کامران چپی

سیل دومین بلای طبیعی است که سالانه خسارات زیادی را به جوامع انسانی وارد می آورد. در این میان شهرها و مراکز جمعیتی، بیشترین ریسک و احتمال خسارت فیزیکی قابل لمس ناشی از وقوع سیل را دارا هستند. شهر سنندج به دلیل احاطه شدن به وسیله کوه ها و تپه ها پتانسیل بالایی در تولید رواناب و انتقال آن به سطح شهر را دارد.بنابراین هدف از این مطالعه پیش بینی مکانی مخاطره سیلاب در شهر سنندج در استان کردستان با استفاده از الگوریتم های شاخص آماری (SI) و مدل تابع شواهد قطعی (EBF) هم به صورت منفرد و هم به صورت ترکیبی در محیط GIS است.فاکتورهای مؤثر بر وقوع سیل که در این مطالعه در نظر گرفته شدند شامل درصد شیب، جهت شیب، ارتفاع، فاصله از رودخانه، تراکم رودخانه، تجمع جریان، کاربری اراضی، انحنای شیب، لیتولوژی، فاصله از معابر، تراکم معابر، فاصله از ساختمان، تراکم ساختمان و میزان بارندگی بود. پس از جمع آوری اطلاعات و لایه های مورد نیاز، نقشه پیش بینی مکانی حساسیت سیلاب در شهر سنندج تهیه شد. به منظور ارزیابی عملکرد مدل ها از سطح زیر نمودار AUC  به دست آمده از منحنی ROC استفاده گردید . با توجه به معیار ارزیابی مورد استفاده در این مطالعه (ROC) و با توجه به داده های اعتبارسنجی،  مدل تابع شواهد قطعی (840/0) نسبت به مدل شاخص آماری (827/0) در پهنه بندی خطر سیل خیزی در منطقه مورد نظر دارای بهترین عملکرد بود. در مدل ترکیبی SI-EBF همچنین میزان صحت با توجه به داده های اعتبارسنجی برابر 849/0 بود که این نشان داد، عملکرد مدل ترکیبی SI-EBF در پیش بینی مکانی خطر سیلاب در مطالعه حاضر نتایج بهتری نسبت به مدل های منفرد داشته است.در نهایت نتایج مطالعه نشان داد که تراکم ساختمانی و معابر شهری عوامل اصلی در وقوع سیلاب شهر سنندج هستند که براساس نقشه پهنه بندی خطر سیل ارائه شده می توان اقدامات مدیریتی مناسبی را برای کاهش خسارت ها و تلفات ناشی از سیل انجام داد.

هدف از انجام این پژوهش ارائه روش ترکیبی بیزین رگرسیون لجستیک و مقایسه کارایی آن با روش رگرسیون لجستیک به منظور تهیه نقشه پیش بینی مکانی وقوع حرکت های توده ای در استان کردستان می باشد. در ابتدا، بر اساس مرور منابع 18 عامل تأثیرگذار بر وقوع حرکت های توده ای شامل: درجه شیب، جهت شیب، ارتفاع، انحنای معمولی شیب، انحنای عرضی شیب، انحنای طولی شیب، شاخص توان حمل جریان، شاخص نمناکی توپوگرافی، شاخص طول و زاویه شیب، لیتولوژی، بارش، کاربری ارضی، فاصله از گسل، تراکم گسل، فاصله از رودخانه، تراکم رودخانه، فاصله از جاده و تراکم جاده انتخاب شدند. سپس، در روش رگرسیون لجستیک (LR) بر اساس سطح معنی داری آماری 7 عامل و در روش بیزین لجستیک رگرسیون (BLR) بر اساس شاخصInformation Gain Ratio، 11 عامل به عنوان عوامل مؤثر انتخاب و جهتمدل سازی به کار گرفته شدند. ارزیابی مدل ها (داده های تعلیمی و داده های تست) توسط معیارهایSpecificity،Sensitivity،Accuracy، درصد مساحت زیر منحنیROC و ریشه میانگین مربعات خطا انجام شدند. نتایج ارزیابی مدل های مورد استفاده در این تحقیق نشان داد که اختلاف معنی داری در سطح 95 درصد بین کارایی و نقشه های پیش بینی مکانی تهیه شده برای مناطق حساس به وقوع حرکت های توده ای خاک با روش هایBLR وLR مشاهده نشد و می توان از مدلBLR نیز به مانند مدلLR به عنوان یک مدل معیار استفاده نمود. لذا با روشLR حدود 26 درصد از مساحت استان کردستان در معرض حساسیت زیاد و خیلی زیاد به وقوع حرکت های توده ای(54 درصد مجموع حرکتهای توده ای) قرار دارد و با روشBLR حدود 33 درصد از مساحت استان کردستان در معرض حساسیت زیاد و خیلی زیاد به وقوع حرکت های توده ای (64 درصد مجموع حرکتهای توده ای) قرار دارد که نواحی غرب استان دارای پتانسیل بیشتری هستند.

افزایش صحت و اعتماد و در نتیجه کاهش عدم قطعیت نقشه های پیش بینی مکانی مخاطرات زمینی از جمله زمین لغزش ها یکی از چالش های پیش رو در این گونه مطالعات می باشد. هدف این پژوهش ارائه یک مدل ترکیبی جدید داده کاوی الگوریتم- مبنا به نام Random Subspace-Random Forest (RS-RF)،برای افزایش میزان صحت پیش بینی مناطق حساس به وقوع زمین لغزش های سطحی اطراف شهر بیجار می باشد. در ابتدا، نوزده عامل مؤثر بر وقوع زمین لغزش های سطحی منطقه ی مورد مطالعه شامل درجه شیب، جهت شیب، ارتفاع از سطح دریا، انحنای معمولی شیب(Curvature)، تقعر و تحدب شیب(Profile curvature)، همگرایی و واگرایی شیب (Plan curcvature)، شدت تابش خورشید (Solar radiation)، شاخص قدرت جریان، شاخص نمناکی توپوگرافی، شاخص طول و زاویه شیب، کاربری ارضی، شاخص پوشش گیاهی، لیتولوژی، فاصله از گسل، تراکم گسل، بارندگی، فاصله از آبراهه، تراکم آبراهه و فاصله از شبکه جاده شناسایی شدند. سپس، بر اساس شاخص Information Gain Ratioدوازده عامل مؤثر از بین آن ها انتخاب و جهت مدل سازی به کار گرفته شدند. اهمیّت نسبی هر کدام از عوامل در مدل Random Forest و مدل ترکیبیRS-RFبررسی شدند.معیارهای Kappa، Precision، Recall، F-Measure، AUROCبرای ارزیابی مدل ها هم برای داده های تعلیمی و هم برای داده های صحت سنجی استفاده شدند. نقشه های پیش بینی مکانی وقوع زمین لغزش های سطحی با این دو مدل نیز به دست آمدند. نتایج نشان داد که در مدل RF جهت شیب و در مدل ترکیبی RS-RFدرجه شیب مهم ترین فاکتورهای مؤثر بر وقوع زمین لغزش های منطقه ی مورد مطالعه شناخته شدند. نتایج ارزیابی مدل توسط معیارهای معرفی شده بیانگر تأیید این مدل ها برای داده های تعلیمی و داده های صحت سنجی بودند. نتایج ارزیابی صحت نقشه پهنه بندی به دست آمده نشان داد که درصد مساحت زیر منحنیROC(AUROC) برای داده های تعلیمی در مدل RF و مدل ترکیبی RS-RFارائه شده به ترتیب 729/0 و 784/0 وبرای داده های صحت سنجی به ترتیب 717/0 و 771/0 به دست آمدند. بطور کلی، نتایج نشان داد که تکنیک Random Subspaceمنجر به افزایش صحت پیش بینی مکانی حساسیت زمین لغزش های سطحی منطقه ی مورد مطالعه شده است. دستیابی به یک نقشه ی پیش بینی مکانی زمین لغزش های سطحی با صحت بالاتر، کمک شایانی در توسعه ی معقول تر تأسیسات، اراضی شهری و روستایی، طرح های آمایش سرزمین، طرح های آبخیزداری و همچنین جلوگیری از هدر رفت خاک و فرسایش توده ای و انتقال رسوبات به پایین دست خواهد شد.

آبِ حاصل از ذوب برف نقش عمده ای در تأمین آب مورد نیاز برای فعالیت های کشاورزی، منابع طبیعی، صنعتی، و نیازهای انسانی، به ویژه در مناطق کوهستانی، دارد. در مقایسه با روش های سنتی، کاربرد داده های سنجش از دور برای برآورد سطح پوشش برف قابلیت های بیشتری دارد. در این مطالعه، با استفاده از تصاویر ماهواره ای MODIS و با به کارگیری دو الگوریتم NDSI و LSU، سطح پوشش برف حوضة سقز در استان کردستان محاسبه شده است. برای مقایسة دقت این روش ها، از تصاویر IRS، که دارای قدرت تفکیک مکانی بالایی هستند (24 متر)، استفاده شد. بدین منظور، سطح برف در تصاویر هم زمان MODIS و IRS برآورد شد. سپس، در مناطق مختلف و یکسان در دو تصویر، پیکسل های انتخاب شده، سطح برف، و رابطة خطی رگرسیونی بین نتایج حاصل از IRS و دو روش به کاررفته برای تصاویر  MODISجداگانه محاسبه شد. برای بررسی معنی داربودن رابطه از آزمون آماری t (احتمال 95 درصد) و رابطة رگرسیونی استفاده شد. بر اساس نتایج به دست آمده از رگرسیون، روش LSU همبستگی بیشتری (98 درصد) دارد و در آزمون t نیز اختلاف معنی داری بین تصاویر IRS و روش LSU وجود ندارد. بنابراین، روش LSU، در مقایسه با روش NDSI، از دقت بیشتری در برآورد سطح برف برخوردار است.