سیل، یکی از رایج ترین مخاطرات طبیعی در سطح جهان است که پیش بینی و برآورد دقیق آن چالش برانگیز است. هدف این مطالعه نشان دادن توانایی پیش‌بینی چهار الگوریتم مجموعه برای ارزیابی خطر سیل است. مجموعه کیسه‌ای (BE)، درخت مدل لجستیک (LT)، ماشین بردار پشتیبان هسته (k-SVM)، و k-نزدیک‌ترین همسایه (KNN) چهار الگوریتم مورد استفاده در این مطالعه برای منطقه‌بندی سیل در شهر جده، عربستان سعودی هستند. 141 مکان سیل در منطقه تحقیقاتی بر اساس تفسیر عکس های هوایی، داده های تاریخی، گوگل ارث و بررسی های میدانی شناسایی شده است. برای این منظور 14 عامل پیوسته و مقوله های مختلف برای بررسی تأثیر آنها بر وقوع سیلاب در منطقه مورد مطالعه شناسایی شده است. تحلیل وابستگی (DA) برای تجزیه و تحلیل قدرت پیش بینی کننده ها استفاده شد. این مطالعه شامل دو متغیر ورودی متفاوت (C1 و C2) بر اساس انتخاب حساسیت ویژگی‌ها است. منحنی مشخصه عملیاتی زیر گیرنده (AUC) و ریشه میانگین مربعات خطا (RMSE) برای تعیین دقت یک پیش‌بینی خوب استفاده شد. یافته‌های اعتبارسنجی نشان داد که BE-C1 از نظر دقت، دقت، AUC و ویژگی و همچنین کمترین خطا (RMSE) بهترین عملکرد را دارد. مهارت‌های عملکردی مدل‌های کلی با طیفی از AUC (89-97٪) قابل اعتماد بود. این مطالعه همچنین می‌تواند در پیش‌بینی سیل ناگهانی و فعالیت‌های هشداردهنده ناشی از فاجعه سیل جده در عربستان سعودی سودمند باشد. منحنی مشخصه عملیاتی زیر گیرنده (AUC) و ریشه میانگین مربعات خطا (RMSE) برای تعیین دقت یک پیش‌بینی خوب استفاده شد. یافته‌های اعتبارسنجی نشان داد که BE-C1 از نظر دقت، دقت، AUC و ویژگی و همچنین کمترین خطا (RMSE) بهترین عملکرد را دارد. مهارت‌های عملکردی مدل‌های کلی با طیفی از AUC (89-97٪) قابل اعتماد بود. این مطالعه همچنین می‌تواند در پیش‌بینی سیل ناگهانی و فعالیت‌های هشداردهنده ناشی از فاجعه سیل جده در عربستان سعودی سودمند باشد. منحنی مشخصه عملیاتی زیر گیرنده (AUC) و ریشه میانگین مربعات خطا (RMSE) برای تعیین دقت یک پیش‌بینی خوب استفاده شد. یافته‌های اعتبارسنجی نشان داد که BE-C1 از نظر دقت، دقت، AUC و ویژگی و همچنین کمترین خطا (RMSE) بهترین عملکرد را دارد. مهارت‌های عملکردی مدل‌های کلی با طیفی از AUC (89-97٪) قابل اعتماد بود. این مطالعه همچنین می‌تواند در پیش‌بینی سیل ناگهانی و فعالیت‌های هشداردهنده ناشی از فاجعه سیل جده در عربستان سعودی سودمند باشد.

کلید واژه ها:

هوش مصنوعی ؛ سیل ؛ عربستان سعودی ؛ یادگیری ماشینی ؛ GIS ; سنجش از دور

1. مقدمه

سالانه میلیون ها نفر در سراسر جهان تحت تأثیر بلایای طبیعی قرار می گیرند. سیل شدیدترین پدیده در بین انواع بلایای طبیعی است که خسارات قابل توجهی در جان انسان ها و اقتصاد به بار می آورد. هر ساله حدود 200 میلیون نفر تحت تأثیر خطرات سیل قرار می گیرند [ 1 ]. در چند دهه گذشته، تعداد چنین بلایایی به دلیل تغییرات آب و هوایی افزایش یافته است [ 2 ، 3 ]. Jonkman [ 3 ] گزارش داد که سیل ها 1.4 میلیارد نفر را تحت تاثیر قرار دادند و بیش از 100000 نفر را در طول دهه آخر قرن بیستم کشتند. سیلاب در مناطق نیمه خشک و خشک به دلیل ویژگی های منحصر به فرد خود خطرناکتر از مناطق مرطوب است.
مطالعه سیلاب در مناطق نیمه خشک و خشک یک کار چالش برانگیز است. عربستان سعودی (KSA) با توجه به طبقه بندی نقشه جهانی آب و هوای کپر-گیگر [ 4 ] در مناطق نیمه خشک در نظر گرفته می شود. بسیاری از شهرهای عربستان سعودی از سیل سالانه رنج می برند [ 5 ]. سیل سال 2009 باعث تلفات جانی و اقتصادی بیش از 121 کشته، 20000 خانوار آواره [ 6 ، 7 ] و میلیاردها دلار [ 7 ] شد. فاجعه سیل جده به دلیل تغییرات شهری، بارندگی، تغییرات آب و هوایی و عوامل شبکه و حوزه آبخیز بدتر شده است. بنابراین، تحقیقات آسیب‌پذیری سیل برای شناسایی دقیق مناطق خطر سیل برای کاهش اثر سیل با توسعه اقدامات پیشگیرانه الزامی است.8 ].
مطالعات مختلفی در مورد احتمال وقوع سیل با استفاده از تکنیک های مختلف مانند رواناب بارندگی، طبقه بندی الگوها و تحلیل های سنتی انجام شده است [ 9 ]. مدل‌های بارش-رواناب (به عنوان مثال، GSSHA [ 10 ]، MIKE توسط DHI [ 11 ]، HEC-HMS [ 12 ]، و SWAT [ 13 ، 14 ، 15 ]) معمولاً برای پیش‌بینی تغییرات زمانی و مکانی سیل‌ها استفاده می‌شوند. در ایجاد رابطه بین رواناب و بارندگی. با این حال، آنها به داده های مشاهدات میدانی برای دستیابی به سطح دقت بالای پیش بینی نیاز دارند [ 16 ، 17 ، 18]. طبقه‌بندی الگو از طبقه‌بندی «روشن خاموش» استفاده می‌کند که به داده‌های مشاهدات میدانی نیاز ندارد. در این مدل، منطقه مستعد سیل بر اساس داده های ژئومحیطی و سیل های تاریخی به مناطق غیرسیل و سیلابی طبقه بندی می شود [ 19 ]. مدل های مختلفی بر اساس داده های سنجش از دور برای پیش بینی سیل پیشنهاد و پیشنهاد شده است [ 20 ، 21 ، 22 ، 23 ]، اما در مناطق کوهستانی، این مدل ها نمی توانند سیل های ناگهانی را به طور دقیق پیش بینی کنند [ 24 ، 25 ]. در تحلیل‌های سنتی، مدل‌های رگرسیون بر اساس مشاهده میدانی داده‌های تاریخی برای پیش‌بینی تخلیه تولید می‌شوند [ 25 ، 26 ، 27 ،28 ]. با این حال، این نوع مدل بیشتر در مناطق خاص اعمال می شود.
به منظور آماده سازی مناسب برای هر گونه نقشه برداری حساسیت خطر طبیعی، کنترل عوامل خطر که باعث ایجاد خطر می شوند ضروری است [ 29 ]. سیل توسط شرایط یا عوامل مختلف مرتبط ایجاد می شود [ 29 ، 30 ]. زمین به طور قابل توجهی بر رواناب سطحی از نظر جهت و سرعت تأثیر می گذارد. با توجه به مطالعات قبلی [ 31 ، 32 ]، ارتفاع یکی از مهم ترین معیارها در نقشه برداری حساسیت سیل است. با این حال، ارتباط معکوس با سیل دارد. هرچه ارتفاع کمتر باشد، احتمال وقوع سیل بیشتر می شود. زاویه شیب روندهای فیزیوگرافی و الگوهای رطوبت خاک را تعیین می کند [ 33]. در نتیجه، تعیین وضعیت تنظیمات هیدرولوژیکی که بر میزان نفوذ، رواناب و زهکشی زیرسطحی تأثیر می‌گذارند، بسیار مهم است [ 32 ]. فرآیندهای هیدرولوژیکی مانند جهت بارش پیشانی، تبخیر و تعرق، توسعه پوشش گیاهی و فرآیندهای هوازدگی به طور قابل توجهی تحت تأثیر جنبه های شیب، به ویژه در شرایط محیطی خشک [ 34 ] قرار دارند. یکی دیگر از اجزای کلیدی در کنترل سیل، سنگ شناسی است. نوع سازند زمین شناسی تأثیر زیادی بر نفوذپذیری خاک دارد. تخلخل با افزایش ظرافت خاک سطحی کاهش می یابد و جریان رواناب بیشتری ایجاد می کند [ 35 ]. نفوذپذیری بیشتر لایه بالایی خاک در زمین باعث افزایش ظرفیت نفوذ و کاهش رواناب می شود [ 36 ]].
مهمترین پارامتر آب و هوایی موثر بر فرآیندهای هیدرولوژیکی و ارزیابی خطر سیل، بارش است که شامل بارندگی و بارش برف است [ 37 ]. میزان و میزان بارندگی به طور قابل توجهی بر خطر سیل تأثیر می گذارد. به طور قابل‌توجهی، عوامل مهم فراوانی و شدت رویدادهای بارندگی است [ 38 ]. واکنش های هیدرولوژیکی مختلف به طور قابل توجهی تحت تاثیر تغییرات پوشش زمین و کاربری زمین قرار می گیرند. در این زمینه، مطالعات متعددی به ارزیابی اثرات استفاده از زمین و روند پوشش زمین (LULC) در مقیاس‌های مختلف بر ارزیابی و مدیریت سیل اختصاص یافته است. آنها نقش حیاتی LULC را در میزان رواناب و حجم گزارش کردند [ 39]. بسیاری از تغییرات چشم‌انداز عمدتاً ناشی از تغییرات LULC هستند، مانند انتقال از جنگل به کشاورزی، جنگل‌داری به زمین زراعی، باران و/یا زمین‌های کشاورزی تغذیه‌شده از آب‌های زیرزمینی به کشاورزی آبی، یا استفاده از جنگل به مناطق شهری [ 40 ].
در چند سال اخیر، تحقیقات ارزیابی حساسیت سیل به طور قابل توجهی افزایش یافته است [ 35 ، 38 ، 41 ، 42 ]. در سال‌های اخیر، مدل‌های هوش مصنوعی با GIS و تکنیک‌های سنجش از دور برای پیش‌بینی تغییرپذیری مکانی حساسیت سیل ادغام شده‌اند. نمونه هایی از این مدل ها عبارتند از: رگرسیون لجستیک هسته (KLR) [ 43 ]، تابع باور شواهد و درختان تصمیم (DT) [ 44 ]، ماشین بردار پشتیبان (SVM) [ 45 ، 46 ]، شبکه عصبی یادگیری عمیق [ 47 ]، لجستیک رگرسیون [ 48 ، 49 ]، شبکه های عصبی مصنوعی (ANN) [49 ، 50 ، 51 ]، جنگل چرخشی [ 52 ]، WELLSVM [ 53 ]، بیز ساده [ 54 ]، جنگل تصادفی [ 55 ]، QUEST و GARP [ 56 ] و درختان طبقه بندی و رگرسیون (CART) [ 56 ]. با این حال، محققان در مورد انتخاب بهترین مدل‌ها اتفاق نظر ندارند. بر این اساس، مطالعات دیگر نشان داد که مدل‌های ترکیبی می‌توانند حساسیت سیل را با دقت بالایی پیش‌بینی کنند، مانند الگوریتم‌های فراابتکاری و سیستم‌های عصبی فازی [ 57 ، 58 ، 59 ]، ماشین‌های برداری را با مجموعه‌ای از وزن‌های شواهد [ 28 ] پشتیبانی می‌کنند.]، مجموعه‌های بسته‌بندی، و درخت مدل لجستیک [ 60 ]، مجموعه تصمیم‌گیری چند معیاره [ 61 ]، SVM، CART، و مجموعه‌ای از تجزیه و تحلیل تفکیک چند متغیره [ 62 ]، شبکه‌های عصبی بهینه‌شده ازدحامی [ 63 ]، قانون فازی مجموعه‌های مبتنی بر [ 9 ، 64 ]، و چارچوب بیزی ترکیبی [ 9 ].
به همین ترتیب، موسوی و همکاران. [ 65] بررسی دقیقی از عملکرد مدل های یادگیری ماشین در پیش بینی سیل ارائه می دهد. مشهود بود که چندین مقاله فنی در مورد ارزیابی سیل منتشر شده است. با این حال، برآورد خطر سیل و آسیب پذیری در جلوگیری از تلفات جانی و خسارات ارزشمند است. الگوریتم های محاسباتی مانند مدل های ML زیرشاخه ای از هوش مصنوعی هستند که در آن ماشین از داده ها و اطلاعات قابل خواندن توسط ماشین یاد می گیرد. از داده ها استفاده می کند، الگو را یاد می گیرد و نتایج جدید را پیش بینی می کند. محبوبیت آن در حال افزایش است زیرا به ما در درک روند کمک می کند و راه حلی ارائه می دهد که می تواند یک مدل یا یک محصول باشد. کاربردهای الگوریتم های ML در سال های اخیر در GIS و سنجش از دور به شدت افزایش یافته است. نقش فناوری اطلاعات جغرافیایی، به عنوان مثال، GIS و سنجش از دور در تجزیه و تحلیل سیل و تغییرات کاربری اراضی را نمی توان نادیده گرفت. این نقش بیشتر باعث ایجاد علاقه بسیاری از محققین به استفاده از رویکردهای داده محور و داده های حس شده و همچنین سایر داده های منبع برای ایجاد ورودی های برداری یا شطرنجی شد.
علیرغم سایر مطالعات منتشر شده در همین راستا، استفاده از یادگیری ماشین برای تجزیه و تحلیل سیل در شهر جده کمتر مورد توجه قرار گرفت. این مطالعه مدل‌های یادگیری ماشینی را بررسی می‌کند: مجموعه کیسه‌ای (BE)، درخت مدل لجستیک (LT)، ماشین بردار پشتیبان هسته (k-SVM)، و نزدیک‌ترین همسایه k (KNN) برای نقشه‌برداری و پیش‌بینی حساسیت سیل در شهر جده. برای این منظور، از تحلیل وابستگی (DA) برای طبقه‌بندی و انتخاب ویژگی‌ها استفاده شد. انگیزه اصلی این مطالعه به سناریوهای سیل سال 2009 و 2011 نسبت داده می شود که در آن بیش از 113 نفر جان باختند، علاوه بر این، پرونده های آسیب دیده ساختمان ها، جاده ها، خودروها و از بین رفتن چندین ملک.

2. شرح منطقه مطالعه و داده های ورودی

2.1. منطقه مطالعه

شهر جده، واقع در سه زیرحوضه اصلی (شمالی، میانی و جنوبی) که منبع اصلی سیلاب‌های ناگهانی هستند، به عنوان مطالعه موردی انتخاب شد ( شکل 1 ). حوضه فرعی شمالی شامل وادی دغباج، وادی بریمن، وادی مرایق، وادی قرعه، وادی غایا و وادی ام حبلین است. زیرحوضه میانی شامل وادی مرایخ و وادی بنی مالک است. حوضه فرعی جنوبی شامل وادی قوس، وادی وادی مثوب، عشیر، وادی الخمره و وادی غلیل است. در سال 2022، حدود 4.78 میلیون نفر شهر جده را اشغال می کنند [ 66 ]. این شهر از غرب توسط دریای سرخ و از شرق توسط رشته کوه با حداکثر ارتفاع 675 متر محصور شده است. مساحت زهکشی که با 30 متر DEM مشخص شده است 1821 کیلومتر مربع است. این منطقه مسکونی در دشت ساحلی قرار دارد و آن را در معرض اثرات سیلاب‌های ناگهانی از زنجیره‌های کوهستانی قرار می‌دهد. شکل 1 توپوگرافی حوضه آبخیز جده را نشان می دهد که دو واحد ژئومورفولوژیکی را نشان می دهد: دشت ساحلی و کوه هایی که بر شهر مسلط هستند. جده اگرچه خشک است، اما از سیل های ناگهانی رنج می برد که چندین بار این شهر را درنوردیده است. مناطق شهری در 25 نوامبر 2009 توسط سیل ناگهانی مورد حمله قرار گرفتند که خسارت زیادی به زیرساخت ها، ساختمان ها، خودروها و جاده ها وارد کرد و حدود 113 نفر جان باختند. خسارت عظیمی نیز توسط رویداد دیگری در سال 2011 ایجاد شد [ 67]. حوضه آبخیز در بسیاری از محله ها مانند الحراضات، دانشگاه ملک عبدالعزیز، بزرگراه الحرامین، المسعید، قضیاء و الصوید زهکشی می کند که به دلیل وقوع سیل ناگهانی در سال 2009 به طور قابل توجهی تحت تاثیر قرار گرفتند.

2.2. عوامل تهویه کننده سیل / پیش بینی کننده ها

عوامل تهویه سیل مطالعه شامل ارتفاع، شیب، جهت، توپوگرافی، سنگ شناسی، بارش، پوشش زمین و کاربری زمین بر اساس منطقه مورد مطالعه و داده های موجود در نظر گرفته شد. هیدرولوژی، جغرافیا، محیط زیست و مردم شناسی چهار دسته از این عوامل تهویه سیل را تشکیل می دهند. در این مطالعه، متغیرهای زیر از ماموریت توپوگرافی رادار شاتل 30 متری (SRTM) استخراج شد تا زاویه شیب (SA)، شاخص موقعیت توپوگرافی (TPI)، شاخص توان جریان (SPI)، انحنای پلان (PC)، رطوبت توپوگرافی در نظر گرفته شود. شاخص (TWI)، فاصله رودخانه (DR)، بارندگی (P)، سنگ شناسی، کاربری زمین (LD)، خاک، شاخص همگرایی (CI)، تجمع جریان (FA)، ارتفاع، شاخص ناهمواری توپوگرافی (TRI)، F-NF (سیل و غیرسیل) و جنبه ( شکل 2).
یکی از عوامل مهم در وقوع سیلاب، بارندگی است. لازم به ذکر است که اکثریت قریب به اتفاق تحقیقات مربوط به ارزیابی حساسیت سیلاب از رقم میانگین بارندگی سالانه استفاده می کنند. همه مقادیر بارندگی با استفاده از روش اسپلاین درون یابی شدند. هنگامی که تنها چند نقطه داده وجود دارد، همانطور که در این مطالعه وجود دارد، این رویکرد توصیه می شود. با توجه به ارتباط اولیه آن با نوسانات رطوبت خاک، این جنبه به عنوان یک پیش بینی کننده سیل کشف شد. یک پهنه مسطح واحد و تقسیمات نهم شمال، شمال شرق، شرق، جنوب شرق، جنوب غرب، غرب و شمال غرب و شمال با استفاده از مقادیر شطرنجی وجهی ایجاد شد. ارتفاع سلول های اطراف توسط شاخص موقعیت توپوگرافی (TPI) در نظر گرفته شد که با موفقیت یک سلول را از آنها متمایز می کند (جنس، 2000). در مطالعه حاضر، کلاس های زیر برای نقشه TPI تعریف شد: (-79.38) – (-15.1). (-15.1)–(-3.72); (-3.72)-5.36; 5.36-22.76; 22.76-113.56. شاخص مورفومتریک دیگری که به عنوان پیش‌بینی سیل استفاده می‌شود، شاخص توان جریان (SPI) است. هنگام تعیین مقادیر آب، نیروی فرسایشی و توانایی حمل و نقل در نظر گرفته می شود. طبقه بندی های مبتنی بر قضاوت متخصص زیر برای نقشه های SPI ایجاد شد: 0-50. 50-100; 100-400; 400-1000; > 1000. طبقه بندی های مبتنی بر قضاوت متخصص زیر برای نقشه های SPI ایجاد شد: 0-50. 50-100؛ 100-400; 400-1000; > 1000. طبقه بندی های مبتنی بر قضاوت متخصص زیر برای نقشه های SPI ایجاد شد: 0-50. 50-100; 100-400; 400-1000; > 1000.
به طور مشابه، زاویه شیب یک مؤلفه مورفومتریک مهم است که به طور قابل توجهی بر روند سیل تأثیر می گذارد. این دانش عمومی است که یک مکان هموار نسبت به منطقه ای با شیب تند که جلوه ای از رواناب سطحی را ترویج می کند، در برابر سیل آسیب پذیرتر است. برای ساختن نقشه زاویه شیب، زاویه شیب به محدوده های زیر تقسیم شد: <3; 3-7; 8-15; 16-25; و > 25. سنگ شناسی در درجه اول نفوذ آب را به دلیل نفوذپذیری سنگ تنظیم می کند که به نوبه خود پدیده سیل را تحت تأثیر قرار می دهد. در منطقه تحقیقاتی، در مجموع پنج طبقه‌بندی سنگ‌شناسی (سنگ‌های اکستروژن آذرین، سنگ‌های نفوذی آذرین، سنگ‌های چند سنگی، سنگ‌های رسوبی و نهشته‌های سطحی رسوبی) کشف شد. از آنجایی که وقوع سیل در مکان های کم ارتفاع بیشتر رخ می دهد، ارتفاع عنصر مورفومتریک دوم است که در تعیین آسیب پذیری سیل بسیار مهم است. به منظور ایجاد نقشه ارتفاع برای مطالعه موردی در دست، از 8 کلاس ارتفاع زیر استفاده شد: <50 متر; 50-100 متر؛ 100-200 متر؛ 200-300 متر؛ 300-400 متر؛ 400-500 متر؛ 500-600 متر؛ > 600 متر گروه هیدرولوژیکی خاک، یک پارامتر کنترل سیل، تاثیر قابل توجهی بر نفوذ آب دارد. به ویژه، بافت خاک مستقیماً بر نفوذ تأثیر می گذارد زیرا بر هدایت هیدرولیکی تأثیر می گذارد. سه دسته خاک هیدرولوژیکی در داخل حوضه آبخیز جده قرار دارند. جهت شیب پلان عمودی بر انحنای پروفیل تأثیر می گذارد. مقادیر بیشتر از 0 دلالت بر افزایش رواناب سطحی دارد، در حالی که مقادیر منفی نشان دهنده کاهش رواناب سطحی است. نقشه انحنای پروفیل با استفاده از سه کلاس زیر ساخته شد: -3.15 تا -0.1. -0.1 تا 0.1؛ و 0.1 تا 2.87. رواناب سطحی و فرآیندهای ذخیره آب به طور قابل توجهی تحت تأثیر استفاده از زمین، یک جزء در پیش بینی سیل است. حوضه آبریز جده به شش دسته کاربری زیر تقسیم می‌شود: مناطق کشاورزی، مناطق ساخته شده، جاده‌ها، کوه‌ها، زمین‌های بایر و آب‌ها. شاخص رطوبت توپوگرافی (TWI) با استفاده از مقادیر زاویه شیب و منطقه حوضه خاص تعیین می شود. این شاخص بر چگونگی تأثیر جغرافیا بر پدیده انباشت آب تأکید می کند. تکنیک شکست طبیعی برای ایجاد کلاس های فهرست شده در زیر به منظور طراحی نقشه TWI استفاده شد: 3.5-6.58، 6.58-8.6، 8.6-11.1، 11.1-14.66، و 14.66-28.05. نقشه انحنای پروفیل با استفاده از سه کلاس زیر ساخته شد: -3.15 تا -0.1. -0.1 تا 0.1؛ و 0.1 تا 2.87. رواناب سطحی و فرآیندهای ذخیره آب به طور قابل توجهی تحت تأثیر استفاده از زمین، یک جزء در پیش بینی سیل است. حوضه آبریز جده به شش دسته کاربری زیر تقسیم می‌شود: مناطق کشاورزی، مناطق ساخته شده، جاده‌ها، کوه‌ها، زمین‌های بایر و آب‌ها. شاخص رطوبت توپوگرافی (TWI) با استفاده از مقادیر زاویه شیب و منطقه حوضه خاص تعیین می شود. این شاخص بر چگونگی تأثیر جغرافیا بر پدیده انباشت آب تأکید می کند. تکنیک شکست طبیعی برای ایجاد کلاس های فهرست شده در زیر به منظور طراحی نقشه TWI استفاده شد: 3.5-6.58، 6.58-8.6، 8.6-11.1، 11.1-14.66، و 14.66-28.05. نقشه انحنای پروفیل با استفاده از سه کلاس زیر ساخته شد: -3.15 تا -0.1. -0.1 تا 0.1؛ و 0.1 تا 2.87. رواناب سطحی و فرآیندهای ذخیره آب به طور قابل توجهی تحت تأثیر استفاده از زمین، یک جزء در پیش بینی سیل است. حوضه آبریز جده به شش دسته کاربری زیر تقسیم می‌شود: مناطق کشاورزی، مناطق ساخته شده، جاده‌ها، کوه‌ها، زمین‌های بایر و آب‌ها. شاخص رطوبت توپوگرافی (TWI) با استفاده از مقادیر زاویه شیب و منطقه حوضه خاص تعیین می شود. این شاخص بر چگونگی تأثیر جغرافیا بر پدیده انباشت آب تأکید می کند. تکنیک شکست طبیعی برای ایجاد کلاس های فهرست شده در زیر به منظور طراحی نقشه TWI استفاده شد: 3.5-6.58، 6.58-8.6، 8.6-11.1، 11.1-14.66، و 14.66-28.05. 1 تا 2.87. رواناب سطحی و فرآیندهای ذخیره آب به طور قابل توجهی تحت تأثیر استفاده از زمین، یک جزء در پیش بینی سیل است. حوضه آبریز جده به شش دسته کاربری زیر تقسیم می‌شود: مناطق کشاورزی، مناطق ساخته شده، جاده‌ها، کوه‌ها، زمین‌های بایر و آب‌ها. شاخص رطوبت توپوگرافی (TWI) با استفاده از مقادیر زاویه شیب و منطقه حوضه خاص تعیین می شود. این شاخص بر چگونگی تأثیر جغرافیا بر پدیده انباشت آب تأکید می کند. تکنیک شکست طبیعی برای ایجاد کلاس های فهرست شده در زیر به منظور طراحی نقشه TWI استفاده شد: 3.5-6.58، 6.58-8.6، 8.6-11.1، 11.1-14.66، و 14.66-28.05. 1 تا 2.87. رواناب سطحی و فرآیندهای ذخیره آب به طور قابل توجهی تحت تأثیر استفاده از زمین، یک جزء در پیش بینی سیل است. حوضه آبریز جده به شش دسته کاربری زیر تقسیم می‌شود: مناطق کشاورزی، مناطق ساخته شده، جاده‌ها، کوه‌ها، زمین‌های بایر و آب‌ها. شاخص رطوبت توپوگرافی (TWI) با استفاده از مقادیر زاویه شیب و منطقه حوضه خاص تعیین می شود. این شاخص بر چگونگی تأثیر جغرافیا بر پدیده انباشت آب تأکید می کند. تکنیک شکست طبیعی برای ایجاد کلاس های فهرست شده در زیر به منظور طراحی نقشه TWI استفاده شد: 3.5-6.58، 6.58-8.6، 8.6-11.1، 11.1-14.66، و 14.66-28.05. حوضه آبریز جده به شش دسته کاربری زیر تقسیم می‌شود: مناطق کشاورزی، مناطق ساخته شده، جاده‌ها، کوه‌ها، زمین‌های بایر و آب‌ها. شاخص رطوبت توپوگرافی (TWI) با استفاده از مقادیر زاویه شیب و منطقه حوضه خاص تعیین می شود. این شاخص بر چگونگی تأثیر جغرافیا بر پدیده انباشت آب تأکید می کند. تکنیک شکست طبیعی برای ایجاد کلاس های فهرست شده در زیر به منظور طراحی نقشه TWI استفاده شد: 3.5-6.58، 6.58-8.6، 8.6-11.1، 11.1-14.66، و 14.66-28.05. حوضه آبریز جده به شش دسته کاربری زیر تقسیم می‌شود: مناطق کشاورزی، مناطق ساخته شده، جاده‌ها، کوه‌ها، زمین‌های بایر و آب‌ها. شاخص رطوبت توپوگرافی (TWI) با استفاده از مقادیر زاویه شیب و منطقه حوضه خاص تعیین می شود. این شاخص بر چگونگی تأثیر جغرافیا بر پدیده انباشت آب تأکید می کند. تکنیک شکست طبیعی برای ایجاد کلاس های فهرست شده در زیر به منظور طراحی نقشه TWI استفاده شد: 3.5-6.58، 6.58-8.6، 8.6-11.1، 11.1-14.66، و 14.66-28.05.

2.3. فهرست مکان های سیل

درک فهرست موجودی سیل برای مدیریت موفق سیل و کاهش آن بسیار ضروری است. برای محاسبه حساسیت سیل، از مکان های رویداد گذشته برای تولید متغیرهای ورودی حیاتی استفاده شد. با توجه به Costache و همکاران. [ 41 ]، Costache و همکاران. [ 68 ]، سامن و همکاران. [ 69]، احتمال وقوع سیل را می توان به مناطقی با همین ویژگی ها و ویژگی های دیگر نسبت داد. منبع موجودی سیل از یک مکان جغرافیایی به مکان دیگر متفاوت است، اما به طور کلی می تواند از کارهای فنی، علمی گذشته، دستاوردهای دولت، روزنامه ها، بررسی های میدانی یا فناوری های اخیراً در حال ظهور باشد. مطالعه حاضر نقشه موجودی سیل را بر اساس اطلاعات مقالات منتشر شده گذشته، عکس های هوایی، داده های تاریخی، Google Earth و اخبار پایگاه داده دولتی در عربستان سعودی تهیه کرده است. از این رو، در مجموع از 282 رویداد سیل برای سیل رخ داده در منطقه مستعد عربستان سعودی استفاده شد ( شکل 2).). نقاط به عنوان مهمترین مکان های منطقه سیل ثابت شد. بنابراین، ما این نکات را منعکس کننده مشکلات پیچیده منطقه جده در نظر گرفتیم. در چندین اثر ادبی، به عنوان مثال [ 60 ، 61 ، 70 ، 71 ]، متغیرهای وابسته به حساسیت به سیل به عنوان نقاطی برای مکان های سیلاب استفاده شده است.

3. پیشینه روش های مورد استفاده

ثابت شده است که پدیده های پیچیده وقایع طبیعی مانند سیل به دلیل عوامل متعددی از جمله تغییرات آب و هوایی و فعالیت های انسانی است. این مطالعه الگوریتم‌های مختلف یادگیری ماشین را با سنجش از دور و GIS برای کنترل این پدیده پیشنهاد می‌کند. الگوی سیل در طبقه بندی باینری قرار می گیرد. از این رو روش نگاشت حساسیت شامل مکان غیرسیل است (141). به عنوان یک سنت از مدل های قابل اعتماد، عملکرد آموزش و آزمایش با استفاده از چندین شاخص اعتبار سنجی شد. نمونه کل داده ها شامل نمونه های سیلابی و غیرسیلابی با نسبت 70 درصد و 30 درصد برای مرحله آموزش و آزمایش است. برای اطمینان از فرآیند نمونه گیری ذهنی، اعتبار سنجی خارجی نمونه گیری تصادفی برای همه مکان ها با استفاده از نرم افزار ArcGIS 10.8 انجام شد.شکل 3 .

3.1. گروه کیسه کشی (BE)

برای مدل‌های پایدارتر، قابل اطمینان‌تر و دقیق‌تر، از تکنیکی به نام “bagging” یا “Bootstrap Aggregating” استفاده می‌شود [ 72 ، 73 ] ( شکل 4).). یکی از تکنیک‌های یادگیری گروهی قابل اعتماد که برای نمونه‌گیری مجدد از مجموعه داده آموزشی استفاده می‌شود، کیسه‌سازی است. نمونه های داده خام که مجموعه های متعدد داده های آموزشی را تشکیل می دهند در مرحله اول بوت استرپ می شوند. این مجموعه داده های آموزشی برای ساخت انواع مدل ها استفاده می شود. فرآیندهای آموزش مداوم برای مجموعه داده‌ها و مدل‌های متعدد، پیش‌بینی‌هایی را تولید می‌کنند. ایده اصلی پشت تکنیک کیسه‌بندی ساده است. مدل‌های متعددی برای توصیف رابطه بین متغیرهای ورودی و خروجی به‌جای اینکه یک مدل واحد پیش‌بینی‌های مناسب برای داده‌های واقعی انجام دهد، توسعه می‌یابد. سپس، چندین مدل برای ایجاد یک خروجی واحد با استفاده از میانگین وزنی در الگوریتم کیسه‌ای [ 74 ، 75 ] مرتبط می‌شوند.]. عدم قطعیت های بالقوه در فرآیند مدل سازی را می توان با موفقیت با این تاکتیک کاهش داد. همانطور که توسط انتشارات قبلی نشان داده شده است، کیسه بندی گزینه خوبی برای مدل سازی مجموعه ای از مشکلات مختلف محیطی است [ 76 ].

3.2. درخت مدل لجستیک

درخت مدل لجستیک یک مدل طبقه بندی است که رگرسیون لجستیک (LR) را با تکنیک های یادگیری درخت تصمیم ترکیب می کند [ 77 ، 78 ]. در حالی که کارایی طبقه بندی به شدت تحت تاثیر قرار نمی گیرد، این استراتژی اکتشافی به طور قابل توجهی زمان را بهبود می بخشد. مزایای کلیدی مدل های LMT ساخت سریع و تفسیر ساده آنهاست. الگوریتم LogitBoost در تغییرات لجستیک برای ایجاد یک مدل LR در هر گره درخت و الگوریتم CART برای هرس درخت استفاده می شود. کسب اطلاعات برای تقسیم استفاده می شود [ 79]. برای جلوگیری از تطبیق بیش از حد با داده های آموزشی، LMT چندین دور LogitBoost را با استفاده از اعتبارسنجی متقاطع پیدا می کند. به طور کلی، LMT ساختارهای درختی فشرده را با استفاده از تکنیک های هرس با تکنولوژی بالا و کم هزینه می سازد [ 80 ، 81 ].

3.3. الگوریتم های کرنل SVM

مدل k-SVM ( شکل 5 ) بر اساس مفهوم ماشین بردار پشتیبان (SVM) توسعه یافته است که به طور کلی در حل مسائل از طریق رگرسیون و رویکرد طبقه بندی استفاده می شود [ 82 ، 83 ، 84 ، 85 ، 86 ]. SVR یک تکنیک محاسباتی تثبیت شده با محاسن مختلف است، مانند تحمل نویز خوب، توانایی تعمیم برتر، و سرعت یادگیری بالا [ 87 ]. به طور کلی، متغیرهای ورودی از مجموعه داده‌ها از طریق یک عملگر هسته غیرخطی با استفاده از SVM در یک معماری فیلتر عناصر فضایی فشرده نگاشت شدند [ 87 ، 88 ، 89 ]]. این تکنیک رگرسیون می‌تواند یک فرآیند پیچیده را از طریق درک پیچیدگی یادگیری تعامل بین پیش‌بینی‌کننده‌ها و پاسخ‌ها به یک فرآیند ساده تبدیل کند [ 90 ، 91 ]. توابع هسته مختلف برای حل مسائل آشفته در علم و مهندسی استفاده شده است، به عنوان مثال، تابع پایه خطی، چند جمله ای و شعاعی (RBF). در مطالعه حاضر، RBF به دلیل استحکام آن برای رسیدگی به فرآیند پیچیده غیرخطی استفاده شد.

3.4. K-نزدیکترین همسایه (KNN)

به عنوان الگوریتم یادگیری ناظر بر محاسبات نرم ناپارامتریک، KNN در هر دو مسائل مربوط به طبقه‌بندی و مدل رگرسیون استفاده می‌شود که یک دیدگاه را در فضای n فضایی طبقه‌بندی می‌کند [ 92 ]. با این حال، ویژگی‌های مرزی k مجاور در کالیبراسیون تمرین استفاده می‌شود، که عمدتاً بر طبقه‌بندی الگوی فاصله [ 93 ] متکی است. بر اساس این مفهوم است که عناصری که مختصات جغرافیایی یا مکان یکسانی دارند، در نهایت اگر در نزدیکی یکدیگر قرار گیرند، همان ویژگی و ویژگی را اشغال خواهند کرد. این الگوریتم در پیش‌بینی مشکلاتی مانند سیل با ماهیت فرآیند رأی‌گیری به اجسام فضایی امیدوارکننده بوده است. همانطور که در چندین کار نشان داده شده است، به عنوان مثال، فاصله در [ 68 ، 94 ] تعریف شده است، 95 ].

4. تکنیک های اعتبارسنجی مدل

برای همه مدل‌های توسعه‌یافته، نتایج حاصل از رویکرد پیشنهادی با استفاده از چندین ماتریس عملکرد مانند حساسیت، ویژگی، دقت و دقت تأیید شد. بر اساس [ 96 ، 97 ]، اگر همبستگی فضایی بین سیل اندازه گیری شده و منطقه غیرسیلابی اندازه گیری شده و منطقه مستعد سیل پیش بینی شده وجود داشته باشد، شاخص های عملکرد معنادار در نظر گرفته می شوند.

که در آن TP = مثبت واقعی، TN = منفی واقعی، FP = مثبت کاذب، FN = منفی کاذب. به طور مشابه، شاخص رایج دیگری به نام منحنی مشخصه عملکرد گیرنده (ROC) در تجزیه و تحلیل استفاده شد. ROC به عنوان اغلب مورد استفاده، قابلیت اطمینان مدل های پیش بینی را با در نظر گرفتن سطح زیر منحنی (AUC) تعریف می کند. علاوه بر این، ریشه میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) نیز برای محاسبه نگاشت حساسیت سیل استفاده شد. این دو شاخص در چندین کار علمی به کار گرفته شده است.

که در آن TP مثبت واقعی، TN منفی واقعی، P تعداد کل پیکسل های دارای پدیده های سیل آسا، و N تعداد کل پیکسل های بدون پدیده سیل آسا است.

که در آن n کل نمونه ها در مرحله آموزش یا آزمایش است، مقدار پیش بینی شده X پیش بینی شده است، مقدار مشاهده شده X واقعی از مدل حساسیت به سیل است.

5. نتایج و بحث

با توجه به پیش‌بینی‌کننده‌های مختلف سیلاب که در این تحقیق استفاده شده است، بدیهی است که عوامل شرطی‌سازی بر تغییرپذیری سیلاب تأثیر می‌گذارند. قدرت این پیش‌بینی‌کننده‌ها باید دوباره وقوع سیل هدف را درک کرد. روش‌های مختلفی برای تجزیه و تحلیل قدرت پیش‌بینی‌کننده‌ها در آثار فنی مختلف ادبیات استفاده شده است، به عنوان مثال، روش IGR، میانگین شایستگی (AM) و تحلیل وابستگی (DA). تحلیل وابستگی به دلیل محبوبیت آن در علم و مهندسی و منحصر به فرد بودن آن در مشکلات خطر و سیل در این مطالعه به کار گرفته شد. شکل 6DA را با توجه به یک رویداد پیش‌بینی‌شده سیل دیگر نشان می‌دهد. تجزیه و تحلیل نشان می دهد که TWI، FA، SPI، و P به طور مستقیم با پارامترهای هدف مرتبط هستند، در حالی که همه متغیرهای دیگر، از جمله TPI، TRI، DEM، جنبه، PC، شیب، سنگ شناسی، خاک، LU و DR به طور غیر مستقیم همبستگی دارند. .
پنج عامل قوی‌تر تأثیرگذار بر متغیرهای هدف صرف نظر از جهت آن‌ها طبق DA عبارتند از DR (79007/0-)، TWI (5619/0)، شیب (5114-0)، DEM (4563/0-)، و سنگ‌شناسی (4145/0-). این توجیه در برخی از ادبیات گزارش شده است. با این حال، بررسی تاریخی داده‌های سیل نشان می‌دهد که وقوع رایج سیل‌ها به شیب کم و فاصله تا رودخانه‌ها نسبت داده می‌شود، این در راستای مطالعه [ 60 ] است. عواملی که به طور قابل توجهی بر تجزیه و تحلیل کلی سیل و وزن مطلق آنها تأثیر گذاشتند در شکل 7 رتبه بندی شدند.. همانطور که در بالا گفته شد، این مطالعه شامل دو متغیر ورودی متفاوت (C1 و C2) بر اساس انتخاب حساسیت ویژگی‌ها است. C1 و C2 تسلط را نسبت به متغیرهای هدف تعریف می کنند، به عنوان مثال C1 (DR + TWI + S lope + DEM + Lithology + TRI + TPI) و C1 (FA + P + SPI + PC + LU + خاک + جنبه). توجه به این نکته بسیار مهم است که فرمول‌بندی این متغیرها کاملاً پیچیده است، بنابراین بهینه‌سازی ویژگی برای سهولت فرآیند پیچیده بسیار مهم است.
نتایج برای این مطالعه با استفاده از مجموعه کیسه‌ای (BE)، درخت لجستیک (LT)، ماشین بردار پشتیبان هسته (k-SVM) و k-نزدیک‌ترین همسایه (KNN) ساخته شد و مجموعه داده آموزشی و اعتبارسنجی به 70 تقسیم شد. درصد و 30 درصد به ترتیب. علاوه بر این، اعتبار متقاطع 10-k برابر برای همه ترکیب ها اعمال شد. نتایج مرحله اعتبارسنجی برای ترکیب 1 و 2، همانطور که در جدول 1 و جدول 2 ارائه شده است، ثبت شد.، به ترتیب. برای همه طبقه‌بندی‌کننده‌ها، پارامترهای بهینه مانند تعداد تکرار، سرعت پیش‌بینی (obs/s) و زمان تمرین (s) به دست آمد و بهترین معیار خمیدگی انتخاب شد. در این مطالعه از شاخص‌های عملکرد متفاوتی برای تخمین حساسیت به سیل استفاده شد. منحنی مشخصه عملیاتی زیر گیرنده (AUC) برای تعیین دقت یک پیش‌بینی خوب استفاده شد. برای مثال، اگر AUC بین 0.5 و 1 باشد، جایی که 0.5 حاکی از برآورد ضعیف است، در حالی که یک پیش بینی عالی زمانی است که AUC نزدیک شود یا برابر با 1 باشد. شکل 8 a-d عملکرد کارایی BE، LT، k-SVM را نشان می دهد. و الگوریتم های KNN در مرحله اعتبارسنجی.
همانطور که در جدول 1 نشان داده شده است، بهترین الگوریتم های تکرار انتخاب و گزارش شدند . از نتایج جدول، BE-C1 بهترین نتایج را بر اساس حساسیت (929/0) و ویژگی (901/0) به دست آورد. مقایسه کمی در رابطه با دقت نشان می‌دهد که BE-C1 (0.915)، LT-C1 (0.901)، k-SVM-C1 (0.886) و KNN-C1 (0.887) توانایی امیدوارکننده‌ای در تقویت گروه نشان دادند. برای ترکیب 1 (C1)، نتایج اعتبار سنجی نشان داد که BE-C1 بالاترین عملکرد را از نظر دقت، دقت، AUC و ویژگی و کمترین خطا (RMSE) دارد. این نشان دهنده احتمال مدل های مجموعه ماشینی در طبقه بندی سیل است. دقت ترکیب مدل ها (C2) نیز در جدول 2 ارائه شده است; این ترکیب شامل استحکام مطلق از 23 تا 35 درصد با متغیرهای هدف است. بالاترین حساسیت به LT-C2 (0.763) و به دنبال آن BE-C2 (0.7)، k-SVM (0.67) و KNN-C2 (0.65) نسبت داده شد. C2 همگرایی و دقت حاشیه ای را به دلیل قدرت همبستگی کمتر با متغیرهای هدف نشان می دهد. مقایسه عددی برای دو ترکیب نشان داد که مدل‌های k-SVM-C1 دارای حساسیت امیدوارکننده‌ای هستند، با بیش از 93 درصد از پیکسل‌های سیل که به طور قابل قبولی در کلاس‌های سیل طبقه‌بندی می‌شوند. به طور مشابه، مدل‌های BE-C1 دارای بالاترین ویژگی بودند، که نشان می‌دهد 90 درصد از مجموعه داده‌های اعتبارسنجی به عنوان غیرسیلاب طبقه‌بندی شده‌اند ( شکل 9 ).
علاوه بر معیارهای ویژگی و حساسیت، مقایسه‌های آماری با استفاده از RMSE ایجاد شد، همانطور که در جدول 1 و جدول 2 نشان داده شده است. نتایج نشان داد که RMSE برای بهترین ترکیب به ترتیب 0.00501، 0.0315، 0.01504 و 0.0050 برای EB-C1، LT-C1، k-SVM-C1، و KNN-C1 است. رتبه بندی کلی RMSE را می توان در شکل 10 نشان داد. مقادیر RMSE برای EB-C1 تطابق کامل بین مقادیر مشاهده شده و شبیه سازی شده را نشان می دهد. از این رو احتمال حساسیت برآورد شده به دست آمد.

ایجاد نقشه حساسیت به سیل

در یک منطقه مستعد سیل پیچیده مانند جده، تهیه و دسته بندی نقشه های احتمال حساسیت به سیل برای هر دو میزان شکست و میزان موفقیت بسیار ضروری است. در بسیاری از ادبیات، مجموعه داده های آموزشی برای ایجاد کارآمد عملکرد قابلیت اطمینان مدل سیل استفاده شد. به گفته توفیق الاسلام و همکاران. [ 98 ] پیش‌بینی سیل فضایی به احتمال چندین نقشه آسیب‌پذیری سیل نسبت داده شد. نقشه‌های سیلاب در این مطالعه با استفاده از نرم‌افزار GIS پس از کالیبراسیون مدل تهیه شد. محققانی مانند [ 46] رویکردهای مختلف شاخص‌های حساسیت به سیل (FSI) را دسته‌بندی کرد، به‌عنوان مثال، شکست‌های طبیعی، انحراف استاندارد، تکنیک‌های فاصله زمانی و غیره، بسته به ماهیت و هدف روش خاص. علاوه بر این، ادبیات قبلی رویکرد مبتنی بر کمیت را به عنوان پرکاربردترین روش طبقه‌بندی برای تولید نقشه‌های حساسیت توصیه می‌کند. طبقه‌بندی‌ها با استفاده از نتایج اعتبارسنجی تأیید شدند، و نتایج نشان می‌دهد که مکان‌های غالب نسبت به فاصله تا رودخانه بسیار مستعد سیل با شدت بالا برآورد هستند.
نقشه های حساسیت به سیل در شکل 11 ارائه شده است. برای مقایسه با یوسف و همکاران. [ 67] مدل های آماری دو متغیره و چند متغیره برای ارزیابی سیل در شهر جده ارائه شده است. نتیجه گیری به دست آمده نشان داد که حساسیت بالا با TWI و DR در امتداد وادی ها و حوضه های غربی مرتبط است. این نتیجه گیری با یافته های ما مطابقت دارد. علاوه بر این، نتایج و رفتار پیش‌بینی‌کننده‌های سیل نشان می‌دهد که انتظار می‌رود توپوگرافی حوضه آبخیز جده حتی با تعداد کم دوره‌های بازگشت، دارای سیلاب‌های مکرر باشد. به طور کلی، به عنوان مثال، در پادشاهی عربستان سعودی، تحقیقات زیادی برای ترسیم نقشه مناطق و مناطق آسیب‌پذیر سیل انجام شده است تا وقوع آن در آینده را کاهش دهد. هنوز در یک رویداد جاری سیل، اتخاذ سیاست ها و استراتژی ها به طور کامل مورد توجه تصمیم گیرندگان قرار نمی گیرد.99 ].

6. نتیجه گیری

مدیریت سیل ناگهانی برای جلوگیری از تلفات انسانی و خسارات اقتصادی، به ویژه در مناطق مسکونی مرتفع مانند جده، حیاتی است. بنابراین، نقشه‌برداری با دقت بالا از حساسیت به سیل برای توسعه استراتژی‌های مدیریت سیل، به‌ویژه در پرتو تغییرات آب و هوا، حیاتی است. انگیزه اصلی این مطالعه به سناریوهای سیل سال 2009 و 2011 نسبت داده می شود که در آن بیش از 113 نفر جان خود را از دست دادند و به سوابق آسیب دیده ساختمان ها، جاده ها، خودروها و از دست دادن چندین ملک جان سپردند. این مطالعه مدل‌های یادگیری ماشینی را بررسی می‌کند: مجموعه کیسه‌ای (BE)، درخت مدل لجستیک (LT)، ماشین بردار پشتیبان هسته (k-SVM)، و نزدیک‌ترین همسایه k (KNN) برای نقشه‌برداری و پیش‌بینی حساسیت سیل در شهر جده. به این منظور، تجزیه و تحلیل وابستگی (DA) برای طبقه بندی و انتخاب ویژگی استفاده شد. مقادیر AUC BE-C1، LT-C1، k-SVM-C1، و KNN-C1 به ترتیب 97، 97، 93، و 89 درصد است. در حالی که مقادیر AUC BE-C2، LT-C2، k-SVM-C2، و KNN-C2 به ترتیب 0.83٪، 0.8٪، 0.75٪ و 0.65٪ هستند. به طور کلی می توان از مدل های معرفی شده در این مقاله به عنوان روش های جایگزین برای پیش بینی مدل سیل فضایی استفاده کرد. با این حال، با توجه به دانش در حال ظهور در زمینه مدل‌های مبتنی بر هوش مصنوعی، پیشنهاد می‌شود که سایر رویکردهای جایگزین عملی مانند روش‌های انتخاب ویژگی، تکنیک‌های یادگیری ترکیبی و الگوریتم‌های بهینه‌سازی نیز باید تمرین شوند. محدودیت اصلی این مطالعه مبتنی بر داده‌کاوی و جمع‌آوری با استفاده از ماهواره‌های بسیار پیچیده با وضوح بالا است. و KNN-C1 به ترتیب 97٪، 97٪، 93٪ و 89٪ هستند. در حالی که مقادیر AUC BE-C2، LT-C2، k-SVM-C2، و KNN-C2 به ترتیب 0.83٪، 0.8٪، 0.75٪ و 0.65٪ هستند. به طور کلی می توان از مدل های معرفی شده در این مقاله به عنوان روش های جایگزین برای پیش بینی مدل سیل فضایی استفاده کرد. با این حال، با توجه به دانش در حال ظهور در زمینه مدل‌های مبتنی بر هوش مصنوعی، پیشنهاد می‌شود که سایر رویکردهای جایگزین عملی مانند روش‌های انتخاب ویژگی، تکنیک‌های یادگیری ترکیبی و الگوریتم‌های بهینه‌سازی نیز باید تمرین شوند. محدودیت اصلی این مطالعه مبتنی بر داده‌کاوی و جمع‌آوری با استفاده از ماهواره‌های بسیار پیچیده با وضوح بالا است. و KNN-C1 به ترتیب 97٪، 97٪، 93٪ و 89٪ هستند. در حالی که مقادیر AUC BE-C2، LT-C2، k-SVM-C2، و KNN-C2 به ترتیب 0.83٪، 0.8٪، 0.75٪ و 0.65٪ هستند. به طور کلی می توان از مدل های معرفی شده در این مقاله به عنوان روش های جایگزین برای پیش بینی مدل سیل فضایی استفاده کرد. با این حال، با توجه به دانش در حال ظهور در زمینه مدل‌های مبتنی بر هوش مصنوعی، پیشنهاد می‌شود که سایر رویکردهای جایگزین عملی مانند روش‌های انتخاب ویژگی، تکنیک‌های یادگیری ترکیبی و الگوریتم‌های بهینه‌سازی نیز باید تمرین شوند. محدودیت اصلی این مطالعه مبتنی بر داده‌کاوی و جمع‌آوری با استفاده از ماهواره‌های بسیار پیچیده با وضوح بالا است. مدل های معرفی شده در این مقاله می توانند به عنوان روش های جایگزین برای پیش بینی مدل سیل فضایی مورد استفاده قرار گیرند. با این حال، با توجه به دانش در حال ظهور در زمینه مدل‌های مبتنی بر هوش مصنوعی، پیشنهاد می‌شود که سایر رویکردهای جایگزین عملی مانند روش‌های انتخاب ویژگی، تکنیک‌های یادگیری ترکیبی و الگوریتم‌های بهینه‌سازی نیز باید تمرین شوند. محدودیت اصلی این مطالعه مبتنی بر داده‌کاوی و جمع‌آوری با استفاده از ماهواره‌های بسیار پیچیده با وضوح بالا است. مدل های معرفی شده در این مقاله می توانند به عنوان روش های جایگزین برای پیش بینی مدل سیل فضایی مورد استفاده قرار گیرند. با این حال، با توجه به دانش در حال ظهور در زمینه مدل‌های مبتنی بر هوش مصنوعی، پیشنهاد می‌شود که سایر رویکردهای جایگزین عملی مانند روش‌های انتخاب ویژگی، تکنیک‌های یادگیری ترکیبی و الگوریتم‌های بهینه‌سازی نیز باید تمرین شوند. محدودیت اصلی این مطالعه مبتنی بر داده‌کاوی و جمع‌آوری با استفاده از ماهواره‌های بسیار پیچیده با وضوح بالا است.

منابع

  1. علی، س. پروین، ف. فام، QB; ووتک، م. ووتکووا، جی. کاستاش، آر. Linh، NTT؛ نگوین، مقر; احمد، ع. قربانی، MA ارزیابی مقایسه‌ای مبتنی بر GIS نقشه‌برداری حساسیت به سیل با استفاده از رویکرد تصمیم‌گیری چند معیاره ترکیبی، درخت ساده بیز، آمار دو متغیره و رگرسیون لجستیک: موردی از حوضه Topľa، اسلواکی. Ecol. اندیک. 2020 , 117 , 106620. [ Google Scholar ] [ CrossRef ]
  2. الفیری، ال. دوتوری، اف. بتس، آر. سالامون، پ. فاین، ال. پیش بینی های چند مدلی خطر سیل رودخانه در اروپا تحت گرمایش جهانی. آب و هوا 2018 ، 6 ، 6. [ Google Scholar ] [ CrossRef ]
  3. Jonkman، دیدگاه‌های جهانی SN در مورد از دست دادن جان انسان‌ها ناشی از سیل. طبیعی. خطرات 2005 ، 34 ، 151-175. [ Google Scholar ] [ CrossRef ]
  4. پیل، ام سی؛ Finlayson، BL; مک ماهون، TA نقشه جهانی طبقه بندی آب و هوای کوپن-گیگر را به روز کرد. هیدرول. سیستم زمین علمی 2007 ، 11 ، 1633-1644. [ Google Scholar ] [ CrossRef ]
  5. یوسف، ع.م. Maerz، NH بررسی اجمالی برخی از خطرات زمین شناسی در عربستان سعودی. محیط زیست علوم زمین 2013 ، 70 ، 3115-3130. [ Google Scholar ] [ CrossRef ]
  6. مغربی، ک. تأثیر فاجعه سیل بر سلامت روان ساکنان منطقه شرقی استان جده، 2010: مطالعه ای در جغرافیای پزشکی. زندگی علمی. J. 2012 ، 9 ، 95-110. [ Google Scholar ]
  7. مومانی، ن.م. فاضل، AS در حال تغییر سیاست عمومی به دلیل فاجعه سیل جده عربستان سعودی. J. Soc. علمی 2010 ، 6 ، 424-428. [ Google Scholar ] [ CrossRef ]
  8. تین بوی، دی. Hoang، N.-D. فام، T.-D. Ngo، P.-TT; هوآ، PV; مین، NQ; تران، X.-T. Samui, P. یک رویکرد هوشمند جدید بر اساس خطوط رگرسیون تطبیقی ​​چند متغیره مبتنی بر GIS و بهینه‌سازی فراابتکاری برای پیش‌بینی نواحی مستعد سیل ناگهانی در منطقه طوفان گرمسیری با فرکانس بالا. جی هیدرول. (Amst.) 2019 ، 575 ، 314–326. [ Google Scholar ] [ CrossRef ]
  9. تین بوی، دی. Hoang، N.-D. یک چارچوب بیزی بر اساس یک مدل مخلوط گاوسی و تحلیل تفکیک کننده فیشر مبتنی بر تابع شعاعی (BayGmmKda V1.1) برای پیش‌بینی فضایی سیل. Geosci. مدل. توسعه دهنده 2017 ، 10 ، 3391-3409. [ Google Scholar ] [ CrossRef ]
  10. داونر، CW; Ogden، FL GSSHA: مدلی برای شبیه سازی فرآیندهای تولید جریان جریانی متنوع. جی هیدرول. مهندس 2004 ، 9 ، 161-174. [ Google Scholar ] [ CrossRef ]
  11. ژو، Q. Mikkelsen، PS; Halsnæs، K. Arnbjerg-Nielsen، K. چارچوب برای ارزیابی ریسک سیلاب پراکنده اقتصادی با در نظر گرفتن اثرات تغییر آب و هوا و مزایای سازگاری. جی هیدرول. (Amst.) 2012 ، 414-415 ، 539-549. [ Google Scholar ] [ CrossRef ]
  12. Scharffenberg، W. سیستم مدلسازی هیدرولوژیکی HEC-HMS—راهنمای کاربر . سپاه مهندسین ارتش ایالات متحده، موسسه منابع آب، مرکز مهندسی هیدرولوژی: دیویس، کالیفرنیا، ایالات متحده آمریکا، 2013; 442p. [ Google Scholar ]
  13. آرنولد، جی جی؛ سرینیواسان، ر. Muttiah، RS; ویلیامز، جی آر مدلسازی و ارزیابی هیدرولوژیکی منطقه بزرگ بخش اول: توسعه مدل1. JAWRA J. Am. منبع آب دانشیار 1998 ، 34 ، 73-89. [ Google Scholar ] [ CrossRef ]
  14. Neitsch، SL; آرنولد، جی جی؛ کینری، جی آر. سرینیواسان، ر. مستندات فایل ورودی/خروجی ابزار ارزیابی خاک و آب ویلیامز، JR نسخه 2005 ; سیستم دانشگاه تگزاس A&M: College Station، TX، ایالات متحده آمریکا، 2004. [ Google Scholar ]
  15. Neitsch، SL; آرنولد، جی جی؛ کینری، جی آر. ویلیامز، JR کالج کشاورزی و علوم زیستی ابزار ارزیابی خاک و آب مستندات نظری نسخه 2009 ; سیستم دانشگاه تگزاس A&M: College Station، TX، ایالات متحده آمریکا، 2011. [ Google Scholar ]
  16. العریق، ع.م. الزهرانی، م. مدل هیدرولوژیکی پراکنده مبتنی بر فیزیکی شریف، HO برای حوضه آبخیز مکه با استفاده از ایستگاه های بارش ماهواره ای GPM و بارش زمینی. Geomat. نات. خطر خطرات 2021 ، 12 ، 1234-1257. [ Google Scholar ] [ CrossRef ]
  17. العریق، ع.م. الزهرانی، م. شریف، HO عملکرد مدل‌های هیدرولوژیکی مبتنی بر فیزیکی و مفهومی: مطالعه موردی برای حوضه آبخیز مکه، عربستان سعودی. Water 2021 , 13 , 1098. [ Google Scholar ] [ CrossRef ]
  18. الزهرانی، م. العارق، ع. شریف، HO در حال تخمین پتانسیل سیل شهری در نزدیکی خروجی یک حوضه آبریز خشک در عربستان سعودی است. Geomat. نات. خطر خطرات 2016 ، 8 ، 672-688. [ Google Scholar ] [ CrossRef ]
  19. تین بوی، دی. پرادان، بی. نمک، ح. Bui، Q.-T. Tran، Q.-A.; نگوین، Q.-P. رویکرد هوش مصنوعی ترکیبی بر اساس مدل استنتاج فازی عصبی و بهینه‌سازی فراابتکاری برای مدل‌سازی حساسیت به سیل در یک منطقه طوفان گرمسیری با فرکانس بالا با استفاده از GIS. جی هیدرول. (Amst.) 2016 ، 540 ، 317-330. [ Google Scholar ] [ CrossRef ]
  20. خسروی، ک. پناهی، م. Tien Bui، D. پیش‌بینی فضایی نقشه‌برداری پتانسیل چشمه آب زیرزمینی بر اساس یک سیستم استنتاج عصبی فازی تطبیقی ​​و بهینه‌سازی فراابتکاری. هیدرول. سیستم زمین علمی 2018 ، 22 ، 4771-4792. [ Google Scholar ] [ CrossRef ]
  21. د موسو، NM; کاپولونگو، دی. Refice، A.; Lorgine، FP; D’Addabbo، A. پنتا، L. تحول فضایی دشت متاپونتو در دسامبر 2013 (بازیلیکاتا، ایتالیا) رویداد سیل با استفاده از داده‌های سنجش از راه دور چند منبعی و با وضوح بالا. J. Maps 2018 , 14 , 219–229. [ Google Scholar ] [ CrossRef ]
  22. تانگ، ایکس. لو، ایکس. لیو، اس. زی، اچ. چائو، دبلیو. لیو، اس. لیو، اس. ماخینوف، AN; ماخینووا، اف.اف. Jiang, Y. رویکردی برای پایش سیل با استفاده ترکیبی از تصاویر نوری Landsat 8 و تصاویر رادار COSMO-SkyMed. ISPRS J. Photogramm. Remote Sens. 2018 ، 136 ، 144-153. [ Google Scholar ] [ CrossRef ]
  23. لیم، جی. لی، کی. نقشه برداری سیل با استفاده از داده های سنجش از راه دور چند منبعی و رگرسیون لجستیک در مناطق کوهستانی ناهمگن در کره شمالی. Remote Sens. 2018 , 10 , 1036. [ Google Scholar ] [ CrossRef ]
  24. الکیران، جی. ارگیل، ام. ارزیابی بودجه آب قبرس شمالی. ساختن. محیط زیست 2006 ، 41 ، 1671-1677. [ Google Scholar ] [ CrossRef ]
  25. Osinowo، AA; Okogbue، EC؛ Ogungbenro، SB; Fashanu، O. تجزیه و تحلیل تابش خورشیدی جهانی بر روی مناطق آب و هوایی در نیجریه برای کاربردهای انرژی خورشیدی. جی. سول. انرژی 2015 ، 2015 ، 819307. [ Google Scholar ] [ CrossRef ]
  26. فام، کیو بی؛ آبا، SI; عثمان، AG; Linh، NTT؛ گوپتا، وی. مالک، ع. کاستاش، آر. Vo، ND; Tri، پتانسیل DQ الگوریتم های داده-هوش ترکیبی برای مدل سازی چند ایستگاهی بارش. منبع آب مدیریت 2019 ، 33 ، 5067–5087. [ Google Scholar ] [ CrossRef ]
  27. ساجدی حسینی، ف. ملکیان، ع. چوبین، بی. رحمتی، ا. سیپولو، اس. کولون، اف. پرادان، بی. یک رویکرد جدید مبتنی بر یادگیری ماشین برای ارزیابی خطر آلودگی آب های زیرزمینی نیترات. علمی کل محیط. 2018 ، 644 ، 954–962. [ Google Scholar ] [ CrossRef ]
  28. تهرانی، ام اس; لی، ام.-جی. پرادان، بی. جبور، MN; لی، اس. نگاشت حساسیت به سیل با استفاده از مدل های آماری دو متغیره و چند متغیره یکپارچه. محیط زیست علوم زمین 2014 ، 72 ، 4001-4015. [ Google Scholar ] [ CrossRef ]
  29. رحمتی، ا. پورقاسمی، HR; زینی وند، ح. نگاشت حساسیت به سیل با استفاده از مدل های نسبت فراوانی و وزن شواهد در استان گلستان، ایران. Geocarto Int. 2015 ، 31 ، 42-70. [ Google Scholar ] [ CrossRef ]
  30. گودیانگادا ناچاپا، تی. توکلی پیرعلیلو، س. غلام نیا، ک. قربانزاده، ا. رحمتی، ا. Blaschke، T. نگاشت حساسیت به سیل با یادگیری ماشین، تجزیه و تحلیل تصمیم گیری چند معیاره و مجموعه با استفاده از نظریه Dempster Shafer. جی هیدرول. (Amst.) 2020 , 590 , 125275. [ Google Scholar ] [ CrossRef ]
  31. آوند، م. مرادی، ح. Lasboyee، MR با استفاده از مدل‌های یادگیری ماشین، سنجش از دور و GIS برای بررسی تأثیرات تغییر اقلیم و کاربری‌های زمین بر احتمال سیل. جی هیدرول. (Amst.) 2021 , 595 , 125663. [ Google Scholar ] [ CrossRef ]
  32. آوند، م. مرادی، HR; رمضان زاده لاسبویی، م. پیش بینی فضایی خطر سیل آینده: رویکردی به اثرات تغییر اقلیم. Geosciences 2021 , 11 , 25. [ Google Scholar ] [ CrossRef ]
  33. قربانزاده، ا. بلاشکه، تی. غلام نیا، ک. مینا، س. تاید، دی. Aryal, J. ارزیابی روش‌های مختلف یادگیری ماشین و شبکه‌های عصبی کانولوشنال یادگیری عمیق برای تشخیص زمین لغزش. Remote Sens. 2019 , 11 , 196. [ Google Scholar ] [ CrossRef ]
  34. لی، اس. کیم، جی. سی. یونگ، اچ.-اس. لی، ام جی; Lee, S. پیش‌بینی فضایی حساسیت به سیل با استفاده از مدل‌های تصادفی جنگل و درخت تقویت‌شده در شهر سئول، کره. Geomat. نات. خطر خطرات 2017 ، 8 ، 1185-1203. [ Google Scholar ] [ CrossRef ]
  35. Costache، R. ارزیابی حساسیت به سیل با استفاده از آمار دو متغیره و مدل‌های یادگیری ماشین – ابزاری مفید برای مدیریت ریسک سیل. منبع آب مدیریت 2019 ، 33 ، 3239–3256. [ Google Scholar ] [ CrossRef ]
  36. یاریان، پ. آوند، م. عباسپور، ره. ترابی حقیقی، ع. کاستاش، آر. قربانزاده، ا. جانی زاده، س. Blaschke, T. نگاشت حساسیت به سیل با استفاده از یک فرآیند شبکه تحلیلی بهبود یافته با مدل های آماری. Geomat. نات. خطر خطرات 2020 ، 11 ، 2282-2314. [ Google Scholar ] [ CrossRef ]
  37. رحمان، م. نینگشنگ، سی. اسلام، م.م. دوان، ا. اقبال، ج. Washakh, RMA; Shufeng، T. ارزیابی حساسیت به سیل در بنگلادش با استفاده از یادگیری ماشین و تجزیه و تحلیل تصمیم گیری چند معیاره. سیستم زمین محیط زیست 2019 ، 3 ، 585–601. [ Google Scholar ] [ CrossRef ]
  38. ویلاسان، RT; Kapse، در مقابل ارزیابی قابلیت پیش‌بینی روش‌های AHP و F-AHP در نقشه‌برداری حساسیت سیلابی ناحیه ارناکولام (هند). طبیعی. خطرات 2022 ، 112 ، 1767-1793. [ Google Scholar ] [ CrossRef ]
  39. فابیو، دی.ان. آبا، SI; فام، بی کیو; توفیق الاسلام، ARM; تالوکدار، س. فرانچسکو، جی. پیش‌بینی سطح آب‌های زیرزمینی در شمال بنگلادش با استفاده از شبکه‌های عصبی خودبازگشتی غیرخطی برون‌زا (NARX) و ماشین‌های یادگیری شدید (ELM). عرب جی. ژئوشی. 2022 ، 15 ، 647. [ Google Scholar ] [ CrossRef ]
  40. آکتر، تی. کووویلر، پی. آیزنرایش، اس جی. Vaes، G. اثرات تغییرات آب و هوا و کاربری زمین بر مدیریت خطر سیل برای رودخانه Schijn، بلژیک. محیط زیست علمی سیاست 2018 ، 89 ، 163-175. [ Google Scholar ] [ CrossRef ]
  41. کاستاش، آر. Trung Tin, T.; عربامری، ع. کراسیون، آ. آجین، RS; کوستاچ، آی. توفیق الاسلام، ARM; آبا، SI; ساهانا، م. آوند، م. و همکاران خطر سیل ناگهانی با استفاده از یادگیری عمیق بر اساس بسته H2O R و تجزیه و تحلیل تصمیم گیری چند معیاره فازی. جی هیدرول. (Amst.) 2022 , 609 , 127747. [ Google Scholar ] [ CrossRef ]
  42. هادیان، س. شهیری طبرستانی، ا. روش تحلیل مقایسه ای ایده آل-واقعی چند صفتی فام، QB (MAIRCA) برای ارزیابی حساسیت به سیل در آب و هوای معتدل مدیترانه ای. هیدرول. علمی J. 2022 , 67 , 401-418. [ Google Scholar ] [ CrossRef ]
  43. چن، دبلیو. شهابی، ح. شیرزادی، ع. هونگ، اچ. آکگون، ا. تیان، ی. لیو، جی. زو، A.-X. لی، اس. روش جدید هوش مصنوعی ترکیبی طبقه‌بندی‌کننده رگرسیون لجستیک هسته مبتنی بر روش‌های آماری دو متغیره برای مدل‌سازی حساسیت زمین لغزش. گاو نر مهندس جئول محیط زیست 2018 ، 78 ، 4397–4419. [ Google Scholar ] [ CrossRef ]
  44. رحمتی، ا. پورقاسمی، شناسایی منابع انسانی مناطق بحرانی مستعد سیل در مناطق کم داده و سنجش نشده: مقایسه سه مدل داده کاوی. منبع آب مدیریت 2017 ، 31 ، 1473-1487. [ Google Scholar ] [ CrossRef ]
  45. لیو، جی. وانگ، جی. شیونگ، جی. چنگ، دبلیو. لی، ی. کائو، ی. سلام.؛ دوان، ی. او، دبلیو. یانگ، جی. ارزیابی نگاشت حساسیت به سیل با استفاده از ماشین بردار پشتیبان، رگرسیون لجستیک و تکنیک‌های مجموعه آنها در منطقه کمربند و جاده. Geocarto Int. 2022 . [ Google Scholar ] [ CrossRef ]
  46. تهرانی، ام اس; پرادان، بی. منصور، س. احمد، ن. ارزیابی حساسیت به سیل با استفاده از مدل ماشین بردار پشتیبان مبتنی بر GIS با انواع مختلف هسته. Catena (Amst.) 2015 ، 125 ، 91-101. [ Google Scholar ] [ CrossRef ]
  47. احمدلو، م. الفغارة، ع. الشبیب، ع. آرورا، ا. الادمات، ر. فام، کیو بی؛ الانصاری، ن. Linh، NTT؛ ساجدی، ح. نگاشت و ارزیابی حساسیت سیل با استفاده از یک مدل یادگیری عمیق جدید ترکیبی از پرسپترون چندلایه و شبکه های عصبی رمزگذار خودکار. J. مدیریت خطر سیل. 2020 ، 14 ، e12683. [ Google Scholar ] [ CrossRef ]
  48. ناندی، ع. ماندال، ا. ویلسون، ام. اسمیت، دی. نقشه برداری خطر سیل در جامائیکا با استفاده از تجزیه و تحلیل مؤلفه اصلی و رگرسیون لجستیک. محیط زیست علوم زمین 2016 ، 75 ، 465. [ Google Scholar ] [ CrossRef ]
  49. خويرونيسا، ن. Ku، C.-Y.; لیو، سی.-ای. یک مدل شبکه عصبی مصنوعی مبتنی بر GIS برای ارزیابی حساسیت به سیل. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2021 ، 18 ، 1072. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  50. ساهو، GB; ری، سی. د کارلو، EH استفاده از شبکه عصبی برای پیش‌بینی سیل ناگهانی و کیفیت آب همراه در یک جریان کوهستانی در اوآهو، هاوایی. جی هیدرول. (Amst.) 2006 ، 327 ، 525-538. [ Google Scholar ] [ CrossRef ]
  51. یوسف، ع.م. پرادان، بی. حسن، AM برآورد خطر سیل فلش در امتداد جاده سنت کاترین، جنوب سینا، مصر با استفاده از مورفومتری مبتنی بر GIS و تصاویر ماهواره ای. محیط زیست علوم زمین 2010 ، 62 ، 611-623. [ Google Scholar ] [ CrossRef ]
  52. کاستاش، آر. تین بوئی، دی. پیش‌بینی فضایی پتانسیل سیل با استفاده از مجموعه‌های جدید آمار دو متغیره و هوش مصنوعی: مطالعه موردی در حوضه آبریز رودخانه پوتنا در رومانی. علمی کل محیط. 2019 ، 691 ، 1098–1118. [ Google Scholar ] [ CrossRef ]
  53. ژائو، جی. پانگ، بی. خو، ز. پنگ، دی. Xu, L. ارزیابی حساسیت سیل شهری با استفاده از مدل یادگیری ماشین نیمه نظارت. علمی کل محیط. 2019 ، 659 ، 940–949. [ Google Scholar ] [ CrossRef ]
  54. تانگ، ایکس. لی، جی. لیو، ام. لیو، دبلیو. هونگ، اچ. ارزیابی حساسیت به سیل بر اساس روش جدید بیز تصادفی ساده: مقایسه بین روش‌های گسسته‌سازی عوامل مختلف. Catena (Amst.) 2020 , 190 , 104536. [ Google Scholar ] [ CrossRef ]
  55. چن، دبلیو. لی، ی. شو، دبلیو. شهابی، ح. لی، اس. هونگ، اچ. وانگ، ایکس. بیان، اچ. ژانگ، اس. پرادان، بی. و همکاران مدل‌سازی حساسیت به سیل با استفاده از روش‌های داده‌محور درخت بیز ساده، درخت تصمیم متناوب، و روش‌های جنگل تصادفی. علمی کل محیط. 2020 , 701 , 134979. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  56. دارابی، ح. چوبین، بی. رحمتی، ا. ترابی حقیقی، ع. پرادان، بی. Kløve, B. نقشه‌برداری خطر سیل شهری با استفاده از مدل‌های GARP و QUEST: مطالعه مقایسه‌ای تکنیک‌های یادگیری ماشین. جی هیدرول. (Amst.) 2019 ، 569 ، 142-154. [ Google Scholar ] [ CrossRef ]
  57. رضوی ترمه، SV; خسروی، ک. صادقی نیارکی، ع. چوی، اس.-م. سینگ، معاون بهبود نقشه‌برداری پتانسیل آب‌های زیرزمینی با استفاده از رویکردهای فراابتکاری. هیدرول. علمی J. 2020 , 65 , 2729–2749. [ Google Scholar ] [ CrossRef ]
  58. رضوی ترمه، SV; کورنژادی، ع. پورقاسمی، HR; Keesstra، S. نگاشت حساسیت به سیل با استفاده از مجموعه‌های جدید سیستم استنتاج فازی عصبی تطبیقی ​​و الگوریتم‌های فراابتکاری. علمی کل محیط. 2018 ، 615 ، 438-451. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  59. هونگ، اچ. پرادان، بی. Bui، DT; خو، سی. یوسف، ع.م. چن، دبلیو. مقایسه چهار تابع هسته مورد استفاده در ماشین‌های بردار پشتیبان برای نقشه‌برداری حساسیت زمین لغزش: مطالعه موردی در منطقه سوئیچوان (چین). Geomat. نات. خطر خطرات 2016 ، 8 ، 544-569. [ Google Scholar ] [ CrossRef ]
  60. چاپی، ک. سینگ، معاون; شیرزادی، ع. شهابی، ح. Bui، DT; فام، بی تی؛ خسروی، ک. یک رویکرد جدید هوش مصنوعی ترکیبی برای ارزیابی حساسیت به سیل. محیط زیست مدل. نرم افزار 2017 ، 95 ، 229-245. [ Google Scholar ] [ CrossRef ]
  61. وانگ، ی. هونگ، اچ. چن، دبلیو. لی، اس. پاموچار، دی. گیگوویچ، ال. دروبنجاک، س. Bui، DT; دوان، اچ. یک روش تصمیم گیری چند معیاره GIS ترکیبی برای نقشه برداری حساسیت سیل در شانگیو، چین. Remote Sens. 2018 , 11 , 62. [ Google Scholar ] [ CrossRef ]
  62. چوبین، بی. مرادی، ا. گلشن، م. آداموفسکی، جی. ساجدی حسینی، ف. موسوی، ع. مجموعه ای از پیش بینی حساسیت سیل با استفاده از تجزیه و تحلیل تفکیک چند متغیره، طبقه بندی و درختان رگرسیون، و ماشین های بردار پشتیبان. علمی کل محیط. 2019 ، 651 ، 2087–2096. [ Google Scholar ] [ CrossRef ]
  63. Ngo، P.-TT; Hoang، N.-D. پرادان، بی. نگوین، QK; Tran، XT; نگوین، QM؛ نگوین، وی. سامویی، پی. Tien Bui, D. یک شبکه عصبی چندلایه بهینه شده ازدحام ترکیبی جدید برای پیش‌بینی فضایی سیل‌های ناگهانی در مناطق گرمسیری با استفاده از تصاویر Sentinel-1 SAR و داده‌های مکانی. Sensors 2018 , 18 , 3704. [ Google Scholar ] [ CrossRef ]
  64. Bui، DT; سانگاراتوس، پ. Ngo، P.-TT; فام، تی دی; مدل‌سازی حساسیت به سیل Pham، BT با استفاده از تکنیک انتخاب ویژگی مبتنی بر قانون فازی و روش‌های مجموعه مبتنی بر درخت. علمی کل محیط. 2019 ، 668 ، 1038–1054. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  65. موسوی، ع. ساجدی حسینی، ف. چوبین، بی. طارمیده، ف. قدسی، م. نظری، ب. Dineva، AA نگاشت حساسیت شوری آب های زیرزمینی با استفاده از مدل های یادگیری ماشینی. محیط زیست علمی آلودگی Res. 2020 ، 28 ، 10804–10817. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  66. گاز. جمعیت ; مرجع عمومی آمار: ریاض، عربستان سعودی، 2020.
  67. یوسف، ع.م. پرادان، بی. ارزیابی حساسیت به سیل سفری، SA در شهر جده (پادشاهی عربستان سعودی) با استفاده از مدل‌های آماری دو متغیره و چند متغیره. محیط زیست علوم زمین 2015 ، 75 ، 12. [ Google Scholar ] [ CrossRef ]
  68. کاستاش، آر. فام، کیو بی؛ شریفی، ا. Linh، NTT؛ آبا، SI; ووتک، م. ووتکووا، جی. Nhi، PTT; Khoi، DN ارزیابی حساسیت فلاش-سیلاب با استفاده از تصمیم گیری چند معیاره و یادگیری ماشینی با پشتیبانی از تکنیک های سنجش از دور و GIS. Remote Sens. 2019 ، 12 ، 106. [ Google Scholar ] [ CrossRef ]
  69. سامن، اس اس; محمد، TA; غزالی، ق. سیدک، ال.ام. شهید، س. آبا، SI; مالک، ع. الانصاری، ن. ارزیابی تأثیر تغییر اقلیم بر حداکثر سیلاب های احتمالی در یک حوضه آبریز گرمسیری. نظریه. Appl. کلیماتول. 2022 ، 148 ، 15-31. [ Google Scholar ] [ CrossRef ]
  70. موسوی، ع. اوزتورک، پ. Chau، K. پیش‌بینی سیل با استفاده از مدل‌های یادگیری ماشین: بررسی ادبیات. Water 2018 ، 10 ، 1536. [ Google Scholar ] [ CrossRef ]
  71. کاستاش، آر. عربامری، ع. کوستاچ، آی. کراسیون، آ. دکتر توفیق الاسلام، ع. آبا، SI; ساهانا، م. فام، ارزیابی حساسیت به سیل BT از طریق گروه‌های بهینه‌ساز یادگیری عمیق و تکنیک‌های GIS. جی. محیط زیست. مدیریت 2022 , 316 , 115316. [ Google Scholar ] [ CrossRef ]
  72. چن، تی. رن، جی. بگینگ برای رگرسیون فرآیند گاوسی. محاسبات عصبی 2009 ، 72 ، 1605-1610 . [ Google Scholar ] [ CrossRef ]
  73. عدنان، RM; جعفری، ع. موهاناولو، ع. کیسی، او. Elbeltagi, A. Novel Ensemble Forecasting of Streamflow با استفاده از الگوریتم یادگیری محلی وزن دار. Sustainability 2021 , 13 , 5877. [ Google Scholar ] [ CrossRef ]
  74. ازهاری، م. آباردا، ا. علاوی، ع. اتاکی، بی. Zerouaoui, J. تشخیص کاندیداهای تپ اختر با استفاده از روش کیسه‌بندی. Procedia Comput. علمی 2020 ، 170 ، 1096-1101. [ Google Scholar ] [ CrossRef ]
  75. Xue، X. ژانگ، ک. قهوهای مایل به زرد، KC; فنگ، ال. وانگ، جی. چن، جی. ژائو، ایکس. ژانگ، ال. Yao, J. Affine Transformation-Enhanced Multifactorial Optimization برای مسائل ناهمگن. IEEE Trans. سایبرن. 2022 ، 52 ، 6217-6231. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  76. Tuyen, TT; جعفری، ع. ین، HPH؛ نگوین-توی، تی. ون فونگ، تی. نگوین، HD; ون لی، اچ. Phuong، TTM; نگوین، SH; پراکاش، آی. و همکاران نگاشت حساسیت به آتش سوزی جنگل با استفاده از مدل های گروهی صریح فضایی بر اساس الگوریتم یادگیری محلی. Ecol. آگاه کردن. 2021 ، 63 ، 101292. [ Google Scholar ] [ CrossRef ]
  77. لندور، ن. هال، م. فرانک، ای. درختان مدل لجستیک. ماخ فرا گرفتن. 2005 ، 59 ، 161-205. [ Google Scholar ] [ CrossRef ]
  78. تین بوی، دی. Tuan، TA; کلمپه، اچ. پرادان، بی. Revhaug، I. مدل‌های پیش‌بینی فضایی برای خطرات زمین لغزش کم عمق: ارزیابی مقایسه‌ای اثربخشی ماشین‌های بردار پشتیبان، شبکه‌های عصبی مصنوعی، رگرسیون لجستیک هسته، و درخت مدل لجستیک. زمین لغزش 2015 ، 13 ، 361-378. [ Google Scholar ] [ CrossRef ]
  79. بریمن، ال. فریدمن، جی اچ. اولشن، RA; سنگ، CJ طبقه بندی و رگرسیون درختان ; Routledge: لندن، بریتانیا، 2017; ISBN 1315139472. [ Google Scholar ]
  80. شاه، ک. پاتل، اچ. سنگوی، د. شاه، ام. تحلیل مقایسه ای مدل های رگرسیون لجستیک، جنگل تصادفی و KNN برای طبقه بندی متن. تقویت کردن. هوم Res. 2020 ، 5 ، 12. [ Google Scholar ] [ CrossRef ]
  81. چن، دبلیو. شهابی، ح. شیرزادی، ع. لی، تی. گوا، سی. هونگ، اچ. لی، دبلیو. پان، دی. هوی، جی. ما، م. و همکاران یک رویکرد جدید مجموعه‌ای از طبقه‌بندی درخت مدل لجستیک مبتنی بر آماری دو متغیره برای ارزیابی حساسیت زمین لغزش. Geocarto Int. 2018 ، 33 ، 1398–1420. [ Google Scholar ] [ CrossRef ]
  82. عثمان، AG; ایشیک، س. Abba، الگوریتم های هیبریدی داده-هوشمندی SI برای شبیه سازی تیموکینون در توسعه روش HPLC. جی ایران. شیمی. Soc. 2021 ، 18 ، 1537-1549. [ Google Scholar ] [ CrossRef ]
  83. ویناس، سی. لینوسون، ا. Haglund، P. پیش‌بینی زمان ماند در کروماتوگرافی گازی دوبعدی جامع برای کمک به شناسایی آلاینده‌های ناشناخته. مقعدی Bioanal. شیمی. 2018 ، 410 ، 7931–7941. [ Google Scholar ] [ CrossRef ]
  84. اولسون، آر اس؛ لا کاوا، دبلیو. مستحسن، ز. واریک، ا. Moore، JH Data-Driven مشاوره برای به کارگیری یادگیری ماشینی در مسائل بیوانفورماتیک. Pac. علائم محاسبات زیستی. 2018 ، 2018 ، 192-203. [ Google Scholar ] [ CrossRef ]
  85. تیواری، س. Dwivedi، تجزیه و تحلیل داده های بزرگ مبتنی بر UD از رخساره های سنگی برای توسعه خودکار مخازن نفت. محاسبه کنید. مهندسی صنعتی 2019 ، 128 ، 937–947. [ Google Scholar ] [ CrossRef ]
  86. چوما، گیگابایت؛ بورا، FS; Ndeko، AB; موگومارهاهاما، ی. Cirezi، NC; Mondo, JM; باگولا، EM; کارومه، ک. Mushagalusa، GN; Schimtz، S. برآورد فرسایش خاک با استفاده از مدل سازی RUSLE و ابزارهای مکانی در یک حوضه تولید چای (Chisheke در Walungu)، جمهوری دموکراتیک شرقی کنگو. مدل. سیستم زمین محیط زیست 2021 ، 8 ، 1273-1289. [ Google Scholar ] [ CrossRef ]
  87. آرون کومار، KE; کالاگا، دی وی؛ سای کومار، سی ام. چیلکور، جی. کواجی، م. برنزا، TM پیش‌بینی پویایی موارد تجمعی کووید-19 (تأیید شده، بهبودیافته و مرگ‌ومیرها) برای 16 کشور برتر با استفاده از مدل‌های یادگیری ماشین آماری: میانگین متحرک یکپارچه رگرسیون خودکار (ARIMA) و میانگین متحرک یکپارچه خودکار پس‌رونده فصلی (SARIMA) . Appl. محاسبات نرم. 2021 ، 103 ، 107161. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  88. باقرزاده، ف. مهرانی، م.ج. بصیری فرد، م. روستایی، ج. مطالعه تطبیقی ​​پیش‌بینی نیتروژن کل در تصفیه‌خانه فاضلاب و تأثیر روش‌های مختلف انتخاب ویژگی بر عملکرد الگوریتم‌های یادگیری ماشین. J. مهندسی فرآیند آب. 2021 ، 41 ، 102033. [ Google Scholar ] [ CrossRef ]
  89. زنگ، جی. چای، س. پنگ، ایکس. Li, S. شناسایی منشأ جغرافیایی برای تتراستیگما Hemsleyanum بر اساس اثر انگشت کروماتوگرافی مایع با کارایی بالا. در مجموعه مقالات کنگره اتوماسیون چین 2019 (CAC)، هانگژو، چین، 22 تا 24 نوامبر 2019؛ صفحات 1816-1820. [ Google Scholar ] [ CrossRef ]
  90. آگراوال، پ. گانش، تی. محمد، AW یک الگوریتم بهینه‌سازی مبتنی بر دانش باینری برای انتخاب ویژگی. عصبی. محاسبه کنید. Appl. 2020 ، 33 ، 5989-6008. [ Google Scholar ] [ CrossRef ]
  91. یاسین، ز.ام. Deo، RC; هلال، ع. عبد، ع.م. بوئنو، ال سی؛ Salcedo-Sanz، S. Nehdi, ML پیش بینی مقاومت فشاری بتن سبک فوم شده با استفاده از مدل ماشین یادگیری افراطی. Adv. مهندس نرم افزار 2018 ، 115 ، 112-125. [ Google Scholar ] [ CrossRef ]
  92. کومبو، او. کوماران، س. شیخ، ی. بوویم، ا. Jayavel، K. مدل بلند مدت پیش بینی سطح آب زیرزمینی بر اساس تکنیک ترکیبی KNN-RF. هیدرولوژی 2020 ، 7 ، 59. [ Google Scholar ] [ CrossRef ]
  93. Thi Thuy Linh، N.; پاندی، م. جانی زاده، س. سانکار بونیا، جی. نوروزی، ع. علی، س. بائو فام، کیو. تران آنه، دی. احمدی، ک. مدل‌سازی حساسیت به سیل بر اساس مدل هوش ترکیبی جدید: بهینه‌سازی مدل XGboost با استفاده از الگوریتم فراابتکاری GA. Adv. Space Res. 2022 ، 69 ، 3301-3318. [ Google Scholar ] [ CrossRef ]
  94. ساکی زاده، م. میرزایی، ر. مطالعه تطبیقی ​​عملکرد K-نزدیکترین همسایه و ماشینهای بردار پشتیبان برای طبقه بندی آبهای زیرزمینی. J. Min. محیط زیست 2016 ، 7 ، 149-164. [ Google Scholar ] [ CrossRef ]
  95. سامی، NA; ابراهیم، ​​DS پیش بینی فشار ته سوراخ چند فازی چاه های نفت عمودی با استفاده از سه تکنیک یادگیری ماشین. حیوان خانگی Res. 2021 ، 6 ، 417-422. [ Google Scholar ] [ CrossRef ]
  96. کاستاش، آر. Tien Bui, D. شناسایی مناطق مستعد پدیده سیلاب با استفاده از تصمیم گیری چند معیاره، آمار دو متغیره، یادگیری ماشین و مجموعه های آنها. علمی کل محیط. 2020 , 712 , 136492. [ Google Scholar ] [ CrossRef ]
  97. Costache، R. ارزیابی پتانسیل سیل فلش در بخش بالایی و میانی حوضه آبریز رودخانه پراهووا (رومانی). رویکرد مقایسه ای بین چهار مدل هیبریدی. علمی کل محیط. 2019 ، 659 ، 1115–1134. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  98. توفیق الاسلام، ARM; تالوکدار، س. ماهاتو، س. کندو، اس. Eibek، KU; فام، کیو بی؛ کوریقی، ع. مدل‌سازی حساسیت به سیل Linh، NTT با استفاده از مدل‌های پیشرفته یادگیری ماشین گروهی. Geosci. جلو. 2021 ، 12 ، 101075. [ Google Scholar ] [ CrossRef ]
  99. دسالگن، اچ. Mulu، A. ارزیابی آسیب‌پذیری سیل با استفاده از GIS در حوضه آبخیز Fetam، حوضه آبای بالا، اتیوپی. Heliyon 2021 , 7 , e05865. [ Google Scholar ] [ CrossRef ] [ PubMed ]

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید