DOI: https://doi.org/10.1007/s10661-026-15040-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41711999
تاريخ النشر: 2026-02-19
المؤلف: Shaufikah Shukri وآخرون
الموضوع الرئيسي: تطبيقات الشبكات العصبية المتقدمة
نظرة عامة
تتناول الأبحاث القضية المتزايدة للفيضانات الحضرية التي تفاقمت بسبب الحطام العائم في الأنهار، والذي يعيق تدفق المياه ويشكل مخاطر على السلامة والاستدامة البيئية. تقدم الدراسة إطار عمل لمراقبة الوقت الحقيقي يستخدم نماذج كشف الكائنات المعتمدة على التعلم العميق، وتحديدًا You Look Only Once (YOLO)، لتحديد وقياس الحطام العائم في الأنهار الحضرية. أظهرت الاختبارات الميدانية التي أجريت في المناطق المعرضة للفيضانات في شاه علم، ماليزيا، أن نموذج YOLOv7 تفوق على YOLOv9 من حيث الدقة والموثوقية عبر أنواع الحطام المختلفة وظروف الإضاءة، محققًا دقة قوية، واسترجاع، ودرجات F1. لا يعزز هذا النظام فقط تقييم مخاطر الفيضانات وإدارة الأنهار، بل يتماشى أيضًا مع أهداف التنمية المستدامة (SDGs) 11 و 13 من خلال توفير حل قابل للتوسع للمراقبة في المناطق المعرضة للفيضانات.
تؤكد الدراسة على إمكانيات الذكاء الاصطناعي في تحسين المراقبة البيئية وإدارة مخاطر الفيضانات من خلال الكشف الآلي عن الحطام. من خلال دمج نماذج قائمة على YOLO في نظام الوقت الحقيقي، تتغلب الأبحاث على قيود طرق المراقبة التقليدية التي تعتمد غالبًا على الفحوصات اليدوية. تؤكد النتائج على موثوقية النظام في الظروف الطبيعية ودوره في توفير رؤى حاسمة لمنع الفيضانات وصحة الأنهار. ستسعى الأبحاث المستقبلية إلى توسيع الإطار ليشمل تقدير مستوى المياه ودمجه مع البيانات الجوية، مما يعزز قابليته للتطبيق عبر أحواض الأنهار المتعددة لجهود المراقبة الوطنية والإقليمية الشاملة.
مقدمة
تتناول مقدمة هذه الورقة البحثية الزيادة المتزايدة في انتشار الفيضانات الحضرية، والتي تعطل الأنشطة الاجتماعية والاقتصادية، وتلحق الضرر بالبنية التحتية، وتزيد من مخاطر الصحة. تُعرف الفيضانات الحضرية بأنها التدفق المؤقت للمياه على اليابسة في المناطق الحضرية، وتشمل أنواعًا مختلفة مثل الفيضانات المطرية، والفيضانات النهرية، والفيضانات الساحلية، والفيضانات المفاجئة، والفيضانات الناتجة عن المياه الجوفية، ونظام تصريف المياه الحضرية (UDS). تعتبر الفيضانات الناتجة عن نظام تصريف المياه الحضرية معقدة بشكل خاص، وغالبًا ما تتفاقم بسبب عوامل مثل الأمطار الغزيرة، وعدم كفاية الصرف، والتوسع الحضري السريع، والحطام العائم، الذي يعيق تدفق المياه ويساهم في تدهور البيئة. تؤكد الدراسة على الحاجة إلى مراقبة فعالة للحطام العائم، الذي يعمل كدليل بيئي وإشارة إنذار مبكر للفيضانات المحتملة.
تسلط الورقة الضوء على قيود طرق المراقبة التقليدية، مثل الفحوصات اليدوية وكاميرات المراقبة الأساسية، التي تتطلب جهدًا كبيرًا وتفتقر إلى القدرات الزمنية الحقيقية. بالمقابل، تقدم التطورات في الذكاء الاصطناعي (AI) ورؤية الكمبيوتر حلولًا آلية للكشف عن الحطام وتصنيفه. يقدم المؤلفون نظام مراقبة الفيضانات المعتمد على الذكاء الاصطناعي الذي تم تطويره في ماليزيا، والذي يستخدم خوارزميات التعلم العميق المعتمدة على YOLO (YOLOv7 و YOLOv9) لتعزيز دقة الكشف وتوفير تنبيهات في الوقت الحقيقي. يهدف هذا النظام إلى تحسين الاستعداد للفيضانات والمساهمة في جهود المراقبة البيئية الأوسع، متماشيًا مع أهداف التنمية المستدامة للأمم المتحدة (SDGs) التي تركز على التنمية الحضرية المستدامة والعمل المناخي. توضح الدراسة مساهماتها، بما في ذلك تطوير إطار كشف قوي، واستخدام مجموعات بيانات متنوعة، ومقاييس تقييم الأداء، بهدف تعزيز المجتمعات الحضرية الأكثر أمانًا من خلال أنظمة المراقبة الذكية.
نقاش
تسلط قسم النقاش في الورقة البحثية الضوء على الزيادة المتكررة والشديدة في الفيضانات، لا سيما في ماليزيا، مما يبرز الحاجة إلى أنظمة فعالة لمراقبة الفيضانات والإنذار المبكر. تستعرض الورقة تقنيات مراقبة الفيضانات الحالية، وخاصة الطرق المعتمدة على الأقمار الصناعية، التي تواجه تحديات مثل تأثيرات التضاريس والضوضاء الجوية. على الرغم من قدرات أنظمة الرادار ذات الفتحة الاصطناعية (SAR) في الكشف عن المسطحات المائية، فإن تعقيد تفسير بيانات الرادار يتطلب التحقق من خلال الملاحظات الأرضية. يقترح المؤلفون نظام كشف آلي للحطام العائم يستخدم تقنيات رؤية الكمبيوتر المتقدمة وهندسة التعلم العميق YOLOv7 لتعزيز دقة وكفاءة مراقبة الفيضانات.
يهدف النظام المقترح إلى معالجة قيود الطرق التقليدية من خلال دمج اكتساب بيانات الفيديو في الوقت الحقيقي وخوارزميات كشف الكائنات المتقدمة. توضح الدراسة نشر هذا النظام في بيئات الأنهار الحضرية في شاه علم، ماليزيا، حيث ينجح في الكشف وتصنيف أنواع مختلفة من الحطام العائم. تظهر الأبحاث أن نموذج YOLOv7 يتفوق على YOLOv9 من حيث الدقة والاسترجاع، لا سيما في تحديد أنواع الحطام المحددة. تؤكد النتائج على أهمية تعزيز دقة الكشف لتحسين قدرات الإنذار المبكر وتقييم مخاطر الفيضانات بشكل عام، مما يساهم في استراتيجيات إدارة الفيضانات الأكثر فعالية.
DOI: https://doi.org/10.1007/s10661-026-15040-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41711999
Publication Date: 2026-02-19
Author(s): Shaufikah Shukri et al.
Primary Topic: Advanced Neural Network Applications
Overview
The research addresses the growing issue of urban flooding exacerbated by floating debris in rivers, which obstructs water flow and poses risks to safety and environmental sustainability. The study introduces a real-time monitoring framework that utilizes deep learning-based object detection models, specifically You Look Only Once (YOLO), to identify and quantify floating debris in urban rivers. Field tests conducted in flood-prone areas of Shah Alam, Malaysia, demonstrated that the YOLOv7 model outperformed YOLOv9 in terms of accuracy and robustness across various debris types and lighting conditions, achieving strong precision, recall, and F1-scores. This system not only enhances flood risk assessment and river management but also aligns with Sustainable Development Goals (SDGs) 11 and 13 by providing a scalable solution for monitoring in flood-prone regions.
The study underscores the potential of artificial intelligence in improving environmental monitoring and flood risk management through automated debris detection. By integrating YOLO-based models into a real-time system, the research overcomes limitations of traditional monitoring methods that often depend on manual inspections. The findings emphasize the system’s reliability in natural conditions and its role in providing critical insights for flood prevention and river health. Future research will aim to expand the framework to include water level estimation and integration with meteorological data, thereby enhancing its applicability across multiple river basins for comprehensive national and regional monitoring efforts.
Introduction
The introduction of this research paper addresses the increasing prevalence of urban flooding, which disrupts social and economic activities, damages infrastructure, and heightens health risks. Urban flooding, defined as the temporary overland flow of water in urban areas, includes various types such as pluvial, fluvial, coastal, flash, groundwater, and urban drainage system (UDS) flooding. UDS flooding is particularly complex, often exacerbated by factors like intense rainfall, inadequate drainage, rapid urbanization, and floating debris, which obstructs water flow and contributes to environmental degradation. The study emphasizes the need for effective monitoring of floating debris, which serves as both an environmental indicator and an early warning signal for potential flooding.
The paper highlights the limitations of conventional monitoring methods, such as manual inspections and basic CCTV, which are labor-intensive and lack real-time capabilities. In contrast, advances in artificial intelligence (AI) and computer vision offer automated solutions for debris detection and classification. The authors present an AI-powered flood monitoring system developed in Malaysia, utilizing YOLO-based deep learning algorithms (YOLOv7 and YOLOv9) to enhance detection accuracy and provide real-time alerts. This system aims to improve flood preparedness and contribute to broader environmental monitoring efforts, aligning with the United Nations Sustainable Development Goals (SDGs) focused on sustainable urban development and climate action. The study outlines its contributions, including the development of a robust detection framework, the use of diverse datasets, and performance evaluation metrics, ultimately aiming to foster safer urban communities through intelligent monitoring systems.
Discussion
The discussion section of the research paper highlights the increasing frequency and severity of floods, particularly in Malaysia, emphasizing the need for effective flood monitoring and early warning systems. The paper reviews existing flood monitoring technologies, particularly satellite-based methods, which face challenges such as terrain effects and atmospheric noise. Despite the capabilities of synthetic aperture radar (SAR) systems in detecting water bodies, the complexity of radar data interpretation necessitates validation through ground observations. The authors propose an automated floating debris detection system utilizing advanced computer vision techniques and the YOLOv7 deep learning architecture to enhance the accuracy and efficiency of flood monitoring.
The proposed system aims to address the limitations of conventional methods by integrating real-time video data acquisition and advanced object detection algorithms. The study outlines the deployment of this system in urban river environments in Shah Alam, Malaysia, where it successfully detects and classifies various types of floating debris. The research demonstrates that the YOLOv7 model outperforms YOLOv9 in terms of precision and recall, particularly in identifying specific debris types. The findings underscore the importance of enhancing detection precision to improve early warning capabilities and overall flood risk assessment, ultimately contributing to more effective flood management strategies.