پیش‌بینی خطر سیل شهری با مدل‌های یادگیری ماشینی

پیش‌بینی خطر سیل شهری با مدل‌های یادگیری ماشینی

مجید طاهری راد1

1) دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل ایران، بابل، خیابان شریعتی، 47148-71167

کد IOI مقاله : XGFC-KCAAC
محل انتشار : هشتمین کنفرانس بین المللی پژوهش در علوم و مهندسی و پنجمین کنگره بین المللی عمران، معماری و شهرسازی آسیا(8icrsie.com)
چکیده :
    سیل شهری تهدید قابل توجهی برای شهرها در سراسر جهان است و خسارات زیادی به زیرساخت ها وارد می کند و جان انسان ها را به خطر می اندازد. پیش‌بینی خطر سیل در مناطق شهری برای مدیریت موثر بلایا و استراتژی‌های کاهش حیاتی است. در این مقاله، ما یک رویکرد جدید برای پیش‌بینی خطر سیل شهری با استفاده از مدل‌های یادگیری ماشین پیشنهاد می‌کنیم. ما یک مجموعه داده جامع شامل عوامل مختلف محیطی، هیدرولوژیکی و اجتماعی-اقتصادی را جمع آوری و پیش پردازش کردیم. مطالعه ما از طیف وسیعی از مدل‌های یادگیری ماشین، از جمله درخت‌های تصمیم‌گیری، جنگل‌های تصادفی، ماشین‌های بردار پشتیبان و شبکه‌های عصبی برای پیش‌بینی خطر سیل در مناطق شهری استفاده کرد. از طریق آموزش و ارزیابی دقیق مدل، عملکرد این مدل‌ها را با استفاده از معیارهایی مانند دقت، دقت، یادآوری و AUC-ROC ارزیابی کردیم. نتایج ما اثربخشی مدل‌های یادگیری ماشین را در پیش‌بینی دقیق خطر سیل در محیط‌های شهری، عملکرد بهتر از مدل‌های پایه و رویکردهای موجود نشان می‌دهد. با این حال، ما محدودیت‌های خاصی مانند کیفیت داده‌ها و انتخاب ویژگی‌ها را که مستلزم بررسی بیشتر است، می‌پذیریم. این تحقیق به دانش رو به رشد در پیش‌بینی خطر سیل شهری کمک می‌کند و پتانسیل مدل‌های یادگیری ماشینی را در افزایش آمادگی در برابر سیل و استراتژی‌های واکنش نشان می‌دهد. تحقیقات آتی باید بر اصلاح مدل ها و ترکیب داده های بلادرنگ برای پیش بینی های دقیق تر و به موقع تمرکز کند.

کلمات کلیدی : سیل شهری یادگیری ماشینی جنگل تصادفی