و پیشبینی خطر رخداد سیل توسط سه مدل یادگیری عمیق شامل مدلهای شبکه عصبی بازگشتی واحد دروازهدار (GRU)، حافظه کوتاه-بلند مدت (LSTM) و شبکه های پیچشی زمانی (TCN) و معرفی مناسبترین آنها در حوضهی قرهسو استان گلستان میباشد. مهمترین نوآوری پژوهش حاضر در مقایسه با پژوهشهای انجامشده مرتبط با پهنهبندی خطرها در داخل کشور، بهکارگیری مدلهای جدید یادگیری عمیق و درنظرگرفتن حداکثری عوامل سیلخیزی بهمنظور تعیین کارآمدترین مدل و افزایش دقت نقشههای پیشبینی رخداد سیل است. مواد و روشها ابتدا منطقهی پژوهش انتخاب و سپس جمعآوری و آمادهسازی نقشههای عاملهای مؤثر انجام شد. در این پژوهش16 عامل بهعنوان متغیرهای مستقل انتخاب شدند. با استفاده از اطلاعات دریافتی از سازمان وزارت نیرو و بازدیدهای میدانی بهعنوان متغیر وابسته، نقشهی پراکنش رخداد سیل تهیه شد و به دو دستهی نقاط آزمایشی (30%) و آموزشی (70%) تقسیم شد. اجرای مدلهای TCN، LSTM و GRU، تهیهی نقشههای پهنهبندی خطر رخداد سیل و طبقهبندی آنها به پنج ردهی خیلیکم، کم، متوسط، زیاد و خیلیزیاد انجام شد. ارزیابی دقت طبقهبندی و اعتبارسنجی نقشههای پهنهبندی و پیشبینی خطر رخداد سیل انجام شد و در نهایت مناسبترین مدل انتخاب شد. نتایج و بحث بهمنظور تهیهی نقشهی پهنهبندی رخداد سیل، 59 مکان سیل براساس اطلاعات موجود و بررسی تصاویر راداری در بازه زمانی قبل و بعد از سیلاب با استفاده نرمافزار Google Earth تهیه شد (متغیر وابسته). از این تعداد 70% به عنوان دادههای آموزشی و 30% به عنوان دادههای آزمون بهترتیب برای اجرا و اعتبارسنجی مدل بهطور تصادفی انتخاب و تقسیم شدند. در مرحله بعد از 16عامل در قالب گروههای زمینشناسی، هیدرولوژیک، مورفومتریک حوضه بههمراه دادههای اقلیمی بهعنوان متغیر مستقل و بهمنظور پهنهبندی و مدلسازی استفاده شد. ارزیابی دقت طبقهبندی مدلها با استفاده از دو شاخص نسبت فراوانی (FR) و سطح سلول هسته (SCAI) نشان داد که اکثر نقاط سیل در ردههای پرخطر قرار دارند (زیاد و خیلیزیاد) واین پهنهها سهم بیشتری از وسعت منطقه را بهخود اختصاص دادهاند. البته در مدل GRU این مقدار کمتر بود. همچنین با استفاده از سطح زیر منحنیهای ROC (Receiver Operating Characteristic) و CC (Cost Curve) مدل TCN نسبت به دو مدل LSTM و GRU در اولویت قرار دارد. سطح زیر این دو منحنی بهترتیب بیشترین (92/0) و کمترین (08/0) مقادیر را در بین مدلها بهخود اختصاص داده است. همچنین مشخص شد در مدل TCN رده خطر خیلیزیاد با وسعت حدود 45 درصد منطقه، حدود 83 درصد رخداد سیل، در مدل LSTM با وسعت حدود 23 درصد منطقه، حدود 60 درصد رخداد سیل و در مدل GRU با وسعت حدود 10 درصد منطقه، حدود 4 درصد رخداد سیل را پوشش میدهد. بنابراین نقشههای پهنهبندی خطر رخداد سیل حاصل از این پژوهش میتوانند مبنای برنامهریزی و مدیریت بحران ناشی از رخداد سیل قرار گیرند. نتایج این مطالعه برای پروژههای توسعهای آتی از سازمانهای مختلف فعال در بسیاری از کشورهای در حال توسعه ضروری خواهد بود و بهعنوان پایهای به کاهش خطر سیل و مدیریت آن کمک خواهد کرد. نتیجهگیری و پیشنهادها پس از اجرای مدلها با استفاده از AUC-ROC هرسه مدل، در مرحلهی آموزش با کسب درجهی عالی (1-9/0) مطلوبیت مدلسازی بالایی داشتند. نقشههای تهیهشده از پهنهبندی خطر رخداد سیل با کاربرد هر سه مدل، نشاندهندهی دقت بالای طبقهبندی پهنهها و توزیع مناسب نقاط سیلابی در ردههای زیاد و خیلیزیاد بود. اما مدل TCN در هردو مرحله آموزش و آزمون برازش خوبی در مدلسازی کسب کرد. ارزیابی دقت طبقهبندی و اعتبارسنجی مدلها نشان داد دو مدل TCN و LSTM ضمن دارا بودن آستانه طبقات مناسب در طبقهبندی، از اولویت بیشتری برای پهنهبندی و پیشبینی رخداد سیل بهرهمند هستند. در نهایت با استفاده از سطح زیر منحنی هزینه (Area Under the Cost Curve) مقادیر 08/0، 10/0 و 11/0 بهترتیب برای مدلهای TCN، LSTM و GRU بدست آمد که مشخص شد مدل TCN با کمترین مقدار هزینه، مطلوبیت مدلسازی بالایی دارد. با توجه به اینکه شاخصهای مورفومتریک در پهنهبندی نقشههای خطر رخداد سیل نقش مهمی دارد، لذا استفاده از این پارامترها در کنار سایر شاخصهای مرسوم در تهیه نقشههای پهنهبندی در مطالعات آینده پیشنهاد میگردد. همچنین با توجه به اینکه روشهای یادگیری عمیق و ترکیب آن با یکدیگر در مطالعات خارج از کشور نتایج خوبی بههمراه داشته است، بنابراین توصیه میشود روشهای ترکیبی نوین (هیبریدی) و استفاده بهینهسازهای مناسب در دیگر زیرحوضههای استان گلستان مورد بررسی و ارزیابی قرار گیرد. | ||
| کلیدواژهها | ||
| پهنهبندی؛ پیشبینی؛ خطر؛ سیل؛ قرهسو؛ مدلهای یادگیری عمیق | ||
| عنوان مقاله [English] | ||
| Flood hazard prediction using Deep Learning Models in Qarasu watershed, Golestan Province | ||
| نویسندگان [English] | ||
| Kourosh Shirani1؛ Mohamad Ali Sadri2 | ||
| 1Associate Professor, Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran | ||
| 2Islamic Azad university | ||
| چکیده [English] | ||
| Introduction and Goal Flooding is one of the most destructive natural disasters with social, economic and environmental consequences, and machine learning methods have been developed to model and predict it. The purpose of this research is to zone and predict flood risk using three deep learning models, including GRU, LSTM and TCN models, and to introduce the most suitable ones in the Qarasu basin of Golestan province. The most important innovation of the present research, compared to previous research on hazard zonation in the country, is to use new deep learning models and consider as many influence factors on flood occurrence as possible in order to determine the most efficient model and increase the accuracy of flood prediction maps. Materials and Methods First, the research area was selected, and then the maps of the effective factors were collected and prepared. In this study, 16 effective factors were selected as independent variables. Using information received from the Ministry of Energy and field survey as the dependent variable, a flood event distribution map was prepared and divided into two groups of experimental points (30%) and training points (70%), randomly. TCN, LSTM and GRU models were implemented, flood hazard zonation maps were prepared and classified into five classes: very low, low, medium, high and very high. The classification accuracy and validation of the flood risk zoning and prediction maps were evaluated. Finally, the most appropriate model was selected. Results and Discussion In order to prepare a flood event zonation map, 59 flood locations were prepared based on available information and radar images before and after the flood using Google Earth software (dependent variable). Of these, 70% were randomly selected and divided as training data and 30% as test data for model implementation and validation, respectively. In the next step, 16 geological, hydrological, and morphometric group factors of the basin were used along with climatic data (as independent variables) for zoning and modeling. Evaluation of the classification accuracy of the models using two indices, frequency ratio (FR) and seed cell area index (SCAI), showed that most flood locations are in high-hazard classes (high and very high) and these zones occupy a larger share of the area. Of course, this value was lower in the GRU model. Also, using the area under curve of ROC (Receiver Operating Characteristic) and CC (Cost Curve), the TCN model is given priority over the two LSTM and GRU models. It has the highest (0.92) and lowest (0.08) values among the models, respectively. It was also found that in the TCN model, the very high hazard class with an area of about 45% of the region covers about 83% of the flood events, in the LSTM model with an area of about 23% of the region, it covers about 60% of the flood events, and in the GRU model with an area of about 10% of the region, it covers about 4% of the flood events. Therefore, the flood hazard zonation maps obtained from this study can be the basis for planning and crisis management caused by flood events. The results of this study will be essential for future development projects of various organizations active in many developing countries and will help as a basis to reduce flood risk and manage it. Conclusion and Suggestions After running the models using the area under the ROC curve (AUC), all three models had high modeling suitability in the training phase with an excellent score (0.9-1). The maps prepared from flood hazard zonation using all three models indicated high accuracy in zone classification and appropriate distribution of flood points in high and very high classes. However, the TCN model achieved good modeling fit in both training and testing phases (above 0.9). Evaluation of classification accuracy and validation of the models showed that the two TCN and LSTM models, in addition to having appropriate class thresholds in classification, have higher priority for zonation and flood prediction. Finally, using the Area Under the Cost Curve, values of 0.08, 0.10, and 0.11 were obtained for the TCN, LSTM, and GRU models, respectively, which indicated that the TCN model with the lowest cost has high modeling utility. Given that morphometric indices play an important role in the zoning of flood hazard maps, the use of these parameters along with other conventional indices in the preparation of zonation maps is recommended in future studies. Also, given that deep learning methods and their combination have yielded good results in studies abroad, it is recommended that interested researchers investigate and evaluate new hybrid methods and the use of appropriate optimizers in other sub-basins of Golestan province. | ||
| کلیدواژهها [English] | ||
| Deep learning models, floods, hazard, prediction, Qarasu, zonation | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 4 |
||