Applying Machine Learning for Risk Flood Modeling in the city of Souk-Ahras

Abstract

Flash floods are among the most dangerous natural disasters affecting residents of low-lying areas in northeastern Algeria, particularly in Souk-Ahras city. This work aims to develop a flood vulnerability map using machine learning models, specifically the Random Forest and XGBoost models. Flood locations were identified based on historical and field data, with the database randomly divided into 70% for model training and 30% for testing and validating their performance. The study relied on ten factors influencing flash flood occurrence, extracted from multiple data sources. These factors include land use and land cover (LULC), distance to rivers, slope, flow accumulation, rainfall, Stream Power Index(SPI), elevation, drainage density, Topographic Wetness Index(TWI), and Terrain Ruggedness Index(TRI). In this context, a map highlighting flood vulnerability was generated using two models, and their accuracy was evaluated using the area under the curve (AUC). The results showed that the random forest model performed exceptionally well, achieving a value of 0.99, surpassing the XGBoost model, which recorded a value of 0.94. This reflects the high efficiency of both models in spatial prediction, with a clear advantage for the random forest model. The highlights of this study in supporting decision-makers and city planners by providing accurate information that helps develop effective strategies to reduce the risks of flash floods and minimize their effects. ------------------------------------------------------- تُعدّ الفيضانات المفاجئة من أخطر الكوارث الطبيعية التي تُصيب سكان المناطق المنخفضة في شمال شرق الجزائر، وخاصةً في مدينة سوق أهراس. يهدف هذا العمل إلى تطوير خريطة لمدى تأثر المناطق بالفيضانات باستخدام نماذج التعلّم الآلي، وتحديدًا نموذجي الغابة العشوائية و XGBoost. تم تحديد مواقع الفيضانات بناءً على بيانات تاريخية وميدانية، حيث قُسّمت قاعدة البيانات عشوائيًا إلى 70% لتدريب النموذج و30% لاختبار أدائه والتحقق من صحته. اعتمدت الدراسة على عشرة عوامل تؤثر على حدوث الفيضانات المفاجئة، مُستخرجة من مصادر بيانات متعددة. تشمل هذه العوامل استخدامات الأراضي وتغطيتها، والمسافة إلى الأنهار، والانحدار، وتراكم التدفق، وهطول الأمطار، ومؤشر قوة التيار، والارتفاع، وكثافة التصريف، ومؤشر الرطوبة الطبوغرافية، ومؤشر وعورة التضاريس. في هذا السياق، تم إنشاء خريطة تُبرز مدى تأثر المناطق بالفيضانات باستخدام النموذجين، وتم تقييم دقتهما باستخدام المساحة تحت المنحنى. أظهرت النتائج تفوقًا ملحوظًا لنموذج الغابة العشوائية، حيث حقق قيمة 0.99، متجاوزًا بذلك نموذج XGBoostالذي سجل قيمة 0.94. ويعكس هذا الأداء الكفاءة العالية لكلا النموذجين في التنبؤ المكاني، مع تفوق واضح لنموذج الغابة العشوائية. تكمن أهمية هذه الدراسة في دعم صانعي القرار ومخططي المدن من خلال توفير معلومات دقيقة تُسهم في وضع استراتيجيات فعّالة للحد من مخاطر الفيضانات المفاجئة وتقليل آثارها. ----------------------------------------------------------------- Les crues soudaines figurent parmi les catastrophes naturelles les plus dangere populations des zones basses du nord-est algérien, notamment à Souk-Ahras. Ce travail vise à élaborer une carte de vulnérabilité aux inondations à l’aide de modèles d’apprentissage automatique, en particulier les modèles Random Forest et XGBoost. Les zones inondables ont été identifiées à partir de données historiques et de terrain, la base de données étant divisée aléatoirement en deux : 70 % pour l’entraînement des modèles et 30 % pour les tests et la validation de leurs performances. L’étude s’appuie sur dix facteurs influençant la survenue des crues soudaines, extraits de multiples sources de données. Ces facteurs incluent uses pour lesl’occupation et l’utilisation des sols (LULC), la distance aux cours d’eau, la pente, l’accumulation des eaux, les précipitations, l’indice de puissance du cours d’eau (SPI), l’altitude, la densité du réseau hydrographique, l’indice topographique d’humidité (TWI) et l’indice de rugosité du terrain (TRI). Dans ce contexte, une carte mettant en évidence la vulnérabilité aux inondations a été générée à l’aide des deux modèles, et leur précision a été évaluée par l’aire sous la courbe (AUC). Les résultats ont montré que le modèle de forêt aléatoire a obtenu des performances exceptionnelles, avec un score de 0,99, surpassant ainsi le modèle XGBoost (0,94). Ceci témoigne de la grande efficacité des deux modèles en matière de prédiction spatiale, avec un net avantage pour la forêt aléatoire. Cette étude met en lumière l'importance d'aider les décideurs et les urbanistes en leur fournissant des informations précises qui contribuent à l'élaboration de stratégies efficaces pour réduire les risques d'inondations soudaines et en minimiser les effets.