پیش بینی مناطق مستعد وقوع سیل با استفاده از مدل های پیشرفته یادگیری ماشین (دشت بیرجند)

تحقیقات در مورد مدل های پیش بینی سیل، یکی از اقدامات اولیه در کاهش خسارت سیل و مدیریت سیل های آینده در حوضه های آبریز است. هدف از مطالعه حاضر، ارزیابی حساسیت سیل در حوضه آبریز دشت بیرجند از طریق چهار مدل یادگیری ماشین شامل ماشین بردار پشتیبان (‏SVM)‏، درخت تصمیم J48‏، جنگل تصادفی (‏RF) و سیستم استنتاج عصبی فازی (ANFIS) است. لذا جهت پیاده سازی و اعتبارسنجی مدل های ذکر شده، فهرستی از مناطق مستعد سیل در منطقه مورد مطالعه تهیه شد (42 موقعیت سیل خیز). علاوه بر این، 19 معیار هیدروژیولوژیکی، توپوگرافی، زمین شناسی و محیطی موثر بر وقوع سیل در منطقه مورمطالعه استخراج شدند تا برای پیش بینی نقشه حساسیت سیل مورد استفاده قرار گیرند. نتایج نشان داد که بالاترین دقت مربوط به مدل RF (845/0) و کمترین دقت مربوط به مدل SVM‏ (‏791/0)‏ بود. علاوه بر این، اعتبارسنجی نتایج با استفاده از منحنی ROC نشان داد که دقیق ترین مقادیر حساسیت سیل نیز به مدل RF اختصاص دارد (958/0AUC=)‏. نتایج این مطالعه می تواند به منظور مدیریت مناطق آسیب پذیر و کاهش خسارات سیل استفاده گردد.