پهنه‌بندی احتمال وقوع سیل با استفاده از بررسی مقایسه‌ای دو مدل شناخته شده جنگل تصادفی و ماشین بردار پشتیبان در شمال ایران
هدف از پژوهش پیش رو، پهنه بندی احتمال وقوع سیل در حوزه آبخیز سالیان تپه، واقع در استان گلستان میباشد. بدین منظور، از دو مدل معروف و شناخته شده‌ی داده‌کاوی یعنی مدل جنگل تصادفی(RF) و مدل ماشین بردار پشتیبان (SVM) به عنوان بنچ‌مارک و به لحاظ الگوریتم محاسباتی توانمند در زمینه ارزیابی فرایند وقوع سیلاب...
Guardado en:
| Autores principales: | , , , |
|---|---|
| Formato: | article |
| Lenguaje: | FA |
| Publicado: |
University of Tehran, College of Aburaihan
2021
|
| Materias: | |
| Acceso en línea: | https://doaj.org/article/3a5a0e4078664554b612268eb0200722 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| id |
oai:doaj.org-article:3a5a0e4078664554b612268eb0200722 |
|---|---|
| record_format |
dspace |
| spelling |
oai:doaj.org-article:3a5a0e4078664554b612268eb02007222021-11-09T21:21:23Zپهنه‌بندی احتمال وقوع سیل با استفاده از بررسی مقایسه‌ای دو مدل شناخته شده جنگل تصادفی و ماشین بردار پشتیبان در شمال ایران2251-62982382-993110.22059/jwim.2021.317527.856https://doaj.org/article/3a5a0e4078664554b612268eb02007222021-08-01T00:00:00Zhttps://jwim.ut.ac.ir/article_82628_7da61ecb9eee0a06dd94eb48f578a690.pdfhttps://doaj.org/toc/2251-6298https://doaj.org/toc/2382-9931هدف از پژوهش پیش رو، پهنه بندی احتمال وقوع سیل در حوزه آبخیز سالیان تپه، واقع در استان گلستان میباشد. بدین منظور، از دو مدل معروف و شناخته شده‌ی داده‌کاوی یعنی مدل جنگل تصادفی(RF) و مدل ماشین بردار پشتیبان (SVM) به عنوان بنچ‌مارک و به لحاظ الگوریتم محاسباتی توانمند در زمینه ارزیابی فرایند وقوع سیلاب استفاده شد. شواهد سیلاب با استفاده از بازدیدهای میدانی،گزارش‌ها و اطلاعات سازمانی موجود ثبت و در سامانه اطلاعات جغرافیاییGIS)) در قالب نقشه تهیه شد. همچنین، با توجه به مرور منابع گسترده، سیزده عامل زمینه‌ساز شامل فاصله از آبراهه، واحدهای سنگ‌شناسی، درصد شیب، بافت خاک، جهت شیب، کاربری اراضی، انحنای طولی و عرضی دامنه، شاخص رطوبت، شاخص توان فرسایشی آبراهه و طبقات ارتفاعی به‌عنوان عوامل موثر بر وقوع سیل در منطقه مورد مطالعه انتخاب و لایه‌های مذکور در سامانه اطلاعات جغرافیایی تهیه شدند. در این مطالعه بعد از آماده‌سازی لایه‌ها، برای آنالیز این داده‌ها و بررسی هم‌خطی آنها از نرم‌افزار SPSS استفاده شد. به‌منظور ارزیابی نتایج مدلها، از مقدار مساحت زیر منحنی تشخیص عملکرد نسبی ROC)) استفاده شد. سه سری متفاوت از نقاط وقوع خطر سیل (S1, S2, S3 ( شامل 70 درصد برای آموزش مدل و 30 درصد برای اعتبار سنجی به صورت تصادفی آماده شد تا دقت و صداقت مدل مورد ارزیابی قرار بگیرد. نتایج نشان داد نقشه میانگین حاصل از مدل جنگل تصادفی در مرحله اعتبارسنجی با مساحت زیر منحنی 96 درصد و صداقت 001/0 کارایی بهتری نسبت به مدل ماشین بردار پشتیبان در پهنه‌بندی سیلاب در حوضه مورد مطالعه دارد .محمد رضا طهماسبیسعید شعبانلواحمد رجبیفریبرز یوسفوندUniversity of Tehran, College of Aburaihanarticleاستان گلستانجنگل تصادفیسیلصداقت مدلمدل ماشین بردار پشتیبانIrrigation engineering. Reclamation of wasteland. DrainageTC801-978FAمدیریت آب و آبیاری, Vol 11, Iss 2, Pp 223-235 (2021) |
| institution |
DOAJ |
| collection |
DOAJ |
| language |
FA |
| topic |
استان گلستان جنگل تصادفی سیل صداقت مدل مدل ماشین بردار پشتیبان Irrigation engineering. Reclamation of wasteland. Drainage TC801-978 |
| spellingShingle |
استان گلستان جنگل تصادفی سیل صداقت مدل مدل ماشین بردار پشتیبان Irrigation engineering. Reclamation of wasteland. Drainage TC801-978 محمد رضا طهماسبی سعید شعبانلو احمد رجبی فریبرز یوسفوند پهنه‌بندی احتمال وقوع سیل با استفاده از بررسی مقایسه‌ای دو مدل شناخته شده جنگل تصادفی و ماشین بردار پشتیبان در شمال ایران |
| description |
هدف از پژوهش پیش رو، پهنه بندی احتمال وقوع سیل در حوزه آبخیز سالیان تپه، واقع در استان گلستان میباشد. بدین منظور، از دو مدل معروف و شناخته شده‌ی داده‌کاوی یعنی مدل جنگل تصادفی(RF) و مدل ماشین بردار پشتیبان (SVM) به عنوان بنچ‌مارک و به لحاظ الگوریتم محاسباتی توانمند در زمینه ارزیابی فرایند وقوع سیلاب استفاده شد. شواهد سیلاب با استفاده از بازدیدهای میدانی،گزارش‌ها و اطلاعات سازمانی موجود ثبت و در سامانه اطلاعات جغرافیاییGIS)) در قالب نقشه تهیه شد. همچنین، با توجه به مرور منابع گسترده، سیزده عامل زمینه‌ساز شامل فاصله از آبراهه، واحدهای سنگ‌شناسی، درصد شیب، بافت خاک، جهت شیب، کاربری اراضی، انحنای طولی و عرضی دامنه، شاخص رطوبت، شاخص توان فرسایشی آبراهه و طبقات ارتفاعی به‌عنوان عوامل موثر بر وقوع سیل در منطقه مورد مطالعه انتخاب و لایه‌های مذکور در سامانه اطلاعات جغرافیایی تهیه شدند. در این مطالعه بعد از آماده‌سازی لایه‌ها، برای آنالیز این داده‌ها و بررسی هم‌خطی آنها از نرم‌افزار SPSS استفاده شد. به‌منظور ارزیابی نتایج مدلها، از مقدار مساحت زیر منحنی تشخیص عملکرد نسبی ROC)) استفاده شد. سه سری متفاوت از نقاط وقوع خطر سیل (S1, S2, S3 ( شامل 70 درصد برای آموزش مدل و 30 درصد برای اعتبار سنجی به صورت تصادفی آماده شد تا دقت و صداقت مدل مورد ارزیابی قرار بگیرد. نتایج نشان داد نقشه میانگین حاصل از مدل جنگل تصادفی در مرحله اعتبارسنجی با مساحت زیر منحنی 96 درصد و صداقت 001/0 کارایی بهتری نسبت به مدل ماشین بردار پشتیبان در پهنه‌بندی سیلاب در حوضه مورد مطالعه دارد . |
| format |
article |
| author |
محمد رضا طهماسبی سعید شعبانلو احمد رجبی فریبرز یوسفوند |
| author_facet |
محمد رضا طهماسبی سعید شعبانلو احمد رجبی فریبرز یوسفوند |
| author_sort |
محمد رضا طهماسبی |
| title |
پهنه‌بندی احتمال وقوع سیل با استفاده از بررسی مقایسه‌ای دو مدل شناخته شده جنگل تصادفی و ماشین بردار پشتیبان در شمال ایران |
| title_short |
پهنه‌بندی احتمال وقوع سیل با استفاده از بررسی مقایسه‌ای دو مدل شناخته شده جنگل تصادفی و ماشین بردار پشتیبان در شمال ایران |
| title_full |
پهنه‌بندی احتمال وقوع سیل با استفاده از بررسی مقایسه‌ای دو مدل شناخته شده جنگل تصادفی و ماشین بردار پشتیبان در شمال ایران |
| title_fullStr |
پهنه‌بندی احتمال وقوع سیل با استفاده از بررسی مقایسه‌ای دو مدل شناخته شده جنگل تصادفی و ماشین بردار پشتیبان در شمال ایران |
| title_full_unstemmed |
پهنه‌بندی احتمال وقوع سیل با استفاده از بررسی مقایسه‌ای دو مدل شناخته شده جنگل تصادفی و ماشین بردار پشتیبان در شمال ایران |
| title_sort |
پهنه‌بندی احتمال وقوع سیل با استفاده از بررسی مقایسه‌ای دو مدل شناخته شده جنگل تصادفی و ماشین بردار پشتیبان در شمال ایران |
| publisher |
University of Tehran, College of Aburaihan |
| publishDate |
2021 |
| url |
https://doaj.org/article/3a5a0e4078664554b612268eb0200722 |
| work_keys_str_mv |
AT mḥmdrḍạṭhmạsby phnhbndyạḥtmạlwqwʿsylbạạstfạdhạzbrrsymqạyshạydwmdlsẖnạkẖthsẖdhjngltṣạdfywmạsẖynbrdạrpsẖtybạndrsẖmạlạyrạn AT sʿydsẖʿbạnlw phnhbndyạḥtmạlwqwʿsylbạạstfạdhạzbrrsymqạyshạydwmdlsẖnạkẖthsẖdhjngltṣạdfywmạsẖynbrdạrpsẖtybạndrsẖmạlạyrạn AT ạḥmdrjby phnhbndyạḥtmạlwqwʿsylbạạstfạdhạzbrrsymqạyshạydwmdlsẖnạkẖthsẖdhjngltṣạdfywmạsẖynbrdạrpsẖtybạndrsẖmạlạyrạn AT frybrzywsfwnd phnhbndyạḥtmạlwqwʿsylbạạstfạdhạzbrrsymqạyshạydwmdlsẖnạkẖthsẖdhjngltṣạdfywmạsẖynbrdạrpsẖtybạndrsẖmạlạyrạn |
| _version_ |
1718440736421052416 |