استفاده از گزارش شهروندان در پیش‌بینی سیلاب شهری با رویکرد یادگیری ماشین و داده تاریخی بارش (مطالعه مورد: شهر قم)

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 پردیس بین المللی کیش، دانشگاه تهران، تهران، ایران

2 گروه مهندسی محیط زیست، دانشکده محیط زیست، دانشگاه تهران، تهران، ایران

3 گروه مهندسی آب، دانشکدگان کشاورزی و منابع طبیعی، دانشکده فناوری کشاورزی (ابوریحان)، دانشگاه تهران

10.22059/jwim.2025.396294.1235

چکیده

پژوهش حاضر با هدف توسعه روشی علمی و کاربردی برای پیشبینی سیلاب‌های شهری، از گزارش‌های مردمی و داده‌های ماهواره‌ای بارش بهره گرفته‌است. محدوده شهر با استفاده از یک شبکه مربعی با فواصل 3000 متر تقسیم و نقاط برخورد خطوط شبکه به عنوان ایستگاه برداشت بارندگی انتخاب شدند. روزهای تر، خشک و عادی بر اساس گزارش‌های شهروندان و مشاهده بارش، دسته‌بندی گردیده و مدل‌های یادگیری ماشی شامل ماشین بردار پشتیبان، رگرسیون لجستیکی و جنگل تصادفی آموزش داده شدند. نتایج نشان داد که مدل جنگل تصادفی با دقت 98 درصد و امتیاز F1، 66 درصد در شناسایی رویدادهای سیلاب، برترین مدل می‌باشد. با توجه به اقلیم نیمه‌بیابانی منطقه مورد مطالعه (شهر قم) و خسارات غیر جانی سیلاب، تاکید ارزیابی مدل‌ها بر دقت در شناسایی درست موارد سیلاب جهت افزایش اطمینان و عدم ایجاد تشویش در جامعه به دلیل هشدارهای نادرست است. بر اساس تحلیل مهم‌ترین ویژگی‌ها، ایستگاه‌های 1 و 23 به عنوان مکان‌های کلیدی برای نصب تجهیزات بارش شناخته شدند. سپس، نمودار آستانه بارش بحرانی برای پیش‌بینی وقوع سیلاب ترسیم شد و در اعتبارسنجی با داده‌های واقعی، آستانه بحرانی سیلاب با سطح احتمال 90 درصد روشی قابل درک برای پیشبینی سیلاب شناخته شد. بارش‌های بالای آستانه منجر به وقوع سیلاب شهری گشته در حالیکه مقادیر پایین نمودار، موارد بی خطر محسوب می شوند. این رویکرد، ابزار مؤثری در سیستم‌های هشدار سریع است و می‌تواند در مدیریت بحران شهری، از خسارات مالی و جانی جلوگیری کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Using citizen reports for urban flood prediction with machine learning approach and historical rainfall data (Case Study: Qom, Iran)

نویسندگان [English]

  • Fereshte Sadat Mousavi Pour 1
  • Mohammad Hossein Niksokhan 2
  • Jaber Soltani 3
1 Kish international Campus, University of Tehran, Kish, Iran
2 Department of Environmental Engineering, Faculty of Environment, University of Tehran, Tehran, Iran
3 Department of Water Engineering, Faculty of Agricultural Technology, University College of Agriculture & Natural Resources, University of Tehran, Tehran, Iran
چکیده [English]

This research aims to develop a scientific and practical method for urban flood prediction using citizen reports and satellite rainfall data. The city area is divided into a grid with 3,000-meter intervals, and the intersection points of the grid lines are selected as rainfall measurement stations. Days are classified as wet, dry, and normal based on citizen reports and observed rainfall, and machine learning models including Support Vector Machine, Logistic Regression, and Random Forest are trained on these data. The results show that the Random Forest model has the highest performance, with 98percent precision and an F1 score of 66 percent in correctly identifying flood events. Considering Qom’s semi-arid climate and the non-lethal damages caused by floods, emphasis was placed on the precision of models in correctly detecting flood cases to enhance confidence and prevent community anxiety due to false alarms. Stations 1 and 23 are identified as critical locations for rainfall equipment installation based on feature importance analysis. Subsequently, a critical rainfall threshold curve at a 90 percent probability level was plotted for flood prediction, and validated with real data. Rainfall above the threshold generally results in floods, while values below are considered safe. This approach is an effective tool for rapid warning systems and can aid urban disaster management to prevent financial and human losses.

کلیدواژه‌ها [English]

  • Citizen observations
  • Machine learning
  • Pluvial flooding
  • Rainfall
مدیریت آب و آبیاری

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 24 مرداد 1404

فایل ها

هم رسانی

ارجاع به این مقاله

آمار