1
استاد گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل،
2
دانشجوی دکتری آب و هواشناسی، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران.
10.22067/geoeh.2026.99615.1679
چکیده
این پژوهش با هدف مقایسه عملکرد الگوریتم‌های یادگیری ماشین شامل جنگل تصادفی (RF)، گرادیان تقویت درختی (GTB)، ماشین بردار پشتیبان (SVM) و نزدیک‌ترین همسایه (KNN) در پهنه‌بندی حساسیت سیلاب حوضه آبخیز دوست‌بیگلو، انجام گرفت. مجموعه‌ای از عوامل مؤثر بر سیلاب، شامل ارتفاع، شیب، رواناب، بارش، شاخص توان آبراهه (SPI)، شاخص رطوبت توپوگرافی (TWI)، تراکم آبراهه‌ها و جاده‌ها، پوشش گیاهی (NDVI)، بافت خاک، سازند زمین و کاربری اراضی، تحلیل شدند ؛ سپس نقشه‌های حساسیت سیلاب در پنج طبقه خطر تهیه و دقت آن‌ها با منحنی ROC و شاخص AUC ارزیابی شد. نتایج نشان داد که عوامل شیب، کاربری اراضی و پوشش گیاهی درصد بیشترین تأثیر را در فرآیند یادگیری مدل‌ها داشته‌اند. مدل‌های RF، GTB، SVM و KNN، نواحی شرقی، شمالی و بخش‌هایی از دامنه‌های غربی سبلان را عمدتاً در طبقات خطر زیاد و خیلی زیاد طبقه‌بندی نمودند. در این میان، مدل جنگل تصادفی با AUC برابر 98/0، بالاترین دقت را در تفکیک مناطق سیل‌خیز به ثبت رساند. این مدل، 42/21 درصد از مساحت منطقه را در طبقه پرخطر سیلاب قرار داد. سایر مدل‌ها GTB، SVM و KNN نیز به ترتیب با مقدار AUC برابر با 97/0، 95/0 و 94/0 در رتبه‌های بعدی قرار گرفتند و عملکرد قابل قبولی نشان دادند.
