تهیه نقشه حساسیت سیلاب با استفاده از مدل ماشین بردار پشتیبان (SVM) و سیستم اطلاعات جغرافیایی (GIS)

چراغی قلعه سری, علی; حبیب نژاد روشن, محمود; روشان, سید حسین

doi:10.22111/jneh.2020.31018.1547

تهیه نقشه حساسیت سیلاب با استفاده از مدل ماشین بردار پشتیبان (SVM) و سیستم اطلاعات جغرافیایی (GIS)

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانش‌آموخته کارشناسی ارشد مهندسی آب، دانشگاه هراز آمل

² استاد گروه مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری

³ دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری

10.22111/jneh.2020.31018.1547

چکیده

تهیه‌ی نقشه‌ حساسیت سیلاب ضروری و اولین قدم در کاهش خسارات ناشی از سیل می‌باشد. به علت کمبود اطلاعات در اکثر حوضه‌ها، بسیاری از تحقیقات از تکنیک‌های داده‌کاوی برای مطالعات هیدرولوژی به‌ویژه سیلاب استفاده می‌کنند. هدف این پژوهش، شناسایی مناطق حساس به سیل‌گیری با استفاده از مدل ماشین بردار پشتیبان (SVM) در حوضه نکارورد می‌باشد. بدین منظور از 12 پارامتر ژئومورفولوژیکی، هیدرولوژیکی و فیزیوگرافیکی شامل مقدار شیب، جهت شیب، طبقات ارتفاعی، دما، کاربری اراضی، بارندگی، تراکم و فاصله از گسل، تراکم و فاصله از آبراهه، تراکم و فاصله از جاده می‌باشند که در محیط نرم‌افزارهای ArcGIS، SAGA GIS و ENVI تهیه شدند. به منظور برداشت نقاط سیل‌گیر نیز از دستگاه GPS استفاده گردید. در نهایت همه متغیرها و نقاط برداشت شده با اندازه پیکسل یکسان (5/12 متر) با فرمت ASCII وارد نرم افزار R شدند. به منظور ارزیابی صحت مدل‌ مذکور از محاسبه ویژگی‌های عامل نسبی (ROC) در محیط نرم افزار R استفاده شد. نتایج ارزیابی نشان داد که مدل SVM دقت مناسبی در شناسایی پهنه‌های حساس سیلاب در منطقه مورد مطالعه دارد. همچنین نتایج پژوهش حاضر نشان داد که مناطق حساس به سیل‌گیری بیشتر در بخش‌های شمالی و شمال غرب حوزه و در مناطقی قرار گرفته‌اند که تمرکز سکونتگاه‌های انسانی بیشتر است، در حالی که مناطق مرکزی حوضه که دارای پوشش گیاهی متراکم است، حساسیت کمی نسبت به سیل‌گیری دارند. نتایج این پژوهش می‌تواند به برنامه‌ریزان و محققان برای انجام اقدامات مناسب به منظور جلوگیری و کاهش خطر سیلاب در آینده کمک کند. همچنین می‌توان از آن به منظور شناسایی مناطق مناسب و امن برای توسعه‌های عمرانی استفاده کرد.

کلیدواژه‌ها

عنوان مقاله [English]

Flood Susceptibility Mapping Using a Support Vector Machine Models (SVM) and Geographic Information System (GIS)

نویسندگان [English]

Ali Cheraghi Ghalehsari ¹
Mahmoud Habibnejad Roshan ²
Sayed Hussein Roshun ³

¹ M.Sc. Graduate in Water Engineering, Aban Haraz Institute of Higher Education, Amol, Iran

² Professor of Watershed Engineering Department, Sari Agricultural Sciences and Natural Resources University, Sari, Iran

³ Ph.D. candidate in Watershed Engineering and Management, Sari Agricultural Sciences and Natural Resources University, Sari, Iran

چکیده [English]

Preparing a flood susceptibility map is necessary and the first step in reducing the damage caused by floods. Due to a lack of information in most of the basins, many researches uses data mining techniques for hydrological studies, especially floods. The aim study is to identify areas with flood susceptibility using a support vector machine (SVM) in the Nekaroud basin. For this purpose, 12 geomorphologic, hydrological and physiographic parameters including slope, aspect, elevation classes, temperature, land use, rainfall, density and distance from the fault, density and distance from the drainages, density and distance from the road, which are provided in the ArcGIS, SAGA GIS and ENVI software’s environments. The GPS device was also used to acquire flood points. Finally, all variables and flood points were entered into the R software in ASCII format with the same pixel size (12.5 m). To evaluate model accuracy, ROC was used in the R software environment. The results of the evaluation showed that the SVM model has good accuracy in identifying flood susceptibility areas in the study area. In addition, the results of this study showed that flood susceptibility areas are more in the northern and northwest regions of the basin and in portions where the concentration of human settlements is higher, while the central regions of the basin with dense vegetation have a low sensitivity to flooding. The results of this study can help planners and researchers to do appropriate actions to prevent and reduce future flood risks. It can also be used to identify suitable and safe areas for construction development.

کلیدواژه‌ها [English]

Flood Susceptibility Map
Support Vector Machine
Data Mining
ROC
Nekaroud basin

مراجع

اسماعیلی مهدی (1391)، مفاهیم و تکنیک‌های داده کاوی، انتشارات دانشجو، چاپ اول، 315 صفحه.

امیدوار کمال، کیان‌فر آمنه، عسکری شمس الله (1389)، پهنه‌بندی پتانسیل سیل‌خیزی حوضه آبریز کنجانچم، پژوهش‌های جغرافیای طبیعی، دوره 42، شماره 72، صص90-73.

امیراحمدی ابوالقاسم، بهنیافر ابوالفضل، ابراهیمی مجید (1391)، ریز پهنه‌بندی خطر سیلاب در محدوده شهر سبزوار در راستای توسعه پایدار شهری، فصلنامه آمایش محیط، دوره 5، شماره 16، صص 32-17.

ثروتی محمدرضا، رستمی اکبر، خدادادی فاطمه (1393)، امکان‌سنجی وقوع سیل در حوضه آبخیز لیلان‌چای (مراغه) به روش CN، فصلنامه جغرافیای طبیعی، سال هفتم، شماره 25، صص 26-13.

ثقفی بهرام، فرازجو حسن، سپهر عادل، نجفی‌نژاد علی (1385)، بررسی اثر تغییرات کاربری اراضی بر سیل‌خیزی حوزه آبریز سد گلستان، تحقیقات منابع آب ایران، دوره 2، شماره 1، صص 28-18.

حسنزاده نفوتی محمد، خواجه‌بافقی حبیب‌الله (1395)، پهنهبندی خطر سیلاب با استفاده از سیستم تصمیمگیری چندمعیاره (مطالعه موردی: حوزه آبخیز شیطور بافق)، پژوهشنامه مدیریت حوزه آبخیز، دوره هفتم، شماره 14، صص 37-29.

دلال‌اوغلی علی، فتحی محمد، خوشدل کاظم (1396)، کاربرد روش‌های نوین تصمیم‌گیری چندشاخصه در برآورد پتانسیل سیل‌خیزی با تأکید بر عوامل ژئومورفیک (مطالعه موردی: حوضه رودخانه آجرلوچای)، فضای جغرافیایی، دوره 17، شماره 59، صص82-67.

رضوی احمد (1387)، اصول تعیین حریم منابع آب، انتشارات دانشگاه صنعت آب و برق (شهید عباسپور)، چاپ اول، 336 صفحه.

عرب عامری علیرضا، پورقاسمی حمیدرضا، شیرانی کورش (1396)، پهنه‌بندی حساسیت سیل‌گیری با استفاده از روش ترکیبی نوین تئوری بیزین – فرایند تحلیل سلسله مراتبی (مطالعه موردی: حوضه آبخیز نکا- استان مازندارن)، اکوهیدرولوژی، دوره 4، شماره 2، صص 462-447.

عمادالدین سمیه (1392)، بررسی تغییر سطح اساس نکارود تحت تأثیر نوسانات سطح دریای خزر و زمین ساخت البرز، مجله آمایش جغرافیایی فضا، دوره 3، شماره 10، صص81-66.

غلامی محسن، اجل‌لوئیان رسول (1396)، مقایسه‌ی روش‌های انتخابی تجربی و روش‌های آماری و شبکه‌ی عصبی مصنوعی برای پهنه‌بندی خطر زمین لغزش (مطالعه موردی در مخزن سد بهشت آباد)، نشریه مهندسی عمران امیرکبیر، دوره 49، شماره 2، صص 378-363.

قلی‌زاده ایلا، قنواتی عزت‌الله، افشارمنش حمیده، امان‌اله‌پور حجت (1396)، کارایی مدل فازی در پتانسیل سیل‌خیزی حوضه زنگمار، فضای جغرافیایی، دوره 17، شماره 60، صص 245-227.

ولی‌زاده کیوان (1386)، کاربرد GIS در پهنه‌بندی خطر سیلاب (مطالعه موردی: حوضه رود لیقوان)، فضای جغرافیایی، سال 7، شماره 20، صص 169-153.

Chen, W., Pourghasemi, H.R., Kornejady, A., Zhang, N., (2017), Landslide spatial modeling: Introducing new ensembles of ANN, MaxEnt, and SVM machine learning technique, Geoderma, 305(1), 314-327.

Gee, M.D., (1992), Classification of Landslide Hazard Zonation Methods, and a Test of Predictive Capability, 6^th International Symposium on Landslides: Christchurch, New Zealand, 947- 952.

Hong, H., Tsangaratos, P., Ilia, I., Liu, J., Zhu, A., Chen, W., (2018), Application of fuzzy weight of evidence and data mining techniques in construction of flood susceptibility map of Poyang County, China, Science of the Total Environment, 625: 575-588.

Nampak, H., Pradhan, B., Manap, M.A., (2014), Application of GIS-based data-driven evidential belief function model to predict groundwater potential zonation, Journal of Hydrology, 513: 283-300.

Nefeslioglu, H.A., Duman, T.Y., Durmaz, S., (2008), Landslide susceptibility mapping for a part of tectonic Kelkit Valley (Eastern Black Sea Region of Turkey), Geomorphology, 94: 401-418.

Oh, H.J., Pradhan, B., (2011), Application of a neuro-fuzzy model to landslide-susceptibility mapping for shallow landslides in a tropical hilly area, Computer & Geosciences, 37: 1264-1276.

Patra, J.P., Kumar, R., Mani, P., (2015), Combined fluvial and pluvial flood inundation modeling for a project site, Procedia Technology, 24: 93-100.

Pourghasemi, H.R., Moradi, H.R., Fatemi, S.M., Aghda, C., Pradhan, B., (2012), GIS-based landslide susceptibility mapping with probabilistic likelihood ratio and spatial multi-criteria evaluation models (North of Tehran, Iran), Arabian Journal of Geosciences, 7: 1857-1878.

Regmi, N.R., Giardino, J.R., Vitek, J.D., (2010), Modeling Susceptibility to Landslides Using the Weight of Evidence Approach: Western Colorado, USA, Geomorphology, 115: 172–187.

Sanyal, J., Lu, X.X., (2004), Application of Remote Sensing in Flood Management with Special Reference to Monsoon Asia: A Review, Natural Hazards, 33: 283-301.

Shafapour Tehrany, M., Pradhan, B., Mansor, Sh., Noordin, A., (2015), Flood susceptibility assessment using GIS-based support vector machine model with different kernel types, Catena, 125: 91-101.

Shafapour Tehrany, M.S., Pradhan, B., Jebur. M.N., (2013), Spatial prediction of flood susceptible areas using rule-based decision tree (DT) and a novel ensemble bivariate and multivariate statistical models in GIS, Journal of Hydrology, 504: 69-79.

Shafapour Tehrany, M.S., Pradhan, B., Mansor, S., Ahmad, N., (2015), Flood susceptibility assessment using GIS-based support vector machine model with different kernel types, Catena, 125: 91-101.

Shafizadeh-Moghadam, H., Valavi, R., Shahabi, H., Chapi, K., Shirzadi, A., (2018), Novel forecasting approaches using combination of machine learning and statistical models for flood susceptibility mapping, Journal of Environmental Management, 217(1): 1-11.

Statnikov, A., Hardin, D., Guyon, I., Aliferis, C.F., (2011), A Gentle Introduction to Support Vector Machines in Biomedicine, Volume 1: Theory and Methods, World Scientific Publishing Co. Pte. Ltd, 179 pp.

Swets, J.A., (1988), Measuring the accuracy of diagnostic systems, Science, 240: 1285-1293.

Xiao, Y., Yi, Sh., Tang, Zh., (2017), Integrated flood hazard assessment based on spatial ordered weighted averaging method considering spatial heterogeneity of risk preference, Science of the Total Environment, 599-600: 1034-1046.

Youssef, A.M., Pourghasemi, H.R., Pourtaghi, Z.S., Al- Katheeri, M.M., (2016), Landslide susceptibility mapping using random forest, boosted regression tree, classification and regression tree, and general linear models and comparison of their performance at Wadi Tayyah Basin, Asir Region, Saudi Arabia, Landslides, 13(5): 839-856.

Zhu, C., Wang. X., (2009), Landslide susceptibility mapping: A comparison of information and weights-of evidence methods in Three Gorges Area, International Conference on Environmental Science and Information Application Technology, 187: 342- 346.