شناسایی مناطق مستعد سیل خیزی در حوضه آبریز یامچی با پایش شاخص های طیفی و داده های ماهواره ای (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
این پژوهش با رویکردی کاربردی و تحلیلی، به شناسایی نواحی مستعد سیل خیزی در حوضه آبخیز یامچی پرداخته است. در ابتدا، داده های دبی روزانه ایستگاه های لای، نیر و یامچی طی سال های 2014 تا 2021 از شرکت آب منطقه ای استان اردبیل جمع آوری شد. سپس، پارامترهای محیطی مؤثر شامل شیب زمین، فاصله از آبراهه، کاربری اراضی و رطوبت خاک در محیط ArcGIS و گوگل ارث انجین ترسیم شدند. همچنین، شاخص های طیفی NDWI، AWEI، WRI و LSWI از تصاویر لندست 8 استخراج گردید. پس از استانداردسازی متغیرها، مدل جنگل تصادفی رگرسیونی با 100 درخت تصمیم آموزش داده شد. 70 درصد داده ها برای آموزش و 30 درصد برای آزمون مدل استفاده شد. عملکرد مدل با شاخص های آماری R² و MSE به ترتیب برابر با 9353/0 و 000210/0 ارزیابی شد. در نهایت نواحی مستعد سیل خیزی شناسایی گردیدند. به منظور اعتبارسنجی، رویداد سیل آوریل 2017 به عنوان نمونه موردی تحلیل شد. نتایج نشان داد که بخش شمالی حوضه، به دلیل ارتفاع زیاد، شیب تند، رطوبت خاک ۳۵ درصد و مقادیر بالای AWEI و WRI، بیشترین پتانسیل برای وقوع سیل خیزی را دارد. در مقابل، نواحی مرکزی و جنوبی به علت شیب ملایم تر و رطوبت کمتر خاک، احتمال کمتری برای سیل خیزی نشان دادند. مدل جنگل تصادفی صحت این الگو را تأیید کرد و عملکرد آن با منحنی ROC و مقدار AUC برابر با 616/0، قابل قبول ارزیابی شد. تحلیل داده های راداری نیز نشان داد که بازتاب سیگنال ها در مناطق شمالی، پیش و پس از وقوع سیلاب، تغییر محسوسی داشته و بیانگر تمرکز منابع آبی در این بخش از حوضه است.Identifying flood-prone areas in the Yamchi watershed by monitoring spectral indices and satellite data
In this study, first, daily discharge data of Lai, Nir, and Yamchi stations were collected from the Regional Water Company of Ardabil Province during the years 2014 to 2021. Then, effective environmental parameters including land slope, distance from the waterway, land use, and soil moisture were plotted in ArcGIS and Google Earth Engine. Also, spectral indices NDWI, AWEI, WRI, and LSWI were extracted from Landsat 8 images. After standardizing the variables, a regression random forest model was trained with 100 decision trees. 70% of the data was used for training and 30% for testing the model. The performance of the model was evaluated with statistical indices R² and MSE equal to 0.9353 and 0.000210, respectively. Finally, flood-prone areas were identified. For validation purposes, the April 2017 flood event was analyzed as a case study. The results showed that the northern part of the basin has the highest potential for flooding due to its high elevation, steep slope, 35% soil moisture, and high AWEI and WRI values. In contrast, the central and southern areas showed a lower probability of flooding due to their gentler slope and lower soil moisture. The random forest model confirmed the accuracy of this model, and its performance was assessed as acceptable with an ROC curve and an AUC value of 0.616. Radar data analysis also showed that the signal reflectance in the northern areas changed significantly before and after the flood, indicating the concentration of water resources in this part of the basin.
تبلیغات
