ناحيه‌بندي مناطق مستعد سيلاب توسط الگوريتم ماشين بردار پشتيبان بهينه‌سازي شده

Flood Susceptibility Mapping Using Optimized SVM Algorithm

در اين مطالعه توليد نقشه هاي مناطق مستعد سيل با بهينه سازي مدل ماشين بردار پشتيبان (SVM) با استفاده از الگوريتم هاي بهينه سازي فراابتكاري ازدحام ذرات (PSO)، ژنتيك (GA) و كلوني مورچگان (ACO) در حوضه آبريز زاهدان صورت گرفته است. براي تعيين بهترين فاكتورهاي تاثيرگذار بر سيل، از بين 19 فاكتور مورداستفاده در مطالعات قبلي و اهميت نسبي متغيرهاي ورودي از دو آزمايش روش نسبت كسب اطلاعات (IGR) و آزمايش چندخطي بودن پارامترها استفاده شد. فاكتور ميزان محتواي آب در خاك كه جزو عوامل موثر با ضريب IGR=0.767 است، براي اولين بار در اين مطالعه به صورت مستقيم در مدل سازي مورداستفاده قرار گرفت. نقشه مشخصه سيل از روي پردازش داده هاي ماهواره Sentinel-1 تهيه و اعتبارسنجي شد. از مجموعه داده هاي توليد شده براي توليد نقشه هاي مناطق مستعد سيل با استفاده از مدل SVM بهينه سازي شده با الگوريتم هاي مذكور استفاده شد كه براي اولين بار، در اين تحقيق از الگوريتم ACO براي بهينه سازي مدل SVM در توليد نقشه هاي مناطق مستعد سيل استفاده شد. دقت پيش بيني مدل ها با استفاده از معيارهاي آماري بررسي گرديد. هر سه الگوريتم مورداستفاده در اين مطالعه، عملكرد SVM را به طور متوسط 4 درصد بهبود بخشيدند درحالي كه مدل PSO-SVM بهترين عملكرد را با RMSE=0.158، MSE=0.025، AUC=0.953 و StD=0.405 در ميان الگوريتم هاي ديگر به نمايش گذاشت؛ همچنين مشخص شد تقريبا نيمي از منطقه شهري زاهدان در مناطق خطر متوسط تا بسيار زياد قرار دارند.

This study describes optimization of Support Vector Machine (SVM) using meta-optimization algorithms including the Particle Swarm Optimization (PSO), Genetic Algorithm (GA) and Ant Colony optimization for flood susceptibility mapping at Zahedan Basin. To determine the best factors among the 19 factors used in previous studies and the relative importance of input variables, two experiments of Information Acquisition Ratio (IGR) and multilinearity of parameters were used soil moisture content factor which is identified as a highly effective factor (IGR=0.767), is used directly in this study for the first time. The flood inventory map was prepared from Sentinel-1 satellite data processing and validated. The generated data set was used to map the flood prone areas using SVM model optimized with the mentioned algorithms. For the first time, in this research, ACO algorithm was used to optimize SVM model. The prediction accuracy of the models was evaluated using statistical criterion. All three algorithms used in this study improved SVM performance by 4% in average, while the PSO-SVM model had the best performance among the others with AUC=0.953, MSE=0.025, RMSE=0.158 and StD=0.405.