مدیریت موثر خطر سیلاب: ارزیابی مدلهای یادگیری ماشین و تحلیل آسیب پذیری در مناطق پرخطر ایران

این مقاله به تحلیل خطر آسیب پذیری مناطق مختلف ایران در برابر سیلابها و تغییرات اقلیمی می پردازد و به بررسی و ارزیابی سیستماتیک عملکرد ۱۴ مدل یادگیری ماشین (ML) در مناطق با خطر سیلاب بالا می پردازد. نتایج نشان می دهد که مناطق شمال و شرق کشور به دلیل بارشهای شدید و روانابهای ناشی از آن، در معرض خطر بالای سیلاب قرار دارند. در این مناطق ، ۴۹۲ مدرسه روستایی و ۱۴۷ مدرسه شهری در مکانهای با خطر بسیار بالا شناسایی شده اند که ۵۴ درصد از دانش آموزان روستایی و ۸ درصد از دانش آموزان شهری را در معرض خطر قرار می دهد. همچنین ، ۳۰ درصد از مساحت شهرها به عنوان مناطق بسیار آسیب پذیر شناسایی شده است . این تحقیق به نیاز به مدیریت موثر خطر سیلاب (FSM) مقیاس پذیر و دقیق پاسخ می دهد و نوآوری اصلی آن در مقایسه جامع مدلهای یادگیری ماشین و به کارگیری تکنیک های هوش مصنوعی قابل توضیح (XAI) نهفته است . ارزیابی مدلها بر اساس دقت و مقیاس پذیری انجام شد و نتایج نشان می دهد که مدلهای LGBM و XGBoost در زمینه دقت عملکرد بسیار خوبی دارند، در حالی که XGBoost در مقیاس پذیری نیز برتری دارد. پیش بینی می شود که تعداد سیلابهای شدید در ایران تا ۲۰ درصد در دهه های آینده افزایش یابد و خسارات اقتصادی ناشی از این سیلابها می تواند به بیش از ۱۰۰ هزار میلیارد تومان در سال برسد. همچنین ، ۲۵ درصد از مساحت کشور در معرض خطر خشکسالی قرار دارد و نارضایتی اجتماعی ممکن است تا ۳۰ درصد افزایش یابد. چارچوب ارزیابی ارائه شده می تواند به عنوان یک ابزار مفید برای سایر مناطق مستعد سیلاب مورد استفاده قرار گ یرد و نتایج این مطالعه می تواند به بهبود FSM در مناطق مختلف کمک کند و به مقیاس پذیری تحل یل ها در مناطق وسیع تر جغرافیایی یاری رساند. در نهایت ، این تحقیق به تصمیم گیری بهتر و تدوین سیاست های موثر برای مدیریت خطر سیلاب منجر خواهد شد.

کلیدواژه ها:

سیلاب ، یادگیری ماشین ، هوش مصنوعی ، آسیب پذیری ، پیش بینی .