پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,099,490 |
| تعداد دریافت فایل اصل مقاله | 97,206,953 |
تحلیل تغییرات فضایی حساسیت خطر وقوع سیل برپایۀ نوعی مدل ترکیبی نوین (مطالعۀ موردی: حوضۀ آبریز الندچای، شهرستان خوی) | ||
| مدیریت مخاطرات محیطی | ||
| مقاله 4، دوره 8، شماره 4، دی 1400، صفحه 371-393 اصل مقاله (1.19 M) | ||
| نوع مقاله: پژوهشی کاربردی | ||
| شناسه دیجیتال (DOI): 10.22059/jhsci.2022.335204.692 | ||
| نویسندگان | ||
| توحید رحیم پور1؛ محمد حسین رضائی مقدم* 2؛ سید اسدالله حجازی3؛ خلیل ولی زاده کامران4 | ||
| 1دانشجوی دکتری ژئومورفولوژی، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز | ||
| 2استاد گروه ژئومورفولوژی، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز | ||
| 3دانشیار گروه ژئومورفولوژی، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز | ||
| 4دانشیار گروه سنجش از دور و GIS، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز | ||
| چکیده | ||
| تحقیق حاضر با هدف تهیۀ نقشۀ تغییرات فضایی حساسیت خطر وقوع سیل در حوضۀ آبریز الندچای در استان آذربایجان غربی و شهرستان خوی انجام گرفت. برای دستیابی به این هدف از سیزده پارامتر مؤثر در وقوع این پدیده استفاده شد. این پارامترها عبارت است از لیتولوژی، گروه‌های هیدرولوژیکی خاک، شاخص پوشش گیاهی، کاربری اراضی، شیب، جهت شیب، ارتفاع، فاصله از آبراهه، تراکم آبراهه، بارش، شاخص رطوبت توپوگرافیک، شاخص قدرت آبراهه و شاخص حمل رسوب. به‌منظور بررسی تأثیر هر یک از این پارامترها در وقوع سیل از مدل ترکیبی نوینی که براساس طبقه‌بندی فازی (FURIA)، الگوریتم ژنتیک (GA) و یک الگوریتم یادگیری ماشین (AdaBoost) توسعه‌‌یافته استفاده شد. برای اجرای مدل و پیش‌پردازش‌ها و تحلیل‌های لازم براساس داده‌های آموزشی و اعتبارسنجی از نرم‌افزار داده‌کاوی WEKA استفاده شد. نتایج حاصل از اجرای مدل تحقیق نشان داد که پارامترهای شیب، گروه‌های هیدرولوژیکی خاک، ارتفاع و پوشش گیاهی تأثیر مهمی در وقوع سیل دارند. در نهایت نقشۀ حساسیت خطر وقوع سیل در پنج طبقه شامل حساسیت خیلی کم، کم، متوسط، زیاد و خیلی زیاد تهیه شد. نتایج نشان داد مناطقی که حساسیت زیادی از نظر خطر وقوع سیل دارند، اغلب در پایین‌دست حوضه متمرکزند که مناطق مسطح و کم‌ارتفاع را شامل می‌شوند. میزان دقت نقشۀ نهایی براساس داده‌های آموزشی و اعتبارسنجی (190 نقطۀ سیل‌گیر و 190 نقطۀ بدون سیل) و با استفاده از منحنی ROC و سطح زیرمنحنی بررسی شد. نتایج نشان داد که مقدار سطح زیرمنحنی دارای ضریب 887/0 برای داده‌های آموزشی و 904/0 برای داده‌های اعتبارسنجی بوده است که بیانگر دقت خوب مدل ترکیبی در تهیۀ نقشۀ حساسیت خطر وقوع سیل است. | ||
| کلیدواژه‌ها | ||
| تحلیل توزیع فضایی؛ حوضۀ آبریز الندچای؛ سیل؛ مدل ترکیبی؛ FURIA | ||
| عنوان مقاله [English] | ||
| Spatial Variations Analysis of Flood hazard Susceptibility based on a new ensemble model (Case Study: Aland Chai Basin, Khoy city) | ||
| نویسندگان [English] | ||
| Tohid Rahimpour1؛ Mohammad Hossein Rezaei Moghaddam2؛ Seyyed Asedolah Hejazi3؛ Khalil Valizadeh Kamran4 | ||
| 1PhD Student in Geomorphology, Department of Geomorphology, University of Tabriz | ||
| 2Professor of Geomorphology, Department of Geomorphology, University of Tabriz | ||
| 3Associate Professor of Geomorphology, Department of Geomorphology, University of Tabriz | ||
| 4Associate Professor of RS and GIS, Department of GIS and RS, University of Tabriz | ||
| چکیده [English] | ||
| Introduction Flood is a disaster which causes a lot of economic damages to farmlands, forests, gas and power transmission lines, roads, engineering structures, and buildings. There are numerous floods in the northwest of country at the beginning of spring and the start of spring rains, which in most cases results in heavy damage [4]. The aim of the present study was to prepare a map of spatial variations in flood risk susceptibility in the Aland Chai basin located in West Azerbaijan province and Khoy city. To achieve this aim, 13 effective parameters in the occurrence of this phenomenon have been used. These parameters include lithology, soil hydrological groups, NDVI, land use, slope, aspect, elevation, distance to river, river density, precipitation, topographic wetness index, stream power index, and sediment transport index. Study area Aland Chai basin is located between 38°- 30¢-14² and 38°- 48¢-22² N and between 44°- 15¢- 13² and 45°- 01¢-02² E in the Northwest of Iran and the Western Azerbaijan province. This basin is one of the sub-basins of the Aras River basin to which surface water flows after joining the grand Qotour River. Basin elevation variations are from 1093m in the Aland Chai River bed to 3638m above sea level in the Avrin Mountain [4]. Materials and Methods The following data, software, and methods were used to analysis flood risk susceptibility and prepare flood risk maps in the study area: - A frame of Landsat 8 satellite image OLI scanner with path of 169 and row of 33, in 30m spatial resolution - Geological maps in 1:100000 and 1:250000 scale from Khoy and Dizaj - Topographic map in 1:50000 scale from Khoy city - Digital Elevation Model (DEM) in 12.5m spatial resolution - ArcGIS software to generate maps - ENVI software for land use mapping - WEKA software to data mining The new ensemble model of FURIA-GA-AdaBoost have been used to investigate the role of parameters in the occurrence of floods. FURIA is a fuzzy rule-based classification method, an extension of the Repeated Incremental Pruning to Produce Error Reduction (RIPPER) rule learner (Cohen, 1995), introduced by Hühn and Hüllermeier (2009) [1, 3]. AdaBoost is a machine learning algorithm introduced by Freund and Schapire in 1997 [2]. Discussion and Results To implementation the FURIA-GA algorithm, the following characteristics were obtained after trial and error. For the GA, crossover probability was set to 0.2, mutation probability was set to 0.035, population size at 250, and the number of generations set to 50. For the FURIA evaluator, a 10-fold cross-validation technique with T-Norm product as a fuzzy aggregation operator was trained to combine rule antecedents. The results showed that the FURIA-GA classification with 86.45% was very accurate. The following settings are used to run the AdaBoost algorithm: batchsize, 100; number of iterations, 12; seed, 1. Decision tree C4.5 was also selected as the base classifier. WEKA software was used to perform these algorithms. Conclusion The present study was an attempt to investigate the susceptibility of flood risk in the Aland chai basin. Therefore, 13 effective parameters in flood occurrence were used to prepare a flood risk susceptibility map. ArcGIS and ENVI software were used to prepare each of the information layers. In order to perform the relevant analyzes on each of the parameters, the new ensemble model FURIA-GA-AdaBoost in WEKA software was used. The results of these studies showed that slope, soil hydrological groups, altitude, vegetation, and land use have an important role in the occurrence of floods in the area. Flood risk susceptibility map was prepared in 5 classes of very low, low, medium, high, and very high susceptibility. The results showed that the areas that are highly susceptible in terms of flood risk are mainly concentrated downstream of the basin, which includes flat and low areas. Generally, 26% of the total area of the Aland Chai basin is located in high and very high risk for floods. | ||
| کلیدواژه‌ها [English] | ||
| Flood, Modeling, FURIA, Genetic algorithm, Aland Chai Basin | ||
| مراجع | ||
|
[1]. حلبیان، امیرحسین؛ و عسگری، شمس‌الله (1396). «پهنه‌بندی شدت سیل‌خیزی در حوضۀ آبریز میشخاص به کمک تحلیل عاملی- خوشه‌ای»، هیدروژئومورفولوژی، دورۀ 3، شمارۀ 12، ص 177-153.
[2]. خسروشاهی، محمد؛ و ثقفیان، بهرام (1384). «تعیین حساسیت اثر برخی از عوامل مؤثر بر سیل‌خیزی زیرحوضه‌های آبریز با استفاده از تحلیل هیدروگراف خروجی حوضه و کاربرد مدل HEC-HMS»، جنگل و مرتع، دورۀ 7، شمارۀ 67، ص 37-28.
[3]. دارابی، حمید؛ شاهدی، کاکا؛ و مردیان، مهدی (1395). «تهیۀ نقشه‌های خطر احتمال و حساسیت سیل با استفاده از روش نسبت فراوانی در حوزۀ آبریز پل دوآب شازند»، مهندسی و مدیریت آبریز، دورۀ 8، شمارۀ 1، ص 79-68.
[4]. رضایی مقدم، محمدحسین؛ یاسی، مهدی؛ نیکجو، محمدرضا؛ و رحیمی، مسعود (1397). «پهنه‌بندی و تحلیل مورفولوژیکی سیلاب‌های رودخانۀ قره‌سو با استفاده از مدل هیدرودینامیکی HEC-RAS (از روستای پیرازمیان تا تلاقی رودخانۀ اهر چای)»، جغرافیا و مخاطرات محیطی، دورۀ 7، شمارۀ 25، ص 15-1.
[5]. رضایی مقدم، محمدحسین؛ حجازی، سید اسدالله؛ ولیزاده کامران، خلیل؛ و رحیم‌پور، توحید (1399). «تحلیل خصوصیات هیدروژئومورفیک حوضۀ آبریز الندچای به‌منظور اولویت‌بندی زیرحوضه‌ها از نظر حساسیت سیل‌خیزی»، جغرافیا و مخاطرات محیطی، شمارۀ 33، ص 83-61.
[6]. رضائی مقدم، محمدحسین؛ حجازی، سید اسدالله؛ ولیزاده کامران، خلیل؛ و رحیم‌پور، توحید (1399). «بررسی حساسیت سیل‌خیزی حوضه‌های آبریز با استفاده از شاخص‌های هیدروژئومورفیک (مطالعۀ موردی: حوضۀ آبریز الندچای، شمال غرب ایران)»، پژوهش‌های ژئومورفولوژی کمی، دورۀ 9، شمارۀ 2، ص 214-195.
[7]. قضاوی، رضا؛ بابایی حصار، سحر؛ و عرفانیان، مهدی (1398). «اولویت‌بندی زیرحوزه‌های شهری مستعد سیلاب با استفاده از تکنیک PCA به‌عنوان یک روش جدید وزن‌دهی»، مخاطرات محیط طبیعی، دورۀ 8، شمارۀ 20، ص 100-83.
[8]. میرموسوی، سید‌حسین؛ و اسمعیلی، حسین (1400). «پهنه‌بندی نواحی سیل‌خیز با استفاده از سامانه اطلاعات جغرافیایی (GIS) و سنجش از دور (RS)، مطالعۀ موردی: شهرستان داراب»، مخاطرات محیط طبیعی، دورۀ 10، شمارۀ 27، ص 46-21.
[9]. مختاری، داود؛ رضائی مقدم، محمدحسین؛ رحیم‌پور، توحید؛ و معزز، سمیه (1399). «تهیۀ نقشۀ خطر وقوع سیلاب در حوضۀ آبریز گمناب‌چای با استفاده از مدل ANP و تکنیک GIS»، اکوهیدرولوژی، دورۀ 7، شمارۀ 2، ص 509-497.
[10]. Ahmadisharaf, E.; Tajrishy, M.; & Alamdari, N. (2016). “Integrating flood hazard into site selection of detention basins using spatial multi-criteria decision-making”, Journal of Environmental Planning and Management, 59(8): 1397–1417. https://doi.org/10.1080/09640568.2015.1077104.
[11]. Alexander, M.; Viavattene, C.; Faulkner, H.; & Priest, S. (2011). “A GIS-based Flood Risk Assessment Tool: Supporting Flood Incident Management at the Local Scale”, Flood risk management research consortium. Middlesex University.
[12]. Alfieri, L.; Bisselink, B.; Dottori, F.; Naumann, G.; Roo, A.; Salamon, P.; Wyser, K.; & Feyen, L. (2017). “Global projections of river flood risk in a warmer world”, Earths Future, 5(2): 171-182. https://doi.org/10.1002/2016EF000485.
[13]. Barker, D.M.; Lawler, D.M.; Knight, D.W.; Morris, D.G.; Davies, H.N.; & Stewart, E.J. (2009). “Longitudinal distributions of river flood power: the combined automated flood, elevation and stream power (CAFES) methodology”, Earth Surf. Process Landf. 34, 280–290.
[14]. Beckers, A.; Dew'als, B.; Erpicum, S.; Dujardin, S.; Detrembleur, S.; & Teller, J. (2013). “Contribution of land use changes to future flood damage along the river Meuse in the Walloon region”, Nat. Hazards Earth Syst. Sci. 13, 2301–2318.
[15]. Bisht, S.; Chaudhry, S.; Sharma, S.; & Soni, S. (2018). “Assessment of flash flood vulnerability zonation through Geospatial technique in high altitude Himalayan watershed, Himachal Pradesh India”, Remote Sensing Applications: Society and Environment, 12, 35-47. https://doi.org/10.1016/j.rsase.2018.09.001.
[16]. Borga, M.; Gaume, E.; Creutin, J.D.; & Marchi, L. (2008). “Surveying flash floods: gauging the ungauged extremes”, Hydrological Processes. 22(18): 3883–3885. https://doi.org/10.1002/hyp.7111.
[17]. Cao, C.; Xu, P.; Wang, Y.; Chen, J.; Zheng, L.; & Niu, C. (2016). “Flash Flood Hazard Susceptibility Mapping Using Frequency Ratio and Statistical Index Methods in Coalmine Subsidence Areas”, Sustainability, 8(9): 948. https://doi.org/10.3390/su8090948.
[18]. Cevik, E.; & Topal, T. (2003). “GIS-based landslide susceptibility mapping for a problematic segment of the natural gas pipeline, Hendek (Turkey)”, Environ. Geol. 44 (8), 949–962.
[19]. Cloke, H.L.; & Pappenberger, F. (2009). “Ensemble flood forecasting: a review”, Journal of Hydrology, 375(3): 613–626. https://doi.org/10.1016/j.jhydrol.2009.06.005.
[20]. Cohen, W.W. (1995). “Fast effective rule induction”, In: Prieditis, A.; Russell, S. (Eds.), Proceedings of the 12th International Conference on Machine Learning, 115–123. Morgan Kaufmann. http://citeseer.ist.psu.edu/cohen95fast.html.
[21]. Costache, R.; Hong, H.; & Bao Pham, Q. (2020). “Comparative assessment of the flash-flood potential within small mountain catchments using bivariate statistics and their novel hybrid integration with machine learning models”, Science of The Total Environment, 711, 134514. https://doi.org/10.1016/j.scitotenv.2019.134514.
[22]. Das, S. (2018). “Geomorphic characteristics of a bedrock river inferred from drainage quantification, longitudinal profile, knickzone identification and concavity analysis: a DEM-based study”. Arab J. Geosci. 11 (21), 680. https://doi.org/10.1007/s12517- 018-4039-8.
[23]. Das, S. (2019). “Geospatial mapping of flood susceptibility and hydro-geomorphic response to the floods in Ulhas basin, India”, Remote Sensing Applications: Society and Environment, 14, 60-74. https://doi.org/10.1016/j.rsase.2019.02.006.
[24]. Doocy, S.; Daniels, A.; Packer, C.; Dick, A.; & Kirsch, T.D. (2013). “The human impact of earthquakes: a historical review of events 1980– 2009 and systematic literature review”. PLoS Curr. 5.
[25]. Ercanoglu, M.; & Gokceoglu, C. (2002). “Assessment of landslide susceptibility for a landslide prone area (north of Yenice, NW Turkey) by fuzzy approach”. Environ. Geol. 41, 720–730.
[26]. Fernandez, D.S.; & Lutz, M.A. (2010). “Urban flood hazard zoning in Tucuman Province, Argentina, using GIS and multicriteria decision analysis”, Eng. Geol. 111, 90–98.
[27]. Freund, Y.; & Schapire, R. (1997). “A decision-theoretic generalization of on-line learning and an application to boosting”, Journal of Computer and System Sciences, 55(1): 119-139. https://doi.org/10.1006/jcss.1997.1504.
[28]. García-Ruiz, J.M.; Regüés, D.; Alvera, B.; Lana-Renault, N.; Serrano-Muela, P.; & NadalRomero, E. (2008). “Flood generation and sediment transport in experimental catchments affected by land use changes in the central Pyrenees”, J. Hydrol. 356, 245–260.
[29]. Gittleman, M.; Farmer, C.J.; Kremer, P.; & McPhearson, T. (2017). “Estimating stormwater runoff for community gardens in New York City”, Urban Ecosyst. 20 (1), 129–139.
[30]. Gokceoglu, C.; Sonmez, H.; Nefeslioglu, H.A.; Duman, T.Y.; & Can, T. (2005). “The 17 March 2005 Kuzulu landslide (Sivas, Turkey) and landslide-susceptibility map of its near vicinity”, Eng. Geol. 81, 65–83.
[31]. Hair, J.F.; Black, W.C.; Babin, B.J.; & Anderson, R.E. (2009). “Multivariate data analysis”, Prentice Hall, New York.
[32]. Han, J.; Kamber, M.; & Jian, P. (2011). “Data mining: concepts and techniques”, Morgan Kaufmann, Elsevier.
[33]. Haupt, L.R.; & Haupt, S.E. (2004), Practical Genetic Algorithms. 2nd edition. John Wiley & Sons, Inc.
[34]. Holland, J.H. (1975). “Adaptation in Natural and Artificial Systems”, University of Michigan Press, Ann Arbor.
[35]. Hong, H.; Panahi, M.; Shirzadi, A.; Ma, T.; Liu, J.; Zhu, A.; Chen, W.; Kougias, I.; & Kazakis, N. (2018). “Flood susceptibility assessment in Hengfeng area coupling adaptive neurofuzzy inference system with genetic algorithm and differential evolution”, Sci. Total Environ. 621, 1124–1141.
[36]. Hong, H.; Tsangaratos, P.; Ilia, I.; Liu, J.; Zhu, A.; & Chen, W. (2018). “Application of fuzzy weight of evidence and data mining techniques in construction of flood susceptibility map of Poyang County, China”, Science of the Total Environment, 625, 575–588. https://doi.org/10.1016/j.scitotenv.2017.12.256.
[37]. Hühn, J.; & Hüllermeier, E. (2009). “FURIA: an algorithm for unordered fuzzy rule induction”, Data Mining and Knowledge Discovery, 19(3): 293–319. https://doi.org/10.1007/s10618-009-0131-8.
[38]. Kavzoglu, T.; Sahin, E.K.; & Colkesen, I. (2015). “Selecting optimal conditioning factors in shallow translational landslide susceptibility mapping using genetic algorithm”, Engineering Geology, 192, 101–112. https://doi.org/10.1016/j.enggeo.2015.04.004.
[39]. Khosravi, K.; Nohani, E.; Maroufinia, E.; & Pourghasemi, H.R. (2016). “A GIS-based flood susceptibility assessment and its mapping in Iran: a comparison between frequency ratio and weights-of-evidence bivariate statistical models with multi-criteria decision-making technique”, Nat. Hazards, 83 (2), 947–987.
[40]. Kourgialas, N.N.; Karatzas, & G.P. (2011). “Flood management and a GIS modelling method to assess flood-hazard areas—a case study”, Hydrological Sciences Journal, 56(2): 212–225. https://doi.org/10.1080/02626667.2011.555836.
[41]. Kumar Rai, P.; Narayan Mishra, V.; & Mohan, K. (2017). “A study of morphometric evaluation of the Son basin, India using geospatial approach”, Remote Sensing Applications: Society and Environment, 7: 9-20. http://dx.doi.org/10.1016/j.rsase.2017.05.001.
[42]. Kwak, Y.; & Kondoh, A. (2008). “A Study on the Extraction of Multi-Factor Influencing Floods from Remote Sensing Images and GIS Data: A Case Study in Nackdong Basin, South Korea. Centre for Remote Sensing, Chiba”, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B8. Beijing 2008.
[43]. Li, K.; Wu, S.; Dai, E.; & Xu, Z. (2012). “Flood loss analysis and quantitative risk assessment in China”, Nat. Hazards, 63, 737–760.
[44]. Mahmoud, S.H.; & Gan, T.Y. (2018). “Multi-criteria approach to develop flood susceptibility maps in arid regions of Middle East”, J. Clean. Prod. 196, 216–229.
[45]. Menard, S. (2001). “Applied Logistic Regression Analysis”, 2nd ed. Sage Publication, Thousand Oaks, CA, USA.
[46]. Miller, J.R.; Ritter, D.F.; Kochel, & R.C. (1990). “Morphometric assessment of lithologic controls on drainage basin evolution in the Crawford upland, south-central Indiana. Am”, J. Sci. 290, 569–599
[47]. Mitchell, M. (1996). “An Introduction to Genetic Algorithms”, MIT Press, Cambridge, MA 9780585030944.
[48]. Ogden, F.L.; Raj Pradhan, N.; Downer, C.W.; & Zahner, J.A. (2011). “Relative importance of impervious area, drainage density, width function, and subsurface storm drainage on flood runoff from an urbanized catchment”, Water Resour. Res. 47 (12).
[49]. Pant, N.; Kumar Dubey, R.; Bhatt, A.; Prakash Rai, S.; Semwal, P.; & Mishra, S. (2020). “Soil erosion and food hazard zonation using morphometric and morphotectonic parameters in Upper Alaknanda river basin”, Natural Hazards, 103, 3263–3301. https://doi.org/10.1007/s11069-020-04129-y.
[50]. Pham, B.T.; Tien Bui, D.; Prakash, I.; Nguyen, L.H.; & Dholakia, M.B. (2017). “A comparative study of sequential minimal optimization-based support vector machines, vote feature intervals, and logistic regression in landslide susceptibility assessment using GIS”, Environ. Earth Sci. 76, 371.
[51]. Pradhan, B. (2009). “Flood susceptible mapping and risk area delineation using logistic regression, GIS and remote sensing”, J. Spat. Hydrol. 9, 1–18.
[52]. Rahmati, O.; Pourghasemi, H.R.; & Zeinivand, H. (2016). “Flood susceptibility mapping using frequency ratio and weights-of-evidence models in the Golastan Province, Iran”, Geocarto Int. 31 (1), 42–70.
[53]. Shit, P. K.; Bhunia, G. S.; & Pourghasemi, H. R. (2020). “Gully Erosion Susceptibility Mapping Based on Bayesian Weight of Evidence”, In Gully Erosion Studies from India and Surrounding Regions (pp. 133-146). Springer, Cham.
[54]. Siahkamari, S.; Haghizadeh, A.; Zeinivand, H.; Tahmasebipour, N.; & Rhamti, O. (2018). “Spatial prediction of flood-susceptible areas using frequency ratio and maximum entropy models”, Geocarto International. 33 (9), 927–941.
[55]. Tehrany, M.S.; Pradhan, B.; & Jebur, M.N. (2013). “Spatial prediction of flood susceptible areas using rule based decision tree (DT) and a novel ensemble bivariate and multivariate statistical models in GIS”, J. Hydrol. 504, 69–79.
[56]. Tehrany, M.S.; Pradhan, B.; Mansor, S.; & Ahmad, N. (2015). “Flood susceptibility assessment using GIS-based support vector machine model with different kernel types”, Catena. 125, 91–101.
[57]. Termeh, S.V.R.; Kornejady, A.; Pourghasemi, H.R.; & Keesstra, S. (2018). “Flood susceptibility mapping using novel ensembles of adaptive neuro fuzzy inference system and metaheuristic algorithms”, Sci. Total Environ, 615, 438–451.
[58]. Tien Bui, D.; Tsangaratos, P.; Thi Ngo, P. T.; Dat Pham, T.; & Thai Pham, B. (2019). “Flash flood susceptibility modeling using an optimized fuzzy rule based feature selection technique and tree based ensemble methods”, Science of the Total Environment. 668, 1038–1054. https://doi.org/10.1016/j.scitotenv.2019.02.422.
[59]. Towfiqul Islam, A.B.; Talukdar, S.; Mahato, S.; Kundu, S.; UddinEibek, K.; BaoPham, Q.; Kuriqi, A.; & ThuyLinh, N.T. (2021). “Flood susceptibility modelling using advanced ensemble machine learning models”, Geoscience Frontiers. 12(3): 101075. https://doi.org/10.1016/j.gsf.2020.09.006.
[60]. Trawinski, K.; Cordon, O.; & Quirin, A. (2011). “On designing fuzzy rule-based multiclassification systems by combining furia with bagging and feature selection”, International Journal of Uncertainty Fuzziness and Knowledge-Based Systems, 19(4): 589–633. https://doi.org/10.1142/S0218488511007155.
[61]. USDA, S.C.S. (1986). “Urban hydrology for small watersheds”, Technical Release. 55, pp. 2–6.
[62]. Yesilnacar, E, & Topla, T. (2005). “Landslide Susceptibility Mapping a Comparison of Logistic Regression and Neural Networks Methods in A Medium Scale (Turkey)”, Engineering Geology. Vol. 79, Pp 251–266. | ||
|
آمار تعداد مشاهده مقاله: 536 تعداد دریافت فایل اصل مقاله: 337 |
||