ارزیابی وپتانسیل سنجی خطروقوع سیل درشهرجناح با استفاده ازالگوریتم ماشین بردارپشتیبان (SVM)
الموضوعات :
علی راستگو
1
(دانشجوی دکترای جغرافیا، واحد لارستان ، دانشگاه آزاد اسلامی ، لارستان ، ایران)
عبدالرسول قنبری
2
(استادیارگروه جغرافیا ، واحد لارستان ، دانشگاه آزاد اسلامی ، لارستان ، ایران)
احمد انصاری لاری
3
(استادیارگروه جغرافیا ، واحد لارستان ، دانشگاه آزاد اسلامی ، لارستان ، ایران)
الکلمات المفتاحية: پهنه بندی, سیل, شهر جناح, الگوریتم ماشین بردارپشتیبان,
ملخص المقالة :
یکی از انواع فرآیند های دامنه ای که هر ساله موجب خسارت جانی و مالی فراوان در بسیاری از نقاط ایران و جهان می شود وقوع سیل است. شناسایی مناطق مستعد وقوع سیل از طریق پهنه بندی خطر، یکی از اقدامات موثر و ضروری در کاهش خطرات احتمالی و مدیریت آن می باشد. هدف اصلی این پژوهش، ارزیابی وقوع سیل در شهر جناح واقع در استان هرمزگان، با استفاده از مدل ماشین بردار پشتیبان می باشد.به این منظور، نقشه DEM محدوده مورد مطالعه را تهیه و سپس اطلاعات را به صورت تصادفی به نسبت 70 به 30 برای ساخت مدل واعتبار سنجی آن تقسیم شدند. اعتبار سنجی و صحت سنجی توسط نه عامل میزان شیب، جهت شیب، فاصله از جاده، کاربری اراضی، انحنای طولی شیب، انحنای عرضی شیب، ارتفاع، فاصله از رودخانه و زمین شناسی مورد بررسی قرارگرفته است. نتایج نشان می دهدکه مدل SVM عملکرد خوبی جهت ارزیابی وقوع سیل در منطقه مورد مطالعه دارد و نتایج به دست آمده از این پژوهش می تواند برای برنامه ریزی کاربری اراضی، کاهش خطرات وقوع سیل و تصمیم گیری در مناطق مستعد مفید واقع گردد.
منابع :
احمدی،فرشاد. رادمنش،فریدون.میرعباسی نجف ابادی،رسول(1393).مقایسه روش های برنامه ریزی در پیش بینی جریان روزانه رودخانه. نشریه اب وخاک دانشگاه فردوسی مشهد.جلد28-شماره6.
امامی دهخوارقانی، ابوالفضل( 1391 ) تشخیص آسیب پذیری وبهسازی اماکن تحت پوشش سیل با استفاده از نقشه پهنه بندی سیل،دومین کنفرانس مدیریت مدیریت بحران( وزارت کشور ایران ).
ارومیه ای، علی(1377) مقایسه دورود کاناگاوا وآبنالاگان درپهنه بندی خطر زمین لغزش درحوضه آبخیز نکارود، دومین همایش انجمن زمین شناسی ایران، 1377.
بهرامی،شهرام.بهرامی،کاظم(1390)ارزیابیتکنیکهایژئوموفولوژی جهت شناسایی مخروط افکنه های قدیمی و جدید به منظور تعیین مناطق مستعد سیل خیزی در چهار مخروط افکنه در زاگرس چین خورده ، جغرافیا و توسعه ، دوره 9 شماره 22 ، صص 106-89.
حسام ، رسول . ضرابی، اصغر . تقوایی، مسعود ( 1398 ) پتانسیل سنجی خطر سیلاب شهری با رویکرد توسعه شهری ایمن شهرگنبد کاووس، فصلنامه مدیریت مخاطرات طبیعی،دوره 6، شماره1،ص 32– 17 .
حاتمی نژاد ،حسن .آتش افروز،نسرین.آروین،محمود( 1396(پهنه‌بندی خطر سیل با استفاده از تحلیل چندمعیاره و GI مطالعه موردی: شهرستان ایذه ،فصلنامه دانش پیشگیری ومدیریت بحران،دوره 7 ، شماره 2 ،ص57 – 44 .
دهقانی،رضا.قربانی ،محمدعلی.تشنه لب ،محمد.ریخته گر،امیر.اسدی،اسماعیل.( 1394 ) .مقایسه وارزیابی مدل های شبکه عصبی بیزین، برنامه ریزی بیان ژن، ماشین بردار پشتیبان ورگرسیون خطی در تخمین بده جریان.فصلنامه علمی پژوهشی مهندسی آبیاری وآب.سال پنجم. شماره 20
راستگو،علی( 1390 ) نقش اقلیم دربیابان زایی منطقه جناح، پایان نامه کارشناسی ارشد ،دانشگاه آزاد لارستان، استاد راهنما دکتر پرویزکردوانی.
شیرزادی، عطاالله. عابدینی، موسی. روستایی، شهرام. قاسمیان، بهاره (1396) بررسی مقایسه ای مدل های ماشین پشتیبان بردارولجستیک درختی برای ارزیابی حساسیت زمین لغزش، مطالعه موردی: شهرستان کامیاران، استان کردستان. فصلنامه جغرافیای طبیعی، سال یازدهم، شماره39.
صفاری، امیر.ساسان پور،فرزانه. موسی وند، جعفر( 1390 ) ارزیابی آسیب پذیری مناطق شهری در برابر سیل با استفاده از سیستم اطلاعات جغرافیایی و منطق فازی منطقه 3 تهران ، نشریه تحقیقات کاربردی علوم جغرافیایی ، جلد 17 ، شماره 20 ، ص 150 – 129 .
قهرودی تالی، منیژه( 1391 ) ارزیابی آسیب پذیری ناشی ازسیلاب در شهر تهران . فصلنامه علمی امداد ونجات . سال چهارم . شماره3 .
کریمی فیروزجانی، محمد.نیسانی سامانی، نجمه( 1397 ) پهنه بندی ریسک پذیری سیل با استفاده از روس تصمیم گیری چند معیاره مبتنی بر استدلال شهودی دمپستر – شافر درحوزه آبخیز نکا ، پژوهش های جغرافیای طبیعی ، دوره 50 ، شماره 1 ، ص 194 – 77 .
محمود زاده، حسن .امامی کیا ، وحید .رسولی، علی اکبر( 1394 ) ریز پهنه بندی خطرسیلاب درمحدوده شهر تبریز بااستفاده از AHP ، فصلنامه علمی پژوهشی تحقیقات جغرافیایی ، جلد 30 ، شماره 1 ، ص 180 – 167 .
مطوف، شریف. مهدی پور، هاله. اصلانی، فرشته(1394) ارزیابی خطر سیل ناشی از عوامل انسانی با استفاده از سامانه اطلاعات جغرافیایی(GIS)، مورد استان تهران، پژوهش های منظر شهر، سال دوم، شماره4 ، ص95-69.
مقصودی،مهران.یمانی،مجتبی.محمدرضاووحیدمحمدنژاد (1390). شواهدمورفولوژیکیومورفومتریکیتاثیر تکتونیک فعال بر مخروط افکنه های شمال دامغان، پژوهش های جغرافیایی طبیعی (پژوهش جغرافیایی)، دوره 44، شماره 2، صص18-1
وطن فدا، ج ( 1389 ) مدیریت ریسک سیلاب شهری ، انتشارات وزارت نیرو .
یمانی، مجتبی. مقامی، مقیم . عرب عامری،علی رضا،شیرانی،کوروش( 1392 ) ارائه مدل ترکیبی نوین به منظور افزایش دقت تهیه نقشه های حساسیت زمین لغزش با تاکید بر مدل رگرسیون وزنی ( مطالعه موردی حوضه دز علیا اصفهان ) پژوهش های ژئومورفولوژی کمی ، سال پنجم شماره 4 ، ص 40 – 15 .
Benito, G., (2013), Hazardous Processes: Flooding, Treatise on Geomorphology, No.13, PP. 243-261.
Kain, C.L., Rigby, E.H. and Mazengarb, C., (2018), A combined morphometric, sedimentary, GIS and modelling analysis of flooding and debris flow hazard on a composite alluvial fan, Caveside, Tasmania, Sedimentary Geology, Vol. 64, PP. 286-301.
Kavzoglu, T., Sahin, E.K., Colkesen, I., 2014. Landslide susceptibility mapping using GIS-based multi-criteria decision analysis, support vector machines, and logistic regression. Landslides 11 (3), 425e439.
Kavzoglu, T., Sahin, E.K., Colkesen, I., 2015. An assessment of multivariate and bivariate approaches in landslide susceptibility mapping: a case study of Duzkoy district Natural Hazards. 76, 471–496.
Lin, J.Y., C.T. Cheng and K.W. Chau. 2006. Using support vector machines for long term discharge prediction. Hydrological Sciences Journal, 51(4): 599–612.
Santangelo, N. and Santo, A., (2011), Multiscale map analysis in alluvial fan flood-prone areas, Journal of Maps, Vol. 12, No. 2, PP. 382–393.
Santo, A., Santangelo, N., Crescenzo, G.D., Scorpio, V., Falco, M.D. and Chirico, G.B., (2015), Flash flood occurrence and magnitude assessment in an alluvial fan context: The October 2011 event in the Southern Apennines, Natural Hazards, DOI 10.1007/s11069-015-17284.
Scholkopf ,B.,Burges, C.,andSmola,A.(1998).”Advances in kernel methods support vector learning” MIT Press.
Scholkopf ,B.Mika ,CJ.,Burges, C. Knirsch,RR., and Muiier,KG.(1999).”Input space versus feature space in kernel –baswdmethods”,IEEE Trans Neural Network,10(5):1000-1017.
Scholkopf ,B.,Burges, C.,andSmola, Aj.(2002).” Learning with kernels”. Cambridge, MA: The MIT Press.
Taylor, SJ. and Cristianini, N. (2004). “Kernel Methods for pattern analysis”, CambridgeUniversity
Vapnik, VN. (2000). “The nature of statisticallearning theory”, 2nd ed. NY (USA): Springer-Verlag; 2000, p. 131.
Yalcin , A. 2008. GIS-based landslide susceptibility mapping using analytical hierarchy process and bivariate statistics in Ardesen (Turkey): comparisons of results and confirmations, v. 72, p.1-15
Yao a, X., L.G. Tham b, F.C. Dai, 2008, Landslide susceptibility mapping based on Support Vector Machine: A case study on natural slopes of Hong Kong, China, Geomorphology 101,572–582.
_||_منابع :
احمدی،فرشاد. رادمنش،فریدون.میرعباسی نجف ابادی،رسول(1393).مقایسه روش های برنامه ریزی در پیش بینی جریان روزانه رودخانه. نشریه اب وخاک دانشگاه فردوسی مشهد.جلد28-شماره6.
امامی دهخوارقانی، ابوالفضل( 1391 ) تشخیص آسیب پذیری وبهسازی اماکن تحت پوشش سیل با استفاده از نقشه پهنه بندی سیل،دومین کنفرانس مدیریت مدیریت بحران( وزارت کشور ایران ).
ارومیه ای، علی(1377) مقایسه دورود کاناگاوا وآبنالاگان درپهنه بندی خطر زمین لغزش درحوضه آبخیز نکارود، دومین همایش انجمن زمین شناسی ایران، 1377.
بهرامی،شهرام.بهرامی،کاظم(1390)ارزیابیتکنیکهایژئوموفولوژی جهت شناسایی مخروط افکنه های قدیمی و جدید به منظور تعیین مناطق مستعد سیل خیزی در چهار مخروط افکنه در زاگرس چین خورده ، جغرافیا و توسعه ، دوره 9 شماره 22 ، صص 106-89.
حسام ، رسول . ضرابی، اصغر . تقوایی، مسعود ( 1398 ) پتانسیل سنجی خطر سیلاب شهری با رویکرد توسعه شهری ایمن شهرگنبد کاووس، فصلنامه مدیریت مخاطرات طبیعی،دوره 6، شماره1،ص 32– 17 .
حاتمی نژاد ،حسن .آتش افروز،نسرین.آروین،محمود( 1396(پهنه‌بندی خطر سیل با استفاده از تحلیل چندمعیاره و GI مطالعه موردی: شهرستان ایذه ،فصلنامه دانش پیشگیری ومدیریت بحران،دوره 7 ، شماره 2 ،ص57 – 44 .
دهقانی،رضا.قربانی ،محمدعلی.تشنه لب ،محمد.ریخته گر،امیر.اسدی،اسماعیل.( 1394 ) .مقایسه وارزیابی مدل های شبکه عصبی بیزین، برنامه ریزی بیان ژن، ماشین بردار پشتیبان ورگرسیون خطی در تخمین بده جریان.فصلنامه علمی پژوهشی مهندسی آبیاری وآب.سال پنجم. شماره 20
راستگو،علی( 1390 ) نقش اقلیم دربیابان زایی منطقه جناح، پایان نامه کارشناسی ارشد ،دانشگاه آزاد لارستان، استاد راهنما دکتر پرویزکردوانی.
شیرزادی، عطاالله. عابدینی، موسی. روستایی، شهرام. قاسمیان، بهاره (1396) بررسی مقایسه ای مدل های ماشین پشتیبان بردارولجستیک درختی برای ارزیابی حساسیت زمین لغزش، مطالعه موردی: شهرستان کامیاران، استان کردستان. فصلنامه جغرافیای طبیعی، سال یازدهم، شماره39.
صفاری، امیر.ساسان پور،فرزانه. موسی وند، جعفر( 1390 ) ارزیابی آسیب پذیری مناطق شهری در برابر سیل با استفاده از سیستم اطلاعات جغرافیایی و منطق فازی منطقه 3 تهران ، نشریه تحقیقات کاربردی علوم جغرافیایی ، جلد 17 ، شماره 20 ، ص 150 – 129 .
قهرودی تالی، منیژه( 1391 ) ارزیابی آسیب پذیری ناشی ازسیلاب در شهر تهران . فصلنامه علمی امداد ونجات . سال چهارم . شماره3 .
کریمی فیروزجانی، محمد.نیسانی سامانی، نجمه( 1397 ) پهنه بندی ریسک پذیری سیل با استفاده از روس تصمیم گیری چند معیاره مبتنی بر استدلال شهودی دمپستر – شافر درحوزه آبخیز نکا ، پژوهش های جغرافیای طبیعی ، دوره 50 ، شماره 1 ، ص 194 – 77 .
محمود زاده، حسن .امامی کیا ، وحید .رسولی، علی اکبر( 1394 ) ریز پهنه بندی خطرسیلاب درمحدوده شهر تبریز بااستفاده از AHP ، فصلنامه علمی پژوهشی تحقیقات جغرافیایی ، جلد 30 ، شماره 1 ، ص 180 – 167 .
مطوف، شریف. مهدی پور، هاله. اصلانی، فرشته(1394) ارزیابی خطر سیل ناشی از عوامل انسانی با استفاده از سامانه اطلاعات جغرافیایی(GIS)، مورد استان تهران، پژوهش های منظر شهر، سال دوم، شماره4 ، ص95-69.
مقصودی،مهران.یمانی،مجتبی.محمدرضاووحیدمحمدنژاد (1390). شواهدمورفولوژیکیومورفومتریکیتاثیر تکتونیک فعال بر مخروط افکنه های شمال دامغان، پژوهش های جغرافیایی طبیعی (پژوهش جغرافیایی)، دوره 44، شماره 2، صص18-1
وطن فدا، ج ( 1389 ) مدیریت ریسک سیلاب شهری ، انتشارات وزارت نیرو .
یمانی، مجتبی. مقامی، مقیم . عرب عامری،علی رضا،شیرانی،کوروش( 1392 ) ارائه مدل ترکیبی نوین به منظور افزایش دقت تهیه نقشه های حساسیت زمین لغزش با تاکید بر مدل رگرسیون وزنی ( مطالعه موردی حوضه دز علیا اصفهان ) پژوهش های ژئومورفولوژی کمی ، سال پنجم شماره 4 ، ص 40 – 15 .
Benito, G., (2013), Hazardous Processes: Flooding, Treatise on Geomorphology, No.13, PP. 243-261.
Kain, C.L., Rigby, E.H. and Mazengarb, C., (2018), A combined morphometric, sedimentary, GIS and modelling analysis of flooding and debris flow hazard on a composite alluvial fan, Caveside, Tasmania, Sedimentary Geology, Vol. 64, PP. 286-301.
Kavzoglu, T., Sahin, E.K., Colkesen, I., 2014. Landslide susceptibility mapping using GIS-based multi-criteria decision analysis, support vector machines, and logistic regression. Landslides 11 (3), 425e439.
Kavzoglu, T., Sahin, E.K., Colkesen, I., 2015. An assessment of multivariate and bivariate approaches in landslide susceptibility mapping: a case study of Duzkoy district Natural Hazards. 76, 471–496.
Lin, J.Y., C.T. Cheng and K.W. Chau. 2006. Using support vector machines for long term discharge prediction. Hydrological Sciences Journal, 51(4): 599–612.
Santangelo, N. and Santo, A., (2011), Multiscale map analysis in alluvial fan flood-prone areas, Journal of Maps, Vol. 12, No. 2, PP. 382–393.
Santo, A., Santangelo, N., Crescenzo, G.D., Scorpio, V., Falco, M.D. and Chirico, G.B., (2015), Flash flood occurrence and magnitude assessment in an alluvial fan context: The October 2011 event in the Southern Apennines, Natural Hazards, DOI 10.1007/s11069-015-17284.
Scholkopf ,B.,Burges, C.,andSmola,A.(1998).”Advances in kernel methods support vector learning” MIT Press.
Scholkopf ,B.Mika ,CJ.,Burges, C. Knirsch,RR., and Muiier,KG.(1999).”Input space versus feature space in kernel –baswdmethods”,IEEE Trans Neural Network,10(5):1000-1017.
Scholkopf ,B.,Burges, C.,andSmola, Aj.(2002).” Learning with kernels”. Cambridge, MA: The MIT Press.
Taylor, SJ. and Cristianini, N. (2004). “Kernel Methods for pattern analysis”, CambridgeUniversity
Vapnik, VN. (2000). “The nature of statisticallearning theory”, 2nd ed. NY (USA): Springer-Verlag; 2000, p. 131.
Yalcin , A. 2008. GIS-based landslide susceptibility mapping using analytical hierarchy process and bivariate statistics in Ardesen (Turkey): comparisons of results and confirmations, v. 72, p.1-15
Yao a, X., L.G. Tham b, F.C. Dai, 2008, Landslide susceptibility mapping based on Support Vector Machine: A case study on natural slopes of Hong Kong, China, Geomorphology 101,572–582.
