ارزیابی الگوریتم های ماشین یادگیرنده (RF و SVM) در تولید نقشه حساسیت سیلاب حوزه آبخیز مارون

عوامل متعدد اقلیمی، هیدرولوژیکی، ژیومورفولوژیکی و زمین شناسی در وقوع سیلاب نقش دارند. تجزیه و تحلیل سیلاب، مدیریت و کنترل آن می تواند با تهیه نقشه های پتانسیل سیل خیزی انجام شود. هدف این پژوهش تهیه نقشه پتانسیل سیل خیزی حوضه مارون با استفاده از روش های یادگیری ماشین جنگل تصادفی و ماشین بردار پشتیبان می باشد. به این منظور 16 پارامتر موثر در وقوع سیلاب شامل طبقات ارتفاعی، مقدار و جهت شیب، انحنای زمین، سازندهای زمین شناسی، کاربری اراضی، شماره منحنی، بارندگی، درجه حرارت، شاخص قدرت جریان (SPI)، شاخص رطوبت توپوگرافی (TWI)، فاصله از آبراهه، تراکم آبراهه، فاصله از جاده، تراکم جاده و شاخص پوشش گیاهی NDVI در نظر گرفته شد. پارامترهای مذکور در محیط نرم افزارهای ArcGIS 10.8، ENVI 5.3 و SAGA GIS 7.2 تهیه شدند سپس به فرمت خوانا برای محیط نرم افزار R به منظور اجرای مدل ماشین بردار پشتیبان و جنگل تصادفی تبدیل شدند. در نهایت با استفاده از بسته SDM مدل های RF و SVM اجرا شدند و با استفاده از منحنی تشخیص عملکرد نسبی(ROC) مورد ارزیابی قرار گرفتند. نتایج نشان داد که مدل های RF و SVM بترتیب با دقت 997/0 و 947/0 درصد نقشه سیل خیزی حوضه مارون را پیش بینی کردند.