%0 Journal Article %A Avand, Mohammadtaghi %A Janizadeh, Saeid %A Jafari, Faeze %T Evaluating the Efficiency of Machine Learning Models in Preparing Flood Probability Mapping %J Degradation and Rehabilitation of Natural Land %V 1 %N 1 %U http://drnl.sanru.ac.ir/article-1-141-fa.html %R %D 2020 %K Data mining models, Flood zoning, GBM, Komijan watershed, Random forest, %X سیل یکی از مخرب­ترین بلایای طبیعی است که هر ساله باعث تلفات مالی و جانی می­شود. بنابراین تولید نقشه حساسیت برای مدیریت سیل و کاهش اثرات زیانبار آن ضروری است. پژوهش حاضر به منظور تهیه نقشه حساسیت به وقوع سیل با استفاده از مدل­ های داده‎کاوی شامل جنگل تصادفی (Random Forest) و ماشین گرادیان تقویتی (Gradient Boosting Machine) انجام گرفت. ابتدا 275 موقعیت مکانی سیل و 275 موقعیت مکانی غیرسیل در حوضه کمیجان استان مرکزی شناسایی شد. موقعیت­ های مکانی سیل­ گیر به صورت تصادفی به 70 درصد (190 موقعیت) و30 درصد (82 موقعیت) به ترتیب برای مدلسازی و اعتبارسنجی تقسیم گردید. سپس 12 فاکتور موثر بر وقوع سیل که شامل، شیب، جهت، ارتفاع، بارندگی، کاربری اراضی، فاصله از رودخانه، تراکم زهکشی، شکل شیب، انحنای شیب، سنگ شناسی، خاک و شاخص قدرت جریان می باشند، تعیین شدند. برای ارزیابی مدل­های به کار رفته منحنی ROC مورد استفاده قرار گرفت. نتایج نشان داد که در مرحله اعتبارسنجی، سطح زیر منحنی برای مدل­های RF و GBM به ترتیب 83/0 و 75/0 درصد بوده است که نشان­دهنده صحت بیشتر مدل RF در تهیه نقشه حساسیت به وقوع سیل می­باشد. مهم­ترین فاکتورهای موثر در سیل در حوزه آبخیز کمیجان به ترتیب بارندگی، فاصله از رودخانه و ارتفاع می­ باشند. %> http://drnl.sanru.ac.ir/article-1-141-fa.pdf %P 19-32 %& 19 %! %9 Research %L A-10-369-1 %+ PhD Student in Watershed Management, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, Iran %G eng %@ 2717-4425 %[ 2020