fa ارزیابی کارایی مدل های یادگیری ماشین در تهیه نقشه احتمال خطر سیل تغییر کاربری اراضی پژوهشي Research <div style="text-align: justify;"><span style="font-size:11px;"><strong><span style="color:black;">&nbsp;&nbsp;&nbsp; سیل یکی از مخرب&shy;ترین بلایای طبیعی است که هر ساله باعث تلفات مالی و جانی می&shy;شود. 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&shy; های داده</span></strong><strong><span dir="LTR"><span style="color:black;">&lrm;</span></span></strong><strong><span style="color:black;">کاوی شامل جنگل تصادفی (</span></strong><strong><span dir="LTR"><span style="color:black;">Random Forest</span></span></strong><strong><span style="color:black;">)</span></strong><strong><span style="color:black;"> و ماشین گرادیان تقویتی (</span></strong><strong><span dir="LTR"><span style="color:black;">Gradient Boosting Machine</span></span></strong><strong><span style="color:black;">)</span></strong><strong><span style="color:black;"> انجام گرفت. ابتدا 275 موقعیت مکانی سیل و 275 موقعیت مکانی غیرسیل در حوضه کمیجان استان مرکزی شناسایی شد. موقعیت&shy; های مکانی سیل&shy; گیر به صورت تصادفی به 70 درصد (190 موقعیت) و30 درصد (82 موقعیت) به ترتیب برای مدلسازی و اعتبارسنجی تقسیم گردید.</span></strong> <strong><span style="color:black;">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 مدل&shy;های به کار رفته منحنی </span></strong><strong><span dir="LTR"><span style="color:black;">ROC</span></span></strong><strong><span style="color:black;"> مورد استفاده قرار گرفت. نتایج نشان داد که در مرحله اعتبارسنجی، سطح زیر منحنی برای مدل&shy;های </span></strong><strong><span dir="LTR"><span style="color:black;">RF</span></span></strong><strong><span style="color:black;"> و </span></strong><strong><span dir="LTR"><span style="color:black;">GBM</span></span></strong><strong><span style="color:black;"> به ترتیب 83/0 و 75/0 درصد بوده است که نشان&shy;دهنده صحت بیشتر مدل </span></strong><strong><span dir="LTR"><span style="color:black;">RF</span></span></strong><strong><span style="color:black;"> در تهیه نقشه حساسیت به وقوع سیل می&shy;باشد. مهم&shy;ترین فاکتورهای موثر در سیل در حوزه آبخیز کمیجان به ترتیب بارندگی، فاصله از رودخانه و ارتفاع می&shy; باشند. </span> </strong></span></div> <div style="text-align: justify;">Flood is one of the most devastating natural disasters that annually causes financial and life losses. Therefore, developing a susceptibility map for flood management and reducing its harmful effects is essential. The present study was conducted to prepare a flood susceptibility map using data mining models including Random Forest (RF) and Gradient Boosting Machine (GBM). At first, 275 flooding locations flood and 275 non-flood locations were identified in the Komijan watershed of Markazi province. Spatial locations were randomly divided to 70% (190 location) and 30% (82 location) for modeling and validation, respectively. Then, 12 factors affecting the occurrence of flood including slope, aspect, altitude, rainfall, land use, distance from river, drainage density, plan curvature, profile curvature, lithology, soil and stream power index were determined. The ROC curve was used to evaluate the models used. The results showed that in the validation stage, the under curve for RF and GBM models was 0.83 and 0.75%, respectively, which indicates that the RF model is more accurate in producing a flood susceptibility map. The most important factors affecting the flood are rainfall, distance from river and altitude.</div> پهنه بندی سیلاب, جنگل تصادفی, مدل های داده کاوی, منطقه کمیجان, GBM Data mining models, Flood zoning, GBM, Komijan watershed, Random forest 19 32 http://drnl.sanru.ac.ir/browse.php?a_code=A-10-369-1&slc_lang=fa&sid=1 Mohammadtaghi Avand محمدتقی آوند mt.avand70@gmail.com 1003194753284600929 1003194753284600929 Yes PhD Student in Watershed Management, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, Iran دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، پردیس نور، ایران Saeid Janizadeh سعید جانی زاده avand2492@gmail.com 1003194753284600930 1003194753284600930 No Watershed Management, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, Iran دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، پردیس نور، ایران Faeze Jafari فائزه جعفری faeze_jafari86@yahoo.com 1003194753284600931 1003194753284600931 No Watershed Management, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, Iran دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، پردیس نور، ایران