سیل به عنوان یک پدیده فاجعه بار، تأثیر زیادی بر اکوسیستمهای طبیعی و زندگی انسانها دارد. با توجه به افزایش احتمال فراوانی و شدت سیل در آینده به دلیل تغییرات اقلیمی، پیشبینی و برنامهریزی زود هنگام در مناطق سیلخیز برای کاهش خسارات ضروری است. در ایران، در چند سال اخیر، استان گلستان سیلهای متعددی را تجربه کردهاست. در این مطالعه از روشهای سنجش از دور پیشرفته و یادگیری ماشینی برای شناسایی و پیشبینی مناطق دارای پتانسیل سیل در استان گلستان استفاده شد. بطور خاص، با استفاده از تصاویر رادار Sentinel-1 (SAR) مناطق وقوع سیل بین سالهای 2015 تا 2022 شناسایی شدند. متغیرهای مدل رقومی ارتفاع، شاخص نرمال شده تفاوت پوشش گیاهی، شیب توپوگرافی، شاخص رطوبت گیاهی، تجمع جریان، فاصله جریان، بارش ماهیانه، جهت جریان که نتایج آزمون VIF هیچ نشانه ای از هم خطی بودن بین آنها را نشان نداد، بعنوان متغیرهای محیطی تاثیرگذار بر سیل انتخاب شدند. سپس با هفت الگوریتم یادگیری ماشینی شامل GLM، GAM، BRT، RF، MARS، FDA و CART مناطق مستعد سیل پیشبینی شدند. سپس با ترکیب مدلهای منفرد، عدم اطمینان در نتایج کاهش یافت. عملکرد مدلها با استفاده از چهار شاخص AUC، COR، TSS و Deviance ارزیابی شد. نتایج حاصل از این مطالعه نشان داد متغیرهای مدل رقومی ارتفاعی، تجمع جریان وبارندگی مهمترین متغیرها در پیشبینی پتانسیل سیل در این ناحیه هستند. تمام مدلهای منفرد عملکردبالایی نشان دادند و در میان مدلها RF بهترین عملکرد را داشت.بر اساس مدل ترکیبی، شهرستان گمیشان، آق قلا، بندر ترکمن، بخشهای غربی گنبدکاووس، بخش شمالی بندرگز و بخش کوچکی در شمال شهرستان رامیان در استان گلستان بیشترین پتانسیل وقوع سیل را دارند. نتایج این مطالعه به برنامهریزان، تصمیمگیرندگان و مدیران استان گلستان کمک میکند تا اقدامات مناسبی را برای پیشگیری و کاهش وقوع سیل در موقعیتهای مکانی پیشبینی شده، انجام دهند.
ebrahimi E, akhoondzadehh M. Flood potential zoning using machine learning and Sentinel-1 SAR images, case study: Golestan province. JGST 2025; 15 (2) : 6 URL: http://jgst.issgeac.ir/article-1-1155-fa.html
ابراهیمی الهه، آخوندزاده هنزائی مهدی. پهنه بندی پتانسیل سیل با استفاده از یادگیری ماشین و تصاویر Sentinel-1 SAR، مطالعه موردی: استان گلستان. علوم و فنون نقشه برداری. 1404; 15 (2) :75-88