پهنه بندی حساسیت وقوع سیل در مناطق شمالی ایران با استفاده از الگوریتم‌های پیشرفته داده‌کاوی (منطقه مورد مطالعه: حوزه آبخیز هراز)

الموضوعات : فصلنامه علمی برنامه ریزی منطقه ای

هیمن شهابی ¹

1 - دانشیار گروه ژئومورفولوژی، دانشکده منابع طبیعی، دانشگاه کردستان، عضو گروه پژوهشی مطالعات محیطی دریاچه زریبار، پژوهشکده کردستان شناسی، دانشگاه کردستان، سنندج، ایران

تاريخ الإرسال : 21 الخميس , رمضان, 1441 تاريخ التأكيد : 12 الجمعة , ذو القعدة, 1441 تاريخ الإصدار : 09 الأربعاء , رمضان, 1442

الکلمات المفتاحية: بگینگ, آنتروپی شانون, حوزه هراز, حساسیت به وقوع سیل,

ملخص المقالة :

سیل یکی از مخاطرات محیطی است که از دیرباز تا کنون جامعه بشری شاهد وقوع آن می­باشد. در ایران به دلیل وسعت زیاد، اقلیم­های متعدد، تراکم زمانی و مکانی بارش­ها در اکثر حوزه­های آبخیز از جمله حوزه آبخیز هراز، همه ساله شاهد سیلاب­های عظیمی می­باشیم که خسارات جانی، مالی و محیطی متعددی را به­همراه دارد. یکی از راهکارهای اساسی جهت کاهش خسارت ناشی از سیل، تهیه و استفاده از نقشه­های حساسیت به وقوع سیل در سیاست­گذاری­ها و برنامه­ریزی­های عملیاتی و اجرایی می­باشد. در این تحقیق با استفاده از الگوریتم‌های پیشرفته داده‌کاوی (مدل­های بگینگ و آنتروپی شانون) جهت تهیه نقشه پهنه­بندی حساسیت به وقوع سیل استفاده شده است. فرایند انجام پژوهش به این صورت است که ابتدا داده­های 201 موقعیت نقاط سیلابی آماده گردید. در ادامه از 201 موقعیت، 70 درصد آن جهت مدل­سازی و تهیه نقشه استفاده شد و از 30 درصد باقی­مانده، که به صورت تصادفی تهیه شدند، جهت اعتبارسنجی نقشه­های تولید شده استفاده گردید. در این تحقیق از ده فاکتور موثر شامل شیب، انحنای زمین، فاصله از رودخانه،  طبقات ارتفاعی، بارش، شاخص توان رودخانه (SPI)، شاخص رطوبت توپوگرافی (TWI)، لیتولوژی، کاربری اراضی و شاخص تفرق پوشش گیاهی ((NDVI استفاده شده است و وزن تاثیر هر فاکتور با استفاده از الگوریتم­های داده­کاوی مشخص شد و منحنی  ROC ترسیم و سطح زیرمنحنی (AUC) برای اعتبارسنجی نقشه حساسیت به وقوع سیل محاسبه گردید. نتایج پژوهش نشان داد که جهت تهیه نقشه حساسیت به وقوع سیل، مدل بگینگ نسبت به مدل آنتروپی شانون، از دقت بالاتری برخوردار می­باشد و صحت بالای این مدل حاکی از قابل اعتماد بودن آن به ویژه در حوزه­های فاقد آمار می­باشد.

المصادر:

1. Bednarik, M., Magulova, B., Matys, M., and Marschalko. M. (2010): Landslide susceptibility assessment of theKralovany–Liptovsky Mikulaš railway case study. Phys. Chem. Earth 35: 162–171.


2. Bronstert, A., (2003): Floods and climate change: interactions and impacts. Risk Anal. 23, 545–557.


3. Bubeck, P., Botzen, W., and Aerts, J., (2012): A review of risk perceptions and other factors that in fl uence fl ood mitigation behavior. Risk Anal. 32, 1481–1495.


4. Fawcett, T., (2006): An introduction to ROC analysis. Pattern Recognition Letters, V. 27, p. 861-874.


5. Feng, CC., and Wang, YC. (2011): GIScience research challenges for emergency   management   in   Southeast   Asia.   Nat   Hazards, 59:597–616.


6. Gokceoglu, C., Sonmez, H., Nefeslioglu, H.A., Duman, T.Y., and Can, T. (2005): The 17 March 2005 Kuzulu landslide (Sivas, Turkey) and landslide-susceptibility map of its near vicinity. Eng. Geol. 81, 65–83.


7. Jamini, Davood., Amini, Abbas., Ghadermarzi, Hamed and Tavakoli, Jafar  (2017): Measurement of Food Security and Investigation of its Challenges in Rural Areas (Case Study: Badr District from Ravansar County), JOURNAL OF REGIONAL PLANNING, 7 (27): pp: 87-102. (in Persian)


8. Kamali, M., Solaimani, K., Shahedi, K., Gord- Noshahri, A., and Gomrokchi, A. (2015): Determining the Flooding Points and Prioritizing Subcatchments of Barajin Catchment of Qazvin Using Hec-HMS and GIS, Iran-Watershed Management Science & Engineering, Vol. 9, No. 29, pp: 27-34. (in Persian)


9. Khosravi, K., Pourghasemi, H.R., Chapi, K., and Bahri, M. (2016): Environ Monit Assess, 188: 656. doi:10.1007/s10661-016-5665-9.


10. Kjeldsen, TR. (2010): Modelling the impact of urbanization on flood frequency relationships in the UK. Hydrol Res 41:391–405.


11. Komac, M.A. (2006): Landslide susceptibility model using the Analytical Hierarchy Process method and multivariate statistics in perialpine Sloveni. Geomorphology 74: 17-28.


12. Kourgialas, N.N., and Karatzas, G.P. (2011): Flood management and a GIS modelling method to assess fl ood-hazard areas—a case study. Hydrol. Sci. J. 56, 212–225.


13. Lee, M.J., Kang, J.E., and Jeon, S. (2012): Application of frequency ratio model and validation for predictive flooded area susceptibility mapping using GIS. In: Geoscience and Remote Sensing Symposium (IGARSS), Munich. 895–898.


14. Manandhar, B. (2010): Flood Plain Analysis and Risk Assessment of Lothar Khola, MSc Thesis, Tribhuvan University, Phokara, Nepal, pp. 64.


15. Merz, B., Thieken, A.H., Gocht, M. (2007): Flood Risk Mapping at the Local Scale: Concepts   and   Challenges, Flood   Risk   Management   in   Europe.   Springer, Netherlands, pp. 231–251.


16. Miller, JR., Ritter, DF., and Kochel, RC. (1990): Morphometric assessment of lithologic controls on drainage basin evolution in the Crawford Upland, south-central Indiana. Am J Sci. 290:569–599.


17. Moore, I.D., Grayson, R.B., and Ladson, A.R. (1991): Digital terrain modelling: a review of hydrological, geomorphological, and biological applications. Hydrol. Proc. 5, 3–30.


18. Naghibi.S.A., Pourghasemi, H.R., Pourtaghi, Z.S., and Rezaei, A. (2014): Groundwater qanat potential mapping using frequency ratio and Shannon’s entropy models in the Moghan watershed, Iran. Earth Sci Inform, DOI 10.1007/s12145-014-0145-7.


19. Nandi, A., and Shakoor, A. (2009): A GIS-based landslide susceptibility evaluation using bivariate and multivariate statistical analyses. Engineering Geology, V. 110, p. 11–20.


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


21. Oh, H.  J., and Lee, S. (2010):  Cross-validation of logistic regression model for landslide susceptibility mapping at Geneoung areas, Korea. Disaster Advances, V. 3, p. 44–55.


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


23. Pourghasemi, H.R., Moradi, H.R., and Fatemi Aghda, S.M. (2018): Prioritizing Effective Factors in Landslide Occurrence and its Susceptibility Mapping Using Shannon's Entropy Index, Journal of Hydrology and Soil Science, Volume:18 Issue: 4, pp: 181-192. (in Persian)


24. Pourghasemi, H.R., Moradi, H.R., Fatemi Aghda, S.M., Gokceoglu, C., and 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.


25. Pradhan, B., Oh, H.J., and Buchroithner, M. (2010): Weights-of-evidence model applied to landslide susceptibility mapping in a tropical hilly area. Geomat. Nat. Haz. Risk, 1, 199-223.


26. Ramakrishna, D., Ghose, M.K., Vinu Chandra, R., and Jeyaram, A. (2005): Probabilistic techniques, GIS and remote sensing in landslide hazard mitigation: a case study from Sikkim Himalayas, India. Geocartography Int. 20 (4): 53–58.


27. Shamsodini, A., Jamini, D., and Jamshidi, A. (2016): Measurement and Analyses of Social Stability in Rural Area (Case Study: Javanrood Township).  Journal of Rural Research. 7(3), 486-503. (in Persian)


28. Sharifi paichoon, M., Omidvar, K., and Motazaker, K. (2019): Assessment of flooding using cluster analysis and multivariable regression methods with emphasis on hydro geomorphological parameters (Case study: Maroon catchment), Journal of Natural Environmental Hazards, Vol 8, Issue 21, pp: 75-92. (in Persian)


29. Sharma, L.P., Patel, N., Ghose, M. K., and Debnath, P. (2010): Influence of Shannon’s entropy on landslide-causing parameters for vulnerability study and zonation-a case study in Sikkim, India. Arab. J. Geosci. 5 (3): 421-431.


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


31. Taylor, J., Davies, M., Clifton, D., Ridley, I., and Biddulph, P. (2011): Flood management:  prediction of microbial contamination in large- scale floods in urban environments. Environ Int 37:1019–1029.


32. Tehrany, M.S., Lee, M.J., Pradhan, B., Jebur, M.N., and Lee, S. (2014b): Flood susceptibility mapping using integrated bivariate and multivariate statistical models. Environ. Earth sci. 72(10): 4001-4015.


33. Tehrany, M.S., Pradhan, B., and 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. J. Hydrol. 504, 69-79.


34. Tehrany, M.S., Pradhan, B., and Jebur, M.N. (2014a): Flood susceptibility mapping using a novel ensemble weights-of-evidence and support vector machine models in GIS. J. Hydrol. 512: 332-343.


35. Tehrany, M.S., Pradhan, B., and Jebur, M.N. (2015b): Flood susceptibility analysis and its verification using a novel ensemble support vector machine and frequency ratio method. Stoch Environ Res Risk Assess 29:1149–1165.


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


37. Theil, H. (1972): Statistical decomposition analysis. North-Holland Publishing Company, Amsterdam.


38. Youssef, A.M., Pradhan, B., and Hassan, A.M. (2011): Flash flood risk estimation along the St. Katherine road, southern Sinai, Egypt using GIS based morphometry and satellite imagery. Environ. Earth Sci. 62, 611–623.


39. Yufeng, S., and Fengxiang, J. (2009): Landslide Stability Analysis Based on Generalized Information Entropy. 2009 International Conference on Environmental Science and Information Application Technology: 83–85.