سال 14، شماره 4 - ( زمستان 1403 )
جلد 14 شماره 4 صفحات 38-19 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rahimpour T, Rezaei Moghaddam M H. Modeling the Flood Hazard Potential in the Aji Chai basin using Data Mining Algorithms. E.E.R. 2025; 14 (4) :19-38
URL: http://magazine.hormozgan.ac.ir/article-1-862-fa.html
URL: http://magazine.hormozgan.ac.ir/article-1-862-fa.html
رحیم پور توحید، رضائی مقدم محمدحسین. مدل‌سازی پتانسیل خطر وقوع سیلاب در حوضه آبریز آجی‌چای با استفاده از الگوریتم‌های داده‌کاوی. پژوهش هاي فرسايش محيطي. 1403; 14 (4) :19-38
دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران ، t.rahimpour@tabrizu.ac.ir
چکیده: (1750 مشاهده)
حوضه آبریز آجی‌چای واقع در استان آذربایجان شرقی به دلیل گستردگی مساحت و دارا بودن شرایط خاص توپوگرافی همه‌ساله شاهد وقوع سیلاب‌های مخرب هست. هدف اصلی این تحقیق تهیه نقشه پتانسیل خطر وقوع سیل در سطح این حوضه است. با بررسی پژوهش‌های انجام گرفته در ارتباط با موضوع تحقیق و همچنین در دسترس بودن داده‌ها، 18 پارامتر انتخاب شدند که عبارت‌اند از: ارتفاع، شیب، جهت شیب، شاخص رطوبت توپوگرافی، شاخص حمل رسوب، شاخص قدرت آبراهه، انحنای زمین، بارش، شاخص پوشش گیاهی، کاربری اراضی، فاصله از سد، فاصله از پل، فاصله از رودخانه، تراکم زهکشی، گروه‌های هیدرولوژیکی خاک، بافت زهکشی، ژئومورفولوژی و لیتولوژی. از مدل‌های Random forest، Random Subspace، Rotation forest و Dagging به عنوان الگوریتم‌های داده‌کاوی جهت دستیابی به هدف تحقیق استفاده شد. به منظور اجرای مدل‌های تحقیق از موقعیت 274 نقطه سیلابی که در گذشته اتفاق افتاده‌اند، استفاده شد. نقشه موقعیت نقاط سیلاب‌های منطقه از طریق اطلاعات شرکت آب منطقه‌ای استان آذربایجان شرقی، بازدیدهای میدانی و همچنین تصویر ماهواره‌ای لندست 8 سنجنده OLI-TIRS به دلیل در دسترس بودن آن یک روز بعد از وقوع سیل (27 فروردین 1396) تهیه شد. نتایج تحقیق نشان داد که الگوی توزیع فضایی پهنه‌های خطر در تمامی مدل‌ها مشابه هم بوده است. به‌این‌ترتیب که مناطق پایین‌دست حوضه و اطراف آبراهه‌های اصلی منطقه پرخطرترین پهنه‌ها را به خود اختصاص داده‌اند. ارزیابی دقت مدل‌ها با استفاده از منحنی ROC و سطح زیر منحنی نشان داد که مدل Random forest با سطح زیر منحنی 94/0 نسبت به سایر مدل‌ها عملکرد بهتری داشته است.
نوع مطالعه: مستخرج از پایان‌نامه / رساله / طرح پژوهشی |
موضوع مقاله:
روشهای نوین و دقیق در تهیّه نقشه فرسایش (سنجش از دور و سیستم‌های اطلاعات جغرافیایی)
دریافت: 1403/7/14 | انتشار: 1403/10/1
دریافت: 1403/7/14 | انتشار: 1403/10/1
فهرست منابع
1. Aldiansyah, S. & Wardani, F. (2023). Evaluation of flood susceptibility prediction based on a resampling method using machine learning. Journal of Water and Climate Change, 14(3), 937-961. [DOI:10.2166/wcc.2023.494]
2. Breiman, L., HFriedman, J., Olshen, R.A. & Stone, C.J. (1984). Classification and regression trees. Chapman & Hall, New York.
3. Bui, D.T., Tsangaratos, P., Ngo P-TT., Thai Pham, T. & Thai Phamet, B. (2019). Flash flood susceptibility modeling using an optimized fuzzy rule based feature selection technique and tree based ensemble methods. Sci Total Environ, 668,1038-1054. [DOI:10.1016/j.scitotenv.2019.02.422]
4. Cheraghi Ghalehsari, A., Habibnejad Roshan, M. & Roshun, S. H. (2020). Flood Susceptibility Mapping Using a Support Vector Machine Models (SVM) and Geographic Information System (GIS). Journal of Natural Environmental Hazards, 9(25), 61-80. (In Persian). doi: 10.22111/jneh.2020.31018.1547
5. Chezgi, J., Poyan, S. (2024). Determining Flood-Prone Areas Using Machine Learning Models in the Shahrestank Watershed Area of Khosef City. Jwmseir, 17 (63). 38-50.
6. Costache, R., Popa, M.C., Tien Bui, D., Diaconu, D.C., Ciubotaru, N., Minea, G., Pham, QB. (2020). Spatial predicting of flood potential areas using novel hybridizations of fuzzy decision-making, bivariate statistics, and machine learning. Journal of Hydrology, 585:124808. https:// doi. org/ 10. 1016/j. jhydr ol. 2020. 124808. [DOI:10.1016/j.jhydrol.2020.124808]
7. Diakakis, M., Mavroulis, S. & Deligiannakis, G. (2012). Floods in Greece, a statistical and spatial approach. Nat. Hazards, 62, 485-500. https://doi. org/10.1007/s11069-012-0090-z [DOI:10.1007/s11069-012-0090-z]
8. Gujarati, DN. (2004). Basic econometrics. 4th ed. New York City (NY), The MacGraw Hill Company, p. 1002.
9. Hirabayashi, Y., Mahendran, R., Koirala, S., Konoshima, L., Yamazaki, D., Watanabe, S., Kim, H. & Kanae, S. (2013). Global flood risk under climate change. Nature Climate Change, 3(9), 816. [DOI:10.1038/nclimate1911]
10. Hitouri, S., Mohajane, M., Lahsaini, M., Ali, S.A., Setargie, T.A., Tripathi, G., D'Antonio, P., Singh, S.K., Varasano, A. (2024). Flood Susceptibility Mapping Using SAR Data and Machine Learning Algorithms in a Small Watershed in Northwestern Morocco. Remote Sens, 16, 858, 1-21. [DOI:10.3390/rs16050858]
11. Hudson, P., Botzen, W.J.W., Kreibich, H., Bubeck, P. & Aerts, J.C.J.H. (2014). Evaluating the effectiveness of flood damage mitigation measures by the application of propensity score matching. Nat. Hazards Earth Syst. Sci, 14, 1731-1747. [DOI:10.5194/nhess-14-1731-2014]
12. Jolliffe, I. (2002). Principal component analysis. Wiley Online Library.
13. Karami, P., Eslamnezhad, S. A., Eftekhari, M., Akbari, M., & Rastgoo, M. (2023). Flood susceptibility zoning using machine learning improved by genetic algorithm. Journal of Natural Environment, 76(1), 43-60. doi: 10.22059/jne.2022.350170.2485
14. Kazemi, H., Mansouri, N., Jozi, S.A. (2021). Flood risk zoning in Nowshahr city using machine learning models. JHRE. 40(176), 71-86.
15. 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. J. Hydrol, 591. [DOI:10.1016/j.jhydrol.2020.125552]
16. Khosravi, K., Shahabi, H., Thai Pham, B., Adamowski, , J., Shirzadi, A., Pradhan, B., Dou, J., Ly, H., Gróf, G., Loc Ho, H., Hong, H., Chapi, K. & Prakash, I. (2019). A comparative assessment of flood susceptibility modeling using Multi-Criteria Decision-Making Analysis and Machine Learning Methods. Journal of Hydrology, 573, 311-323. doi: 10.1016/j.jhydrol.2019.03.073 [DOI:10.1016/j.jhydrol.2019.03.073]
17. Kotsianti, S.B. & Kanellopoulos, D. (2007). Combining Bagging, Boosting and Dagging for Classification Problems. In: Apolloni, B., Howlett, R.J., Jain, L. (Eds.), KnowledgeBased Intelligent Information and Engineering Systems. Springer, Berlin Heidelberg, Berlin, Heidelberg, 493-500. [DOI:10.1007/978-3-540-74827-4_62]
18. Kourgialas, N.N. & Karatzas, G.P. (2011). Flood management and a GIS modelling method to assess flood- hazard areas-a case study. Hydrological Sciences Journal, 56(2), 212-225. doi: [DOI:10.1080/02626667.2011.555836]
19. Lee, G., Jun, K. & Chung, E. (2013). Integrated multi-criteria flood vulnerability approach using fuzzy Atmospheric TOPSIS and Delphi technique. Nat. Hazards Earth Syst. Sci, 13, 1293-1312. [DOI:10.5194/nhess-13-1293-2013]
20. Lieb, M., Glaser, B. & Huwe, B. (2012). Uncertainty in the spatial prediction of soil texture: comparison of regression tree and Random Forest models. Geoderma, 170, 70-79. [DOI:10.1016/j.geoderma.2011.10.010]
21. Luu, C., Thai Pham, B., Van Phong, T., Costache, R., Duy Nguyen, H., Amiri, M., Duy Bui, Q., Thanh Nguyen, L., Van Le, H., Prakash, I. & Trong Trinh, P. (2021). GIS-based ensemble computational models for flood susceptibility prediction in the Quang Binh Province, Vietnam, Journal of Hydrology, 599, 126500.
https://doi.org/10.1016/j.jhydrol.2021.126500 [DOI:10.1016/j.jhydrol.2021.12650.]
22. Ozcift, A. (2012). SVM feature selection based rotation forest ensemble classifiers to improve computer aided diagnosis of Parkinson disease. J. Med. Syst, 36(4), 2141-2147. [DOI:10.1007/s10916-011-9678-1]
23. Paryani, S., Bordbar, M., Jun,C., Panahi, M., M. Bateni, S., M. U. Neale, C., Moeini, H. & Lee, S. (2022). Hybrid based approaches for the flood susceptibility prediction of Kermanshah province, Iran. Natural Hazards, 116(2), 1-32. [DOI:10.1007/s11069-022-05701-4]
24. Peters, J., Verhoest, N., Samson, R., Boeckx, P. & De Baets, B. (2008). Wetland vegetation distribution modelling for the identification of constraining environmental variables. Landscape Ecology, 23, 1049- 1065. [DOI:10.1007/s10980-008-9261-4]
25. Piao,Y., Piao, M., Hao, Jin, C., Sun, S-H., Chung, J-M., Hwang, B. & Ho, R. (2015). A New Ensemble Method with Feature Space Partitioning for High- Dimensional Data Classification, Hindawi Publishing Corporation Mathematical Problems in Engineering, 1-12. http://dx.doi.org/10.1155/2015/590678 [DOI:10.1155/2015/590678]
26. Pradhan, B., Abokharima, M.H., Jebur, M.N. & Tehrany, M.S. (2014). Land subsidence susceptibility mapping at Kinta Valley (Malaysia) using the evidential belief function model in GIS. Natural Hazards, 73(2), 1019-1042. [DOI:10.1007/s11069-014-1128-1]
27. Rahimpour, T., Rezaei Moghaddam, M. H., Hejazi, S. A. & Valizadeh Kamran, K. (2021). Spatial Variations Analysis of Flood hazard Susceptibility based on a new ensemble model (Case Study: Aland Chai Basin, Khoy city). Environmental Management Hazards, 8(4), 371-393. (In Persian). [DOI:10.22059/jhsci.2022.335204.692]
28. Rahimpour, T., Rezaei Moghaddam, M. H., Hejazi, S. A. & Vlaizadeh Kamran, K. (2023). Flood Susceptibility Modeling in the Aland Chai Basin using New Ensemble Classification Approach (FURIA-GA-LogitBoost). Journal of Geography and Environmental Hazards, 12(1), 1-24. (In Persian). doi: 10.22067/geoeh.2022.74170.1141
29. Rahman, R., Dhruba, S.R., Ghosh, S. & Pal, R. (2019). Functional random forest with applications in dose-response predictions. Scientific reports, 9(1), 1-14. [DOI:10.1038/s41598-018-38231-w]
30. Rezaei Moghaddam, M. H. & Rahimpour, T. (2024a). Preparation of flood hazard potential map using two methods: Frequency Ratio and Statistical Index (Case study: Aji Chai Basin). Environmental Management Hazards, 10(4), 291-308. (In Persian). doi: 10.22059/jhsci.2024.369163.803
31. Rezaei Moghaddam, M. H., & Rahimpour, T. (2024b). Evaluating of Flood hazard potential using bivariate statistical analysis method (Case study: Aji Chai basin). Quantitative Geomorphological Research, 12(4), 91-107. (In Persian). doi: 10.22034/gmpj.2024.429929.1473
32. Roy, J. & Saha, S. (2019). GIS-based gully erosion susceptibility evaluation using frequency ratio, cosine amplitude and logistic regression ensembled with fuzzy logic in Hinglo River basin, India. Remote Sensing Applications: Society and Environment, 15, 100247. [DOI:10.1016/j.rsase.2019.100247]
33. Roy, J. & Saha, S. (2021). Integration of artificial intelligence with meta classifiers for the gully erosion susceptibility assessment in Hinglo river basin. Eastern India. Advances in Space Research, 67(1), 316-333. [DOI:10.1016/j.asr.2020.10.013]
34. Roy, J. & Saha, S. (2022). Ensemble hybrid machine learning methods for gully erosion susceptibility mapping: K- fold cross validation approach. Artificial Intelligence in Geosciences, 3, 28-45. doi: [DOI:10.1016/j.aiig.2022.07.001]
35. Sofia, G., Roder, G., Dalla Fontana, G. & Tarolli, P. (2017). Flood dynamics in urbanised landscapes: 100 years of climate and humans' interaction. Sci. Rep, 7, 40527. [DOI:10.1038/srep40527]
36. Tien Bui, D., Pradhan, B., Nampak, H., Bui, Q.T., Tran, Q.A. & Nguyen, Q.P. (2016). Hybrid artificial intelligence approach based on neural fuzzy inference model and metaheuristic optimization for flood susceptibility modeling in a high-frequency tropical cyclone area using GIS. Journal of Hydrology, 540, 317-330. [DOI:10.1016/j.jhydrol.2016.06.027]
37. Towfiqul Islam, A.B., Talukdar, S., Mahato, S., Kundu, S., UddinEibek, K., BaoPham, Q., Kuriqi, A. & ThuyLinh, N.T. (2021). Flood susceptibility modelling using advanced ensemble machine learning models. Geoscience Frontiers, 12(3), 101075. [DOI:10.1016/j.gsf.2020.09.006]
38. Walia, S. & Kumar, K. (2019). Digital image forgery detection: a systematic scrutiny. Australian Journal of Forensic Sciences, 51(5), 488-526. [DOI:10.1080/00450618.2018.1424241]
39. WHO (World Health Organization). (2022). Floods. 2017. Available online: https://www.who.int/health- topics/floods (accessed on 13 January 2022).
40. Zarei, M., Zandi, R. & Naemitabar, M. (2022). Assessment of Flood Occurrence Potential using Data Mining Models of Support Vector Machine, Chaid and Random Forest (Case study: Frizi watershed). J Watershed Manage Res, 13(25), 133-144. (In Persian). doi:10.52547/jwmr.13.25.133 [DOI:10.52547/jwmr.13.25.133]
41. Zhao, C., Zhang, X., Zhang, B., Dang, Q. & Lian, J. (2013). Driver's fatigue expressions recognition by combined features from pyramid histogram of oriented gradient and contourlet transform with random subspace ensembles. IET Intelligent Transport Systems, 7(1), 36-45. [DOI:10.1049/iet-its.2012.0005]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
