رويكرد پيش‌بيني جديد با استفاده از تركيب يادگيري ماشين براي پيش بيني مناطق حساس به وقوع سيل (مطالعه موردي: حوضۀ آبريز كارون)

سابقه و هدف: ايران به‌دليل‌‌ تنوع محيطي بالا، رتبه‌ بالايي در بحران‌هاي ناشي از سوانح طبيعي دارد. با رشد سريع شهرها و تغييرات اقليمي، سيل به عنوان يكي از اين سوانح طبيعي خسارات اجتماعي– اقتصادي، بهداشتي و آسيب‌هاي محيط زيستي شديدي را در بسياري از مناطق به وجود آورده است. لذا، پيش‌بيني فضايي سيل به‌قدري حياتي است كه عدم شناسايي مناطق مستعد سيل در يك حوضه‌ آبريز ممكن است آثار مخرب آن را افزايش دهد. در سال‌هاي اخير، با پيشرفت ابزارهاي سنجش از دور، اطلاعات جغرافيايي، يادگيري ماشين و مدل‌هاي آماري، ايجاد نقشه‌هاي پيش‌‌بيني سيل با دقت بالا كاملاً امكان‌پذير شده است. به همين منظور، در اين پژوهش، با استفاده از تصاوير ماهواره‌Sentinel و استفاده از رويكرد نوين مدل همادي با شش مدل يادگيري ماشين به پيش‌بيني مكان‌هاي مستعد سيل در حوضه‌ آبريز كارون پرداخته شد. مواد و روش‌‌ها: در اين پژوهش از رادار ديافراگم مصنوعي (SAR) به‌دست‌آمده از تصاوير Sentinel-1 براي شناسايي مناطقي كه تحت تأثير سيل قرار گرفته‌اند، استفاده شد. ابتدا تاريخ‌هاي بارندگي شديد و وقوع سيل در منطقه‌ مورد مطالعه از منابع اطلاعاتي مختلف شناسايي شدند. سپس تصاوير Sentinel-1 مربوط به قبل و بعد از رويداد سيل از طريق پايگاه داده‌ Copernicus تهيه شد. پردازش اين داده‌ها با استفاده از پلتفرم SNAP انجام شد. شناسايي مناطق تحت تأثير سيل با بهره‌گيري از روش حد آستانه صورت گرفت. براي اين منظور از شاخص تفاوت نرمال‌شده‌ آب (NDWI) توليدشده از تصاوير Sentinel-2 و همچنين طبقات پوشش زمين كه بدنه‌هاي آبي دائمي را نشان مي‌دهند، استفاده شد تا آستانه‌اي كه مناطق سيل‌زده را شناسايي مي‌كند، تعيين شود. سپس لايه‌ پليگوني سيل به لايه‌ نقطه‌اي تبديل و در مجموع ۷۰ نقطه وقوع سيل ايجاد شد. با توجه به مرور مطالعات پيشين و ويژگي‌هاي محلي، هفت عامل اصلي كه به‌طور چشمگيري بر وقوع سيلاب در منطقه تأثير دارند، شناسايي شدند. اين عوامل شامل شاخص نرمال‌شده‌ تفاوت پوشش گياهي (NDVI)، شاخص رطوبت توپوگرافي (TWI)، شيب، جهت جريان، تجمع جريان، فاصله از رودخانه و بارندگي ماهانه هستند. مدل رقومي ارتفاع (DEM) منطقه نيز از پايگاه داده‌ SRTM تهيه شده و تفكيك فضايي همه‌ عوامل با لايه‌ DEM يكسان تنظيم شد. سپس، با استفاده از الگوريتم‌هاي مختلف يادگيري ماشين، مدلي تركيبي توسعه داده شد كه نتايج دقيق‌تري در پيش‌بيني مناطق مستعد سيل ارائه مي‌دهد. مدل‌هاي منفرد شامل مدل خطي تعميم‌يافته (GLM)، رگرسيون درختي پيشرفته (BRT)، مدل ماشين بردار پشتيبان (SVM)، مدل جنگل تصادفي (RF)، مدل رگرسيون سازشي چندمتغيره (MARS) و مدل بيشينه‌ بي‌نظمي (MAXENT) هستند. نتايج و بحث: نتايج اين مطالعه نشان مي‌دهد كه شمال شرق شهرستان اليگودرز، بخش‌هايي از دورود و ازنا در استان لرستان، خادم‌ميرزا، شهركرد و كيار در استان چهارمحال بختياري، دنا و بويراحمد در استان كهكيلويه و بويراحمد، شهرستان سميرم در استان اصفهان، و مناطق جنوبي حاشيه‌ رودخانه كارون در استان خوزستان بيشترين پتانسيل وقوع سيل را در اين حوضه دارند. ارزيابي عملكرد مدل‌ها نشان مي‌دهد كه مدل‌هاي جنگل تصادفي (RF) و بيشينه‌ بي‌نظمي (MaxEnt) بالاترين دقت را در بين مدل‌هاي منفرد داشته‌اند. اين مدل‌ها با تركيب اطلاعات محيطي و داده‌هاي وقوع سيل، قادر به ارائه‌ نقشه‌هاي حساسيت به سيل با دقت بالا هستند. از اين نقشه‌ها مي‌توان به‌عنوان ابزار مديريتي مهمي براي كاهش اثرات مخرب سيل و جلوگيري از توسعه‌ مناطق آسيب‌پذير استفاده كرد.نتيجه‌گيري: به‌طور كلي، اين پژوهش نشان مي‌دهد كه استفاده از رويكرد همادي با تركيب مدل‌هاي يادگيري ماشين مي‌تواند نتايج قابل اطمينان‌تري در پيش‌بيني مناطق مستعد سيل فراهم كند. نتايج اين پژوهش براي مديران و برنامه‌ريزان كارآمد است و مي‌تواند از توسعه در مناطق آسيب‌پذير جلوگيري كند و در نتيجه به كاهش زيان‌هاي اقتصادي و جاني در آينده كمك كند.