DOI: https://doi.org/10.1007/s11069-025-07109-2
تاريخ النشر: 2025-01-11
المؤلف: Izhar Ahmad وآخرون
الموضوع الرئيسي: تقييم وإدارة مخاطر الفيضانات
نظرة عامة
تدرس هذه الدراسة قابلية الفيضانات في المنطقة الحضرية الجبلية من هونزا-ناغار، باستخدام خوارزميات تعلم الآلة الجماعية، وتحديداً الغابة العشوائية (RF) وتعزيز التدرج المتطرف (XGBoost). تحدد الأبحاث عشرة عوامل جغرافية بيئية – الارتفاع، الميل، الانحناء، مؤشر رطوبة التضاريس (TWI)، مؤشر الفرق الطبيعي للنباتات (NDVI)، استخدام الأراضي وتغطية الأراضي (LULC)، هطول الأمطار، الصخرية، المسافة إلى الطرق، والمسافة إلى الأنهار – كمتغيرات رئيسية تؤثر على سلوك الفيضانات. تم إجراء محاكاة تدفق غير مستقر بناءً على هيدروغراف فيضان بفترة عودة 100 عام لتحديد مدى الفيضانات المكاني، والتي تم استخدامها بعد ذلك لإنشاء جرد شامل للفيضانات. أظهر نموذج RF أداءً متفوقًا مع منطقة تحت المنحنى (AUC) تبلغ 0.912، متفوقًا على XGBoost في الدقة، والموثوقية، والاسترجاع، ودرجة F1، ومقاييس كابا.
تؤكد النتائج على أهمية القرب من الأنهار والارتفاعات المنخفضة في المساهمة في قابلية الفيضانات، بما يتماشى مع أنماط الفيضانات التاريخية. تهدف خرائط قابلية الفيضانات التي تم إنشاؤها إلى مساعدة إدارة الكوارث والسلطات المعنية بتطوير البنية التحتية في تحديد المناطق عالية المخاطر وتنفيذ استراتيجيات التخفيف. يُوصى بإجراء أبحاث مستقبلية لتضمين بيانات هيدرولوجية ومناخية إضافية، بما في ذلك توقعات تغير المناخ، لتعزيز دقة النموذج وفهم أفضل لديناميات الفيضانات المتطورة في سياق تقلب المناخ. تؤسس هذه الدراسة أساسًا لأساليب إدارة مخاطر الفيضانات المعتمدة على البيانات القابلة للتطبيق في مناطق مماثلة على مستوى العالم.
مقدمة
تمثل الفيضانات واحدة من أشد المخاطر الطبيعية على مستوى العالم، حيث أن باكستان معرضة بشكل خاص بسبب ظروفها الجغرافية والمناخية. شهدت البلاد أحداث فيضانات كارثية، لا سيما في عامي 2010 و2022، مما أسفر عن فقدان كبير في الأرواح، وتدمير البنية التحتية، وتأثيرات اقتصادية كبيرة، تقدر بـ 10 مليارات دولار و30 مليار دولار، على التوالي. أثارت هذه الكوارث مخاوف عاجلة بشأن الأمن الغذائي ومرونة البنية التحتية الحيوية، خاصة مع توقع أن يؤدي تغير المناخ إلى تفاقم مخاطر الفيضانات من خلال زيادة أحداث هطول الأمطار الشديدة.
تشمل المنهجيات الحالية لتقييم مخاطر الفيضانات بشكل أساسي النمذجة الهيدروديناميكية والاستشعار عن بعد المدمجين مع تقنيات تعلم الآلة (ML). بينما تعتبر النماذج الهيدروديناميكية ضرورية للتنبؤ الدقيق بالفيضانات، إلا أنها غالبًا ما تواجه صعوبات مع تعقيدات التفاعلات النهرية وديناميات السهول الفيضية. أظهرت التطورات الأخيرة في تعلم الآلة وعدًا في تحسين هذه النماذج من خلال تحسين توقعات مخاطر الفيضانات وكفاءة الحساب. أظهرت الدراسات فعالية دمج النماذج الهيدروديناميكية مع خوارزميات تعلم الآلة، مثل XGBoost والغابة العشوائية، لمحاكاة الفيضانات الحضرية بشكل أفضل وتقييم قابلية الفيضانات. ومع ذلك، لا تزال التحديات قائمة، بما في ذلك الحاجة إلى بيانات عالية الجودة ودمج مجموعات بيانات متنوعة لتعزيز موثوقية النموذج ودقته التنبؤية، خاصة في سياق تغير المناخ.
الطرق
تحدد قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. استخدمت الدراسة مزيجًا من الطرق الكمية والنوعية، بما في ذلك التحليل الإحصائي ودراسات الحالة، لجمع بيانات شاملة. تم اختيار المشاركين من خلال أخذ عينات طبقية لضمان التمثيل عبر الفئات الديموغرافية الرئيسية، وشملت جمع البيانات الاستطلاعات، والمقابلات، وتقنيات الملاحظة.
تم إجراء التحليلات الإحصائية باستخدام أدوات البرمجيات لتقييم العلاقات بين المتغيرات، مع تحديد مستويات الدلالة عند p < 0.05. تم تحليل البيانات النوعية بشكل موضوعي، مما سمح بتحديد الأنماط والرؤى التي تكمل النتائج الكمية. قدم هذا النهج المختلط إطارًا قويًا لفهم تعقيدات أسئلة البحث وأسفر عن نتائج مهمة تساهم في مجموعة المعرفة الحالية في هذا المجال.
المناقشة
تقدم الدراسة الحالية إطارًا متكاملًا جديدًا لرسم خرائط مخاطر الفيضانات من خلال دمج النمذجة الهيدروديناميكية، وتقنية الاستشعار عن بعد، وتعلم الآلة، مما يمثل أول حالة من نوعها في الأدبيات. باستخدام محاكاة تدفق غير مستقر ثنائية الأبعاد في HEC-RAS، تولد الدراسة جردًا للفيضانات لمنطقة هونزا-ناغار، مع التركيز على أحداث الفيضانات بفترة عودة 100 عام. يتم استخدام خوارزميتين لتعلم الآلة الجماعية، XGBoost والغابة العشوائية (RF)، لتطوير خرائط قابلية الفيضانات (FSMs) بناءً على عشرة عوامل شرطية للفيضانات، مما يمكّن من تحديد المناطق المعرضة للفيضانات على كل من المقاييس الاحتمالية والفئوية.
تتميز منطقة هونزا-ناغار بتضاريسها المعقدة وظروفها المناخية، ولها تاريخ من أحداث الفيضانات الكبيرة، بما في ذلك فيضانات انفجار البحيرات الجليدية (GLOFs). تمتد منطقة الدراسة على 14,449 كم²، وهي مهمة استراتيجياً بسبب طريق كراكورام السريع، الذي يسهل التواصل بين الصين وباكستان. تشمل المنهجية تحديد عوامل شرطية للفيضانات، وإنشاء جرد للفيضانات من خلال بيانات الفيضانات التاريخية، وتطبيق نماذج تعلم الآلة للتنبؤ بقابلية الفيضانات. يعزز دمج بيانات الاستشعار عن بعد عالية الدقة والنمذجة الهيدروديناميكية دقة تقييمات مخاطر الفيضانات، مما يعالج القيود في الدراسات السابقة التي اعتمدت فقط على أحداث الفيضانات التاريخية. توفر نتائج هذا البحث رؤى قيمة لإدارة مخاطر الفيضانات بشكل فعال في المنطقة.
DOI: https://doi.org/10.1007/s11069-025-07109-2
Publication Date: 2025-01-11
Author(s): Izhar Ahmad et al.
Primary Topic: Flood Risk Assessment and Management
Overview
This study investigates flood susceptibility in the mountainous urban region of Hunza-Nagar, utilizing ensemble machine learning algorithms, specifically Random Forest (RF) and Extreme Gradient Boosting (XGBoost). The research identifies ten geo-environmental factors—elevation, slope, curvature, topographic wetness index (TWI), normalized difference vegetation index (NDVI), land use land cover (LULC), rainfall, lithology, distance to roads, and distance to rivers—as key variables influencing flood behavior. An unsteady flow simulation based on a 100-year return period flood hydrograph was conducted to determine spatial inundation extents, which were then used to create a comprehensive flood inventory. The RF model demonstrated superior performance with an area under the curve (AUC) of 0.912, outperforming XGBoost in accuracy, precision, recall, F1-score, and kappa metrics.
The findings underscore the importance of proximity to rivers and lower elevation in contributing to flood susceptibility, aligning with historical flood patterns. The generated flood susceptibility maps are intended to aid disaster management and infrastructure development authorities in identifying high-risk areas and implementing mitigation strategies. Future research is recommended to incorporate additional hydrological and climatic data, including climate change projections, to enhance model accuracy and better understand the evolving flood dynamics in the context of climate variability. This study establishes a foundation for data-driven flood risk management approaches applicable to similar regions globally.
Introduction
Floods represent one of the most severe natural hazards globally, with Pakistan being particularly susceptible due to its geographical and climatic conditions. The country has experienced catastrophic flooding events, notably in 2010 and 2022, which resulted in significant loss of life, destruction of infrastructure, and substantial economic impacts, estimated at $10 billion and $30 billion, respectively. These disasters have raised urgent concerns regarding food security and the resilience of critical infrastructure, especially as climate change is expected to exacerbate flood risks through increased extreme precipitation events.
Current methodologies for flood hazard assessment primarily involve hydrodynamic modeling and remote sensing integrated with machine learning (ML) techniques. While hydrodynamic models are essential for accurate flood forecasting, they often struggle with the complexities of riverine interactions and floodplain dynamics. Recent advancements in ML have shown promise in enhancing these models by improving flood hazard predictions and computational efficiency. Studies have demonstrated the effectiveness of combining hydrodynamic models with ML algorithms, such as XGBoost and Random Forest, to better simulate urban flooding and assess flood susceptibility. However, challenges remain, including the need for high-quality data and the integration of diverse datasets to enhance model reliability and predictive accuracy, particularly in the context of climate change.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. The study utilized a combination of quantitative and qualitative methods, including statistical analysis and case studies, to gather comprehensive data. Participants were selected through stratified sampling to ensure representation across key demographics, and data collection involved surveys, interviews, and observational techniques.
Statistical analyses were conducted using software tools to evaluate the relationships between variables, with significance levels set at p < 0.05. The qualitative data were analyzed thematically, allowing for the identification of patterns and insights that complemented the quantitative findings. This mixed-methods approach provided a robust framework for understanding the complexities of the research questions and yielded significant results that contribute to the existing body of knowledge in the field.
Discussion
The current study presents a novel integrated framework for flood hazard mapping by combining hydrodynamic modeling, remote sensing technology, and machine learning, marking the first instance of such a comprehensive approach in the literature. Utilizing a 2D unsteady flow simulation in HEC-RAS, the study generates a flood inventory for the Hunza-Nagar region, focusing on flooding events with a 100-year return period. Two ensemble machine learning algorithms, XGBoost and Random Forest (RF), are employed to develop flood susceptibility maps (FSMs) based on ten flood conditioning factors, enabling the identification of flood-prone areas on both probability and categorical scales.
The Hunza-Nagar region, characterized by its complex topography and climatic conditions, has a history of significant flood events, including glacial lake outburst floods (GLOFs). The study area, spanning 14,449 km², is strategically important due to the Karakoram Highway, which facilitates communication between China and Pakistan. The methodology involves the identification of flood conditioning factors, the creation of a flood inventory through historical flood data, and the application of machine learning models to predict flood susceptibility. The integration of high-resolution remote sensing data and hydrodynamic modeling enhances the accuracy of flood risk assessments, addressing limitations in previous studies that relied solely on historical flood events. The results of this research provide valuable insights for effective flood risk management in the region.