دوره 13، شماره 25 - ( بهار و تابستان 1401 1401 )
جلد 13 شماره 25 صفحات 144-133 |
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:
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). jwmr. 13(25), 133-144. doi:10.52547/jwmr.13.25.133
URL: http://jwmr.sanru.ac.ir/article-1-1140-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1140-fa.html
زارعی مهدی، زندی رحمان، ناعمی تبار مهناز. ارزیابی پتانسیل وقوع سیل با استفاده از مدل های داده کاوی ماشین بردار پشتیبان، چاید و جنگل تصادفی (مطالعه موردی: حوزه آبخیز فریزی) پژوهشنامه مديريت حوزه آبخيز 1401; 13 (25) :144-133 10.52547/jwmr.13.25.133
مرکز پژوهشی علوم جغرافیایی و مطالعات اجتماعی-دانشگاه حکیم سبزواری، سبزوار، ایران
چکیده: (2188 مشاهده)
چکیده مبسوط
مقدمه و هدف: سیل مانند سایر پدیدههای هیدرولوژیکی یک پدیده غیر قطعی است که در هر زمان و مکان احتمال وقوع آن وجود داشته و تحت تاثیر عوامل مختلف اقلیمی، مشخصات فیزیکی حوضه، وضعیت پوشش گیاهی و کاربری اراضی و دخالتهای انسانی است. تعیین سهم هر یک از پارامترها بر میزان بروز سیل مهم است. در حال حاضر، با ارتقای سامانه های اطلاعات جغرافیایی (GIS)، روشهای سنجش از دور (RS) و ماشین یادگیری (ML) میتوان مدل سازی بسیار دقیقی از احتمال وقوع سیلاب انجام داد. با این وجود، ساخت این مدلها نیازمند دانش دقیق و اصولی از فرآیند وقوع سیل، بررسی پارامترهای موثر در شکلگیری سیل، درک چگونگی تأثیر هر پارامتر بر ایجاد سیل و انتخاب و توسعه مدل مناسب و ارزیابی آن است. با توجه به اهمیت تعیین مناطق مستعد وقوع سیل در مناطق مختلف به خصوص حوضه های واقع در مناطق خشک و نیمه خشک همچون منطقه مورد مطالعه، تحقیق حاضر به منظور ارزیابی خطرپذیری سیل با استفاده از مدلهای داده کاوی ماشین بردار پشتیبان، چاید و جنگل تصادفی در این منطقه هدفگذاری شده است.
مواد و روش‌ها: در پژوهش حاضر جهت بررسی خطر وقوع سیل از مدلهای دادهکاوی ماشین بردار پشتیبان، چاید و جنگل تصادفی استفاده شده است. به طور کلی هدف از ارائه مدلهای داده کاوی رسیدن به یک تخمین معقول و دقیق از پیشبینی مکانی وقوع سیل، مقایسه کارایی مدلها و انتخاب مناسبترین روش برای تهیه نقشه ارزیابی حساسیت سیل میباشد. در این پژوهش از اطلاعات مختلف همچون نقشه توپوگرافی مقیاس1:50000 جهت استخراج خطوط تراز، نقشه زمین شناسی مقیاس 1:100000، نقشه خاک تهیه شده توسط اداره کل منابع طبیعی و آبخیزداری استان خراسان رضوی، تصویر مدل رقومی ارتفاع (DEM) با قدرت تفکیک مکانی 12/5 متر، تصاویر ماهوارهای گوگل ارث، داده های هواشناسی بارانسنجی دوره آماری 20 ساله (98-78) ایستگاههای اندرخ، اولنگ اسدی، سد کارده، مارشک، بلغور، گوش بالا، آل، چناران، مغان، چکنه علیا، آبقد فریزی، تلغور، قدیر آباد و کبکان استفاده شده است. طبقات ارتفاعی، شیب، جهت شیب، شبکه های زهکشی و آبراهه های اصلی، تحدب سطح زمین از روی تصویر DEM و خطوط تراز استخراج گردیدند. کاربری اراضی منطقه از روی تصاویر ماهوارهای گوگل ارث مربوط به سال 2020 و به روش طبقه بندی نظارت شده تهیه گردید. نقشه پوشش گیاهی منطقه نیز بر اساس شاخص NDVI و از روی تصاویر ماهوارهای لندست 8 سال 2018 تهیه گردید.
یافته‌ها: عامل ارتفاع نقش کلیدی در کنترل جهت حرکت سیل و عمق سطح آب دارد. در ارتفاع 2000 متر و بیشتر با افزایش ارتفاع پتانسیل سیل خیزی در منطقه مورد مطالعه افزایش می یابد. بر اساس نتایج در بین کاربریهای حوضه مورد مطالعه، اراضی آبی و باغی به علت نفوذ بیشتر، رواناب کمتری تولید نموده و کمتر مستعد سیل خیزی میباشند. در منطقه مطالعاتی در شیب 60 درجه به دلیل افزایش شیب، زمان تأخیر حوضه کم، میزان نفوذ آب در خاک کم و در نتیجه حجم سیلاب و رواناب سطحی افزایش خواهد یافت. کلاس 0/0120-0/0074 بیشترین تاثیر را در وقوع سیلاب حوضه دارد. دامنه های شمالی، شمال غربی و غربی به دلیل دریافت بارش زیاد، ماندگاری طولانی مدت برف و داشتن رطوبت دارای پتانسیل سیلخیزی می باشد. در منطقه مورد مطالعه بارش بیش از 250 میلی متر بیشترین تأثیر را در رخداد سیلاب دارا است. در منطقه مورد مطالعه خاک مزیک به دلیل نفوذپذیری نسبتا کم باعث تولید رواناب بیشتر و ایجاد سیل می شود. بر اساس نتایج طبقات شاخص رطوبت توپوگرافی در منطقه مورد مطالعه کلاس 359/99-268/38 تاثیر زیادی در وقوع سیلاب داشته است. در منطقه مورد مطالعه مناطق مقعر در ایجاد سیل تأثیر زیادی دارد به این دلیل که مهمترین و موثرترین فاکتورها در وقوع سیل شیب و انحنا زمین میباشد. در حال حاضر قابلیت پیش بینی حساسیت سیلاب منطقه مطالعاتی با استفاده از سطح زیر منحنی مورد بررسی قرار گرفت و از مقدار AUC، درصد نرخ موفقیت و قابلیت پیش بینی هر دو در پژوهش حاضر 16 سناریو با ترکیب پارامترهای مختلف به عنوان ورودی مدل ایجاد شدند .نتایج این تحقیق نشان میدهد که در مدل ماشین بردار پشتیبان خطی با بهترین سناریو M3 با بالاترین ضریب همبستگی 0/972 و کمترین مقدار 0/538=MAE، در مدل جنگل تصادفی بهترین سناریو M10 با بالاترین ضریب همبستگی 0 /961و کمترین مقدار خطا 0/685=MAE، در مدل درخت تصمیم نوع چاید بهترین سناریو M8 با بالاترین ضریب همبستگی 0/954 و کمترین مقدار خطا 0/723= MAE بوده است.
نتیجه گیری: به طور کلی بر اساس نتایج تحقیق حاضر طبقات با پتانسیل سیلخیزی کم و متوسط بیشتر در بخشهای شرقی و جنوبی حوضه قرارگرفتهاند به طوری که در بخش شرقی حوضه به علت شیب کم و نفوذپذیری مناسب خطر سیل خیزی متوسط می باشد. بر اساس نتایج به دلیل وجود کاربریهای مرتعی فقیر در نیمه غربی و شمال غربی حوضه بیشترین پتانسیل سیل خیزی مشاهده شده قرار دارند. همچنین نتایج نشان داد قسمتهای شمالی و غربی حوضه که از نظر زمینشناسی و لیتولوژی دارای سازندهای سطحی مانند مارن، رس و سیلت بوده و ضریب نفوذپذیری آنها بسیار کم و پوشش گیاهی ناچیز دارن، از پتانسیل بالایی در بروز سیلاب برخوردار هستند. در این پژوهش ارزیابی مدلها با استفاده از ضریب همبستگی (R) و مقادیر میانگین قدر مطلق خطا (MAE) صورت گرفت. بررسی نتایج مدلها نشان داد که به ترتیب مدل های ماشین بردار پشتیبان، چاید و جنگل تصادفی با سناریوی M3، M8 و M10 با بیشترین میزان همبستگی و کمترین خطای میانگین، از دقت بالایی در برآورد خطر وقوع سیل در منطقه مطالعاتی برخوردار هستند. علاوه بر این، به منظور ارزیابی مدل های ارائه شده از مساحت زیر منحنی (ROC) استفاده شد. بر این اساس این مقادیر هم در داده های تعلیمی و هم در داده های آموزشی در الگوریتم (SVM) و مدل الگوریتم نوین جنگل تصادفی دارای نتایج دقیقتری میباشد. این نتیجه بیانگر این مطلب است که هر دو مدل از نظر صحت و اعتبار مدلسازی مورد تأیید قرار گرفتهاند.
مقدمه و هدف: سیل مانند سایر پدیدههای هیدرولوژیکی یک پدیده غیر قطعی است که در هر زمان و مکان احتمال وقوع آن وجود داشته و تحت تاثیر عوامل مختلف اقلیمی، مشخصات فیزیکی حوضه، وضعیت پوشش گیاهی و کاربری اراضی و دخالتهای انسانی است. تعیین سهم هر یک از پارامترها بر میزان بروز سیل مهم است. در حال حاضر، با ارتقای سامانه های اطلاعات جغرافیایی (GIS)، روشهای سنجش از دور (RS) و ماشین یادگیری (ML) میتوان مدل سازی بسیار دقیقی از احتمال وقوع سیلاب انجام داد. با این وجود، ساخت این مدلها نیازمند دانش دقیق و اصولی از فرآیند وقوع سیل، بررسی پارامترهای موثر در شکلگیری سیل، درک چگونگی تأثیر هر پارامتر بر ایجاد سیل و انتخاب و توسعه مدل مناسب و ارزیابی آن است. با توجه به اهمیت تعیین مناطق مستعد وقوع سیل در مناطق مختلف به خصوص حوضه های واقع در مناطق خشک و نیمه خشک همچون منطقه مورد مطالعه، تحقیق حاضر به منظور ارزیابی خطرپذیری سیل با استفاده از مدلهای داده کاوی ماشین بردار پشتیبان، چاید و جنگل تصادفی در این منطقه هدفگذاری شده است.
مواد و روش‌ها: در پژوهش حاضر جهت بررسی خطر وقوع سیل از مدلهای دادهکاوی ماشین بردار پشتیبان، چاید و جنگل تصادفی استفاده شده است. به طور کلی هدف از ارائه مدلهای داده کاوی رسیدن به یک تخمین معقول و دقیق از پیشبینی مکانی وقوع سیل، مقایسه کارایی مدلها و انتخاب مناسبترین روش برای تهیه نقشه ارزیابی حساسیت سیل میباشد. در این پژوهش از اطلاعات مختلف همچون نقشه توپوگرافی مقیاس1:50000 جهت استخراج خطوط تراز، نقشه زمین شناسی مقیاس 1:100000، نقشه خاک تهیه شده توسط اداره کل منابع طبیعی و آبخیزداری استان خراسان رضوی، تصویر مدل رقومی ارتفاع (DEM) با قدرت تفکیک مکانی 12/5 متر، تصاویر ماهوارهای گوگل ارث، داده های هواشناسی بارانسنجی دوره آماری 20 ساله (98-78) ایستگاههای اندرخ، اولنگ اسدی، سد کارده، مارشک، بلغور، گوش بالا، آل، چناران، مغان، چکنه علیا، آبقد فریزی، تلغور، قدیر آباد و کبکان استفاده شده است. طبقات ارتفاعی، شیب، جهت شیب، شبکه های زهکشی و آبراهه های اصلی، تحدب سطح زمین از روی تصویر DEM و خطوط تراز استخراج گردیدند. کاربری اراضی منطقه از روی تصاویر ماهوارهای گوگل ارث مربوط به سال 2020 و به روش طبقه بندی نظارت شده تهیه گردید. نقشه پوشش گیاهی منطقه نیز بر اساس شاخص NDVI و از روی تصاویر ماهوارهای لندست 8 سال 2018 تهیه گردید.
یافته‌ها: عامل ارتفاع نقش کلیدی در کنترل جهت حرکت سیل و عمق سطح آب دارد. در ارتفاع 2000 متر و بیشتر با افزایش ارتفاع پتانسیل سیل خیزی در منطقه مورد مطالعه افزایش می یابد. بر اساس نتایج در بین کاربریهای حوضه مورد مطالعه، اراضی آبی و باغی به علت نفوذ بیشتر، رواناب کمتری تولید نموده و کمتر مستعد سیل خیزی میباشند. در منطقه مطالعاتی در شیب 60 درجه به دلیل افزایش شیب، زمان تأخیر حوضه کم، میزان نفوذ آب در خاک کم و در نتیجه حجم سیلاب و رواناب سطحی افزایش خواهد یافت. کلاس 0/0120-0/0074 بیشترین تاثیر را در وقوع سیلاب حوضه دارد. دامنه های شمالی، شمال غربی و غربی به دلیل دریافت بارش زیاد، ماندگاری طولانی مدت برف و داشتن رطوبت دارای پتانسیل سیلخیزی می باشد. در منطقه مورد مطالعه بارش بیش از 250 میلی متر بیشترین تأثیر را در رخداد سیلاب دارا است. در منطقه مورد مطالعه خاک مزیک به دلیل نفوذپذیری نسبتا کم باعث تولید رواناب بیشتر و ایجاد سیل می شود. بر اساس نتایج طبقات شاخص رطوبت توپوگرافی در منطقه مورد مطالعه کلاس 359/99-268/38 تاثیر زیادی در وقوع سیلاب داشته است. در منطقه مورد مطالعه مناطق مقعر در ایجاد سیل تأثیر زیادی دارد به این دلیل که مهمترین و موثرترین فاکتورها در وقوع سیل شیب و انحنا زمین میباشد. در حال حاضر قابلیت پیش بینی حساسیت سیلاب منطقه مطالعاتی با استفاده از سطح زیر منحنی مورد بررسی قرار گرفت و از مقدار AUC، درصد نرخ موفقیت و قابلیت پیش بینی هر دو در پژوهش حاضر 16 سناریو با ترکیب پارامترهای مختلف به عنوان ورودی مدل ایجاد شدند .نتایج این تحقیق نشان میدهد که در مدل ماشین بردار پشتیبان خطی با بهترین سناریو M3 با بالاترین ضریب همبستگی 0/972 و کمترین مقدار 0/538=MAE، در مدل جنگل تصادفی بهترین سناریو M10 با بالاترین ضریب همبستگی 0 /961و کمترین مقدار خطا 0/685=MAE، در مدل درخت تصمیم نوع چاید بهترین سناریو M8 با بالاترین ضریب همبستگی 0/954 و کمترین مقدار خطا 0/723= MAE بوده است.
نتیجه گیری: به طور کلی بر اساس نتایج تحقیق حاضر طبقات با پتانسیل سیلخیزی کم و متوسط بیشتر در بخشهای شرقی و جنوبی حوضه قرارگرفتهاند به طوری که در بخش شرقی حوضه به علت شیب کم و نفوذپذیری مناسب خطر سیل خیزی متوسط می باشد. بر اساس نتایج به دلیل وجود کاربریهای مرتعی فقیر در نیمه غربی و شمال غربی حوضه بیشترین پتانسیل سیل خیزی مشاهده شده قرار دارند. همچنین نتایج نشان داد قسمتهای شمالی و غربی حوضه که از نظر زمینشناسی و لیتولوژی دارای سازندهای سطحی مانند مارن، رس و سیلت بوده و ضریب نفوذپذیری آنها بسیار کم و پوشش گیاهی ناچیز دارن، از پتانسیل بالایی در بروز سیلاب برخوردار هستند. در این پژوهش ارزیابی مدلها با استفاده از ضریب همبستگی (R) و مقادیر میانگین قدر مطلق خطا (MAE) صورت گرفت. بررسی نتایج مدلها نشان داد که به ترتیب مدل های ماشین بردار پشتیبان، چاید و جنگل تصادفی با سناریوی M3، M8 و M10 با بیشترین میزان همبستگی و کمترین خطای میانگین، از دقت بالایی در برآورد خطر وقوع سیل در منطقه مطالعاتی برخوردار هستند. علاوه بر این، به منظور ارزیابی مدل های ارائه شده از مساحت زیر منحنی (ROC) استفاده شد. بر این اساس این مقادیر هم در داده های تعلیمی و هم در داده های آموزشی در الگوریتم (SVM) و مدل الگوریتم نوین جنگل تصادفی دارای نتایج دقیقتری میباشد. این نتیجه بیانگر این مطلب است که هر دو مدل از نظر صحت و اعتبار مدلسازی مورد تأیید قرار گرفتهاند.
نوع مطالعه: پژوهشي |
موضوع مقاله:
بلايای طبيعی (سيل، خشکسالی و حرکت های توده ای)
دریافت: 1399/12/6 | ویرایش نهایی: 1401/4/8 | پذیرش: 1400/2/13 | انتشار: 1401/4/8
دریافت: 1399/12/6 | ویرایش نهایی: 1401/4/8 | پذیرش: 1400/2/13 | انتشار: 1401/4/8
فهرست منابع
1. Abdollahzadeh, A., M. Ownegh, A. Sadoddin and R. Mostafazadeh. 2015. Technical Note: Constraints to residential land use development arising from flood and runoff coefficient in a land use planning framework, case study: Ziarat Watershed, Golestan Province, Watershed Engineering and Management, 8(2): 221-235.
2. Abedini, M. and M.H. Fathi. 2015. Flood Risk Mapping and Evaluation by using the Analytic Network Process Case Study: (Khiav Chai Catchment), Journal of Hydrogeomorphology, 2(3): 99-120.
3. Abedini, M. and R. Fathi Jokadan. 2016. Flood Risk Zoning in the Karganroud's Catchment Basin Using ArcGIS, Hydrogeomorphology, 7: 1-17.
4. Towfiqul Islam, A.R., S. Talukdar, S. Mahato, S. Kundu, K. UddinEibek, Q. Bao Pham, A. Kuriqi, Nguyen, and T. ThuyLinh. 2021. Flood susceptibility modelling using advanced ensemble machine learning models, Geoscience Frontiers, 12(3): 101075. [DOI:10.1016/j.gsf.2020.09.006]
5. Alizadeh, A. 2011. Principles of Applied Hydrology, 33rd Edition. Ferdowsi University of Mashhad. 990.
6. Arab Ameri, A.L., H.R. Pourghasemi and K. Shirani. 2017. Flood susceptibility zonation using new ensemble Bayesian-AHP methods (Case study: Neka Watershed, Mazandaran Province), Echo Hydrology, 4(2): 462-447
7. Asgari, Sh., A.A. Safari and H.A. Fathi. 2018. Investigation of flood potential in Jafarabad catchment. Journal of Applied Research in Geographical Sciences, Eighteenth, 50: 76-90 [DOI:10.29252/jgs.18.50.77]
8. Asghari Saraskanrood, S., E. Piroozi and B. Zeinali. 2015. Flood risk zoning in Aq Laqanchai watershed using Vickor model, Quantitative Geomorphological Research, 4(3): 231-245.
9. Avand, M.T., H.R. Moradi and M. Ramazanzadeh. 2020. Flood Susceptibility Mapping Using Random Forest Machine Learning and Generalized Bayesian Linear Model, Environment and Water Engineering, 6(1): 83-95.
10. Faiz Nia, S., Z.Z. Mosaviyan, A. Abdollahiyan dehkordi and Kh. Ebrahimi Darcheh. 2016. Investigation of the effect of geology on flooding a case study of the Junqan and Aqa watersheds in the city. You have pasture and watershed, Iranian Journal of Natural Resources, 69(4): 1017-1029
11. Faizi Kushki, F.F., D. Rasooli and H. Haji mohammadi. 2019. Investigation of synoptic patterns governing the occurrence of floods in the Karun Basin, Quarterly Journal of Crisis Prevention and Management Knowledge. 9(1): 22-34
12. Fathalizadeh, B., M. Abedini and M. Rajabi. 2020. Investigating the Causes and Hazards of flood in Zunuzchay Watershed using HEC-HMS Hydrological Model and Fuzzy Logic, Quantitative Geomorphology Research, 9(1): 134-155.
13. Fernandez, D. and M. Lutz. 2010. Urban flood hazard zoning in Tucuman Province, Argentina, using GIS and multi criteria decision analysis, Engineering Geology, 111(1): 90-98. [DOI:10.1016/j.enggeo.2009.12.006]
14. Gholami, M., E.A. Ghanavati and A. Ahmadabadi. 2019. Landslide susceptibility mapping of Kan using index of Entropy and SVM, Quantitative Geomorphological Research, 8(1): 16-33.
15. Hosseini, Y., J. Ramezani Moghaddam and Z. Abdolalizadeh. 2019. Evaluating the Impact of Land Use Changes on Flooding and Flood Runoff in Amuqin Drainage Basin, Journal of Natural Environmental Hazards, 8(22): 145-162
16. Jahantigh, M. and M. Jahantigh. 2019. Study effect of flood productivity on vegetation changes using field work and Landsat satellite images (Case study: Shandak of Sistan region), RS & GIS for Natural Resources. 10(4): 57-72
17. Javadi, M.R., M. Baghery, M. Vafakhah and Sh.A. Gholami. 2012. Effect of Flood Spreading on Physical Soil Properties (A Case Study: Delijan Flood Spreading), Journal of Watershed Management Research, 5(9): 119-129.
18. Kisi, O. and Y. Kilic. 2015. An investigation on generalization ability of artificial neural networks and M5 model tree in modeling reference evapotranspiration, Theor Appl Climatol, 1-13. [DOI:10.1007/s00704-015-1582-z]
19. Leander, R., T. A. Buishand, B. J. J. M. van den Hurk, and M. J. M. de Wit. 2008. Estimated changes in flood quantiles of the river Meuse from resampling of regional climate model output, Journal Hydrology, 351(3-4): 331-343. [DOI:10.1016/j.jhydrol.2007.12.020]
20. Merufinia, E., E. Nohani, K. Khosravi and K. Chapi. 2016. Evaluation of Statistical Index Method in Flood Susceptibility Mapping, Journal of Soil and Water Knowledge, 26 (2/4): 201-214.
21. Mojaddadi Rizeei, H., Habibnezhad Roshan, M., Shahedi, K., and Pradhan, B. 2020. The Efficiency of an Ensemble Frequency Ratio-Support Vector Machine Model in the Detection of Flood-Prone Areas of the Kalat Basin. Echo Hydrology, 7(1): 77-95.
22. Mosafaei, J., F. Sarfaraz and A. saleh por. 2018. Investigation of the effect of water and soil protection projects on runoff coefficient and characteristics of Parroud watershed, 13th National Conference on Watershed Management Science and Engineering of Iran and 3rd National Conference on Natural Resources and Environment Protection, 1-8
23. Mosaffaie, J., M. Kamali, A. Salehpour Jam, K. Shahedi, K. Soleiman and A. Gomrokchi. 2020. Evaluation the Efficiency of AHP Model in Prioritizing of Barajin Sub Watersheds from Flood Potential Viewpoint, Journal of Watershed Management Research, 11(21): 48-58.
24. Nadiri, M. 2019. Flood Risk Zoning Using TOPSIS-AHP Fuzzy Logic, Journal of Geography (Regional Planning). 9(3): 293 -363
25. Negharesh, H. and J. veisi. 2013. Analysis of the effects of rainfall changes on flooding of the Ravand river basin in the west of Islamabad, Kermanshah province, Journal of Regional Planning. 11: 79-98
26. Nouri, H., K. Shahedi, M. Habibnezhad Roshan, A. Kavian and M. Faramarzi. 2019. Susceptibility to flooding in the Razavar Watershed using analytical hierarchy process method, Journal of Natural Hazards, 8(19): 35-50.
27. Pahlavan Rad, M.R., N. Toomanian, F. Khormali, C. Brungard, C.B. Komaki and P. Bogaert. 2014. Updating soil survey maps using random forest and conditioned Latin hypercube sampling in the loessderived soils of northern Iran, Journal of Geoderma, 232: 97-106. [DOI:10.1016/j.geoderma.2014.04.036]
28. Pourghasemi, HR., HR. Moradi, SMF. Aghda, C. Gokceoglu and B. Pradhan. 2014. GIS-based landslide susceptibility mapping with probabilistic likelihood ratio and spatial multi-criteria evaluation models (North of Tehran, Iran). Arab Journal Geosci, 7(5):1857-1878. [DOI:10.1007/s12517-012-0825-x]
29. Qanbarzadeh, H., A. Behniyafar, M.R. Servati, M. Mosavi and A.M. Noormohammady. 2015. The Impact of Geomorphic Variables of Fluvial on Flood Hazard of Mountain steep Towns (Case Study: Town Torghabeh, Khorasan Razavi province), Environmental Planning Quarterly, 31: 77-98
30. Rajabi shahbandi, E., M. Masoudian and R. Fazl Oula. 2020. The Effect of Intercity Retarding Reservoirs on Flood Peak Discharge and Reduce the Dimensions of Flood Collection Network (Case Study: Gozarkhan Subcatchment, Sari), Journal of Watershed Management Research, 11(21): 72-83.
31. Rastgoo, A., A.R. Ghanbari and A. Ansari Lari. 2019. Evaluation and potential assessment of flood risk in Jinnah city using SVM support vector machine algorithm, Quarterly Journal of Natural Geography, 12(45): 107-125.
32. Razavizadeh, S. and K. shahedi. 2016. Prioritizing flooding in Taleghan watershed using a combination of TOPSIS and AHP, Iranian Natural Ecosystems Quarterly. 7(4): 33-46.
33. Roustaei, Sh., F. Ayaseh and M.H. M. Rezaei Moghadam. 2020. Quasi-two-dimensional simulation of the flood flow of Liqvan River with emphasis on the flood plain, Quantitative Geomorphological Research, 9(1): 28-21.
34. Shahab, S., P. Subodh Chandra, S. Asish, R. Chakrabortty, M. Assefa and M. Melesse Amirhosein. 2020. Flash Flood Susceptibility Modeling using New Approaches of Hybrid and Ensemble Tree-Based Machine Learning Algorithms, Remote Sensing, Published. 31(12): 3568, doi:10.3390/rs12213568: 2-23. [DOI:10.3390/rs12213568]
35. Shrifi Garmdareh, E., M. Vafakhah and S. Eslamian. 2019. Assessment the Performance of Support Vector Machine and Artificial Neural Network Systems for Regional Flood Frequency Analysis (A Case Study: Namak Lake Watershed), Journal of Water and Soil Science (Science and Technology of Agriculture and Natural Resources), 23(1): 351-365. [DOI:10.29252/jstnar.23.1.26]
36. Siasar, H. and T. Honar. 2019. Application of Support vector machine, CHAID and Random forest models, in estimated daily Reference evapotranspiration in northern Sistan and Baluchestan province, Iranian Journal of Irrigation and Drainage, 2(13): 378-388.
37. Mobley, W., A. Sebastian, R. Blessing, E. Wesley, L. Highfield and D. Samuel. 2020. Quantification of Continuous Flood Hazard using Random Forrest Classification and Flood Insurance Claims at Large Spatial Scales: A Pilot Study in Southeast Texas Natural Hazards and Earth System Sciences.
https://doi.org/10.5194/nhess-2020-347 [DOI:10.5194/nhess-2020-347: 1-22.]
38. Velayati, S.l., A. Ghayyur Hassan and S. Shafi'a. 2004. Investigation of the hydrological regime of Frizi river (Kashfarud sub-basin) and its role in feeding the aquifer of Mashhad plain, Geography and development, 2(3): 47-72.
39. Yousefzadeh, A., B. Zeynali, Kh. Valizadeh Kamran and S. Asghari Sar Eskanrood. 2019. The Extraction of Flood Potential of Simineh River Basin Applying Satellite Images. Topographic Wetness Index and Morphological Features, Geography and Sustainability of Environment, 32 :49-61.
40. Zahtabyian, Gh.R. and P. Rahimzadeh. 2010. Investigation of the effect of flood spreading on soil permeability. Case study: Mosian plain of Ilam province, Quarterly Journal of Natural Geography, 9: 1-14.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
