Bu çalışmada Kentucky Nehri havzasında son yirmi yılda meydana gelen ani sel baskınları kayıtlarına dayanarak makine öğrenmesi yöntemleri kullanılarak taşkın tehlike haritalamasının yapılması amaçlanmıştır. Tahminlerin gerçekleştirilebilmesi için yaygın olarak kullanılan ve pratik bir algoritma olan rastgele orman (RF) yöntemi kullanılmıştır. Ayrıca, bu yöntemin içsel parametreleri (ağaç sayısı ve maksimum ağaç derinliği) ise parçacık sürü optimizasyonu (PSO) algoritması ile optimize edilmiştir. Bu bağlamda 343 adet geçmiş ani sel kayıtlarına ilaveten havza sınırları içerisinde yer alacak şekilde aynı sayıda rastgele nokta atanmıştır. Tüm bu noktalara 12 adet ani sel tehlikesini tetikleyecek faktörler tanıtılmış olup, tahminler bu doğrultuda gerçekleştirilmiştir. Tahmin sonuçları birçok performans değerlendirme indikatörü göz önüne alınarak analiz edildiğinde melez PSO-RF modelinin test veri setinde oldukça başarılı sonuçlar gösterdiği görülmüştür. Öyle ki hem ani sel olan noktalar hem de ani sel gerçekleşmeyen noktalar %70 oranında doğruluk ile tahmin edilmiştir. Yapılan detaylı değerlendirmeler sonucu ise ikili sınıflandırma problemlerinde önemli bir gösterge olan AUROC değeri ise 0.79 olarak hesaplanmıştır. Ayrıca, ani selleri tetikleyen faktörlerin sonuçlar üzerindeki tekil etkileri incelendiğinde şiddetli yağış faktörü en etkili değişken olarak bulunmuş olup, onu sırasıyla topoğrafya, NDVI ve eğri numarası faktörleri izlemiştir. Öte yandan, litoloji faktörünün ani sellerin modellenmesi üzerindeki etkisi ise diğer faktörlere göre oldukça az olduğu sonucuna varılmıştır. Tüm bu bulgular ışığında elde edilen sonuçlar hem taşkın tehlike haritalaması literatürüne katkı yapacak, hem de ilgili bölgede yaşanacak gelecek ani sel olayları meydana gelmeden alınması gereken tedbirler ile ilgili yol gösterici nitelikte olacaktır.
This study chiefly aimed to perform flash flood susceptibility mapping by means of machine learning methods based on the records attained in the Kentucky River basin over the last two decades. To carry out analysis, one of the widely adopted practical tree-based machine learning tools, i.e., the random forest (RF) method, was utilized, while the hyperparameters (i.e., number of trees and maximum tree depth) of the RF algorithm were tuned via the particle swarm optimization (PSO) strategy. In this vein, a total of 343 flash-flooded and the same number of random (non-flash flooded) points were assigned within the Kentucky River basin boundaries. In addition, a total of 12 factors triggering flash floods have been introduced to the corresponding points and the predictions were conducted in this regard. Many performance evaluation indicators considered within the scope of this study illustrated that the hybrid PSO-RF model revealed quite accurate predictive results based on the blinded testing set; such that both flash-flooded and non-flash flooded points exist in the test set were estimated with an accuracy of 70%. In addition, one of the promising performance indicators in assessing binary classification implementations, called AUROC, was calculated as 0.79. Further analysis regarding the individual impacts of the triggering factors also highlighted that the heavy rainfall probability factor was found to be the most effective variable, followed by topography, NDVI, and curve number, respectively. On the other hand, it was concluded that the effect of the lithology on the flash flood modeling is considerably lower compared to its counterparts. Overall, the results acquired in the light of all these findings have important potential in terms of both contributing to the flood susceptibility mapping literature and guiding with respect to the measures that should be taken prior to the flash flood incidents in the corresponding region.
