تكنيك هاي انتخاب ويژگي الگوريتم هاي يادگيري ماشين مبنا در وقوع سيلاب شهر سنندج

عدم قطعيت در مطالعات مخاطرات طبيعي مانند سيلاب مربوط به عوامل ورودي در مدل سازي و انتخاب روش استفاده شده مي باشد كه بر نتايج نهايي تأثيرگذار است. انتخاب عوامل ورودي و ترتيب اهميت آن ها نه تنها اولين مرحله در مدل سازي حساسيت پذيري، خطر و ريسك مناطق سيلابي در راستاي افزايش عملكرد و قدرت پيش بيني روش هاي به كارگرفته است بلكه به برنامه ريزان سرزمين يك چشم انداز كلي نسبت به مهم ترين عوامل اثرگذار را نيز فراهم مي آورد. در اين پژوهش 19 عامل مؤثر بر وقوع سيلاب شهر سنندج شناسايي و به همراه 174 نقطه سيلابي و نيز 174 نقطه غير سيلابي با يك تركيب 80 به 20 تهيه و براي پردازش آماده سازي شدند. ابتدا بر اساس شاخص هاي VIF و TOL همبستگي دروني بين عوامل بررسي شد. سپس، تكنيك هاي تعيين ويژگي در يادگيري ماشين شامل Information Gain Ratio (IGR)،OneR Attribute Evaluation (OneR) و ReliefF Attribute Evaluation (ReliefF) استفده شدند. نتايج نشان داد بر اساس تكنيك IGR تنها 10 عامل اما بر اساس الگوريتم هاي OneR و ReliefF تمامي متغيرها و با تأكيد بر كاربري ارضي، تراكم مناطق مسكوني و فاصله از مناطق مسكوني بر وقوع سيل شهر سنندج اهميت داشتند. با جلوگيري از تغيير كاربري ارضي و مديريت ساخت و سازهاي فرسوده و جلوگيري از متراكم سازي با كاهش درصد اراضي غيرقابل نفوذ و افزايش زمان تمركز و كاهش پاسخ هيدرولوژيك در مركز شهر مي توان مناطق سيلابي شهر سنندج را تا حدودي مديريت كرد.