Journal of Rainwater Catchment Systems

fa برتری مدل حداکثر آنتروپی بر جنگل تصادفی در پهنه‌بندی حساسیت سیل با داده‌های محدود در مناطق نیمه‌خشک Superiority of the maximum entropy (MaxEnt) model over random forest for flood susceptibility mapping with limited data in semi-arid regions تخصصي Special پژوهشي Research 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 سیل با 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 منحنی ROC و شاخص سطح زیر منحنی (AUC) مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل MaxEnt با 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 10۰–۰ متر 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 شاخص‌ TWI رابطه مستقیم با وقوع سیل مشاهده شد. در نهایت، نقشه نهایی پهنه‌بندی حساسیت سیل با استفاده از مدل برتر MaxEnt تهیه 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 مشابه است. 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 سیل با 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 منحنی ROC و شاخص سطح زیر منحنی (AUC) مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل MaxEnt با 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 10۰–۰ متر 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 شاخص‌ TWI رابطه مستقیم با وقوع سیل مشاهده شد. در نهایت، نقشه نهایی پهنه‌بندی حساسیت سیل با استفاده از مدل برتر MaxEnt تهیه 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 مشابه است. 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 سیل با 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 منحنی ROC و شاخص سطح زیر منحنی (AUC) مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل MaxEnt با 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 10۰–۰ متر 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 شاخص‌ TWI رابطه مستقیم با وقوع سیل مشاهده شد. در نهایت، نقشه نهایی پهنه‌بندی حساسیت سیل با استفاده از مدل برتر MaxEnt تهیه 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 مشابه است.   Floods are one of the most destructive natural disasters, inflicting extensive human and financial losses on communities. The occurrence and intensification of this phenomenon result from the dynamic and complex interaction of multiple environmental and anthropogenic factors. This research was conducted with the aim of flood susceptibility zoning using artificial intelligence models in the Alishtar watershed, Lorestan Province, Iran. The study area, covering 797.64 km², is part of the Karkheh sub-basin and has a semi-arid, cold climate with an average annual precipitation of 570 mm. In this study, 10 influential factors—including slope, aspect, precipitation, distance from roads, distance from rivers, soil type, land use, geological formation, Topographic Wetness Index (TWI), and drainage density—were used as input data. Out of a total of 58 observation points (33 flood points and 25 non-flood points), 70% were used for model training and 30% for validation. The performance of two models—Random Forest (RF) and Maximum Entropy (MaxEnt)—was evaluated using the ROC curve and the Area Under the Curve (AUC) index. The results indicated that the MaxEnt model, with AUC values of 0.98 in the training phase and 0.93 in the validation phase, demonstrated the best performance in predicting flood susceptibility. Analysis of the influencing factors revealed that most floods occurred in precipitation classes of 600–700 mm, distances of 0–100 m from roads and rivers, slope classes of 0–5% and 5–15%, northwest-facing aspects, rainfed agricultural land use, and old alluvial formations. Additionally, a direct relationship was observed between the TWI index and flood occurrence. Finally, the final flood susceptibility zonation map was prepared using the superior MaxEnt model. This research demonstrates that the use of artificial intelligence models, particularly Maximum Entropy (MaxEnt), serves as an efficient tool for identifying flood-prone areas and contributes to effective planning and management for flood control in similar regions. سیل‌خیزی, یادگیری ماشین, سیستم اطلاعات جغرافیایی, مناطق نیمه‌خشک, پهنه‌بندی Flood susceptibility, Machine learning, Geographic Information System (GIS), Semi-arid regions, Mapping 0 0 http://jircsa.ir/browse.php?a_code=A-10-660-3&slc_lang=fa&sid=1 Ali Haghi Zadeh علی حقی‌زاده haghizadeh.a@lu.ac.ir 10031947532846006351 10031947532846006351 Yes Negar Arjmand نگار ارجمند Negar.arjmand87@gmail.com 10031947532846006352 10031947532846006352 No Reza Fathi Ganji رضا فتحی گنجی fathiganji.reza@ut.ac.ir 10031947532846006353 10031947532846006353 No