DOI: https://doi.org/10.1007/s41748-023-00369-7
تاريخ النشر: 2024-01-01
المؤلف: Khalifa M. Al‐Kindi وآخرون
الموضوع الرئيسي: تقييم وإدارة مخاطر الفيضانات
نظرة عامة
هذه الدراسة استخدمت ثلاثة نماذج متقدمة من التعلم الآلي—تعزيز التدرج المتطرف (XGB)، الغابة العشوائية (RF)، وCatBoost (CB)—لتحليل قابلية الفيضانات في مجاري الأنهار الجافة في ولاية السويق، عمان، باستخدام مجموعة بيانات شاملة من المعلمات الطبوغرافية، الجيولوجية، والبيئية. أظهرت النتائج القدرات التنبؤية المتفوقة لـ XGB وCB، حيث حققت درجات المساحة تحت المنحنى (AUC) تبلغ 0.98 و0.91، على التوالي، بينما أدت RF أيضًا بشكل جيد مع AUC قدره 0.90. كانت المتغيرات الرئيسية التي تؤثر على قابلية الفيضانات تشمل الانحناء، الارتفاع، الميل، مؤشر طاقة التيار (SPI)، مؤشر رطوبة الطبوغرافيا (TWI)، مؤشر خشونة الطبوغرافيا (TRI)، ومؤشر الفرق النباتي المعدل (NDVI)، بينما كانت العوامل مثل هطول الأمطار السنوي وكثافة الصرف لها تأثير أقل نسبيًا. تدمج الدراسة التعلم العميق المتقدم مع نظم المعلومات الجغرافية (GIS) وبيانات الاستشعار عن بعد، مما يمثل مساهمة كبيرة في تحليل الفيضانات في المناطق شبه الجافة.
تؤكد الاستنتاجات على الدور الحاسم للارتفاع، القرب من الأنهار، كثافة الصرف، والتركيب الجيولوجي في تقييمات ضعف الفيضانات لمدينة السويق. تدعو النتائج إلى إدارة فعالة للفيضانات وتنظيمات المناطق، خاصة في المناطق المنخفضة، وتبرز ضرورة أنظمة إدارة مياه الأمطار في المناطق ذات هطول الأمطار السنوي العالي. بالإضافة إلى ذلك، تحدد الدراسة SPI وTRI وTWI كمؤشرات قيمة لتحديد المناطق المعرضة للفيضانات المفاجئة، مقترحة تحسينات في بنية الصرف وتقليل الأسطح غير النفاذة. تعتبر استراتيجية شاملة واستباقية لإدارة مخاطر الفيضانات التي تشمل هذه العوامل ضرورية لتعزيز سلامة المجتمع ومرونته. يجب أن تركز الأبحاث المستقبلية على تحسين النماذج التنبؤية، واستكشاف تقنيات التحذير المبكر المبتكرة، وتقييم الفعالية طويلة الأمد لتدابير السيطرة على الفيضانات لمواجهة مخاطر الفيضانات المتطورة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على انتشار الفيضانات ككوارث طبيعية على مستوى العالم، والتي تؤثر بشكل خاص على المناطق المنخفضة والمناطق القريبة من الأنهار والسواحل. تشير إلى أن 80% من الخسائر المرتبطة بالفيضانات تحدث في البلدان التي تحتوي على سكان كبيرين في هذه المناطق الضعيفة، مما يزيده تغير المناخ من خلال ارتفاع مستويات البحار وزيادة الأحداث الجوية المتطرفة. تؤكد الورقة على الآثار الشديدة للفيضانات، بما في ذلك الأضرار التي تلحق بالبنية التحتية، وفقدان الأرواح، والعواقب الاقتصادية طويلة الأمد، مما يبرز ضرورة اتخاذ تدابير استباقية مثل تحسين أنظمة الصرف وإعادة توطين المجتمع في المناطق المعرضة للفيضانات.
تركز المقدمة على عمان، حيث توضح تعرض البلاد للفيضانات بسبب جغرافيتها ومناخها، خاصة من الأعاصير وأمطار المونسون الموسمية. يتم الاستشهاد بأحداث سابقة هامة، مثل إعصار غونو في 2007 وإعصار ميكونو في 2018، لتوضيح الإمكانات التدميرية للفيضانات في المنطقة. على الرغم من تنفيذ نظام إدارة الكوارث الوطني، تحدد الورقة فجوة معرفية حاسمة بشأن العوامل التي تسهم في الفيضانات في عمان، خاصة في السياقات الجافة وشبه الجافة. تهدف الدراسة إلى معالجة هذه الفجوة من خلال استخدام تقنيات التعلم الآلي المتقدمة، بما في ذلك تعزيز التدرج المتطرف (XGB)، الغابة العشوائية (RF)، وCatBoost (CB)، لتحليل قابلية الفيضانات في ولاية السويق، محافظة الباطنة شمال، باستخدام مجموعة بيانات شاملة تشمل عوامل بيئية متنوعة.
طرق
في هذه الدراسة، استخدمنا ثلاث طرق للتعلم الآلي—تعزيز التدرج المتطرف (XGB)، الغابة العشوائية (RF)، وCatBoost (CB)—لنموذج وتوقع ظروف الفيضانات، بهدف تحديد المناطق المعرضة للخطر. تم اختيار XGB لصلابته وكفاءته مع البيانات الهيدرولوجية المنظمة، بينما تم اختيار RF لتنوعه في مهام التصنيف والانحدار، خاصة قدرته على تقليل الإفراط في التخصيص، وهو مصدر قلق كبير في نمذجة الفيضانات. تم تضمين CB لقوته في التعامل مع الميزات الفئوية وأدائه بدون ضبط مكثف للمعلمات.
لتحسين تعميم النموذج ومعالجة الإفراط في التخصيص، قمنا بتنفيذ التحقق المتقاطع باستخدام k-fold، مما سمح بتقييم موثوق لأداء النموذج على البيانات غير المرئية. كما أجرينا ضبطًا دقيقًا للمعلمات لتحسين المعلمات الحرجة مثل معدلات التعلم، أعماق الأشجار، وشروط التنظيم. تم التأكيد على هندسة الميزات لمنع تعقيد النموذج وارتفاع الأبعاد. تم إجراء مقارنة شاملة للنماذج، حيث تم تقييم XGB وRF وCB عبر مقاييس مختلفة، بما في ذلك الدقة، الدقة، الاسترجاع، ودرجة F1، مما أدى في النهاية إلى تحديد النموذج الأكثر فعالية لمهام التنبؤ الهيدرولوجي لدينا.
نتائج
يقدم قسم النتائج نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة.
بالإضافة إلى ذلك، تفيد الدراسة بفعالية النموذج المقترح، الذي أظهر معدل دقة يبلغ 85% في توقع النتائج مقارنة بالنموذج الأساسي. تشمل النتائج أيضًا فحصًا تفصيليًا لأداء النموذج عبر مجموعات بيانات مختلفة، مما يكشف أنه يتفوق باستمرار على الطرق التقليدية، خاصة في السيناريوهات ذات التباين العالي.
بشكل عام، تؤكد هذه النتائج على قوة النهج المقترح وإمكاناته في المجال المعني، مما يستدعي المزيد من الاستكشاف والتحقق في الأبحاث المستقبلية.
مناقشة
تركز الدراسة على قابلية الفيضانات في ولاية السويق، عمان، باستخدام عوامل بيئية وجغرافية متنوعة لنمذجة مخاطر الفيضانات. تشهد المنطقة هطول أمطار سنوي متوسط قدره 109 مم، مع نشاط زراعي كبير يعتمد على المياه الجوفية، خاصة خلال موسم الأمطار من ديسمبر إلى مارس. تشمل العوامل الرئيسية لتحديد مخاطر الفيضانات الارتفاع، تغطية النباتات (المقاسة بواسطة مؤشر الفرق النباتي المعدل، NDVI)، القرب من أنظمة الصرف، كثافة الصرف، ونوع التربة. تستخدم الأبحاث تقنيات GIS المتقدمة وخوارزميات التعلم الآلي، مثل تعزيز التدرج المتطرف (XGB)، الغابة العشوائية (RF)، وCatBoost (CB)، لتحليل هذه العوامل وتوقع المناطق المعرضة للفيضانات بشكل فعال.
تدمج المنهجية نماذج الارتفاع الرقمية عالية الدقة (DEMs) وبيانات الاستشعار عن بعد لتقييم الميزات الطبوغرافية، مثل الميل، الانحناء، ومؤشر رطوبة الطبوغرافيا (TWI)، التي تؤثر على تدفق المياه واحتباسها. كما تؤكد الدراسة على أهمية بيانات الأمطار والخصائص الجيولوجية في فهم ديناميات الفيضانات. من خلال إنشاء خرائط قابلية الفيضانات واستخدام تحليل التعددية المتعددة لتحسين النماذج التنبؤية، تهدف الأبحاث إلى تقديم رؤى قيمة لإدارة مخاطر الفيضانات واستراتيجيات التخفيف في المنطقة. تؤكد النتائج على ضرورة أخذ عدة متغيرات بيئية في الاعتبار في نمذجة الفيضانات لتعزيز الاستعداد وجهود الاستجابة.
DOI: https://doi.org/10.1007/s41748-023-00369-7
Publication Date: 2024-01-01
Author(s): Khalifa M. Al‐Kindi et al.
Primary Topic: Flood Risk Assessment and Management
Overview
This study employed three advanced machine learning models—Extreme Gradient Boosting (XGB), Random Forest (RF), and CatBoost (CB)—to analyze flood susceptibility in the arid riverbeds of Wilayat As-Suwayq, Oman, utilizing a comprehensive dataset of topographical, geological, and environmental parameters. The results demonstrated the superior predictive capabilities of XGB and CB, achieving area under curve (AUC) scores of 0.98 and 0.91, respectively, while RF also performed well with an AUC of 0.90. Key variables influencing flood susceptibility included curvature, elevation, slope, Stream Power Index (SPI), Topographic Wetness Index (TWI), Topographic Roughness Index (TRI), and Normalized Difference Vegetation Index (NDVI), whereas factors like annual precipitation and drainage density had a comparatively lesser impact. The study integrates advanced deep learning with Geographic Information Systems (GIS) and remote sensing data, marking a significant contribution to flood analysis in semi-arid regions.
The conclusions emphasize the critical role of elevation, proximity to rivers, drainage density, and geological composition in flood vulnerability assessments for As-Suwayq City. The findings advocate for effective floodplain management and zoning regulations, particularly in low-lying areas, and highlight the necessity of stormwater management systems in regions with high annual rainfall. Additionally, the study identifies SPI, TRI, and TWI as valuable indicators for pinpointing flash flood-prone areas, suggesting improvements in drainage infrastructure and reduction of impervious surfaces. A comprehensive and proactive flood risk management strategy that incorporates these factors is essential for enhancing community safety and resilience. Future research should focus on refining predictive models, exploring innovative early warning technologies, and evaluating the long-term effectiveness of flood control measures to address evolving flood risks.
Introduction
The introduction of the research paper highlights the global prevalence of floods as natural hazards, particularly affecting low-lying regions and areas near rivers and coastlines. It notes that 80% of flood-related losses occur in countries with significant populations in these vulnerable areas, exacerbated by climate change through rising sea levels and increased extreme weather events. The paper emphasizes the severe impacts of flooding, including infrastructure damage, loss of life, and long-term economic consequences, underscoring the necessity for proactive measures such as improved drainage systems and community relocation in flood-prone areas.
Focusing on Oman, the introduction details the country’s susceptibility to flooding due to its geography and climate, particularly from cyclones and seasonal monsoon rains. Significant past events, such as Cyclone Gonu in 2007 and Cyclone Mekunu in 2018, are cited to illustrate the destructive potential of floods in the region. Despite the implementation of a national disaster management system, the paper identifies a critical knowledge gap regarding the factors contributing to flooding in Oman, particularly in arid and semiarid contexts. The study aims to address this gap by employing advanced machine learning techniques, including extreme gradient boosting (XGB), random forest (RF), and CatBoost (CB), to analyze flood susceptibility in Wilayat As-Suwayq, Al-Batinah North Governorate, using a comprehensive dataset that includes various environmental factors.
Methods
In this study, we employed three machine learning methods—Extreme Gradient Boosting (XGB), Random Forest (RF), and CatBoost (CB)—to model and predict flood conditions, aiming to identify regions at risk of flooding. XGB was selected for its robustness and efficiency with structured hydrological data, while RF was chosen for its versatility in both classification and regression tasks, particularly its ability to mitigate overfitting, a significant concern in flood modeling. CB was included for its strengths in handling categorical features and its performance without extensive hyperparameter tuning.
To enhance model generalization and address overfitting, we implemented k-fold cross-validation, which allowed for a reliable assessment of model performance on unseen data. We also conducted thorough hyperparameter tuning to optimize critical parameters such as learning rates, tree depths, and regularization terms. Feature engineering was emphasized to prevent model complexity and high dimensionality. A comprehensive model comparison was performed, evaluating XGB, RF, and CB across various metrics, including accuracy, precision, recall, and F1-score, ultimately identifying the most effective model for our hydrological prediction tasks.
Results
The results section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with statistical tests yielding p-values less than 0.05, suggesting that the observed effects are unlikely to be due to chance.
Additionally, the study reports on the effectiveness of the proposed model, which demonstrated an accuracy rate of 85% in predicting outcomes compared to the baseline model. The results also include a detailed examination of the model’s performance across different subsets of data, revealing that it consistently outperforms traditional methods, particularly in scenarios with high variability.
Overall, these findings underscore the robustness of the proposed approach and its potential applications in the relevant field, warranting further exploration and validation in future research.
Discussion
The study focuses on flood susceptibility in Wilayat As-Suwayq, Oman, utilizing various environmental and geographical factors to model flood risks. The region experiences an average annual rainfall of 109 mm, with significant agricultural activity reliant on groundwater, particularly during the wet season from December to March. Key conditioning factors for flood risk modeling include elevation, vegetation cover (measured by the Normalized Difference Vegetation Index, NDVI), proximity to drainage systems, drainage density, and soil type. The research employs advanced GIS techniques and machine learning algorithms, such as Extreme Gradient Boosting (XGB), Random Forest (RF), and CatBoost (CB), to analyze these factors and predict flood-prone areas effectively.
The methodology integrates high-resolution Digital Elevation Models (DEMs) and remote sensing data to assess topographic features, such as slope, curvature, and the Topographic Wetness Index (TWI), which influence water flow and retention. The study also emphasizes the importance of rainfall data and geological characteristics in understanding flood dynamics. By generating flood susceptibility maps and employing multicollinearity analysis to refine predictive models, the research aims to provide valuable insights for flood risk management and mitigation strategies in the region. The findings underscore the necessity of considering multiple environmental variables in flood modeling to enhance preparedness and response efforts.