Journal of Spatial Analysis Environmental Hazards

fa پهنه‌بندی خطر سیلاب در شهرستان ساری با استفاده از الگوریتم‌های یادگیری ماشین و رویکرد تلفیقی Flood Hazard Zoning in Sari County Using Machine Learning Algorithms and an Ensemble Approach تخصصي Special پژوهشي Research هدف:      سیلاب یکی از مهم‌ترین بلایای طبیعی در استان مازندران و به‌ویژه شهرستان ساری به شمار می‌رود که هر ساله خسارات گسترده‌ای در ابعاد اقتصادی، اجتماعی و زیست‌محیطی به‌همراه دارد. هدف این پژوهش، شناسایی و پهنه‌بندی خطر سیلاب با بهره‌گیری از الگوریتم‌های یادگیری ماشین جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) و همچنین استفاده از رویکرد تلفیقی برای افزایش دقت پیش‌بینی‌ها و کاهش عدم‌قطعیت مدل‌ها است. روش پژوهش: در این مطالعه، مجموعه‌ای از داده‌های مکانی شامل مدل رقومی ارتفاع (DEM)، کاربری اراضی حاصل از تصاویر ماهواره‌ای، شاخص‌های ژئومورفولوژیکی (شیب، جهت شیب و تراکم زهکشی)، داده‌های زمین‌شناسی، فاصله از جاده‌ها و آبراهه‌ها، شاخص پوشش گیاهی (NDVI) و متغیرهای اقلیمی (بارش و دما) گردآوری شد. داده‌ها با استفاده از ابزارهای GIS و RS پردازش و برای آموزش و اعتبارسنجی مدل‌ها آماده گردیدند. عملکرد مدل‌ها با معیارهای ارزیابی شامل دقت، F1، AUC و منحنی ROC سنجیده شد. یافته‌ها: نتایج نشان داد که هر دو مدل RF و SVM عملکرد بالایی در پهنه‌بندی خطر سیلاب دارند، به‌طوری‌که مقادیر شاخص‌های ارزیابی بیانگر دقت قابل قبول آن‌ها است. همچنین، رویکرد تلفیقی منجر به بهبود نتایج و کاهش خطاهای ناشی از پیش‌بینی منفرد شد. بر اساس نقشه‌های تولیدشده، بخش قابل توجهی از شهرستان ساری در طبقات خطر زیاد و خیلی زیاد قرار دارد که با مناطق دارای بارش‌های شدید، تراکم زهکشی بالا و شیب تند همپوشانی دارد. نتیجه‌گیری: پژوهش حاضر تأکید می‌کند که الگوریتم‌های یادگیری ماشین، به‌ویژه در قالب رویکرد تلفیقی، ابزار مؤثری در شناسایی مناطق مستعد سیلاب هستند. نتایج این تحقیق می‌تواند به‌عنوان مبنای علمی در برنامه‌ریزی شهری، مدیریت بحران و کاهش خطرپذیری سیلاب در شهرستان ساری و سایر مناطق مشابه مورد استفاده قرار Objective: Floods are among the most significant natural disasters in Mazandaran Province, particularly in Sari County, where they cause widespread economic, social, and environmental damages each year. The main objective of this research is to identify and map flood hazard zones using machine learning algorithms, namely Random Forest (RF) and Support Vector Machine (SVM), and to apply an ensemble approach in order to enhance prediction accuracy and reduce model uncertainty. Method: In this study, a set of spatial datasets including a Digital Elevation Model (DEM), land use/land cover derived from satellite imagery, geomorphological indices (slope, aspect, and drainage density), geological data, distance from roads and streams, vegetation index (NDVI), and climatic variables (precipitation and temperature) were collected. These datasets were processed using GIS and RS techniques and prepared for model training and validation. The models’ performance was assessed using evaluation metrics such as Accuracy, F1-score, AUC, and ROC curve analysis. Findings: The results indicated that both RF and SVM demonstrated high performance in flood hazard mapping, as reflected by strong evaluation metrics. Moreover, the ensemble approach improved prediction reliability and reduced errors compared to single-model predictions. The generated maps revealed that a significant portion of Sari County falls within high and very high hazard zones, which overlap with are::as char::acterized by intense rainfall, high drainage density, and steep slopes. Conclusion: This research highlights that machine learning algorithms, particularly when applied in an ensemble framework, are powerful tools for identifying flood-prone areas. The findings can serve as a scientific basis for urban planning, disaster management, and flood risk reduction strategies in Sari County and other comparable regions.   پهنه‌بندی خطر، جنگل تصادفی (RF)، رویکرد تلفیقی، سیلاب، شهرستان ساری، ماشین بردار پشتیبان (SVM)، یادگیری ماشین، : Ensemble Approach, Flood, Hazard Zoning, Machine Learnig, Random Forest (RF), Sari County Support Vector Machine (SVM), 0 0 http://jsaeh.khu.ac.ir/browse.php?a_code=A-10-1398-1&slc_lang=fa&sid=1 Komei Abdi کمیل عبدی komeil.abdi69@gmail.com 100319475328460013029 100319475328460013029 No University of Mazandaran دانشگاه مازندران hematolah Roradeh همت اله رورده h.roradeh@umz.ac.ir 100319475328460013030 100319475328460013030 Yes University of Mazandaran دانشگاه مازندران