@article { author = {gharedaghy, Bhareh and ghasemzadeh, amir}, title = {A new forecasting approach using the combination of machine learning to predict flood susceptibility (case study: Karun catchment)}, journal = {Iranian Journal of Remote Sensing & GIS}, volume = {}, number = {}, pages = {-}, year = {2022}, publisher = {Iranian Remote Sensing & GIS Society}, issn = {2008-5966}, eissn = {2588-6185}, doi = {10.48308/gisj.2022.102813}, abstract = {Due to its high environmental diversity, Iran has a high rank in crises caused by natural disasters. Flood as one of the natural disasters, following the rapid growth of cities and climate changes in many regions, has caused severe social and economic, health and environmental damage. For this reason, predict of flood susceptibility is so essential that failure to identify flood susceptibility may increase its destructive effects. Recently, with the advancement of remote sensing tools, geographic information, machine learning and statistical models, it is possible to create a more accurate flood susceptibility map. For this purpose, in this research, by using Sentinel satellite images and using the Ensemble approach with six machine learning models, flood susceptibility was predicted in the Karun watershed. Individual models include Generalized Linear Model (GLM), Boosted Regression Tree (BRT), Support Vector Machine (SVM), Random Forest (RF), Multivariate Adaptive Regression Splines (MARS), Maximum Entropy (MAXENT). The results of this study show that the northeast of Aligudarz city, parts of Durud and Azna in Lorestan province, Khademmirza, Shahrekord and Kiyar in Chaharmahal Bakhtiari province, Dana and Boyer Ahmad in Kohkiloye and Boyer Ahmad province, Semirom city in Isfahan province and the southern border areas of Karun River in Khuzestan province has the highest flood potential in this basin. The results of this research are effective for managers and planners and will prevent development in vulnerable areas and reduce financial and economic losses in the future.}, keywords = {Flood,Karun Watershed,Sentinel Satellite Images,Machine Learning Model,Ensemble Model}, title_fa = {رویکرد پیش‌بینی جدید با استفاده از ترکیب یادگیری ماشین برای پیش بینی مناطق حساس به وقوع سیل (مطالعه موردی: حوضه آبریز کارون)}, abstract_fa = {ایران به دلیل تنـوع محیطـی بالا، رتبـه بالایی در بحران‌های ناشی از سوانح طبیعی دارد. سیل بعنوان یکی از سوانح طبیعی، در پی رشد سریع شهرها و تغییرات اقلیمی در بسیاری از مناطق سبب ایجاد خسارات اجتماعی و اقتصادی، بهداشتی و آسیب‌های محیط زیستی شدیدی شده است. لذا پیش‌بینی فضایی سیل به قدری حیاتی است که عدم شناسایی مناطق مستعد سیل در یک حوضه آبریز ممکن است اثرات مخرب آن را افزایش دهد. اخیرا با پیشرفت‌ ابزارهای سنجش از دور، اطلاعات جغرافیایی، یادگیری ماشین و مدل‌های آماری، امکان ایجاد نقشه دقیق‌تر حساسیت به سیل کاملاً امکان‌پذیر است. به همین منظور در این پژوهش، با استفاده از تصاویر ماهواره Sentinel و استفاده از رویکرد نوین همادی با شش مدل یادگیری ماشین به پیش‌بینی مکان‌های مستعد سیل در حوضه آبریز کارون پرداخت شد. مدل‌های منفرد شامل مدل خطی تعمیم یافته (GLM)،رگرسیون درختی پیشرفته (BRT)، مدل ماشین بُردار پشتیبان (SVM)، مدل جنگل تصادفی (RF)، مدل رگرسیون سازشی چندمتغیره (MARS)، مدل بیشینه بی‌نظمی (MAXENT) است. نتایج این مطالعه نشان می‌دهد شمال شرق شهرستان الیگودرز، بخش‌هایی از دورود و ازنا در استان لرستان، خادممیرزا، شهرکرد و کیار در استان چهارمحال بختیاری، دنا و بویراحمد در استان کهکیلویه و بویراحمد، شهرستان سمیرم در استان اصفهان و مناطق جنوبی حاشیه‌ی رودخانه کارون در استان خوزستان بیشترین پتانسیل وقوع سیل را در این حوضه دارند. نتایج این پژوهش برای مدیران و برنامه‌ریزان کارامد بوده و سبب جلوگیری از توسعه در مناطق آسیب‌پذیر و کاهش زیان مالی و اقتصادی در آینده می‌شود.}, keywords_fa = {سیل,حوضه آبریز کارون,تصاویر ماهواره Sentinel,مدل یادگیری ماشین,مدل همادی}, url = {https://gisj.sbu.ac.ir/article_102813.html}, eprint = {} }