نقشه برداری مستعد بودن سیل با یادگیری ماشین ، تجزیه و تحلیل تصمیمات چند معیاره و گروه با استفاده از تئوری دمپستر شفر

سیل یکی از گسترده ترین خطرات طبیعی است که در سراسر جهان رخ می دهد. هدف اصلی از این مطالعه تهیه نقشه های مستعد سیل برای استان سالزبورگ اتریش با استفاده از دو مدل تصمیم گیری چند معیار (MCDA) شامل فرایند سلسله مراتبی تحلیلی (AHP) و فرآیند شبکه تحلیلی (ANP) و دو یادگیری ماشین ( مدل های ML شامل جنگل تصادفی (RF) و ماشین بردار پشتیبانی (SVM). علاوه بر این ، ما مقایسه می کنیم که کدام یک از مدل های MCDA و ML برای حساسیت به سیل مناسب تر است و استفاده از نظریه Dempster Shafer (DST) را برای بهینه سازی نقشه های حساسیت به سیل حاصل از یازده عامل تهویه سیل ارزیابی می کند: ارتفاع ، شیب ، جنبه ، رطوبت توپوگرافی شاخص (TWI) ، شاخص قدرت جریان (SPI) ، شاخص گیاهی با اختلاف طبیعی (NDVI) ، زمین شناسی ، بارندگی ، پوشش زمین ، مسافت تا جاده ها و فاصله تا زهکشی. ارزیابی دقیق نقشه های حساسیت به سیل از طریق روش AUC (منطقه در زیر منحنی مشخصه عامل گیرنده) به همراه چگالی نسبی سیل (R-Index) نشان می دهد که RF (AUC = 87.8٪) و SVM (AUC = 87٪) از این روند بهتر است. مدل های ANP (AUC = 86.6٪) و AHP (AUC = 85.9٪). بنابراین ، عملکرد پیش بینی مدلهای ML کمی بهتر از مدلهای MCDA بود. DST می تواند دقت بیشتری را در هر دو مدل ML (AUC = 88.3٪) و مدل MCDA (AUC = 87.3٪) افزایش دهد. با این حال ، بهترین دقت (AUC = 89.3) از طریق یک گروه از هر چهار مدل رسیده است.