پهنه بندی پتانسیل خطر سیل خیزی با استفاده از روش های یادگیری ماشین و تصمیم‌گیری چند معیاره در حوضه ایذه شمال شرق استان خوزستان

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار گروه زمین شناسی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران

2 دانشجوی کارشناسی ارشد گروه سنجش از دور و سیستم اطلاعات جغرافیایی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران

چکیده

یکی از مخاطرات طبیعی مهم است که هر ساله موجب خسارات گسترده جانی و مالی می‌شود. در این پژوهش، پتانسیل‌یابی سیل‌خیزی شهرستان ایذه با استفاده از نه شاخص اثرگذار شامل فاصله از آبراهه، شدت بارش، مدل رقومی ارتفاع، کاربری اراضی، شیب، پوشش گیاهی، بافت خاک، فرسایش و رطوبت خاک انجام شد. وزن‌دهی این معیارها با روش تحلیل سلسله‌مراتبی انجام گرفت و نتایج نشان داد که شاخص فاصله از آبراهه بیشترین نقش را در بروز سیلاب دارد و پس از آن شاخص‌هایی مانند شدت بارش، ارتفاع و کاربری اراضی اهمیت بیشتری دارند. برای ارزیابی دقیق‌تر، از دو روش هوش مصنوعی شامل جنگل تصادفی و شبکه عصبی مصنوعی جهت پهنه‌بندی خطر سیل استفاده شد. مقایسه نتایج نشان داد که مدل جنگل تصادفی توانایی بیشتری در شناسایی مناطق پرخطر داشته و در مجموع عملکرد دقیق‌تری نسبت به شبکه عصبی ارائه کرده است تهیه‌شده نشان دادند که مناطق غربی و شمال غربی شهرستان ایذه، به‌ویژه نواحی نزدیک به رودخانه‌ها با شیب ملایم‌تر، بیشترین پتانسیل سیل‌خیزی را دارند. در مقابل، بخش‌هایی با شیب تندتر و دورتر از آبراه‌ها، در دسته مناطق کم‌خطر قرار می‌گیرند. همچنین تحلیل تصمیم‌گیری چندمعیاره تاپسیس مشخص کرد که نواحی شمال شرقی  و غرب به دلیل تراکم بالای آبراهه‌ها و شرایط محیطی خاص، آسیب‌پذیری بیشتری نسبت به سیلاب دارند. در پایان، با ترکیب نتایج حاصل از سه روش تحلیل سلسله‌مراتبی، جنگل تصادفی و شبکه عصبی، نقشه نهایی پهنه‌بندی سیل‌خیزی منطقه تهیه شد. ادغام این نقشه با نقشه آسیب‌پذیری حاصل از روش تاپسیس، نقشه جامع خطر و آسیب‌پذیری سیل را فراهم ساخت. این پژوهش با بهره‌گیری از داده‌های سنجش‌ازدور و تلفیق مدل‌های متعدد، دقت تحلیل را افزایش داد و بر اهمیت برنامه‌ریزی، احداث سیل‌بند، لایروبی آبراهه‌ها، سامانه‌های هشدار زودهنگام و کنترل ساخت‌وساز در مناطق پرخطر تأکید کرد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Flood Hazard Potential Zoning Using Machine Learning and Multi-Criteria Decision-Making Methods in the Izeh Basin, Northeast of Khuzestan Province

نویسندگان [English]

  • Ahad Nazarpour 1
  • Arman Joveili 2
1 Associate Professor, Department of Geology, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
2 MSc Student, Department of Remote Sensing and GIS, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
چکیده [English]

Flooding is one of the most significant natural hazards, causing extensive human and economic losses every year. In this study, flood susceptibility mapping of Izeh County was carried out using nine influential factors, including distance to waterways, rainfall intensity, digital elevation model (DEM), land use/land cover, slope, vegetation cover, soil texture, erosion, and soil moisture. The weighting of these criteria was performed using the Analytic Hierarchy Process (AHP). The results indicated that distance to waterways plays the most critical role in flood occurrence, followed by factors such as rainfall intensity, elevation, and land use. For a more detailed assessment, two artificial intelligence methods, Random Forest (RF) and Artificial Neural Network (ANN), were employed for flood hazard zoning. A comparison of the results demonstrated that the Random Forest model exhibited a higher capability in identifying high-risk areas and overall provided more accurate performance than the Artificial Neural Network model. The generated maps revealed that the western and central parts of Izeh, particularly areas adjacent to rivers, have the highest flood susceptibility, whereas regions such as Pian and Dehdaz fall within the low-risk category. Furthermore, multi-criteria decision-making analysis using the TOPSIS method indicated that the Eastern Susan and Morgha areas show higher vulnerability to flooding due to the high density of waterways and specific environmental conditions. Finally, by integrating the results obtained from the AHP, Random Forest, and Artificial Neural Network methods, a final flood susceptibility map of the region was produced. The integration of this map with the vulnerability map derived from the TOPSIS method resulted in a comprehensive flood hazard and vulnerability map. By utilizing remote sensing data and integrating multiple modeling approaches, this study enhanced the accuracy of flood hazard assessment and emphasized the importance of spatial planning, construction of flood control structures, dredging of waterways, implementation of early warning systems, and regulation of construction activities in high-risk areas.

کلیدواژه‌ها [English]

  • Flood Hazard Mapping
  • Machine Learning
  • Random Forest
  • Multi-Criteria Decision-Making (MCDM)
  • Izeh

مراجع

ابراهیمی، لیلا. (1399). تهیۀ نقشۀ مدیریت مخاطرات سیلاب با استفاده از الگوریتم نوین جنگل تصادفی (مطالعۀ موردی: حوضۀ آبخیز لواسانات). مدیریت مخاطرات محیطی، 7(2)، 181-196. https://doi.org/10.22059/jhsci.2020.307476.584
رضایی مقدم، محمد حسین، کرمی، فریبا، اباذری، کلثوم. (1402). ارزیابی و پهنه‌بندی خطر سیلاب ناگهانی در حوضۀ آبریز اوجان چای با استفاده از مدل MFFPI. هیدروژئومورفولوژی، 10(36)، 157-138. https://doi.org/10.22034/hyd.2023.57462.1701
فرضی، حامد، بیات، اصغر، وکیلی تجره، فرزانه، رحمانی، مجید، اسدی نلیوان، امید. (1401). پهنه‌بندی حساسیت سیل در حوزه آبخیز سد کرج و تعیین عوامل مؤثر بر آن با استفاده از روش حداکثر آنتروپی. مجله علوم و مهندسی آبخیزداری ایران، 16(56)، 1-11. http://jwmsei.ir/article-1-1029-fa.html
کاکاوند، مائده، حقی‌زاده، علی، سلیمانی مطلق، مهدی. (1403). مقایسه شاخص‌های سنجش از دور در تعیین پهنه سیل حوضۀ آبخیز دوآب ویسیان. مخاطرات محیط طبیعی، 13(40)، 41-56 https://doi.org/10.22111/jneh.2023.46291.1978
حجازی,اسدالله , نگهبان,سعید , موسوی,سیده معصومه و امین زاده,محمد هادی . (1403). بررسی و پهنه بندی خطر سیلاب حوضه‌های آبریز شهری با استفاده از مدل‌های فازی ویکور و روش خطی وزنی (مطالعه موردی: حوضه آبریز ایذه- خوزستان). پژوهشهای ژئومورفولوژی کمّی(2)13 70-51 doi: 10.22034/gmpj.2024.452640.1499
Aguilera, Q., Lombardo, L., Tanyas, H., & Lipani, A. (2022). On the prediction of landslide occurrences and sizes via Hierarchical Neural Networks. Stochastic Environmental Research and Risk Assessment, 36(8), 2031–2048. https://doi.org/10.1007/s00477-022-02215-0
Ahmad, S., Waseem, M., Hussain, S., Shah, M. M., Malik, F. P., Masood, S., & Leta, M. K. (2024). GIS-Based Identification and Analysis of Optimal Evacuation Areas and Routes in Flood-Prone Zones of Swabi District, Pakistan. Journal of Engineering, 2024(1), 9550808. https://doi.org/https://doi.org/10.1155/2024/9550808
Akbari, M., Neamatollahi, E., Memarian, H., & Alizadeh Noughani, M. (2023). Assessing impacts of flood disasters on soil erosion risk based on the RUSLE-GloSEM approach in western Iran. Natural Hazards, 117(2), 1689–1710. https://doi.org/10.1007/s11069-023-05925-y
Al-Juaidi, A. E. M. (2023). The interaction of topographic slope with various geo-environmental flood-causing factors on flood prediction and susceptibility mapping. Environmental Science and Pollution Research, 30(21), 59327–59348. https://doi.org/10.1007/s11356-023-26616-y
Cea, L., & Costabile, P. (2022). Flood Risk in Urban Areas: Modelling, Management and Adaptation to Climate Change. A Review. Hydrology, 9(3), 50.  https://doi.org/10.3390/hydrology9030050
Chaudhary, M. T., & Piracha, A. (2021). Natural Disasters—Origins, Impacts, Management. Encyclopedia, 1(4), 1101–1131.
Church, M., & Jakob, M. (2020). What is a debris flood?. Water Resources Research, 56(8), e2020WR027144.https://doi.org/10.1029/2020WR027144
Costache, R., Barbulescu, A., & Pham, Q. B. (2021). Integrated Framework for Detecting the Areas Prone to Flooding Generated by Flash-Floods in Small River Catchments. Water, 13(6), 758. https://doi.org/10.3390/w13060758
Der Sarkissian, R., Al Sayah, M. J., Abdallah, C., Zaninetti, J.-M., & Nedjai, R. (2022). Land Use Planning to Reduce Flood Risk: Opportunities, Challenges and Uncertainties in Developing Countries. Sensors, 22(18), 6957. https://doi.org/10.3390/s22186957
Dharmarathne, G., Waduge, A. O., Bogahawaththa, M., Rathnayake, U., & Meddage, D. P. P. (2024). Adapting cities to the surge: A comprehensive review of climate-induced urban flooding. Results in Engineering, 22, 102123. https://doi.org/https://doi.org/10.1016/j.rineng.2024.102123
Dung, N. B., Long, N. Q., Goyal, R., An, D. T., & Minh, D. T. (2022). The Role of Factors Affecting Flood Hazard Zoning Using Analytical Hierarchy Process: A Review. Earth Systems and Environment, 6(3), 697–713. https://doi.org/10.1007/s41748-021-00235-4
Esmailzadeh, A., Arvin, M., Ebrahimi, M., Kazemi Garajeh, M., & Afzali Goruh, Z. (2024). Measuring Livelihood Resilience in Multi-Hazard Regions: A Case Study of the Khuzestan Province in the Persian Gulf Coast. Earth, 5(4), 1052–1079. https://doi.org/10.3390/earth5040054
Ghiasi, M. M., & Zendehboudi, S. (2021). Application of decision tree-based ensemble learning in the classification of breast cancer. Computers in Biology and Medicine, 128, 104089. https://doi.org/https://doi.org/10.1016/j.compbiomed.2020.104089
Hamidifar, H., & Nones, M. (2021). Global to regional overview of flood fatalities: the 1951-2020 period. Nat. Hazards Earth Syst. Sci. Discuss., 2021, 1–22. https://doi.org/10.5194/nhess-2021-357
Hamidifar, H., Nones, M., & Rowinski, P. M. (2024). Flood modeling and fluvial dynamics: A scoping review on the role of sediment transport. Earth-Science Reviews, 253, 104775 https://doi.org/https://doi.org/10.1016/j.earscirev.2024.104775
Hemmati, M., Mahmoud, H. N., Ellingwood, B. R., & Crooks, A. T. (2021). Unraveling the complexity of human behavior and urbanization on community vulnerability to floods. Scientific Reports, 11(1), 20085. https://doi.org/10.1038/s41598-021-99587-0
Kapović Solomun, M., Ferreira, C. S. S., Zupanc, V., Ristić, R., Drobnjak, A., & Kalantari, Z. (2022). Flood legislation and land policy framework of EU and non-EU countries in Southern Europe. WIREs Water, 9(1), e1566. https://doi.org/https://doi.org/10.1002/wat2.1566
Lucchese, L. V., de Oliveira, G. G., & Pedrollo, O. C. (2021). Investigation of the influence of nonoccurrence sampling on landslide susceptibility assessment using Artificial Neural Networks. Catena, 198, 105067. https://doi.org/10.1016/j.catena.2020.105067
Merz, B., Blöschl, G., Vorogushyn, S., Dottori, F., Aerts, J. C. J. H., Bates, P., Bertola, M., Kemter, M., Kreibich, H., Lall, U., & Macdonald, E. (2021). Causes, impacts and patterns of disastrous river floods. Nature Reviews Earth & Environment, 2(9), 592–609. https://doi.org/10.1038/s43017-021-00195-3
Msabi, M. M., & Makonyo, M. (2021). Flood susceptibility mapping using GIS and multi-criteria decision analysis: A case of Dodoma region, central Tanzania. Remote Sensing Applications: Society and Environment, 21, 100445. https://doi.org/https://doi.org/10.1016/j.rsase.2020.100445
Nazaripour, H., Sedaghat, M., Shafaie, V. et al. Strategic assessment of groundwater potential zones: a hybrid geospatial approach. Appl Water Sci 14, 185 (2024). https://doi.org/10.1007/s13201-024-02243-x
Paprotny, D., Terefenko, P., & Śledziowski, J. (2024). HANZE v2.1: an improved database of flood impacts in Europe from 1870 to 2020. Earth Syst. Sci. Data, 16(11), 5145–5170. https://doi.org/10.5194/essd-16-5145-2024
Rahman, M. M., Shobuj, I. A., Islam, M. R., Islam, M. R., Hossain, M. T., Alam, E., Hattawi, K. S. A., & Islam, M. K. (2024). Flood preparedness in rural flood-prone area: a holistic assessment approach in Bangladesh. Geomatics, Natural Hazards and Risk, 15(1), 2379599. https://doi.org/10.1080/19475705.2024.2379599
Rodrigues da Silva, A., Estima, J., Marques, J., Gamito, I., Serra, A., Moura, L., Ricardo, A. M., Mendes, L., & Ferreira, R. M. L. (2023). A Web GIS Platform to Model, Simulate and Analyze Flood Events: The RiverCure Portal. ISPRS International Journal of Geo-Information, 12(7), 268.  https://doi.org/10.3390/ijgi12070268
Saaty, T. L. (1986). Absolute and relative measurement with the AHP. The most livable cities in the United States. Socio-Economic Planning Sciences, 20(6), 327-331.https://doi.org/10.1016/0038-0121(86)90043-1
Saha, A., & Roy, R. (2021). An integrated approach to identify suitable areas for built-up development using GIS-based multi-criteria analysis and AHP in Siliguri planning area, India. SN Applied Sciences, 3(4), 395. https://doi.org/10.1007/s42452-021-04354-5
Shah, A. A., Ullah, A., Khan, N. A., Shah, M. H., Ahmed, R., Hassan, S. T., Tariq, M. A. U. R., & Xu, C. (2023). Identifying obstacles encountered at different stages of the disaster management cycle (DMC) and its implications for rural flooding in Pakistan [Original Research]. Frontiers in Environmental Science, Volume 11 - 2023. https://doi.org/10.3389/fenvs.2023.1088126
Tavana, M., Soltanifar, M., & Santos-Arteaga, F. J. (2023). Analytical hierarchy process: revolution and evolution. Annals of Operations Research, 326(2), 879–907. https://doi.org/10.1007/s10479-021-04432-2
Taye, M. M. (2023). Theoretical Understanding of Convolutional Neural Network: Concepts, Architectures, Applications, Future Directions. Computation, 11(3), 52.  https://doi.org/10.3390/ijgi12070268
Trinh, M. X., & Molkenthin, F. (2021). Flood hazard mapping for data-scarce and ungauged coastal river basins using advanced hydrodynamic models, high temporal-spatial resolution remote sensing precipitation data, and satellite imagery. Natural Hazards, 109(1), 441–469. https://doi.org/10.1007/s11069-021-04843-1
Lai, Y. J., Liu, T. Y., & Hwang, C. L. (1994). TOPSIS for MODM. European journal of operational research, 76(3), 486-500.10.1016/0377-2217(94)90282-8
Zhao, Z. A., He, Y., Yao, S., Yang, W., Wang, W., Zhang, L., & Sun, Q. (2022). A comparative study of different neural network models for landslide susceptibility mapping. Advances in Space Research, 70(2), 383–401. https://doi.org/https://doi.org/10.1016/j.asr.2022.04.055.
مخاطرات محیط طبیعی

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 12 مرداد 1405

فایل ها

سابقه مقاله

  • تاریخ دریافت: 04 دی 1404
  • تاریخ بازنگری: 20 تیر 1405
  • تاریخ پذیرش: 12 مرداد 1405
  • تاریخ اولین انتشار: 12 مرداد 1405
  • تاریخ انتشار: 12 مرداد 1405

هم رسانی

ارجاع به این مقاله

آمار