عنوان	پیش بینی تاب آوری جوامع شهری در معرض خطر سیلاب با استفاده از الگوریتم های یادگیری ماشین (مطالعه موردی: شهر سنندج )
نوع پژوهش	پایان نامه
کلیدواژه‌ها	مدیریت سیلاب شهری، پیش بینی تاب آوری، سرمایه اجتماعی، الگوریتم تجمیعی، یادگیری ماشین
چکیده	توسعه شهری و تغییر در کاربری ارضی با افزایش میزان سطوح غیر قابل نفوذ و ایجاد واکنش هیدرولوژیکی سریع در مناطق شهری، منجر به تولید سبلاب می شوند. مدیریت سیلاب های شهری مبتنی بر کاهش اثرات و خطرات اجتناب ناپذیر آنها مستلزم افزایش تاب آوری شهرنشینان برای مقاومت، جذب، سازگاری و توانایی بازگشت به حالت قبل از وقوع سیلاب می باشد. هدف از انجام این پژوهش پیش بینی تاب آوری جوامع ساکن شهر سنندج در معرض خطر سیلاب با استفاده از الگوریتم های یادگیری ماشین، شناسایی مهمترین عوامل موثر و مقایسه عملکرد الگوریتم ها می باشد. روش تحقیق در این پژوهش رویکرد توصیفی–تحلیلی و مبتنی بر داده‌های پرسشنامه‌ای محقق‌ساخته بر اساس مبانی نظری و مطالعات پیشین و تکمیل آن‌ها در مناطق مستعد سیلاب شهری بر اساس مطالعات قبلی و تحلیل آماری داده ها دارد. جامعه آماری شامل کلیه خانوارهای ساکن در پهنه‌های مستعد مخاطره سیلاب در شهر سنندج است. با توجه به حجم نمونه متعارف در مطالعات میدانی مشابه، 200 خانوار به روش نمونه‌گیری تصادفی ساده به‌عنوان نمونه آماری تحقیق حاضر در نظر گرفته شد. در این پژوهش، برای اطمینان از صحت و دقت پرسشنامه، هر دو جنبه روایی و پایایی مورد توجه قرار گرفتند. با توجه به ماهیت داده‌ها (اسمی، ترتیبی و لیکرت) و همچنین بررسی نرمال بودن توزیع متغیرها، از آزمون همبستگی اسپیرمن برای سنجش شدت و جهت روابط بین متغیرها استفاده شد. در این پژوهش، از یک مدل ترکیبی بر مبنای شبکه عصبی پایه با تابع پایه شعاعی (ANN-RBF) و یک الگوریتم تجمیعی Random subspace (RS) به نام RS-ANNRBF برای طبقه‌بندی پنج کلاس تاب‌آوری سیلاب شهری مورد استفاده قرار گرفت. برای ارزیابی عملکرد مدل ترکیبی، چهار الگوریتم معیار شامل ANN-RBF، الگوریتم توسعه‌یافته مبتنی بر رویکرد بیز ساده (AODE)، درخت تصمیم تابعی (FT) و ماشین بردار پشتیبان (SVM) به کار گرفته شدند. از روش نسبت بهره اطلاعاتی (Information Gain Ratio – IGR) و تکنیک 10-folds برای انتخاب مهمترین عوامل مؤثر بر تاب آوری استفاده گردید. از مجموعه‌ای از معیارهای ارزیابی عملکرد شامل نرخ مثبت واقعی (TP Rate)، نرخ مثبت کاذب (FP Rate)، دقت (Precision)، فراخوانی (Recall)، معیار F1 و منحنی ROC به همراه مساحت زیر این منحنی (AUC) برای بررسی عملکرد مدل‌ها استفاده شدند. نتایج نشان داد مقادیر آلفای کرونباخ برای اغلب مؤلفه‌ها در محدوده قابل قبول قرار داشته و نشان‌دهنده همسانی درونی مناسب گویه‌های پرسشنامه است. همچنین روایی آنها نیز از اعتبار علمی مناسب برخوردار بوده و قابلیت لازم برای سنجش ابعاد مختلف تاب‌آوری سیلاب شهری را دارا می‌باشد. نتایج آزمون همبستگی اسپیرمن بین متغیرهای مستقل و وابسته (تاب‌آوری در برابر سیلاب شهری) نشان داد از میان 25 متغیر مورد بررسی، 13 متغیر دارای ارتباط آماری معنادار با متغیر وابسته پژوهش در سطح اطمینان 95 درصد هستند. بر اساس IGR، مهترین پنج عامل اصلی به ترتیب عبارتند از: سرمایه اجتماعی، سن، تحصیلات، درآمد و اشتغال. مقایسه الگوریتم پایه ANN-RBF و الگوریتم ترکیبی RS-ANNRBF بر اساس این معیارها و داده های آموزشی نشان از برتری قاطع الگوریتم ترکیبی RS-ANNRBF دارد. بر این اساس، در کلاس 1، معیار AUC با ترکیب RS از 771/0 به 922/0 افزایش یافته که نشان‌دهنده بهبود قابل ملاحظه در تمایز قائل شدن بین کلاس‌هاست. همچنین در کلاس 5، AUC از 786/0 به 933/0 ارتقا یافته است. علاوه بر این، در کلاس 3، دقت مدل ترکیبی به 619/0رسیده که بهبود نسبت به 588/0 مدل پایه است. کاهش نرخ مثبت کاذب در کلاس 1 از 019/0 به 038/0 و همچنین بهبود کلی در معیارF1 (مانند 531/0 در کلاس 3 در مقابل 444/0)، قویاً نشان می‌دهد که ترکیب RS توانسته است عملکرد و قدرت پیش‌بینی الگوریتمANNRBF را در داده‌های تاب آوری به نحو مؤثری افزایش دهد. این نتایج برتری مدل ترکیبیRS-ANNRBF را بر اساس داده های صحت سنجی نیز در پیش بینی کلاس های تاب آوری سیلاب شهر سنندج نسبت به تمام الگوریتم ها نشان می دهد. پیامدهای مدیریتی یادگیری ماشین در کنار تحلیل متغیرهای اجتماعی–اقتصادی نقش مهمی در مدیریت ریسک سیلاب دارد و می‌تواند به بهبود اثربخشی سیاست‌ها و مداخلات مدیریتی در شهرهای در معرض خطر سیلاب کمک کند.
پژوهشگران	هیمن شهابی (استاد راهنما)، عطااله شیرزادی (استاد راهنما)، نسرین خدامرادی (دانشجو)، داود جمینی (استاد مشاور)