پیش‌‌بینی مناطق مستعد سیل با استفاده از مدل‌‌های یادگیری ماشین خطی تعمیم یافته و بیشینه آنتروپی

حنیفی نیا, عبدالعزیز; عبقری, هیراد

doi:10.22111/jneh.2024.47730.2021

پیش‌‌بینی مناطق مستعد سیل با استفاده از مدل‌‌های یادگیری ماشین خطی تعمیم یافته و بیشینه آنتروپی

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانشجوی دکترای مدیریت حوزه‌‌های آبخیز، دانشگاه ارومیه

² دانشیار، گروه مرتع و آبخیزداری، دانشگاه ارومیه

10.22111/jneh.2024.47730.2021

چکیده

هدف این مطالعه، شناسایی عوامل موثر، تهیه نقشه‌‌های پیش‌‌بینی خطرات سیل با استفاده از مدل‌‌های یادگیری ماشین و در انتها ارزیابی کارایی این مدل‌‌ها در حوزه آبخیز زیوه ارومیه می‌‌باشد. برای این منظور از عوامل محیطی و انسانی شامل شاخص‌‌های مورفومتری؛ شاخص توان آبراهه (SPI)، شاخص طول شیب (LS)، شاخص خیسی توپوگرافی (TWI)، شاخص موقعیت توپوگرافی (TPI)، شاخص ناهمواری زمین (TRI)، شاخص تعادل جرم (MBI)، شاخص انحنای پروفیل (Profile Curvature) و شاخص انحنای سطح (Plan Curvature)، بارندگی، ارتفاع حوضه، درجه شیب‌‌، جهت شیب، لیتولوژی، کاربری اراضی، شاخص تفاضل نرمال‌شده پوشش گیاهی (NDVI)، فاصله از آبراهه، فاصله از روستا و فاصله از گسل استفاده شد. برای این منظور با استفاده از بازدیدهای میدانی و تصاویر گوگل ارث و منابع دریافتی از ادارات تعداد 96 نقطه ‌‌سیل در حوضه شناسایی شدند. لایه‌‌های مربوط به شاخص‌‌های مورفومتری از مدل رقومی ارتفاعی (5/12×5/12) متر و در محیط SAGA_GIS ؛ و نقشه‌‌های عوامل محیطی و انسانی در سامانه اطلاعات جغرافیایی ArcGIS تهیه و رقومی شدند. نتایج ارزیابی دو مدل با استفاده از منحنی ROC برای مدل‌‌های یادگیری ماشین (ML) نشان داد که مدل بیشینه آنتروپی با )916/0(AUC= و مدل خطی تعمیم یافته با )902/0(AUC= دارای عملکرد عالی در پهنه‌‌بندی حساسیت محدوده مطالعاتی به سیلاب بوده‌‌اند. همچنین نتایج حاصل از شاخص کاپا برای مدل برتر نشان داد که عوامل محیطی شامل زمین-شناسی، فاصله از آبراهه، ارتفاع و شیب بیشترین تاثیر و کمترین تاثیر مربوط به عامل‌‌های شاخص انحنای پروفیل، کاربری اراضی و شاخص تعادل جرم بوده است. شناسایی مناطق پر خطر و تعیین عوامل موثر بر رخداد سیلاب‌‌ها در این حوضه در امر کاهش خسارات احتمالی می‌‌تواند بسیار کارآمد باشد.

کلیدواژه‌ها

موضوعات

مخاطرات محیط طبیعی

عنوان مقاله [English]

Predicting flood-prone areas using generalized linear and maximum entropy machine learning models

نویسندگان [English]

Abdulaziz Hanifinia ¹
Hirad Abghari ²

¹ PH.D. Student of Watershed Management, Urmia University, Iran

² Associate Professor, Department of Range and Watershed Management, Urmia University, Iran

چکیده [English]

The purpose of this study is to identify the effective factors, prepare flood risk prediction maps using machine learning models, and finally evaluate the efficiency of these models in the Zive watershed of Urmia. For this purpose, environmental and human factors including morphometric indices; Waterway Power Index (SPI), Slope Length Index (LS), Topographic Wetness Index (TWI), Topographic Position Index (TPI), Land Roughness Index (TRI), Mass Balance Index (MBI), Profile Curvature Index and The surface curvature index (Plan Curvature), rainfall, basin height, slope degree, slope direction, lithology, land use, normalized difference index of vegetation cover (NDVI), distance from waterway, distance from village and distance from fault were used. For this purpose, 96 flood spots were identified in the basin by using field visits and Google Earth images and sources received from the offices. Layers related to morphometric indices from the digital height model (12.5 x 12.5) meters and in the SAGA_GIS environment; And maps of environmental and human factors were prepared and digitized in the ArcGIS geographic information system. The evaluation results of two models using the ROC curve for machine learning (ML) models showed that the maximum entropy model with AUC=0.916 and the generalized linear model with AUC=0.902 have excellent performance in the field The results of the Kappa index for the superior model showed that environmental factors including geology, distance from waterways, height and slope have the greatest impact and the least impact related to profile curvature index factors. , land use, and mass balance index. Identifying high-risk areas and determining factors affecting the occurrence of floods in this basin can be very efficient in reducing possible damages.

کلیدواژه‌ها [English]

flood
Geographic Information System
SAGA-GIS
ROC curve
Lake Urmia

مراجع

اسماعیلی، رضا؛ طاهری، محمد (1401). ارزیابی مناطق مستعد خطر سیلاب با نگرش فازی، مطالعه موردی : پایین دست حوضه آبریز نکا، استان مازندران، مخاطرات محیط طبیعی، دوره11، شماره 34، صص: 145-158.

بختیاری، محسن؛ جهانتاب، زهرا. (1401). مدلسازی مکانی سیلاب با استفاده از الگوریتم شبکه عصبی مصنوعی و توابع تحلیلیGIS، پژوهش های اقلیم شناسی، شماره49، صص: 177-194.

تیموری، مهدی؛ فرزانه وکیلی؛ تجره مزین، ملیحه؛ رمضانی ، مرضیه. (1401). مقایسه مدل‌های یادگیری ماشینی در پهنه بندی حساسیت سیل خیزی حوزه آبخیز سد کرج، مجله علوم ومهندسی آبخیزداری ایران، دوره61، شماره17،صص: 30-40.

حسن زاده، رضا؛ هنرمند، مهدی؛ حسینجانی زاده، مهدیه. و محمدی، صدیقه. (1400). پهنه بندی سیلاب در نواحی شهری با استفاده از مدل هیدرولوژیکی و اطلاعات میدانی (مطالعۀ موردی: سیل بردسیر، استان کرمان)، اکوهیدرولوژی، 8(2)، 331-344.

حنیفی نیا، عبدالعزیز؛ عبقری، هیراد. (1401). بررسی ارتباط عوامل موثر بر وقوع زمین لغزش در مدل آنتروپی شانون با دو ریکرد WOE و LNRF به منظور پهنه بندی حساسیت زمین لغزش در حوضه آبخیز زیوه ارومیه، پژوهشهای ژئومورفولوژی کمّی، دوره11، شماره 2، صص: 108-127.

حنیفی نیا، عبدالعزیز؛ نظرنژاد، حبیب. (1400)؛ اثر شاخص‌های مورفومتری در بهبود کارایی مدل‌های داده‌کاوی به‌منظور پهنه‌بندی حساسیت زمین‌لغزش حوضه آبخیز چریک‌آباد ارومیه، جغرافیا و مخاطرات محیطی، دوره11، شماره4، صص: 47-68.

حنیفی‌نیا، عبدالعزیز؛ نظرنژاد، حبیب؛ نجفی، سعید؛ کرنژادی، آیدینگ. (1399). اولویت‌بندی عامل‌های مؤثر بر وقوع زمین‌لغزش و پهنه‌بندی حساسیت آن در آبخیز چریک آباد ارومیه با استفاده از مدل آنتروپی شانون، پژوهش‌های آبخیزداری، دوره33، شماره 4، صص: 32-48.

خدمت زاده، علی؛ حسنی نطامآباد، مهدی. (1399)؛ پهنه بندی سیلاب حوضه آبریز شهر چایی ارومیه. مهندسی جغرافیایی سرزمین، دوره4، شماره1، صص: 70-83.

دسترنج، علی؛ کریمی سنگچینی، ابراهیم. (1401)؛ پیش‌بینی حساسیت وقوع زمین‌لغزش با الگوریتم یادگیری ماشین بیشینه آنتروپی حوزه آبخیز بار نیشابور، پژوهشهای دانش زمین،13 دوره13، شماره3، صص: 76-96.

عابدینی، موسی؛ فعال نذیری، مهدی؛ پیروزی، الناز. (1402). ارزیابی و پهنه‌بندی خطر سیلاب با استفاده از تکنیک چند معیاره‌ آراس و هیدروگراف واحد (مطالعه‌ی موردی:حوضه بالادست ایستگاه هیدرومتری پل سلطان مشکین‌شهر)، مخاطرات محیط طبیعی، دوره12، شماره35، صص: 115-138.

عرب‌عامری، علیرضا؛ رضایی، خلیل؛ سهرابی، مسعود؛ شیرانی، کورش. (1397)؛ ارزیابی کارایی پارامترهای کمی ژئومورفومتریک در افزایش صحت نقشه‌های پهنه بندی حساسیت زمین‌لغزش (مطالعه موردی: حوضه فریدون شهر، استان اصفهان)، پ‍‍ژوهشنامه مدیریت حوزه آبخیز، پیاپی18،شماره 9،صص: 220-232.

Anand, A. K., & Pradhan, S. P. (2023). Evaluation of bivariate statistical and hybrid models for the preparation of flood hazard susceptibility maps in the Brahmani River Basin, India. Environmental Earth Sciences, 82(16), 389.

Avand, M., Kuriqi, A., Khazaei, M., & Ghorbanzadeh, O. (2022). DEM resolution effects on machine learning performance for flood probability mapping. Journal of Hydro-Environment Research, 40, 1-16.

Baig, S. U., Rehman, M. U., & Janjua, N. N. (2021). District-level disaster risk and vulnerability in the Northern mountains of Pakistan. Geomatics, Natural Hazards and Risk, 12(1), 2002-2022.

Baldwin, R. A. (2009). Use of maximum entropy modeling in wildlife research. Entropy, 11(4), 854-866.

Boussouf, S., Fernández, T., & Hart, A. B. (2023). Landslide susceptibility mapping using maximum entropy (MaxEnt) and geographically weighted logistic regression (GWLR) models in the Río Aguas catchment (Almería, SE Spain). Natural Hazards, 117(1), 207-235.

Bui, D. T., Tsangaratos, P., Ngo, P. T. T., Pham, T. D., & Pham, B. T. (2019). Flash flood susceptibility modeling using an optimized fuzzy rule-based feature selection technique and tree-based ensemble methods. Science of the total environment, 668, 1038-1054.

Davoudi Moghaddam, D., Pourghasemi, H. R., & Rahmati, O. (2019). Assessment of the contribution of geo-environmental factors to flood inundation in a semi-arid region of SW Iran: Comparison of different advanced modeling approaches. Natural hazards GIS-based spatial modeling using data mining techniques, 59-78.‏

El-Rawy, M., Elsadek, W. M., & De Smedt, F. (2023). Flood hazard assessment and mitigation using a multi-criteria approach in the Sinai Peninsula, Egypt. Natural Hazards, 115(1), 215-236.

Ha, H., Luu, C., Bui, Q. D., Pham, D. H., Hoang, T., Nguyen, V. P., ... & Pham, B. T. (2021). Flash flood susceptibility prediction mapping for a road network using hybrid machine learning models. Natural hazards, 109(1), 1247-1270.

Hirabayashi, Yukiko, Roobavannan Mahendran, Sujan Koirala, Lisako Konoshima, Dai Yamazaki, Satoshi Watanabe, Hyungjun Kim, and Shinjiro Kanae. "Global flood risk under climate change." Nature Climate Change 3, no. 9 (2013): 816-821.

Huang, K., Li, X., Liu, X., & Seto, K. C. (2019). Projecting global urban land expansion and heat island intensification through 2050. Environmental Research Letters, 14(11), 114037.

Islam, A. R. M. T., Bappi, M. M. R., Alqadhi, S., Bindajam, A. A., Mallick, J., & Talukdar, S. (2023). Improvement of flood susceptibility mapping by introducing hybrid ensemble learning algorithms and high-resolution satellite imageries. Natural Hazards, 119(1), 1-37.

Khosravi, K., Panahi, M., Golkarian, A., Keesstra, S. D., Saco, P. M., Bui, D. T., & Lee, S. (2020). Convolutional neural network approach for spatial prediction of flood hazard at national scale of Iran. Journal of Hydrology, 591, 125552.

Möller M, Volk M, Friedrich K, Lymburner L. (2008). Placing soil-genesis and transport processes into a landscape context: A multiscale terrain-analysis approach, Journal of Plant Nutrition and Soil Science 171 (3): 419-430.

Mosavi, A., Golshan, M., Janizadeh, S., Choubin, B., Melesse, A. M., & Dineva, A. A. (2022). Ensemble models of GLM, FDA, MARS, and RF for flood and erosion susceptibility mapping: a priority assessment of sub-basins. Geocarto International, 37(9), 2541-2560.

Panahi, M., Jaafari, A., Shirzadi, A., Shahabi, H., Rahmati, O., Omidvar, E., ... & Bui, D. T. (2021). Deep learning neural networks for spatially explicit prediction of flash flood probability. Geoscience Frontiers, 12(3), 101076.

Pham, B. T., Luu, C., Van Phong, T., Trinh, P. T., Shirzadi, A., Renoud, S., ... & Clague, J. J. (2021). Can deep learning algorithms outperform benchmark machine learning algorithms in flood susceptibility modeling? Journal of Hydrology, 592, 125615.

Riazi, M., Khosravi, K., Shahedi, K., Ahmad, S., Jun, C., Bateni, S. M., & Kazakis, N. (2023). Enhancing flood susceptibility modeling using multi-temporal SAR images, CHIRPS data, and hybrid machine learning algorithms. Science of The Total Environment, 871, 162066.

Saha, S., Saha, A., Hembram, T. K., Mandal, K., Sarkar, R., & Bhardwaj, D. (2022). Prediction of spatial landslide susceptibility applying the novel ensembles of CNN, GLM, and random forest in the Indian Himalayan region. Stochastic Environmental Research and Risk Assessment, 36(10), 3597-3616.

Samantaray, S., Agnihotri, A., & Sahoo, A. (2023). Flood Replication Using ANN Model Concerning Various Catchment Characteristics: Narmada River Basin. Journal of The Institution of Engineers (India): Series A, 104(2), 381-396.

Shahabi H, Khezri S, Ahmad BB, Hashim M. (2014). Landslide susceptibility mapping at central Zab basin, Iran: A comparison between analytical hierarchy process, frequency ratio, and logistic regression models, Catena 115: 55-70.

Shannon, C. E. (1948). A mathematical theory of communication. The Bell System Technical Journal, 27(3), 379-423.

Siahkamari, S., Haghizadeh, A., Zeinivand, H., Tahmasebipour, N., & Rahmati, O. (2018). Spatial prediction of flood-susceptible areas using frequency ratio and maximum entropy models. Geocarto international, 33(9), 927-941.

Sofia, G., Roder, G., Dalla Fontana, G., & Tarolli, P. (2017). Flood dynamics in urbanized landscapes: 100 years of climate and humans’ interaction. Scientific reports, 7(1), 40527.

Tabari, H. (2020). Climate change's impact on floods and extreme precipitation increases with water availability. Scientific reports, 10(1), 13768.

UN Office for Disaster Risk Reduction. The Human Cost of Disasters: An Overview of the Last 20 Years (2000–2019); UN Office for Disaster Risk Reduction Geneva: Geneva, Switzerland, 2020.

Willis, G. M., Ward, T., & Levenson, J. S. (2014). The Good Lives model (GLM) is an evaluation of GLM operationalization in North American treatment programs. Sexual Abuse, 26(1), 58-81.

Xiong, F., Guo, S., Chen, L., Chang, F. J., Zhong, Y., & Liu, P. (2018). Identification of flood seasonality using an entropy-based method. Stochastic Environmental Research and Risk Assessment, 32, 3021-3035.

Xu, A., Chang, H., Xu, Y., Li, R., Li, X., & Zhao, Y. (2021). Applying artificial neural networks (ANNs) to solve solid waste-related issues: A critical review. Waste Management, 124, 385-402.

Youssef, A. M., Pourghasemi, H. R., & El-Haddad, B. A. (2022). Advanced machine learning algorithms for flood susceptibility modeling—Performance comparison: Red Sea, Egypt. Environmental Science and Pollution Research, 29(44), 66768-66792.

Youssef, A. M., Pourghasemi, H. R., Mahdi, A. M., & Matar, S. S. (2023). Flood vulnerability mapping and urban sprawl suitability using FR, LR, and SVM models. Environmental Science and Pollution Research, 30(6), 16081-16105.