توسعه چارچوبی نوین جهت پایش و سنجش ریسک سیلاب های شهری با رویکرد تلفیقی تصمیم گیری چندمعیاره و هوش مصنوعی

نقشه برداری خطر سیلاب شهری، با توجه به توسعه شهرنشینی و تغییرات اقلیمی، ابزاری کلیدی برای کاهش مخاطرات در کلان شهرهاست. با این حال، محدودیت داده های دقیق و پیوسته در بسیاری از مناطق، تولید نقشه های قابل اعتماد را با چالش روبه رو می کند. از این رو، به کارگیری روش هایی که داده های عینی موجود را با اطلاعات نیمه ذهنی (مانند مشاهدات شهروندان و تجربیات مدیریت شهری از نقاط آب گرفتگی) تلفیق کنند، ضرورت دارد. در این پژوهش، رویکردی نوآورانه مبتنی بر فرآیند تحلیل سلسله مراتبی نیمه ذهنی (AHP) و مدل های یادگیری ماشینی (درخت طبقه بندی و رگرسیون) برای ارزیابی ریسک سیلاب در کلان شهر شیراز ارائه شده است. نتایج پیاده سازی این مدل در شیراز نشان می دهد که عواملی نظیر «فاصله از بستر رودخانه خشک و مسیل ها»، «تراکم زهکشی و شبکه جمع آوری آب های سطحی» و «وضعیت توپوگرافی مناطق حاشیه ای» بیشترین تاثیر را بر خطر وقوع سیلاب دارند؛ همچنین در بخش آسیب پذیری شهری، شاخص هایی چون «تراکم جمعیت»، «کیفیت و دوام مسکن (به ویژه در بافت های فرسوده و سکونتگاه های غیررسمی)»، «کاربری زمین» و «فاصله از مراکز امدادی و درمانی» نقش کلیدی ایفا می کنند. تکنیک یکپارچه سازی داده های عینی و نیمه ذهنی، بدون نیاز به مدل سازی های هیدرولوژیکی پیچیده و پرهزینه، نقشه های معتبری تولید می کند که می تواند به عنوان گام نخست در مدیریت بحران، برنامه ریزی شهری و جانمایی سامانه های هشدار سیل در شیراز و شهرهای مشابه مورد استفاده مدیران قرار گیرد.

کلیدواژه ها:

آسیب پذیری ، سیلاب شهری ، شیراز ، فرآیند تحلیل سلسله مراتبی (AHP) ، مدیریت ریسک ، یادگیری ماشینی.