توصيفگر ها :
ريسك , عدم قطعيت , شبكه بيزي , سيلاب , پهنه بندي , طالقان رود
چكيده فارسي :
تغييرات اقليمي منجر¬به افزايش وقايع حدي آب¬و¬هوايي در جهان شده است و طغيان جريان آب از بستر رودخانه¬ها سالانه خسارات زيادي خصوصا به بخش¬هاي كشاورزي، شهري و محيط زيست وارد مي¬كند. بنابراين ريسك سيلاب كه حاصل تعامل بين خطرات، در معرض خطر قرار¬گرفتن و آسيب پذيري است، متاثر از عوامل متعدد هيدرولوژيك، فيزيوگرافي، اقتصادي و اجتماعي خواهد-بود كه هر تلاش براي پيش¬بيني آن را با عدم¬قطعيت روبه¬رو مي¬سازد. در دهه¬هاي اخير استفاده از مدل¬هاي گرافيكي احتمالي به دليل درنظر گرفتن عدم¬قطعيت و ساده¬سازي مسائل پيچيده افزايش يافته است، اما عليرغم افزايش مطالعات آسيب¬پذيري سيلاب، همچنان خلاء در زمينه¬ي تحليل حساسيت و عدم¬قطعيت پيش¬بيني آن وجود دارد. شبكه¬ بيزي تركيبي از تئوري احتمالي بيز و گراف است كه روابط و وابستگي¬هاي مشروط بين مجموعه¬ي متغير¬هاي تصادفي را با يك گراف بدون دور جهت¬دار نشان مي¬دهد و مي¬تواند عدم¬قطعيت پارامتر¬هاي ورودي¬ و ساختار مدل را برآورد نمايد. در اين مطالعه ابتدا يازده پارامتر موثر بر ريسك سيل در حوضه¬ي طالقان¬رود شناسايي و نقشه¬ي پهنه¬بندي مقادير آن¬ها با استفاده از سيستم اطلاعات جغرافيايي (GIS) توليد شده است. نقشه¬ي پهنه¬بندي اين يازده پارامتر كه شامل بارش، ارتفاع، شيب، شاخص نرمال شده¬ي تفاوت پوشش گياهي، شاخص نرمال شده¬ي تفاوت پوشش برف، رطوبت سطحي خاك، تراكم رودخانه، فاصله از رودخانه، تراكم جمعيت و تراكم جاده مي¬باشند، پس از طبقه¬بندي به چهار حالت خيلي¬كم، كم، زياد و خيلي¬زياد به نرم¬افزار GeNIe معرفي شده¬اند. همچنين از پهنه¬ي سيل با دوره-بازگشت صد ساله به عنوان توزيع پيشين گره¬ي ريسك سيل استفاده¬شده¬است. مدل شبكه¬ي بيزي جهت يادگيري ساختاري و پارامتري مورد واسنجي و اعتبار¬سنجي قرار گرفت. نتايج واسنجي نشان دادكه مدل در شناسايي حالت ريسك در سلول¬هايي كه با احتمال بالا داراي ريسك مثبت بوده يا با احتمال پايين داراي ريسك منفي باشند عملكرد بسيار مناسبي دارد. همچنين نتايج اعتبارسنجي نشان داد مدل داراي دقت 0.99 مي¬باشد. پس از آن نقشه¬ي احتمال رسيك سيل در حوضه كه با استفاده از مدل شبكه¬ي بيزي ساخته شده، محاسبه و در سيستم اطلاعات جغرافيايي (GIS) پهنه¬بندي شد. نتايج نشان مي¬دهد حدود 21.5 درصد يعني 20085 هكتار از 93958 هكتار اراضي حوضه داراي احتمال ريسك سيل زياد و خيلي زياد است. همچنين نتايج تحليل حساسيت مدل حاكي از اين است كه پارامترهاي تراكم جاده، ارتفاع و تراكم رودخانه بيش¬ترين تاثير را بر توزيع پسين گره¬ي ريسك داشته¬اند.
چكيده انگليسي :
Climate change has led to an increase in extreme weather events in the world. The flooding of rivers causes a lot of damage annually, especially to the agricultural, urban, and environmental sectors. Therefore, flood risk -which is the result of the interaction between hazards, risk, and vulnerability- will be affected by various hydrological, physiographic, economic, and social factors that make any attempt to predict it uncertain. In recent decades, the use of potential graphic models has increased due to uncertainty and simplification of complex problems. Despite the increase in flood vulnerability studies, there is still a gap in sensitivity analysis and predictive uncertainty. Bayesian network is a combination of Bayesian and graph probability theory that demonstrates conditional relationships and dependencies between a set of random variables with a directional acyclic graph. It can determine the uncertainty of input parameters and estimate the model structure. In this study, eleven parameters affecting flood risk in the Taleghanroud basin have been identified. Also, a zoning map of their values has been generated using Geographic Information System (GIS). Zoning map of these eleven parameters including rainfall, altitude, slope, a normalized index of vegetation difference, a normalized index of snow cover difference, soil surface moisture, river density, distance from the river, population density, and density of roads, after that they classified into four modes: very low, low, high and very high, they are sent to GeNIe software. The flood zone with a 100-year return period has also been used as the previous distribution of flood risk nodes. The Bayesian network model was calibrated for structural and parametric learning. Calibration results showed that the model has a very good performance in identifying the state of risk in cells that are highly likely to have a positive risk or have a low probability of negative risk. Also, the validation results revealed that the model has an accuracy of 0.99. The flood risk map of the basin, which was constructed using the Bayesian grid model, was then calculated and zoned in the Geographic Information System (GIS). The results show that about 21.5%, i.e. 20085 hectares of 93958 hectares of watershed lands have a high and very high risk of floods. Also, the results of the sensitivity analysis of the model indicate that the parameters of road density, altitude, and river density had the greatest impact on the posterior distribution of the risk node.
