پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,124 |
| تعداد مقالات | 76,627 |
| تعداد مشاهده مقاله | 153,529,184 |
| تعداد دریافت فایل اصل مقاله | 115,672,723 |
کاربرد مدلهای آنتروپی شانون و تابع شواهد قطعی در شناسایی نواحی بحرانی سیلاب با رویکرد تلفیق فضایی و مقایسه آماری (حوضه آبریز کلارود بابل، مازندران) | ||
| تحقیقات آب و خاک ایران | ||
| دوره 57، شماره 1، فروردین 1405، صفحه 69-84 اصل مقاله (2.72 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2026.405784.670046 | ||
| نویسندگان | ||
| سید اسدالله حجازی* 1؛ سبیکه روحانی زاده2؛ معصومه رجبی3 | ||
| 1دانشیار دانشگاه ژئومورفولوژی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران | ||
| 2دانشجوی دکتری رشته ژئومورفولوژی، دانشکده برنامه ریزی وعلوم محیطی، دانشگاه تبریز، تبریز، ایران | ||
| 3استاد دانشگاه ژئومورفولوژی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران | ||
| چکیده | ||
| پژوهش حاضر با هدف شناسایی نواحی بحرانی سیلاب و ارزیابی کارایی دو مدل آماری آنتروپی شانون و تابع شواهد قطعی (EBF) در پهنهبندی خطر سیلاب در حوضه آبریز کلارود بابل واقع در استان مازندران انجام گرفته است. برای دستیابی به این هدف، از رویکرد تلفیق مکانی در محیط GIS و دادههای حاصل از نه عامل مؤثر شامل ارتفاع، شیب، جهت شیب، کاربری اراضی، نوع خاک، فاصله از رودخانه، فاصله از جاده، تراکم زهکشی و شاخص رطوبتی توپوگرافی (TWI) استفاده شد. اطلاعات پایه از دادههای رقومی (DEM 30 m)، نقشههای موضوعی و تصاویر2Sentinel سال 1402 استخراج گردید. مدل آنتروپی شانون بر اساس اطلاعات احتمالی وقوع سیلاب در هر کلاس مکانی، وزنهای اطلاعاتی عوامل را محاسبه کرد. نتایج نشان داد عوامل ارتفاع (1983/0 )، جهت شیب (1517/0) و شیب (1423/0) بیشترین اثر را در وقوع سیلاب دارند. در مدل تابع شواهد قطعی (EBF)، با محاسبه شاخصهای باور (Bel)، ناباوری (Dis) و عدمقطعیت (Unc)، توزیع مکانی احتمال وقوع سیلاب بهصورت دقیقتر بازسازی شد. مقایسه آماری عملکرد مدلها بر اساس شاخصهای AUC، RMSE نشان داد مدل EBF با AUC = 0/83 و0/219 RMSE =نسبت به مدل آنتروپی شانون با AUC = 0/71 و RMSE =0/293 دقت بالاتری در پیشبینی مناطق مستعد سیلاب دارد. نواحی با ارتفاع بین ۷۰۰ تا ۱۳۰۰ متر و شیب ۳۰ تا ۴۵ درجه، عمدتاً در محدوده روستاهای شیاده، انجیلک و لمسوکلا، در کلاس خطر بسیار زیاد قرار گرفتند. براساس یافتهها، مدل EBF بهواسطه توان مدیریت دادههای نامطمئن و تلفیق نظاممند شواهد مکانی، در تحلیل سیستمهای پیچیده هیدرولوژیکی شمال ایران از دقت و پایداری بیشتری برخوردار است. نتایج این پژوهش میتواند بهعنوان مبنای علمی برای برنامهریزی اقدامات آبخیزداری، پایش خطر سیلاب و مدیریت پایدار اراضی در حوضههای جنگلی مشابه مورد استفاده قرار گیرد. | ||
| کلیدواژهها | ||
| سیلاب؛ آنتروپی شانون؛ تابع شواهد قطعی؛ مقایسه آماری | ||
| عنوان مقاله [English] | ||
| Application of Shannon Entropy and Evidential Belief Function Models in Identifying Flood Prone Areas Using a Spatial Integration and Statistical Comparison Approach (Kela Rud Watershed, Babol, Mazandaran Province) | ||
| نویسندگان [English] | ||
| Seyed Asadullah Hejazi1؛ Sabikeh Rohanizadeh2؛ Masumeh Rajabi3 | ||
| 1Associate Professor, Department of Geomorphology, Faculty of Planning and Environmental Sciences, University of Tabriz, Tabriz. Iran. | ||
| 2PhD Student in Geomorphology, Faculty of Planning and Environmental Sciences, University of Tabriz, Tabriz.Iran. | ||
| 3Associate Professor, Department of Geomorphology, Faculty of Planning and Environmental Sciences, University of Tabriz, Tabriz. Iran. | ||
| چکیده [English] | ||
| The present study aims to identify flood prone areas and evaluate the performance of two statistical models—Shannon Entropy and Evidential Belief Function (EBF)—for flood hazard zoning in the Kela Rud watershed, Babol County, Mazandaran Province (northern Iran). To achieve this objective, a spatial integration approach in the GIS environment was employed using data derived from nine influential factors, including elevation, slope, aspect, land use, soil type, distance from rivers, distance from roads, drainage density, and the topographic wetness index (TWI). Base information was extracted from digital elevation data (DEM, 30 m), thematic maps, and Sentinel 2 satellite imagery (2023). The Shannon Entropy model, based on the probabilistic information of flood occurrence within each spatial class, calculated the informational weights of the factors. The results indicated that elevation (0.1983), aspect (0.1517), and slope (0.1423) have the greatest impact on flood occurrence. In the Evidential Belief Function (EBF) model, by computing the indices of Belief (Bel), Disbelief (Dis), and Uncertainty (Unc), the spatial distribution of flood probability was reconstructed more accurately. Statistical comparison of model performance based on AUC, RMSE, indices showed that the EBF model (AUC =0/83 RMSE =0/214) has higher accuracy than the Shannon Entropy model (AUC =0/71, RMSE =0/293) in predicting flood susceptible zones. Areas with elevations between 700–1300 m and slopes of 30–45°, mainly within villages such as Shiadeh, Anjilak, and Lamsukola, fall into the very high flood hazard class. Based on these findings, the EBF model, owing to its capability in handling uncertain data and systematically integrating spatial evidence, exhibits greater accuracy and stability in analyzing the complex hydrological systems of northern Iran. The results of this research can serve as a scientific basis for watershed management planning, flood risk monitoring, and sustainable land management in similar forested basins. | ||
| کلیدواژهها [English] | ||
| Flood, Shannon Entropy, Evidential Belief Function (EBF), Statistical Comparison | ||
| مراجع | ||
|
Araba Meri, A., Rahmani, A., & Pour Ghasemi, H. R. (2019). Flood hazard zonation using Evidential Belief Function (EBF) and Shannon Entropy models. CATENA, 180, 352–373. (In Persian). Azareh, A., Rahmati, A., & Pour Ghasemi, H. R. (2021). Flash flood hazard modeling using Evidential Belief Function (EBF) and logistic regression in Northern Iran. Journal of Water and Environment, 34(4), 225–239. (In Persian). Binaghi, E., Madella, S., & Giampaolo, F. (1998). An evidential reasoning approach in GIS: flood and landslide hazards modeling. International Journal of Geographical Information Science (Int. J. GIS),12(2), 119-135. Dano, U., Gholam Nia, K., R. H. J. Al-Abadi, A. M., & A. Al-Mousawi, A. M. (2019). Flood risk assessment frameworks: a review. Natural Hazards, 95, 1–28. Hong, H., Li, Y., Liu, J., And Shan, Z. (2017). Flood susceptibility mapping using Shannon Entropy model and Geographic Information System (GIS). Environmental Earth Sciences, 76(6), 1–15. Hajizadeh, F., Rahmani, A., & Araba Meri, A. (2021). Integrating fuzzy logic and Evidential Belief Function (EBF) for hydrological risk assessment in Northern Iran. Environmental Earth Sciences, 80(6), 1-15. (In Persian). Jebur, M. N., Pradhan, B., & Tehrani, M. S. (2014). Landslide susceptibility mapping using a novel ensemble-based neuro-fuzzy model in GIS. Landslides: Journal of the International Consortium on Landslides, 11(2), 317–331. Mazandaran Natural Resources and Watershed Management Organization. (2020/2021). Performance report for 2020/2021. (Unpublished report). Mazandaran Natural Resources and Watershed Management Organization. (In Persian). Pour Ghasemi, H. R., Pradhan, B., Gokceoglu, C., & Moein, J. P. (2014). Application of fuzzy logic and analytical hierarchy process (AHP) for landslide susceptibility mapping in the Kerman area, Iran. Arabian Journal of Geosciences, 7(11), 4785–4799. (In Persian). Pour Ghasemi, H. R., Araba Meri, A., & Rahmati, A. (2020). Efficiency assessment of machine learning models for flood hazard zonation in Iran. Geomatics, Natural Hazards and Risk, 11(1), 1–24. (In Persian). Pradhan, B. (2010). Application of Shannon Entropy model for landslide susceptibility mapping. Landslides: Journal of the International Consortium on Landslides, 7(4), 317–325. Rahmati, A., Razavi, J., Hakimi, E., & Ahmadi, S. (2016). Flood susceptibility zonation using Geographic Information System (GIS) and Multi-Criteria Decision Analysis (MCDA). Journal of Hydrology, 544, 911–923. (In Persian). Tavakoli, A., Araba Meri, A., & Pour Ghasemi, H. R. (2022). Comparative evaluation of Shannon Entropy and Evidential Belief Function (EBF) models for geo-hazard susceptibility. Iranian Journal of Remote Sensing, 14(2), 90–108. (In Persian). Tehrani, M. S., Jalal Zadeh, M., & Farahani, S. (2016). Comparing logistic regression, Evidential Belief Function (EBF), and Shannon Entropy models for flood hazard mapping. Journal of Hydrology, 540, 46–58. (In Persian). World Meteorological Organization (WMO). (2021). The state of climate services 2021: Water (WMO-No. 1278). Zhao, G., Pang, B., Xu, Z., Peng, D., Li, Y., & Cui, X. (2020). Flood susceptibility mapping using a novel deep learning model (CNN-LSTM) in a mountainous area. Journal of Hydrology, 590, 125345. | ||
|
آمار تعداد مشاهده مقاله: 64 تعداد دریافت فایل اصل مقاله: 45 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب