DOI: https://doi.org/10.1038/s41598-024-84655-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39799190
تاريخ النشر: 2025-01-11
المؤلف: Fei He وآخرون
الموضوع الرئيسي: تقييم وإدارة مخاطر الفيضانات
نظرة عامة
تتركز هذه الدراسة على رسم خرائط تعرض الفيضانات المفاجئة في حوض نهر يارلونغ تسنغبو (YTRB) باستخدام نماذج متعددة من التعلم الآلي (ML) عبر منصة H2O للتعلم الآلي الآلي. تحدد الأبحاث المناطق المعرضة لخطر الفيضانات، وهو أمر حاسم لاستراتيجيات فعالة للوقاية من الكوارث. النموذج الأفضل أداءً، الأشجار العشوائية المتطرفة (XRT)، أنتج خريطة تعرض تشير إلى أن 8.92%، 12.95%، 15.42%، 31.34%، و31.37% من المنطقة تقع في فئات التعرض العالية جداً، العالية، المتوسطة، المنخفضة، والمنخفضة جداً، على التوالي. ومن الجدير بالذكر أن حوالي 74.9% من الفيضانات المفاجئة التاريخية حدثت في مناطق مصنفة على أنها متوسطة إلى عالية جداً في التعرض.
استخدم التحليل 605 حالة من الفيضانات المفاجئة و15 عاملاً مؤثراً، كاشفاً أن العناصر الطبوغرافية مثل نموذج الارتفاع الرقمي (DEM)، ومؤشر رطوبة التضاريس (TWI)، ومؤشر موقع التضاريس (TPI) كانت من أبرز المؤشرات على خطر الفيضانات المفاجئة. تؤكد الدراسة على مزايا التعلم الآلي القابل للتفسير، وخاصة الحساب السريع وتحسين المعلمات تلقائيًا الذي تقدمه منصة H2O Auto-ML. لا تسهم هذه الأبحاث فقط في إدارة المخاطر من خلال توفير خريطة موثوقة لتعرض الفيضانات المفاجئة، ولكنها أيضًا تعتبر مرجعًا للدراسات المستقبلية وتساعد صانعي القرار المحليين في تطوير استراتيجيات فعالة للتخفيف من الفيضانات.
الطرق
في هذه الدراسة، تشمل المنهجية عدة عمليات رئيسية تهدف إلى تقييم تعرض الفيضانات المفاجئة. في البداية، تم اختيار العوامل المؤثرة على الفيضانات المفاجئة، تلتها تدريب نماذج التعلم الآلي (ML). تتضمن الطريقة تقييم النموذج لضمان الدقة والموثوقية، بالإضافة إلى إنشاء خرائط تعرض الفيضانات المفاجئة. بالإضافة إلى ذلك، تؤكد الدراسة على تفسير النماذج لاستخلاص رؤى ذات مغزى من البيانات. تم توفير مخطط انسيابي يوضح المنهجية العامة في الشكل 3، الذي يحدد الخطوات المتسلسلة المتخذة طوال البحث.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج المستمدة من التجارب والتحليلات التي تم إجراؤها. تشمل النتائج الرئيسية تحديد العلاقات المهمة بين المتغيرات المدروسة، كما تشير الاختبارات الإحصائية التي أسفرت عن قيم p أقل من العتبة التقليدية 0.05. بالإضافة إلى ذلك، تظهر النتائج اتجاهًا واضحًا في البيانات، مما يشير إلى أن العلاقات المفترضة صحيحة تحت الظروف المختبرة.
علاوة على ذلك، يتضمن القسم تمثيلات بيانية للبيانات، والتي توضح الأنماط الملحوظة وتدعم الاستنتاجات المستخلصة. تتم مناقشة النتائج بالنسبة للأدبيات الموجودة، مع تسليط الضوء على آثارها في هذا المجال والطرق المحتملة للبحث المستقبلي. بشكل عام، توفر النتائج أدلة قوية على الفرضيات المقترحة وتساهم برؤى قيمة في الموضوع.
المناقشة
تركز الدراسة على حوض نهر يارلونغ تسنغبو (YTRB) في هضبة التبت الجنوبية، والتي تتميز بفروق ارتفاع كبيرة وتضاريس معقدة تؤثر على تعرض الفيضانات المفاجئة. استخدمت الأبحاث جردًا شاملاً للفيضانات المفاجئة من 1980 إلى 2019، حيث تم تحديد 605 فيضانات مفاجئة موثقة، واستخدمت عوامل جوية وسطحية مختلفة لتقييم تأثيرها على حدوث الفيضانات. تشير النتائج الرئيسية إلى أنه بينما غالبًا ما يُشار إلى هطول الأمطار كعامل رئيسي في الفيضانات المفاجئة، فإن الميزات الطبوغرافية مثل الارتفاع، وخشونة التضاريس، وإمكانية تراكم المياه (المقاسة بواسطة مؤشر رطوبة التضاريس، TWI) تلعب دورًا أكثر أهمية في تحديد تعرض الفيضانات في YTRB.
استخدمت الدراسة تقنيات التعلم الآلي، وتحديدًا منصة H2O Auto-ML، لتحليل البيانات وتوقع تعرض الفيضانات المفاجئة. تفوق نموذج الأشجار العشوائية المتطرفة (XRT) على الآخرين، محققًا AUC قدره 0.9671، مما يدل على دقة تنبؤية عالية. كشفت التحليلات أن العوامل الطبوغرافية، وخاصة نموذج الارتفاع الرقمي (DEM)، كانت الأكثر تأثيرًا في توقع حدوث الفيضانات المفاجئة، بينما كان لاستخدام الأراضي/غطاء الأرض (LULC) تأثير أقل. تؤكد النتائج على أهمية دمج البيانات الطبوغرافية والمناخية في تقييمات مخاطر الفيضانات وتوفر رؤى قابلة للتنفيذ لأصحاب المصلحة المحليين، بما في ذلك التوصيات للتخطيط، والتخفيف من المخاطر، وتطوير أنظمة الإنذار المبكر. يجب أن تتناول الأبحاث المستقبلية قيود بيانات الفيضانات التاريخية وتستكشف تباين العوامل المؤثرة بمرور الوقت والمكان لتعزيز نماذج التنبؤ بشكل أكبر.
DOI: https://doi.org/10.1038/s41598-024-84655-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39799190
Publication Date: 2025-01-11
Author(s): Fei He et al.
Primary Topic: Flood Risk Assessment and Management
Overview
This study focuses on flash flood susceptibility mapping in the Yarlung Tsangpo River Basin (YTRB) using multiple machine learning (ML) models via the H2O automated ML platform. The research identifies areas at risk of flooding, which is crucial for effective disaster prevention strategies. The best-performing model, eXtreme Randomized Trees (XRT), produced a susceptibility map indicating that 8.92%, 12.95%, 15.42%, 31.34%, and 31.37% of the area falls into very high, high, moderate, low, and very low susceptibility categories, respectively. Notably, approximately 74.9% of historical flash floods occurred in regions classified as moderate to very high susceptibility.
The analysis utilized 605 flash flood occurrences and 15 influencing factors, revealing that topographic elements such as Digital Elevation Model (DEM), Topographic Wetness Index (TWI), and Topographic Position Index (TPI) were the most significant predictors of flash flood risk. The study underscores the advantages of interpretable machine learning, particularly the rapid computation and automatic parameter optimization offered by the H2O Auto-ML platform. This research not only contributes to risk management by providing a reliable flash flood susceptibility map but also serves as a reference for future studies and aids local decision-makers in developing effective flood mitigation strategies.
Methods
In this study, the methodology encompasses several key processes aimed at assessing flash flood susceptibility. Initially, factors influencing flash floods were selected, followed by the training of machine learning (ML) models. The approach includes model evaluation to ensure accuracy and reliability, as well as the creation of flash flood susceptibility maps. Additionally, the study emphasizes the interpretation of the models to derive meaningful insights from the data. A flowchart illustrating the overall methodology is provided in Figure 3, which outlines the sequential steps taken throughout the research.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments and analyses. Key outcomes include the identification of significant correlations between the variables studied, as indicated by statistical tests that yielded p-values below the conventional threshold of 0.05. Additionally, the results demonstrate a clear trend in the data, suggesting that the hypothesized relationships hold true under the tested conditions.
Furthermore, the section includes graphical representations of the data, which illustrate the observed patterns and support the conclusions drawn. The findings are discussed in relation to existing literature, highlighting their implications for the field and potential avenues for future research. Overall, the results provide robust evidence for the proposed hypotheses and contribute valuable insights into the subject matter.
Discussion
The study focuses on the Yarlung Tsangpo River Basin (YTRB) in the southern Tibetan Plateau, characterized by significant elevation differences and a complex topography that influences flash flood susceptibility. The research utilized a comprehensive flash flood inventory from 1980 to 2019, identifying 605 documented flash floods, and employed various meteorological and surface factors to assess their impact on flood occurrences. Key findings indicate that while precipitation is often cited as a primary factor in flash floods, in the YTRB, topographic features such as elevation, terrain ruggedness, and water accumulation potential (measured by the Topographic Wetness Index, TWI) play a more critical role in determining flood susceptibility.
The study employed machine learning techniques, specifically the H2O Auto-ML platform, to analyze the data and predict flash flood susceptibility. The Extreme Randomized Trees (XRT) model outperformed others, achieving an AUC of 0.9671, indicating high predictive accuracy. The analysis revealed that topographic factors, particularly the Digital Elevation Model (DEM), were the most influential in predicting flash flood occurrences, while land use/land cover (LULC) had a lesser impact. The findings underscore the importance of integrating topographic and climatic data in flood risk assessments and provide actionable insights for local stakeholders, including recommendations for zoning, risk mitigation, and the development of early warning systems. Future research should address the limitations of historical flood data and explore the variability of influencing factors over time and space to enhance predictive models further.