Évaluation de la prédisposition aux inondations basée sur des modèles d'apprentissage automatique optimisés basés sur des arbres

Résumé En raison des processus physiques des inondations, l'utilisation de modèles d'apprentissage automatique (ML) basés sur les données est une approche rentable pour la modélisation des inondations. L'innovation de la présente étude repose sur le développement de modèles ML basés sur des arbres, y compris la forêt de rotation (ROF), l'arbre de décision alterné (ADTree) et la forêt aléatoire (RF) via l'optimisation par essaim de particules binaire (BPSO), pour estimer la susceptibilité aux inondations dans le bassin versant de Maneh et Samalqan, en Iran. Par conséquent, pour mettre en œuvre les modèles, 370 emplacements vulnérables aux inondations dans l'étude de cas ont été identifiés (2016–2019). De plus, 20 critères hydro-géologiques, topographiques, géologiques et environnementaux influençant l'occurrence des inondations dans la zone d'étude ont été extraits pour prédire la susceptibilité aux inondations. L'aire sous la courbe (AUC) et une variété d'autres indicateurs statistiques ont été utilisés pour évaluer les performances des modèles. Les résultats ont montré que le RF-BPSO (AUC=0.935) a la plus haute précision par rapport à ROF-BPSO (AUC=0.904) et ADTree-BPSO (AUC=0.923). De plus, les résultats ont illustré que la probabilité d'inondation au centre de la zone en question est plus grande qu'à d'autres points en raison de l'altitude plus basse, de la pente plus faible et de la proximité des rivières. Par conséquent, le cadre d'ensemble proposé ici peut également être utilisé pour prédire des cartes de susceptibilité aux inondations dans d'autres régions présentant des caractéristiques géo-environnementales similaires pour la gestion et la prévention des inondations.