سیل یکی از مخربترین بلایای طبیعی است که خسارات جانی و مالی گستردهای به جوامع وارد میسازد. وقوع و تشدید این پدیده حاصل تعامل پویا و پیچیده چندین عامل محیطی و انسانی است. این پژوهش با هدف پهنهبندی حساسیت سیلبا استفاده از مدلهای هوش مصنوعی در حوزه آبخیز الشتر استان لرستان انجام شد. منطقه مورد مطالعه با مساحت 64/797 کیلومتر مربع، بخشی از زیرحوضه کرخه و دارای اقلیم نیمهخشک و سرد با میانگین بارندگی ۵۷۰ میلیمتر است. در این تحقیق، از ۱0 عامل مؤثر شامل شیب، جهت شیب، بارش، فاصله از جاده، فاصله از رودخانه، نوع خاک، کاربری اراضی، سازند زمینشناسی، شاخص رطوبت توپوگرافی (TWI)، تراکم زهکشی به عنوان دادههای ورودی استفاده شد. از مجموع 58 نقطه مشاهداتی (33 نقطه سیل و 25 نقطه غیرسیل)، ۷۰ درصد برای آموزش و ۳۰ درصد برای اعتبارسنجی مدلها به کار رفت. عملکرد دو مدل شامل جنگل تصادفی (RF)، حداکثر آنتروپی (MaxEnt) با استفاده از منحنیROC و شاخص سطح زیر منحنی (AUC) مورد ارزیابی قرار گرفت. نتایج نشان داد که مدلMaxEntبا مقادیر AUC برابر با 98/0 در مرحله آموزش و 93/0 در مرحله اعتبارسنجی، بهترین عملکرد را در پیشبینی حساسیت سیل دارد.تحلیل عوامل مؤثر نشان داد که بیشترین سیلها در طبقات بارشی ۷۰۰-۶۰۰ میلیمتر، فواصل 10۰–۰متر از جاده و رودخانه، شیبهای ۰-۵ و ۵-۱۵ درصد، جهت شمال غربی ، کاربری کشاورزی دیم و سازندهای آبرفت قدیم واقع شدهاند. همچنین بین شاخصTWI رابطه مستقیم با وقوع سیل مشاهده شد. در نهایت، نقشه نهایی پهنهبندی حساسیت سیل با استفاده از مدل برترMaxEntتهیه شد. این پژوهش نشان میدهد که استفاده از مدلهای هوش مصنوعی به ویژه حداکثر آنتروپی (MaxEnt)، ابزاری کارآمد برای شناسایی مناطق مستعد سیل و کمک به برنامهریزی و مدیریت مؤثر در جهت کنترل این پدیده در مناطق مشابهاست. سیل یکی از مخربترین بلایای طبیعی است که خسارات جانی و مالی گستردهای به جوامع وارد میسازد. وقوع و تشدید این پدیده حاصل تعامل پویا و پیچیده چندین عامل محیطی و انسانی است. این پژوهش با هدف پهنهبندی حساسیت سیلبا استفاده از مدلهای هوش مصنوعی در حوزه آبخیز الشتر استان لرستان انجام شد. منطقه مورد مطالعه با مساحت 64/797 کیلومتر مربع، بخشی از زیرحوضه کرخه و دارای اقلیم نیمهخشک و سرد با میانگین بارندگی ۵۷۰ میلیمتر است. در این تحقیق، از ۱0 عامل مؤثر شامل شیب، جهت شیب، بارش، فاصله از جاده، فاصله از رودخانه، نوع خاک، کاربری اراضی، سازند زمینشناسی، شاخص رطوبت توپوگرافی (TWI)، تراکم زهکشی به عنوان دادههای ورودی استفاده شد. از مجموع 58 نقطه مشاهداتی (33 نقطه سیل و 25 نقطه غیرسیل)، ۷۰ درصد برای آموزش و ۳۰ درصد برای اعتبارسنجی مدلها به کار رفت. عملکرد دو مدل شامل جنگل تصادفی (RF)، حداکثر آنتروپی (MaxEnt) با استفاده از منحنیROC و شاخص سطح زیر منحنی (AUC) مورد ارزیابی قرار گرفت. نتایج نشان داد که مدلMaxEntبا مقادیر AUC برابر با 98/0 در مرحله آموزش و 93/0 در مرحله اعتبارسنجی، بهترین عملکرد را در پیشبینی حساسیت سیل دارد.تحلیل عوامل مؤثر نشان داد که بیشترین سیلها در طبقات بارشی ۷۰۰-۶۰۰ میلیمتر، فواصل 10۰–۰متر از جاده و رودخانه، شیبهای ۰-۵ و ۵-۱۵ درصد، جهت شمال غربی ، کاربری کشاورزی دیم و سازندهای آبرفت قدیم واقع شدهاند. همچنین بین شاخصTWI رابطه مستقیم با وقوع سیل مشاهده شد. در نهایت، نقشه نهایی پهنهبندی حساسیت سیل با استفاده از مدل برترMaxEntتهیه شد. این پژوهش نشان میدهد که استفاده از مدلهای هوش مصنوعی به ویژه حداکثر آنتروپی (MaxEnt)، ابزاری کارآمد برای شناسایی مناطق مستعد سیل و کمک به برنامهریزی و مدیریت مؤثر در جهت کنترل این پدیده در مناطق مشابهاست. سیل یکی از مخربترین بلایای طبیعی است که خسارات جانی و مالی گستردهای به جوامع وارد میسازد. وقوع و تشدید این پدیده حاصل تعامل پویا و پیچیده چندین عامل محیطی و انسانی است. این پژوهش با هدف پهنهبندی حساسیت سیلبا استفاده از مدلهای هوش مصنوعی در حوزه آبخیز الشتر استان لرستان انجام شد. منطقه مورد مطالعه با مساحت 64/797 کیلومتر مربع، بخشی از زیرحوضه کرخه و دارای اقلیم نیمهخشک و سرد با میانگین بارندگی ۵۷۰ میلیمتر است. در این تحقیق، از ۱0 عامل مؤثر شامل شیب، جهت شیب، بارش، فاصله از جاده، فاصله از رودخانه، نوع خاک، کاربری اراضی، سازند زمینشناسی، شاخص رطوبت توپوگرافی (TWI)، تراکم زهکشی به عنوان دادههای ورودی استفاده شد. از مجموع 58 نقطه مشاهداتی (33 نقطه سیل و 25 نقطه غیرسیل)، ۷۰ درصد برای آموزش و ۳۰ درصد برای اعتبارسنجی مدلها به کار رفت. عملکرد دو مدل شامل جنگل تصادفی (RF)، حداکثر آنتروپی (MaxEnt) با استفاده از منحنیROC و شاخص سطح زیر منحنی (AUC) مورد ارزیابی قرار گرفت. نتایج نشان داد که مدلMaxEntبا مقادیر AUC برابر با 98/0 در مرحله آموزش و 93/0 در مرحله اعتبارسنجی، بهترین عملکرد را در پیشبینی حساسیت سیل دارد.تحلیل عوامل مؤثر نشان داد که بیشترین سیلها در طبقات بارشی ۷۰۰-۶۰۰ میلیمتر، فواصل 10۰–۰متر از جاده و رودخانه، شیبهای ۰-۵ و ۵-۱۵ درصد، جهت شمال غربی ، کاربری کشاورزی دیم و سازندهای آبرفت قدیم واقع شدهاند. همچنین بین شاخصTWI رابطه مستقیم با وقوع سیل مشاهده شد. در نهایت، نقشه نهایی پهنهبندی حساسیت سیل با استفاده از مدل برترMaxEntتهیه شد. این پژوهش نشان میدهد که استفاده از مدلهای هوش مصنوعی به ویژه حداکثر آنتروپی (MaxEnt)، ابزاری کارآمد برای شناسایی مناطق مستعد سیل و کمک به برنامهریزی و مدیریت مؤثر در جهت کنترل این پدیده در مناطق مشابهاست.
نوع مطالعه: پژوهشي |
موضوع مقاله: تخصصي دریافت: 1405/4/11 | ویرایش نهایی: 1405/4/28 | پذیرش: 1405/4/31 | انتشار الکترونیک پیش از انتشار نهایی: 1405/5/9 | انتشار الکترونیک: 1405/5/9
تکمیل و ارسال فرم تعارض منافع نویسنده گرامی ، پس از ارسال مقاله ، جهت دریافت فرم، لطفا بر روی کلمه فرم تعارض منافع کلیک نمایید و پس از تکمیل، در فایل های پیوست مقاله قرار دهید.
