کاربرد DEMATEL-AHP و SVM در شناسایی مناطق مستعد سیلاب (مطالعه موردی: حوزه آبخیز برزک کاشان)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد علوم و مهندسی آبخیز، گروه مهندسی طبیعت، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان، کاشان، ایران

2 دانشیار علوم و مهندسی آبخیزداری؛ نویسنده مسئول، گروه مهندسی طبیعت، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان، کاشان، ایران

چکیده

سیل، از جمله فراوان‌ترین و پرهزینه‌ترین حوادث طبیعی محسوب می‌شود و خسارات مالی و جانی ناشـی از آن هر سال گستره‌ای از کشورها به‌ویژه کشور ایران را تحت‌تأثیر قرار می‌دهد. لذا یکی از زمینه‌های پژوهش برای کنترل خطرات سیل، شناسایی نقاط بحرانی منطقه است. به همین دلیل هدف از پژوهش حاضر، شناسایی مناطق مستعد سیل در حوزه آبخیز برزک کاشان با استفاده از مدل‌های DEMATEL-AHP و SVM است. برای این منظور طی بازدیدهای صحرایی صورت گرفته، 100 نقطه سیل‌گیر شناسایی و ثبت شدند. در ادامه، 12 عامل مؤثر بر وقوع سیل شامل بارش، زمین‌شناسی، کاربری اراضی، فاصله از آبراهه، شیب، تراکم زهکشی، شاخص موقعیت توپوگرافی، شاخص رطوبت توپوگرافی، شاخص زبری توپوگرافی، شاخص قدرت جریان، شماره منحنی و ضریب رواناب به‌منظور تهیه نقشه مناطق مستعد سیل‌خیزی انتخاب شدند و لایه‌های آن‌ها در محیط نرم‌افزارهای ArcGIS 10.7.1 و SAGA GIS تهیه شدند. نتایج نشان داد که مؤلفه بارش با بیشترین وزن معادل 211/0، مؤثرترین متغیر بر سیل‌خیزی است. همچنین ضریب رواناب، تأثیرپذیرترین عامل است و بیشترین ارتباط را با دیگر عوامل دارد. همچنین با توجه به سطح زیر منحنی ROC (859/0=AUC)، کارایی مدل AHP بسیار خوب ارزیابی شد. میزان دقت پیش‌بینی مدل‌ SVM نیز در مرحله اعتبارسنجی، خوب (751/0) بوده است. نقشه مناطق مستعد سیل نیز نشان داد که مناطق شمال، شمال غرب و غرب حوزه آبخیز برزک دارای بیشترین پتانسیل در وقوع سیل و سیل‌خیزی هستند. درنتیجه، نتایج پژوهش حاضر می‌تواند به‌عنوان نقشه راهی برای مدیران و سیاست‌گذاران به‌منظور مدیریت سیلاب قرار گیرد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Application of DEMATEL-AHP and SVM in identifying flood-prone areas (Case study: Barzak-e-Kashan basin)

نویسندگان [English]

  • Seyyedeh Faezeh Lahoutinasab 1
  • Hoda Ghasemieh 2
1 2- Associate Professor of Watershed Sciences and Engineering & Corresponding Author, Department of Natural Engineering, Faculty of Natural Resources and Earth Sciences, Kashan University of Kashan, Kashan, Iran.
2 2- Associate Professor of Watershed Sciences and Engineering & Corresponding Author, Department of Natural Engineering, Faculty of Natural Resources and Earth Sciences, Kashan University of Kashan, Kashan, Iran.
چکیده [English]

Flood is one of the most frequent and costly natural disasters, and the financial and human losses caused by it every year affect a wide range of countries, especially Iran. Therefore, one of the fields of research to control flood risks is to identify the flooding points of the region. For this reason, the aim of the current research is to identify flood-prone areas in Barzak-e-Kashan basin using DEMATEL-AHP and SVM models. For this purpose, 100 flooding points were identified and recorded during field visits. In the following, 12 factors affecting the occurrence of flood including precipitation, lithology, land use, distance from stream, slope, drainage density, topographic position index, topographic wetness index, topographic roughness index, stream power index, curve number and runoff coefficient were selected for preparing maps of flood-prone areas and their layers were prepared in ArcGIS 10.7.1 and SAGA GIS softwares’ environment. The results showed that the precipitation component with the highest weight equal to 0.211 is the most effective variable on flooding and the runoff coefficient is the most influential factor and has the most relationship with other factors. Also, according to AUC=0.859, the AHP efficiency was evaluated very well and the SVM accuracy was good (AUC= 0.751) in validation phase. The map of flood-prone area also showed that the north, northwest, and west lands of Barzak basin have the highest potential for flooding. The results of the present research can be used as a road map for managers and policy makers to manage flood.

کلیدواژه‌ها [English]

  • Rainfall
  • Barzak
  • Multi-criteria decision making
  • Data mining
  • Flood