DOI: https://doi.org/10.1007/s11269-025-04430-0
تاريخ النشر: 2026-02-18
المؤلف: Abdulwaheed Tella وآخرون
الموضوع الرئيسي: تقييم وإدارة مخاطر الفيضانات
نظرة عامة
تتناول هذه الدراسة الحاجة الملحة لرسم خرائط تعرض الفيضانات الفعالة في المناطق الحضرية، مع التأكيد على التحدي المتمثل في تحقيق توازن بين قابلية تفسير النموذج ودقته التنبؤية في النمذجة البيئية. من خلال دمج التأثيرات المحلية المتراكمة (ALE) مع نماذج التعلم الآلي الجماعية – تحديدًا الانحدار اللوجستي (LR)، وغابة عشوائية (RF)، وزيادة التدرج القصوى (XGBoost) – تعزز البحث الشفافية في تقييمات مخاطر الفيضانات. أظهرت النماذج الجماعية أداءً تنبؤيًا متفوقًا، حيث حققت دقة بنسبة 94% وAUC قدره 0.98، بينما التقطت بفعالية العلاقات غير الخطية المعقدة، مثل عتبات الأمطار وتأثيرات البنية التحتية الحضرية. تشمل العوامل الرئيسية التي تؤدي إلى الفيضانات التي تم تحديدها الأمطار السنوية، والمسافة إلى الأنهار، والارتفاع، والانحدار، ومؤشر الفرق النباتي المعدل (NDVI).
تكشف النتائج أنه بينما يوفر الانحدار اللوجستي إطارًا تفسيريًا واضحًا، فإن الطرق الجماعية تتفوق بشكل كبير عليه في الدقة وفي التقاط التفاعلات الدقيقة بين المتغيرات. ومن الجدير بالذكر أن الدراسة وجدت أن المناطق الأكثر تحضرًا أظهرت تعرضًا أقل للفيضانات، ربما بسبب أنظمة التخفيف من الفيضانات الهندسية. تحدد خرائط التعرض الناتجة عن هذا التحليل، والتي تم التحقق منها ضد سجلات الفيضانات التاريخية، المناطق عالية المخاطر وتبرز الآثار العملية لدمج الأداء التنبؤي مع قابلية التفسير. لا تساهم هذه الدراسة فقط في توفير إطار قابل للتكرار لتقييم تعرض الفيضانات، ولكنها أيضًا تسلط الضوء على إمكانيات الذكاء الاصطناعي القابل للتفسير في إبلاغ التخطيط الحضري المستدام وتعزيز المرونة تجاه المخاطر الهيدرولوجية. يتم تشجيع العمل المستقبلي لاستكشاف الديناميات الزمنية والنماذج الهجينة، مما يعزز المزيد من الرؤى المستمدة من ALE.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الأهمية المتزايدة لتقييم تعرض الفيضانات في المناطق الحضرية بسبب التحضر السريع وتغير المناخ، مما يزيد من آثار الفيضانات. تعاني الطرق التقليدية لرسم خرائط تعرض الفيضانات، مثل اتخاذ القرار متعدد المعايير (MCDM) والنهج الإحصائية مثل نسبة التكرار، غالبًا من الذاتية والافتراضات الخطية، مما يؤدي إلى عدم الدقة. بالمقابل، توفر تقنيات التعلم الآلي، وخاصة النماذج الجماعية مثل الغابة العشوائية (RF) وXGBoost، قدرات تنبؤية محسنة من خلال التقاط الأنماط المعقدة وغير الخطية المرتبطة بالفيضانات. ومع ذلك، فإن الطبيعة “الصندوق الأسود” لهذه النماذج تطرح تحديات للشفافية وقابلية التفسير، وهي أمور حاسمة لصنع السياسات الفعالة.
لمعالجة هذه التحديات، تقترح الدراسة استخدام التأثيرات المحلية المتراكمة (ALE) كطريقة بديلة للتفسير، تأخذ في الاعتبار ارتباطات الميزات وتقدم رؤى دقيقة حول تعرض الفيضانات في السياقات الحضرية. من خلال تطبيق ALE بشكل منهجي جنبًا إلى جنب مع النماذج التقليدية مثل الانحدار اللوجستي (LR)، والنماذج الجماعية المتقدمة (RF وXGBoost)، تهدف الدراسة إلى تعزيز كل من الدقة التنبؤية وقابلية التفسير. يسهل هذا النهج قابلية التفسير عبر النماذج ويدعم اتخاذ القرارات ذات الصلة بالمساهمين، مما يمثل تقدمًا كبيرًا في دمج الذكاء الاصطناعي القابل للتفسير (XAI) ضمن تقييم مخاطر الفيضانات الحضرية. يتم وضع الدراسة كواحدة من الأولى التي تدمج ALE ضمن إطار نمذجة تعرض الفيضانات المستند إلى النماذج الجماعية، مما يحول التركيز من التفسيرات العالمية إلى الرؤى المحلية السياقية.
الطرق
توضح قسم المنهجية الإطار الشامل المستخدم في تحليل تعرض الفيضانات، والذي يشمل عدة مكونات حيوية. في البداية، يتم مناقشة اختيار منطقة الدراسة، وهو أمر محوري لوضع التحليل في سياقه. بعد ذلك، يتم توضيح مرحلة إعداد البيانات، مع التأكيد على أهمية البيانات الدقيقة والملائمة في إبلاغ النموذج.
يعد تطوير النموذج محورًا رئيسيًا، حيث يتم وصف التقنيات والخوارزميات المحددة المستخدمة لتقييم تعرض الفيضانات. كما يتم تسليط الضوء على مقاييس تقييم الأداء، لضمان موثوقية وصحة توقعات النموذج. أخيرًا، يتناول القسم تطبيق التأثيرات المحلية المتراكمة (ALE) لتفسير النموذج، مما يوفر رؤى حول تأثير العوامل المختلفة على نتائج تعرض الفيضانات. هذا الإطار المنهجي ضروري لفهم ديناميات مخاطر الفيضانات في منطقة الدراسة المختارة.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج التي توصلت إليها الدراسة، مع تسليط الضوء على النقاط البيانية الرئيسية والاتجاهات التي لوحظت خلال التحقيق. عادةً ما تكون النتائج مصحوبة بتحليلات إحصائية ذات صلة، بما في ذلك قيم p وفترات الثقة، للتحقق من أهمية النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم تمثيلات بصرية مثل الرسوم البيانية أو الجداول التي توضح العلاقات بين المتغيرات أو آثار التدخلات. تساعد هذه المساعدات البصرية في تعزيز وضوح النتائج وتسهيل فهم الأنماط الأساسية بشكل أفضل. بشكل عام، يعد هذا القسم حاسمًا لتفسير آثار البحث وتحديد الأسس للنقاشات والاستنتاجات اللاحقة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على زيادة مخاطر الفيضانات في كوالالمبور، ماليزيا، بسبب التحضر السريع وتغير المناخ. تحدد الدراسة تغييرات كبيرة في استخدام الأراضي منذ السبعينيات، والتي استبدلت السهول الفيضية الطبيعية بأسطح غير نفاذة، مما زاد من جريان السطح وأثر على أنظمة الصرف. المناطق الحضرية ذات الكثافة العالية مثل دامانسارا وبوكيت جليل معرضة بشكل خاص، مما يجعل كوالالمبور حالة مثالية لتقييم تعرض الفيضانات باستخدام تقنيات التعلم الآلي. تستخدم الدراسة نماذج الغابة العشوائية (RF)، وXGBoost، والانحدار اللوجستي (LR)، جنبًا إلى جنب مع طريقة التأثيرات المحلية المتراكمة (ALE)، لاستخراج رؤى قابلة للتنفيذ لتعزيز مرونة الفيضانات الحضرية.
تعد جرد الفيضانات، التي تتكون من 900 نقطة مكانية مستمدة من السجلات التاريخية، أساسًا لرسم خرائط تعرض الفيضانات. تتضمن الدراسة 12 عاملًا من عوامل تكييف الفيضانات، بما في ذلك الأمطار، والارتفاع، واستخدام الأراضي، والتي تعتبر حيوية للحصول على مخرجات دقيقة للنموذج. ضمنت معالجة البيانات موثوقية النماذج، مع الانتباه الدقيق إلى التعدد الخطي وتقييس الميزات. أظهر تقييم الأداء أن كل من RF وXGBoost تفوقا على LR، حيث حققا دقة بنسبة 94% وأقل بقليل من 94%، على التوالي، مع قيم AUC عالية تشير إلى تمييز ممتاز للنموذج. تكشف خرائط تعرض الفيضانات الناتجة عن هذه النماذج عن تصنيفات متميزة لمخاطر الفيضانات عبر المدينة، مما يبرز أهمية استخدام نماذج متعددة لإبلاغ إدارة مخاطر الفيضانات وقرارات التخطيط الحضري. تؤكد النتائج على الحاجة إلى تدابير تخفيف مستهدفة في المناطق عالية المخاطر، خاصة تلك التي تشهد تحضرًا سريعًا.
DOI: https://doi.org/10.1007/s11269-025-04430-0
Publication Date: 2026-02-18
Author(s): Abdulwaheed Tella et al.
Primary Topic: Flood Risk Assessment and Management
Overview
This study addresses the critical need for effective flood susceptibility mapping in urban areas, emphasizing the challenge of balancing model interpretability with predictive accuracy in environmental modeling. By integrating Accumulated Local Effects (ALE) with ensemble machine learning models—specifically logistic regression (LR), random forest (RF), and eXtreme Gradient Boosting (XGBoost)—the research enhances transparency in flood risk assessments. The ensemble models demonstrated superior predictive performance, achieving an accuracy of 94% and an AUC of 0.98, while effectively capturing complex non-linear relationships, such as rainfall thresholds and urban infrastructure impacts. Key flood drivers identified included annual rainfall, distance to rivers, elevation, slope, and the Normalised Difference Vegetation Index (NDVI).
The findings reveal that while logistic regression provides a clear interpretative framework, ensemble methods significantly outperform it in accuracy and in capturing nuanced interactions among variables. Notably, the study found that more urbanized areas exhibited lower flood susceptibility, potentially due to engineered flood mitigation systems. The susceptibility maps generated from this analysis, validated against historical flood records, delineate high-risk zones and underscore the practical implications of combining predictive performance with interpretability. This research not only contributes a replicable framework for flood susceptibility assessment but also highlights the potential of explainable AI in informing sustainable urban planning and enhancing resilience to hydrological hazards. Future work is encouraged to explore temporal dynamics and hybrid models, further enriching the insights derived from ALE.
Introduction
The introduction of the research paper highlights the increasing significance of flood susceptibility assessment in urban areas due to rapid urbanization and climate change, which exacerbate the impacts of flooding. Traditional methods for flood susceptibility mapping, such as multi-criteria decision-making (MCDM) and statistical approaches like frequency ratio, often suffer from subjectivity and linear assumptions, leading to inaccuracies. In contrast, machine learning techniques, particularly ensemble models like Random Forest (RF) and XGBoost, provide enhanced predictive capabilities by capturing complex, non-linear patterns associated with flooding. However, the “black-box” nature of these models poses challenges for transparency and interpretability, which are crucial for effective policymaking.
To address these challenges, the study proposes the use of Accumulated Local Effects (ALE) as an alternative interpretability technique, which accounts for feature correlations and offers nuanced insights into flood susceptibility in urban contexts. By systematically applying ALE alongside traditional models such as logistic regression (LR), and advanced ensemble models (RF and XGBoost), the research aims to enhance both predictive accuracy and interpretability. This approach facilitates cross-model interpretability and supports decision-making that is relevant to stakeholders, marking a significant advancement in the integration of explainable artificial intelligence (XAI) within urban flood risk assessment. The study is positioned as one of the first to embed ALE within an ensemble-based flood susceptibility modeling framework, shifting the focus from global interpretations to locally contextualized insights.
Methods
The methodology section details the comprehensive framework employed for flood susceptibility analysis, encompassing several critical components. Initially, the selection of the study area is discussed, which is pivotal for contextualizing the analysis. Following this, the data preparation phase is outlined, emphasizing the importance of accurate and relevant data in informing the model.
The development of the model is a key focus, where specific techniques and algorithms utilized for flood susceptibility assessment are described. Performance evaluation metrics are also highlighted, ensuring the reliability and validity of the model’s predictions. Finally, the section addresses the application of Accumulated Local Effects (ALE) for model interpretation, providing insights into the influence of various factors on flood susceptibility outcomes. This methodological framework is essential for understanding the dynamics of flood risks in the selected study area.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting key data points and trends observed during the investigation. The results are typically accompanied by relevant statistical analyses, including p-values and confidence intervals, to validate the significance of the findings.
Additionally, the section may include visual representations such as graphs or tables that illustrate the relationships between variables or the effects of interventions. These visual aids serve to enhance the clarity of the results and facilitate a better understanding of the underlying patterns. Overall, this section is crucial for interpreting the implications of the research and setting the stage for subsequent discussions and conclusions.
Discussion
The discussion section of the research paper highlights the increasing flood risk in Kuala Lumpur, Malaysia, due to rapid urbanization and climate variability. The study identifies significant changes in land use since the 1970s, which have replaced natural floodplains with impervious surfaces, exacerbating surface runoff and straining drainage systems. High-density urban areas such as Damansara and Bukit Jalil are particularly vulnerable, making Kuala Lumpur an ideal case for evaluating flood susceptibility using machine learning techniques. The research employs Random Forest (RF), XGBoost, and Logistic Regression (LR) models, alongside the Accumulated Local Effects (ALE) method, to derive actionable insights for enhancing urban flood resilience.
The flood inventory, comprising 900 spatial points derived from historical records, serves as a foundation for flood susceptibility mapping. The study incorporates 12 flood conditioning factors, including rainfall, elevation, and land cover, which are critical for accurate model outputs. Data preprocessing ensured the reliability of the models, with careful attention to multicollinearity and feature scaling. Performance evaluation revealed that both RF and XGBoost outperformed LR, achieving accuracies of 94% and just under 94%, respectively, with high AUC values indicating excellent model discrimination. The flood susceptibility maps generated by these models reveal distinct classifications of flood risk across the city, underscoring the importance of using multiple models to inform flood risk management and urban planning decisions. The findings emphasize the need for targeted mitigation measures in high-risk areas, particularly those undergoing rapid urbanization.