پیشینه

در سراسر جهان، تعداد بلایای طبیعی و رویدادهای مرتبط با آب و هوا مانند طوفان یا سیل در طول ۳۵ سال گذشته به طور قابل توجهی ۳ برابر افزایش یافته است ^.۱ از دیدگاه اقتصادی، مسائل اجتماعی-اقتصادی جهانی مانند افزایش جمعیت و همچنین تغییرات در ترکیب جمعیتی، قوی‌ترین محرک‌ها برای افزایش خسارت هستند. تجزیه و تحلیل سود-هزینه نشان می‌دهد که گرمایش جهانی به دلیل پدیده‌های همرفتی مانند تگرگ همراه با بارندگی که بیشترین بدهی‌های سنگین را از سوی افرادی که در مناطقی که بیشتر مستعد بلایای فصلی هستند، نشان می‌دهد، یک عامل مؤثر است. صنعت بیمه به شدت تحت تأثیر این روندها قرار گرفته است و تغییراتی را در استراتژی قیمت‌گذاری و ارزیابی ریسک برای حفظ توانایی پرداخت بیمه‌نامه‌ها ایجاد کرده است ^.۱

ادغام داده‌های سنجش از دور و اقلیمی برای شناسایی و تجزیه و تحلیل مناطق سیل‌زده در مناطق خشک بسیار مهم است. این مناطق به دلیل پوشش گیاهی کم، نفوذپذیری محدود خاک و الگوهای بارندگی غیرقابل پیش‌بینی، در برابر سیل‌های ناگهانی بسیار آسیب‌پذیر هستند. با ترکیب تصاویر ماهواره‌ای با داده‌های بارش، می‌توان وقایع بارندگی را رصد کرد، رواناب سطحی را تجزیه و تحلیل کرد و مناطق سیل‌زده را با دقت بالا نقشه‌برداری کرد. ^{۲ ، ۳ ، ۴٫} این رویکرد ترکیبی، تشخیص سیل در زمان واقعی را امکان‌پذیر می‌کند و دقت مدل‌های هیدرولوژیکی را که جزء مهمی از سیستم‌های هشدار اولیه هستند، افزایش می‌دهد. علاوه بر این، به شناسایی مناطق مستعد سیل کمک می‌کند و به سیاست‌گذاران و دولت‌های محلی اجازه می‌دهد تا استراتژی‌های مناسب کاهش اثرات را اجرا کنند، مدیریت منابع آب را بهینه کنند و اثرات اجتماعی-اقتصادی و زیست‌محیطی سیل را به حداقل برسانند. چنین رویکردهای یکپارچه‌ای، بینش‌های کلیدی در مورد پویایی سیل در مناطق خشک ارائه می‌دهند و به جوامع کمک می‌کنند تا آمادگی خود را برای این خطر طبیعی بهبود بخشند.

بسیاری از مطالعات در سراسر جهان، ترکیب داده‌های سنجش از دور با داده‌های اقلیمی را برای توصیف خطرات سیل طبیعی و کاهش آنها بررسی کرده‌اند. بریویو و همکارانش ^۵ روشی را با ترکیب تصاویر رادار روزنه مصنوعی (SAR) و داده‌های سیستم‌های اطلاعات جغرافیایی (GIS) برای نقشه‌برداری دقیق از مناطق سیل‌زده توسعه دادند و از این طریق بر تأخیر بین اوج طغیان سیل و جمع‌آوری داده‌ها غلبه کردند و با موفقیت ۹۶٫۷٪ از مناطق سیل‌زده ثبت شده توسط مقامات محلی در طول سیل سال ۱۹۹۴ در منطقه پیمونته، ایتالیا ^۵ را نقشه‌برداری کردند .

مطالعات هیدرودینامیک دشت‌های سیلابی، مانند رودخانه بیبرزا (لهستان)، نشان می‌دهد که سیل‌ها از منابع آب با موقعیت مکانی متفاوت (مانند رودخانه‌ها، آب‌های زیرزمینی و آب باران) سرچشمه می‌گیرند و تحت تأثیر الگوهای پوشش گیاهی قرار می‌گیرند، و روش‌هایی مانند سنجش از دور و تجزیه و تحلیل‌های هیدروشیمیایی می‌توانند به طور مؤثر نقشه طغیان و توزیع آب را ترسیم کنند . ^۶٫ کرتو و همکاران. ^۷ در مورد استفاده از داده‌های سنجش از دور برای نقشه‌برداری سیل بحث می‌کنند و بر اثربخشی تصاویر ماهواره‌ای در تشخیص وسعت سیل و ارزیابی خطرات سیل تأکید می‌کنند . ^۷٫ آنها تکنیک‌های مختلف سنجش از دور را به کار می‌برند و بر کاربرد آنها در نظارت و مدیریت رویدادهای سیل تأکید می‌کنند.

ابو سمرا ^۸ از سنجش از دور، GIS و مدل‌سازی نقشه‌برداری برای ارزیابی اثرات افزایش سطح دریا در پورت سعید مصر استفاده کرد و نشان داد که سیل ساحلی پیش‌بینی‌شده تحت سناریوهای افزایش سطح دریا ۱٫۰ تا ۳٫۰ متر می‌تواند به شدت بر کاربری زمین و ویژگی‌های ساحلی تأثیر بگذارد و بر نیاز به برنامه‌ریزی و کاهش پیشگیرانه تأکید کند. کوکامان و همکاران ^۹ اثربخشی اعمال تکنیک‌های یادگیری ماشین بر داده‌های سنجش از دور چند حسگری را برای ارزیابی وسعت سیل و حساسیت به رانش زمین پس از یک رویداد هواشناسی فاجعه‌بار در اردو، ترکیه نشان دادند و بر اهمیت فناوری‌های پیشرفته رصد زمین برای نظارت و کاهش بلایای طبیعی تأکید کردند.

تاووس و همکاران ^(۱۰) دقت نقشه‌برداری سیل برای شکست سد مخزنی ساردوبا در سال ۲۰۲۰ را با استفاده از طبقه‌بندی جنگل تصادفی بر اساس داده‌های نوری Sentinel-1 SAR و Sentinel-2 ارزیابی کردند. مطالعه آنها نشان داد که ادغام هر دو مجموعه داده، تشخیص مناطق سیل‌زده، از جمله پوشش گیاهی غرق‌شده را به طور قابل توجهی بهبود می‌بخشد و بنابراین ارزش ترکیب داده‌های نوری قبل از رویداد با داده‌های SAR را در غیاب تصاویر نوری پس از رویداد برجسته می‌کند. تریپاتی و مالادی ^(۱۱) Global Flood Mapper را معرفی کردند، یک برنامه وب کاربرپسند که از داده‌های Sentinel-1 و تکنیک‌های بهبود یافته نقشه‌برداری سیل – از جمله تشخیص اوج سیل و کاهش مثبت کاذب مبتنی بر زمین – برای ارائه نقشه‌های به موقع و دقیق وسعت سیل استفاده می‌کند و در نتیجه از تلاش‌های واکنش اضطراری و مدیریت بحران در سراسر جهان پشتیبانی می‌کند.

یو و همکاران ^(۱۲) یک چارچوب ارزیابی ریسک سیل چندبعدی را توسعه دادند که شاخص‌های خطر، مواجهه و آسیب‌پذیری را با روش‌های پیشرفته وزن‌دهی و خوشه‌بندی ترکیب می‌کند تا توزیع ریسک سیل در حوضه رودخانه هان چین را نقشه‌برداری و تجزیه و تحلیل کند و مناطق پرخطر را که عمدتاً در بخش‌های میانی تا پایینی حوضه قرار دارند و اثرات کاهش‌دهنده تنظیم مخزن را برجسته کند. پورتالس-جولیا و همکاران ( ^۱۳) یک چارچوب یادگیری ماشینی آگاه از ابر برای نقشه‌برداری دقیق و سریع ماهواره‌ای سیل با استفاده از داده‌های سنتی Sentinel-2 و Landsat ارائه کردند که عملکرد بهبود یافته‌ای را نسبت به روش‌های سنتی نشان داد و توانست با موفقیت وقایع مهم سیل در پاکستان و استرالیا را در سال ۲۰۲۲ نقشه‌برداری کند تا از واکنش اضطراری و ارزیابی خسارت پشتیبانی کند.

پتروپولوس و همکاران. ^۱۴ یک روش مبتنی بر آستانه با استفاده از داده‌های Sentinel-2 و شاخص‌های طیفی آب (شاخص اختلاف نرمال‌شده آب (NDWI) و NDWI اصلاح‌شده) برای نقشه‌برداری از میزان سیل در شمال ایتالیا ارائه دادند تا از مدیریت بحران و تلاش‌های بازیابی پس از سیل پشتیبانی کنند. مطالعه آنها نشان داد که هر دو شاخص قادر به شناسایی مؤثر مناطق سیل‌زده هستند، و NDWI دقت کمی بالاتری را نشان می‌دهد.

ابو سمرا و همکاران ^(۱۵) از تصاویر چندزمانه Sentinel-1 SAR و موتور Google Earth برای نقشه‌برداری از سیل گسترده و اثرات زیست‌محیطی ناشی از شکست سد کاخوفکا در سال ۲۰۲۳ در اوکراین استفاده کردند و سیل قابل توجهی را آشکار کردند و اثرات نامطلوب این رویداد بر کاربری اراضی و ترسیب کربن آلی خاک را برجسته کردند، که پیامدهایی برای بازسازی و مدیریت پس از فاجعه دارد. آماتبل و همکاران ( ^۱۶) کاربردهای سنجش از دور و GIS را در مدیریت ریسک بلایای سیل در دو دهه گذشته در سراسر جهان تجزیه و تحلیل کردند و نقش رو به رشد این فناوری‌ها را در ارزیابی و پیش‌بینی سیل، نابرابری‌های تحقیقاتی منطقه‌ای (به‌ویژه در آفریقا) برجسته کردند و استفاده بیشتر از این فناوری‌ها را برای بهبود تاب‌آوری جهانی در برابر سیل توصیه کردند.

آلبرتینی و همکاران ^(۱۷) اثربخشی دو مدل جنگل تصادفی را با استفاده از تصاویر Sentinel-2 و شاخص‌های چندطیفی برای نقشه‌برداری دقیق از وسعت سیل ارزیابی کردند و عملکرد قوی این مدل‌ها را در تشخیص مناطق سیل‌زده در طول یک رویداد سیل در ایتالیا در سال ۲۰۲۰ نشان دادند. رسول و همکاران ^(۱۸) از پلتفرم‌های محاسبات ابری و یک مدل اتوماتای ​​سلولی فیزیکی برای شبیه‌سازی و ارزیابی وسعت و تأثیر سیل‌های بارانی در کراچی (پاکستان) استفاده کردند و خطرات قابل توجه سیل را در مناطق شهری با زهکشی ضعیف برجسته کرده و بر نیاز به بهبود سیستم‌های زهکشی و هشدار اولیه تأکید کردند.

جیوستارینی و همکاران. ^۱۹ پیشنهاد ترکیب مدل‌های هیدرودینامیکی در مقیاس بزرگ با مشاهدات مایکروویو ماهواره‌ای را برای تولید نقشه‌های خطر سیل با وضوح بالا ارائه دادند. ^۱۹٫ آنها با استفاده از یک مطالعه موردی از رودخانه سورن انگلستان، نشان دادند که این رویکرد می‌تواند دقت نقشه‌برداری را در صورت وجود داده‌های ماهواره‌ای کافی و همبستگی‌های زمانی افزایش دهد. فنگ و همکاران استفاده از تصاویر نوری مبتنی بر پهپاد (UAV) را برای نقشه‌برداری سیل شهری در یویائو، چین نشان دادند . ^۲۰٫ آنها با ترکیب ویژگی‌های بافتی و استفاده از یک طبقه‌بندی‌کننده جنگل تصادفی، به دقت ۸۷٫۳٪ در تشخیص مناطق سیل‌زده دست یافتند. مطالعه آنها اثربخشی استفاده از پهپادها در پایش سیل شهری و برتری روش جنگل تصادفی را نسبت به سایر طبقه‌بندی‌کننده‌ها مانند حداکثر احتمال و شبکه‌های عصبی برجسته کرد.

رحمان و دی ^۲۱ نقش پلتفرم‌های سنجش از دور فضایی را بررسی کردند و مزایای آنها را در ارائه داده‌های به موقع و مقرون به صرفه برای جنبه‌های مختلف مدیریت سیل مانند ارزیابی خطر، سیستم‌های هشدار اولیه و مدل‌سازی هیدرولوژیکی، به ویژه در کشورهای در حال توسعه ، برجسته کردند ^۲۱. راسر و همکاران با ادغام داده‌های سنجش از دور، رسانه‌های اجتماعی و داده‌های توپوگرافی، یک مدل آماری بیزی برای تخمین طغیان سیل توسعه دادند و به دقت بالایی در نقشه‌برداری از وسعت سیل‌های بریتانیا در سال ۲۰۱۴ دست یافتند ^۲۲. نوتی و همکاران ^۴ یک روش نیمه خودکار برای نقشه‌برداری از سیل با استفاده از داده‌های ماهواره‌ای رایگان و نرم‌افزار منبع باز توسعه دادند و اثربخشی این رویکرد را در شناسایی مناطق سیل‌زده در اسپانیا و ایتالیا نشان دادند، با دقت تشخیص بالا که هنگام اخذ تصاویر ماهواره‌ای در نزدیکی اوج سیل به دست آمد ^۴ .

پیشرفت‌ها در سنجش از دور، GIS و مدل‌های هیدرولوژیکی، ابزارهای ضروری برای نقشه‌برداری از منابع آب، نظارت بر سیل و خشکسالی و بهبود مدیریت آب را فراهم می‌کنند، با کاربردهایی از برنامه‌ریزی آبیاری مبتنی بر پهپاد گرفته تا اندازه‌گیری‌های بارندگی مبتنی بر ماهواره و شبیه‌سازی‌های سیل شهری ^۲۳٫ سیفا و همکاران ^۲۴ تکنیک‌های هوش مصنوعی را بر روی داده‌های سنجش از دور لندست-۸ و سنتینل-۲ اعمال کردند تا میزان سیل ناشی از فروپاشی سد برومادینیو برزیل را نقشه‌برداری و ارزیابی کنند و یک نقشه خسارت مفید برای تلاش‌های کاهش خسارات در آینده ارائه دهند ^۲۴٫ گوفی و ​​همکاران ^۲۵ روشی را برای نقشه‌برداری از مناطق سیل‌زده با استفاده از داده‌های سنتینل-۲ پیشنهاد کردند که نمرات شواهد از شاخص‌های طیفی و تبدیل فضای رنگی رنگ، اشباع و ارزش را از طریق عملگرهای میانگین وزنی مرتب شده ادغام می‌کرد ^۲۴٫ رویکرد آنها دقت بالایی را در تشخیص سیل در مکان‌های مختلف ایتالیا نشان داد و نتایج برتر را در مقایسه با نتایج حاصل از روش‌های سنتی، با پتانسیل امیدوارکننده برای استفاده عملیاتی، ارائه داد. فرهادی و نجف‌زاده ^۲۶ از موتور گوگل ارث و داده‌های سنجش از دور برای ارزیابی سیل در شمال ایران استفاده کردند و شاخص‌های کلیدی مانند تراکم آبراه‌ها و بارندگی را به عنوان عوامل اصلی خطر سیل شناسایی کرده و نقشه‌های خطر سیل را برای حوضه رودخانه گالیکش تهیه کردند ^۲۶. ال‌وی و همکاران ^۲۷ یک مدل اصلاح‌شده DeepLabv3+ برای نقشه‌برداری سیل از تصاویر SAR توسعه دادند و به دقت و کارایی بالایی در تشخیص مرزهای آب سیل در طول وقایع سیل در چین و ایالات متحده دست یافتند و ارزش این رویکرد را برای نظارت بر سیل و مدیریت اضطراری نشان دادند ^۲۷. منور و همکاران ^۳ استفاده از فناوری‌های سنجش از دور را برای پیش‌بینی سیل بررسی کردند و آنها را به روش‌های چند طیفی، راداری و لیدار طبقه‌بندی کردند و یک مدل پیش‌بینی سیل و نقشه‌برداری وسعت آن را برای رفع شکاف‌های موجود در فناوری‌های فعلی با ادغام فناوری‌های مختلف در مدل پیشنهادی خود برای بهبود مدیریت بحران پیشنهاد دادند ^۳. راو و همکاران ^۲۸ نشان داد که مدل‌های رقومی زمین مبتنی بر سنجش از دور می‌توانند به طور مؤثر از تحلیل طغیان سیل پشتیبانی کنند، و نتایج آنها به دقتی قابل مقایسه با داده‌های LiDAR دست می‌یابد، بنابراین اهمیت اندازه‌گیری‌های ارتفاع ژئودتیکی با توزیع یکنواخت را برای بهبود مدل‌سازی سیل در مناطق با کمبود داده برجسته می‌کند . ^۲۸

با وجود پیشرفت‌های قابل توجه در پیش‌بینی و مدل‌سازی سیل در برخی مناطق جهان، تاکنون مطالعات منتشر شده کمی در مورد سیل در امارات متحده عربی (UAE)، به ویژه در العین، وجود دارد. در اینجا، ما این مطالعات را خلاصه می‌کنیم و نوآوری تحقیقات فعلی خود را توضیح می‌دهیم. خان و همکاران. ^۲۹ یک رویکرد یکپارچه با ترکیب سنجش از دور، GIS، داده‌های بارش و مدل‌سازی هیدرولوژیکی برای تخمین رواناب مبتنی بر رویداد در مناطق شهری دبی (UAE) ارائه دادند و نشان دادند که سطوح غیرقابل نفوذ به طور قابل توجهی بر خطر سیل تأثیر می‌گذارند، و این مدل به طور موثر برای زیرحوضه‌های مستعد سیل کالیبره و اعتبارسنجی شده است. الحسنی و همکاران. ^۳۰ چهار رویداد بارندگی در العین (۲۰۰۷، ۲۰۱۳، ۲۰۱۶ و ۲۰۲۰) را با استفاده از اندازه‌گیری‌های ۱۱ ایستگاه باران‌سنجی و داده‌های بارش ماهواره‌ای مطالعه کردند. این مجموعه داده‌ها به عنوان ورودی برای یک مدل هیدرولوژیکی از حوزه آبخیز العین استفاده شدند. نتایج عددی هیدرولوژیکی آنها نشان داد که مناطق کم‌ارتفاع و مناطق شهری با سیل قابل توجهی مواجه شدند و ضرایب رواناب از ۰٫۱۱ تا ۳٫۱۴ درصد متغیر بود. رمضان و همکاران. ^۳۱ با تلفیق GIS، سنجش از دور، فرآیند تحلیل سلسله مراتبی و تحلیل تصمیم‌گیری چندمعیاره، نقشه آسیب‌پذیری شهر العین در برابر سیل ناگهانی شهری را تهیه کردند. مطالعه آنها مناطق پرخطر سیل‌خیز در العین، به ویژه در مناطق الجیمی و المویجی را شناسایی کرد که با ارتفاعات کم، تراکم بالای جمعیت و زیرساخت‌های زهکشی ناکافی مشخص می‌شوند. حسین و همکاران. ^۳۲ بر اساس داده‌های بارش ماهواره‌ای، یک مدل هیدرولوژیکی برای رویداد بارندگی اواسط آوریل ۲۰۲۴ در العین توسعه دادند. نتایج آنها نشان داد که سیل شبیه‌سازی شده در مناطق شهری شهر العین رخ داده است.

در منطقه العین، اکثر مطالعات منتشر شده در مورد سیل‌های ناگهانی، برای شناسایی مناطق مستعد سیل، به مدل‌سازی هیدرولوژیکی و تحلیل مبتنی بر GIS متکی هستند. این رویکردها به تخمین مناطق پرخطر بر اساس توپوگرافی، بارندگی و کاربری زمین کمک می‌کنند، اما اغلب مناطق سیل‌زده واقعی پس از یک رویداد را منعکس نمی‌کنند. به عنوان مثال، چندین مقاله سناریوهای سیل را با استفاده از مدل‌های پیش‌بینی بدون اعتبارسنجی مستقیم از مشاهدات ماهواره‌ای پس از رویداد، شبیه‌سازی می‌کنند . ^{۳۰ ، ۳۱ ، ۳۲}

مطالعه حاضر با ارائه نقشه دقیقی از وسعت سیل که از تصاویر Sentinel-2 بر اساس یک رویداد سیل واقعی استخراج شده است، سهم قابل توجهی در درک و ارزیابی اثرات سیل ناگهانی در محیط‌های خشک و نیمه‌خشک دارد. نوآوری کلیدی، توسعه شاخص آب‌های گل‌آلود (ITW) است که با بهره‌برداری از ویژگی‌های طیفی متمایز آنها، به طور مؤثر آب‌های سیل را از آب‌های دائمی متمایز می‌کند. این پیشرفت به ویژه ارزشمند است زیرا روش‌های مبتنی بر رادار اغلب کلاس‌های آب را بیش از حد تعمیم می‌دهند و منجر به طبقه‌بندی نادرست آب‌های سیل می‌شوند. علاوه بر این، این مطالعه از مجموعه داده‌های اقلیمی واقعی (بارندگی و دما) از چندین ایستگاه در منطقه العین استفاده کرد. با تقاطع وسعت سیل مشتق شده از ITW با داده‌های اقلیمی، توپوگرافی با وضوح بالا، شبکه‌های زیرساختی و شبکه‌های جمعیتی، ما نه تنها ردپای سیل را در منطقه مورد مطالعه (۲۱۵ کیلومتر مربع) کمّی می‌کنیم، بلکه میزان مواجهه انسان، آسیب‌پذیری زیرساخت‌های حیاتی و توزیع عمق آب را نیز ارزیابی می‌کنیم. این نتایج یک شکاف مهم در ادبیات را پر می‌کند، زیرا اکثر مطالعات قبلی در این منطقه به جای شواهد تجربی به سناریوهای مدل‌سازی شده متکی بوده‌اند. علاوه بر این، روش‌شناسی ارائه شده در اینجا مقیاس‌پذیر و تکرارپذیر است و چارچوبی عملی برای نقشه‌برداری سریع از اثرات سیل، برنامه‌ریزی شهری و کاربردهای واکنش به بلایا ارائه می‌دهد. این کار، پایه‌ای برای توسعه ابزارهای پایش ریسک در زمان واقعی، به ویژه در مناطق مستعد سیل که با افزایش تغییرات اقلیمی مواجه هستند، فراهم می‌کند.

منطقه مورد مطالعه

شهر العین در بخش شرقی امارت ابوظبی امارات متحده عربی، نزدیک به مرز عمان و امارات متحده عربی، در منطقه‌ای واقع شده است که رودخانه‌های سرچشمه گرفته از کوه‌های عمان به هم می‌رسند. دو وادی بزرگ از این شهر عبور می‌کنند؛ در برخی مناطق، بستر وادی‌ها باریک و اصلاح شده است که باعث تغییر رژیم‌های جریان وادی‌ها و ایجاد مناطق مستعد سیل شده است (شکل  ۱ ). منطقه العین منطقه‌ای خشک با بارندگی بسیار کم است. منابع اصلی آب این شهر در سفره‌های آب زیرزمینی قرار دارند و درک این منابع آب (به عنوان مثال، اعماق و وسعت جانبی) برای ساکنان محلی، صنایع و مزارع منطقه ضروری است.

در آوریل ۲۰۲۴، العین بارندگی بی‌سابقه‌ای را تجربه کرد، به طوری که ۲۵۴ میلی‌متر باران در ۲۴ ساعت ثبت شد که از میانگین بارندگی سالانه امارات متحده عربی ^۳۳ فراتر رفت . این شهر در سال ۲۰۲۴ سه رویداد مهم بارندگی (۱۲ فوریه، ۹ مارس و ۱۶ آوریل) را تجربه کرد که باعث سیل قابل توجهی شد. این سیل‌ها منجر به خسارات زیرساختی، از جمله تخریب جاده‌ها و خانه‌های سیل‌زده ^۳۴ شد . دولت امارات متحده عربی با اختصاص ۲ میلیارد درهم (۵۴۵ میلیون دلار) برای بازسازی منازل آسیب‌دیده در منطقه ^۳۵ به این امر واکنش نشان داد . علاوه بر این، خسارات ناشی از بیمه اموال بین ۱.۸ تا ۲.۳ میلیارد دلار ^۳۶ تخمین زده شد . این رویداد آسیب‌پذیری منطقه العین در برابر آب و هوای نامساعد را برجسته کرد و باعث درخواست‌هایی برای بهبود زیرساخت‌ها و استراتژی‌های کاهش سیل ^۳۵ شد .

این مطالعه از یک رویکرد مکانی-مکانی چند منبعی برای ارزیابی خطرات سیل ناگهانی در شهر العین استفاده می‌کند. این روش داده‌های سنجش از دور ماهواره‌ای، مشاهدات هواشناسی، داده‌های توپوگرافی و سوابق تأثیر سیل زمینی را ادغام می‌کند. این روش شامل شناسایی مناطق آسیب‌دیده از سیل، تخمین عمق آب، ارزیابی وقایع بارندگی و تجزیه و تحلیل آسیب‌پذیری شهری است. شکل  ۲ نمودار جریان شماتیک رویکرد مورد استفاده در این مطالعه را نشان می‌دهد.

داده‌های اقلیمی

داده‌های اقلیمی، شامل اندازه‌گیری‌های بارندگی و دما، از ۱۶ ایستگاه هواشناسی در سراسر منطقه مورد مطالعه جمع‌آوری شد. این تحلیل بر سه رویداد مهم بارندگی متمرکز بود: (۱) رویداد ۱۲ فوریه، با حداکثر بارندگی روزانه ۱۷۰ میلی‌متر و اوج ۱۰۷ میلی‌متر بارندگی در ۳۰ دقیقه که در ایستگاه دانشگاه امارات متحده عربی ثبت شده است؛ (۲) رویداد ۹ مارس، با حداکثر بارندگی روزانه ۷۸ میلی‌متر ثبت شده در ایستگاه خاتم‌الشکله؛ و (۳) رویداد ۱۶ آوریل، با حداکثر بارندگی روزانه ۲۵۴ میلی‌متر ثبت شده در ایستگاه خاتم‌الشکله و اوج ۵۰ میلی‌متر بارندگی در ۱۵ دقیقه در ایستگاه روضه. داده‌های بارندگی برای تولید نقشه‌های توزیع بارندگی و نمودارهای بارش زمانی برای سه رویداد استفاده شد (شکل  ۳ ). این تحلیل‌ها، رویداد ۱۶ آوریل را به دلیل شدت و تأثیر آن، به عنوان مهم‌ترین رویداد برجسته کرد. در دسترس بودن صحنه Sentinel-2 A که در ۱۷ آوریل گرفته شده بود، انتخاب این رویداد را برای تحلیل‌های عمیق بعدی مبتنی بر سنجش از دور و GIS بیشتر پشتیبانی کرد.

در ۱۶ آوریل در ایستگاه دانشگاه امارات متحده عربی، کاهش ناگهانی دما از ۲۸.۷ درجه سانتیگراد در ساعت ۷:۳۰ بعد از ظهر به ۱۹.۶ درجه سانتیگراد در ساعت ۷:۴۵ بعد از ظهر ثبت شد. کاهش‌های مشابه دیگری نیز در ایستگاه‌های هواشناسی خاتم‌الشکلاه (۲۶.۶ درجه سانتیگراد در ساعت ۷:۴۵ بعد از ظهر به ۱۹ درجه سانتیگراد در ساعت ۸ بعد از ظهر)، روضه (۲۶.۶ درجه سانتیگراد در ساعت ۷:۳۰ بعد از ظهر به ۲۰.۵ درجه سانتیگراد در ساعت ۷:۴۵ بعد از ظهر) و القطره (۲۵.۷ درجه سانتیگراد در ساعت ۷:۳۰ بعد از ظهر به ۱۸.۸ درجه سانتیگراد در ساعت ۷:۴۵ بعد از ظهر) ثبت شد (شکل  ۴ ).

در مناطق بیابانی مانند العین، دما می‌تواند قبل از بارندگی به دلیل جریان‌های نزولی در طوفان‌های همرفتی به سرعت کاهش یابد. این جریان‌های نزولی، هوای سرد و خشک را از ارتفاعات بالاتر به سطح زمین می‌آورند و جایگزین هوای گرم بیابانی ^۳۷ می‌شوند . اثر خنک‌کنندگی با تبخیر قطرات باران در هوای خشک که گرما را جذب می‌کند، بیشتر تشدید می‌شود. در مورد رویداد ۱۶ آوریل، افت حدود ۱۰ درجه سانتیگراد که ۱۵ دقیقه قبل از شروع بارندگی مشاهده شد، شاخص روشنی از جریان نزولی سرد و مرز خروج مرتبط با رعد و برق قریب‌الوقوع است. علاوه بر این، تبخیر رطوبت از طوفان اول ممکن است طوفان دوم را که شش ساعت بعد رخ داد، با افزایش رطوبت جو و ترویج همرفت بیشتر، تغذیه کرده باشد (شکل  ۵ ).

سنجش از دور و تحلیل GIS

تحلیل‌های سنجش از دور و GIS در این مطالعه با استفاده از دو مجموعه داده اصلی انجام شد. مجموعه داده اول شامل تصاویر Sentinel-2 A است که قبل و بعد از رویداد ۱۶ آوریل به دست آمده و صحنه پس از رویداد در ۱۷ آوریل ثبت شده است. مجموعه داده دوم، مدل ارتفاعی رقومی (DEM) ALOS PALSAR است. هر دو مجموعه داده به صورت رایگان از پلتفرم‌های رسمی مربوطه دانلود شدند: تصاویر Sentinel-2 A از مرورگر فضایی داده کوپرنیک ^{۳۸ و DEM ALOS PALSAR از تاسیسات ماهواره‌ای آلاسکا ۳۹} به دست آمد .

نقشه برداری کامپوزیت رنگی

هنگام ساخت تصاویر ترکیبی، ترکیبات رنگ طبیعی اغلب اطلاعات نسبتاً کمی در مورد مناطق سیل‌زده ارائه می‌دهند، زیرا آب‌های گل‌آلود بسیار شبیه به خاک به نظر می‌رسند، به خصوص در مناطق خشک که فرسایش بسیار زیاد است و منجر به حداکثر اشباع در رسوبات می‌شود ^۴۰٫ به عنوان یک جایگزین، می‌توان از باندهای مادون قرمز موج کوتاه (SWIR) در ساخت کامپوزیت استفاده کرد، با ترکیبی از SWIR2، SWIR1 و باندهای قرمز که معمولاً در سنجش از دور برای تشخیص اجسام آبی، سیل و رطوبت خاک، به ویژه در تجزیه و تحلیل رویداد پس از سیل ^۴۱ استفاده می‌شود . این ترکیب به دلیل جذب قوی تابش SWIR توسط آب، که باعث می‌شود آب در مقایسه با مناطق اطراف زمین تیره به نظر برسد، قابلیت مشاهده اجسام آبی را افزایش می‌دهد. این ترکیبات باعث برجسته شدن آب‌های سیل شدند اما اجسام آبی موجود را از آب‌های مرتبط با سیل جدا نکردند (شکل  ۶ )؛ بنابراین، ما تجزیه و تحلیل پیشرفته‌تر سنجش از دور را برای رسیدگی به این موضوع اعمال کردیم.

تکنیک پیشرفته سنجش از دور: شاخص آب‌های گل‌آلود (ITW)

برای جداسازی دقیق سیلاب‌ها، ما رویکرد جدید ITW را پیشنهاد می‌کنیم که به‌طور خاص برای این مطالعه توسعه داده شده است. این شاخص، آب‌های با محتوای رسوب بالا را هدف قرار می‌دهد، که یک ویژگی مشترک سیلاب‌های تولید شده توسط رواناب سطحی شدید و فرسایش خاک است. ITW به صورت زیر تعریف می‌شود:

که در آن B4 = باند قرمز، B8 = باند مادون قرمز نزدیک (NIR) و B12 = باند SWIR2 است.

توسعه ITW در این مطالعه بر اساس ویژگی‌های طیفی منحصر به فرد سیلاب‌های حامل رسوبات معلق بود. آب کدر معمولاً به دلیل اثرات پراکندگی ذرات معلق، بازتاب بالایی در نواحی قرمز (B4) و مادون قرمز نزدیک (B8) نشان می‌دهد، در حالی که بازتاب پایینی در ناحیه SWIR (B12) دارد. این رفتار طیفی از طریق تجزیه و تحلیل پروفیل‌های بازتاب برای بدنه‌های آبی مختلف (شکل  ۶ ) تأیید شد که به وضوح افزایش پاسخ طیفی آب‌های کدر در نواحی قرمز و مادون قرمز نزدیک را در مقایسه با آب شفاف‌تر نشان می‌دهد.

فرمول ITW باندهای قرمز و NIR را از طریق جمع‌بندی ترکیب می‌کند و سیگنال حاصل از سیلاب‌های مملو از رسوب را برجسته‌تر می‌کند و همزمان تأثیر پوشش گیاهی را کاهش می‌دهد، که بازتاب NIR قوی اما بازتاب قرمز متوسطی از خود نشان می‌دهد و بنابراین در تُن‌های میانی ظاهر می‌شود. ضرب این عبارت جمع‌شده در یک ضریب اسکالر (×۲) کنتراست طیفی را افزایش می‌دهد و در نتیجه تفکیک‌پذیری آب گل‌آلود را از سایر انواع پوشش‌های زمینی، به‌ویژه در شرایط پیکسل‌های مختلط، بهبود می‌بخشد.

برای جلوگیری از اثرات مخدوش‌کننده‌ی خاک‌های روشن و سنگ‌های نمایان، که به خاطر بازتاب بالایشان در سراسر طیف شناخته شده‌اند، این شاخص با استفاده از باند SWIR2 نرمال‌سازی می‌شود. از آنجایی که خاک‌ها و سطوح خشک بازتاب SWIR قوی‌ای از خود نشان می‌دهند در حالی که آب این ویژگی را ندارد، این تقسیم‌بندی سهم خاک‌ها و مناطق خشک را در شاخص کاهش می‌دهد و باعث می‌شود آنها تیره‌تر به نظر برسند و ترسیم پهنه‌های آبی بهبود یابد.

بنابراین، ITW نهایی، سیگنال طیفی آب‌های گل‌آلود سیلاب را تقویت می‌کند و در عین حال سهم پوشش گیاهی، خاک لخت و سطوح ساخته شده را به حداقل می‌رساند. عملکرد این شاخص از طریق بازرسی بصری و مقایسه با مجموعه داده‌های کمکی (مانند داده‌های ایستگاه‌های باران‌سنجی، مشاهدات میدانی و تصاویر با وضوح بالا) تأیید شد و اثربخشی آن را برای نقشه‌برداری پس از سیل در محیط‌های شهری خشک نشان داد.

ارزیابی تطبیقی ​​ITW با شاخص‌های موجود

برای ارزیابی استحکام ITS پیشنهادی، عملکرد آن را با شاخص کدورت اختلاف نرمال‌شده (NDTI) مقایسه کردیم، که معمولاً برای تشخیص غلظت رسوبات معلق در آب‌های سطحی استفاده می‌شود. این شاخص در مطالعات مختلف برای ارزیابی کدورت آب و نقشه‌برداری سیل ^{۴۰ ، ۴۲ ، ۴۳} مورد استفاده قرار گرفته است . NDTI به صورت زیر تعریف می‌شود:

که در آن B4 و B3 به ترتیب به باندهای طیفی قرمز و سبز اشاره دارند.

در حالی که هر دو شاخص به آب‌های مملو از رسوب واکنش نشان می‌دهند، ITW عملکرد بهتری در تمایز بین آب‌های از پیش موجود با کدورت کم و آب‌های اخیراً تشکیل‌شده ناشی از وقایع سیل ناگهانی نشان می‌دهد. این جداسازی در نقشه‌برداری پس از فاجعه، به ویژه در مناطق خشک حاوی آب‌های دائمی مانند واحه‌ها یا مخازن، بسیار مهم است. علاوه بر این، مشخص شد که رویکرد ITW در به حداقل رساندن طبقه‌بندی نادرست به دلیل وجود ابرها و سایه‌های زمین، که یک مسئله رایج در سنجش از دور نوری است (شکل  ۷ )، مؤثرتر است. تجزیه و تحلیل عدد دیجیتال (DN) در سطح پیکسل نشان داد که ITW به طور واضح مناطق سایه‌دار (DN ≈ ۳) و پیکسل‌های آلوده به ابر (DN ≈ ۵) را از آب‌های سیل کدر که به طور مداوم مقادیر بالاتری (DN ≈ ۹-۱۲) نشان می‌دهند، جدا می‌کند. در مقابل، مقادیر NDTI اغلب بین مناطق آب کدر، ابرها و سطوح تیره همپوشانی دارند و دقت طبقه‌بندی را در صحنه‌های پیچیده کاهش می‌دهند. به طور کلی، این نتایج تأیید می‌کنند که ITW پیشنهادی، تمایز طیفی بهتری را در کاربردهای نقشه‌برداری سیل، به ویژه در محیط‌های چالش‌برانگیز شامل پوشش زمین ناهمگن، ابرها و تغییرپذیری توپوگرافی، فراهم می‌کند.

داده‌های تاریخی و زیرساختی

گردآوری داده‌های تاریخی، زیرساختی و جمعیتی گامی حیاتی در درک اثرات سیل و ارزیابی آسیب‌پذیری مناطق شهری در شهر العین است. این مطالعه، داده‌ها را از طیف متنوعی از منابع، از جمله سوابق دولت محلی، پایگاه‌های داده برداری و رستری جهانی مانند تبادل داده‌های بشردوستانه ( https://data.humdata.org/ )، DIVA-GIS ( http://www.diva-gis.org/ ) و مجموعه داده‌های لایه جمعیتی سکونتگاه‌های انسانی جهانی (GHS) ( https://human-settlement.emergency.copernicus.eu/download.php?ds=pop ) ادغام می‌کند. این مجموعه داده‌ها، داده‌های مکانی و زمانی جامعی را ارائه می‌دهند که جمعیت، جاده‌ها، ساختمان‌ها، زیرساخت‌های حیاتی و رویدادهای سیل گذشته در منطقه مورد مطالعه را توصیف می‌کنند و پایه و اساس تجزیه و تحلیل دقیق خطر سیل را تشکیل می‌دهند.

این داده‌ها از طریق ادغام با مناطق سیل‌زده‌ی ماهواره‌ای، اطلاعات واقعی حاصل از بررسی‌های میدانی و اطلاعات تکمیلی از رسانه‌های خبری و رسانه‌های اجتماعی در این مطالعه، به درک عمیق‌تر خطرات سیل کمک می‌کنند. این رویکرد چندمنبعی، تجزیه و تحلیل عمیقی از الگوهای سیل و تعامل آنها با زیرساخت‌های شهری در العین را امکان‌پذیر می‌کند و یک رویکرد جامع و مبتنی بر داده‌ها را برای کمک به توسعه استراتژی‌های مدیریت سیل و کاهش خسارات تضمین می‌کند.

تحلیل عمیق

تحلیل عمیق انجام شده در این مطالعه با هدف ترکیب مجموعه داده‌های متعدد برای مشخص کردن مناطق مستعد سیل، ارزیابی میزان مواجهه و شناسایی مناطق پرخطر در سراسر العین انجام شد. این رویکرد یکپارچه بر اساس میزان سیلاب‌های به‌دست‌آمده از ماهواره، الگوهای هواشناسی، آسیب‌پذیری توپوگرافی و توزیع مکانی زیرساخت‌های حیاتی و جمعیت بود.

وسعت سیل با پردازش تصاویر Sentinel-2 A برای محاسبه ITW پیشنهادی به دست آمد، که مناطق سیل‌زده پس از سیل ناگهانی در ۱۶ آوریل ۲۰۲۴ را به طور دقیق مشخص کرد. این نتایج به عنوان مبنایی برای تحلیل‌های مکانی بعدی عمل کردند.

داده‌های اقلیمی از ۱۶ ایستگاه زمینی برای تهیه نقشه‌های چگالی بارندگی استفاده شد و مناطقی که بیشترین شدت بارندگی را در طول رویداد سیل ناگهانی تجربه کردند، مشخص شدند. مناطق با بارندگی شدید با الگوهای سیلاب مقایسه شدند تا پتانسیل تولید رواناب ارزیابی شود و سازگاری بین توزیع سیلاب مشاهده شده و عوامل هواشناسی بررسی شود.

آسیب‌پذیری توپوگرافی منطقه مورد مطالعه با استفاده از یک DEM با وضوح بالا (۱۲٫۵ متر) مشتق شده از ALOS PALSAR ارزیابی شد. این تجزیه و تحلیل نشان داد که فرورفتگی‌های طبیعی، بخش‌های شیب مقعر و بسترهای وادی تنگ شده نقش کلیدی در تمرکز و جلوگیری از جریان آب ایفا می‌کنند. مشخص شد که این ویژگی‌های ژئومورفولوژیکی به شدت با ردپای مکانی آب‌های سیلاب ناشی از این رویداد همبستگی دارند.

برای ارزیابی میزان مواجهه و آسیب‌پذیری، داده‌های زیرساختی مانند شبکه‌های جاده‌ای، ردپای ساختمان‌ها و تأسیسات عمومی، همراه با لایه‌های توزیع جمعیت، از نظر جغرافیایی با محدوده‌های مشاهده‌شده سیل و مناطق مستعد سیل مدل‌سازی‌شده تلاقی داده شدند. این تجزیه و تحلیل مقطعی ما را قادر ساخت تا زیرساخت‌های حیاتی واقع در داخل یا مجاور مناطق پرخطر را شناسایی کنیم.

با ادغام این مجموعه داده‌ها، ما یک نقشه خطر ترکیبی تهیه کردیم که نشان‌دهنده تقاطع خطر (گسترش و عمق سیل) و میزان مواجهه (زیرساخت‌ها و جمعیت) است. نتایج، مناطق شهری خاصی را که با رواناب سریع، زهکشی ناکافی و توسعه متراکم مشخص می‌شوند و نقاط حساس خطر سیل را ایجاد می‌کنند، برجسته می‌کند، همانطور که در الروضه، غریبه و المقام مشاهده شده است.

سنجش از دور

نقشه برداری سیل و کاربرد ITW

تصاویر Sentinel-2 در ابتدا با استفاده از ITW برای شناسایی مناطق سیل‌زده پردازش شدند. مقادیر ITW حاصل از ۰ تا ۱۲ متغیر بود و مقادیر بین ۹ تا ۱۲ نشان‌دهنده مناطق سیل‌زده بود. این شاخص، مناطقی با کدورت بالای آب را برجسته می‌کند و به طور مؤثر مناطق سیل‌زده (مقادیر بالای شاخص، سفید به نظر می‌رسند) را از مناطق غیر سیل‌زده (مقادیر پایین شاخص) متمایز می‌کند (شکل  ۸ ).

اعتبارسنجی، چالش‌ها و توزیع مکانی مناطق سیل‌زده

برای ارزیابی دقت تشخیص سیل، نتایج ITW با استفاده از منابع خارجی، از جمله گزارش‌های رسانه‌ها، رسانه‌های اجتماعی، داده‌های دولت محلی و شهادت شاهدان عینی، اعتبارسنجی شدند. در مجموع ۱۷ نقطه اعتبارسنجی انتخاب شد که ۱۵ مورد به درستی طبقه‌بندی شده و دو مورد به اشتباه به عنوان سیل‌زده شناسایی شدند که منجر به دقت شاخص ۸۸٪ شد. با این حال، در طول فرآیند اعتبارسنجی با چالش‌های متعددی مواجه شدیم. اول، تناقضات مختلف در گزارش‌ها و شهادت‌های خارجی باعث عدم قطعیت در داده‌های واقعیت زمینی شد. برخی از مکان‌های سیل گزارش شده فاقد مختصات مکانی دقیق بودند و مقایسه مستقیم با نتایج ITW را دشوار می‌کردند. علاوه بر این، تغییرات در زمان سیل، ارزیابی دقت را پیچیده می‌کرد، زیرا در برخی موارد، آب تا زمان انجام اعتبارسنجی فروکش کرده بود. با این حال، علیرغم این محدودیت‌ها، فرآیند اعتبارسنجی، قابلیت اطمینان کلی روش ITW را در نقشه‌برداری سیل تأیید کرد.

ما همچنین متوجه شدیم که در برخی مناطق که وجود ابرها منجر به تشخیص نادرست سیل شده است، طبقه‌بندی‌های نادرستی رخ داده است. تجزیه و تحلیل ما نشان می‌دهد که ITW با موفقیت تداخل ابر و سایه را در تقریباً ۸۰٪ از پیکسل‌های آسیب‌دیده کاهش می‌دهد. ابرها در باندهای مرئی پاسخ طیفی بالایی دارند، استفاده از باند مادون قرمز نزدیک و باند قرمز به عنوان مجموع به ما کمک کرده است تا تأثیر بازتاب بالای ابرها را در نتیجه خود کاهش دهیم زیرا آنها مقادیر بازتاب کمتری در باندهای مادون قرمز دارند. با این حال، چالش‌های مداوم در حضور انواع ابرهای همرفتی مانند کومولوس و کومولونیمبوس همچنان وجود دارد. این ابرها اغلب حاوی مناطق سایه داخلی عمیق هستند، جایی که پیکسل‌های مختلط می‌توانند پاسخ‌های طیفی مشابه آب گل‌آلود داشته باشند. در این مناطق، ITW ممکن است به دلیل همپوشانی مقادیر پیکسل بین سایه‌ها و آب سیل، طبقه‌بندی‌های نادرستی ایجاد کند.

تحلیل سیل

تحلیل مواجهه جمعیت

برای ارزیابی تأثیر انسانی سیل ناگهانی ۱۶ آوریل ۲۰۲۴، ما یک تقاطع مکانی بین وسعت سیل حاصل از ITW و شبکه جمعیتی GHS (R2023) انجام دادیم که تخمین‌های جمعیتی شبکه‌بندی شده را با وضوح ۱۰۰ متر ارائه می‌دهد. این تجزیه و تحلیل نشان داد که تقریباً ۳۶۲۰ نفر در مناطق سیل‌زده قرار دارند که نشان‌دهنده سطح قابل توجهی از قرار گرفتن مستقیم جمعیت در معرض سیل است. بیشترین غلظت جمعیت در معرض سیل در مجاورت منطقه صنعتی العین، الروضه و الجیمی یافت شد که با توسعه متراکم و ظرفیت زهکشی طبیعی محدود مشخص می‌شوند (شکل  ۹ ). نکته قابل توجه این است که این تخمین‌ها به دلیل اختلاف وضوح بین نقشه‌برداری سیل ۱۰ متری ITW و داده‌های جمعیتی ۱۰۰ متری GHS تقریبی هستند. این عدم تطابق مکانی ممکن است خطاهای تجمیع را ایجاد کند که به طور بالقوه منجر به تخمین کمتر یا بیشتر از حد واقعی سطوح قرار گرفتن در معرض سیل می‌شود.

اختلال در حمل و نقل و زیرساخت‌های حیاتی

تحلیل ما از سیل‌های ناگهانی آوریل ۲۰۲۴ در العین، اختلال شدید در زیرساخت‌های حمل و نقل شهری و منطقه‌ای را نشان داد (شکل  ۱۰ ). بسته شدن گسترده جاده‌ها در مسیرهای شریانی کلیدی ثبت شد که باعث تأخیر قابل توجه در رفت و آمد و مانع عملیات واکنش اضطراری شد. کریدورهای اصلی که مناطق مسکونی با تراکم بالا را به خدمات ضروری، از جمله بیمارستان‌ها، دانشگاه‌ها و فرودگاه بین‌المللی العین متصل می‌کنند، به شدت تحت تأثیر سیل قرار گرفتند. انسداد این مسیرهای حیاتی نه تنها مانع سفرهای معمول شد، بلکه تدارکات پزشکی و اورژانسی را نیز محدود کرد. این نتایج بر آسیب‌پذیری بالای شبکه‌های حمل و نقل در برابر رویدادهای شدید آب و هواشناسی تأکید می‌کند و لزوم ادغام طراحی مقاوم در برابر سیل در برنامه‌ریزی شهری، به ویژه در نزدیکی مسیرهای دسترسی استراتژیک را برجسته می‌سازد.

ویژگی‌ها و علل مناطق سیل‌زده

تجزیه و تحلیل ما، مناطقی را که به شدت تحت تأثیر سیل قرار گرفته‌اند، شامل شبکه‌های جاده‌ای، گودال‌های طبیعی، وادی‌های سرریز شده، زمین‌های باز و پارک‌های تفریحی شناسایی کرد (شکل  ۱۰ ). این مناطق به دلیل ترکیبی از فشارهای انسانی و ویژگی‌های توپوگرافی، به ویژه در برابر سیل آسیب‌پذیر هستند. یکی از عوامل کلیدی مؤثر، ظرفیت نفوذ محدود سطوح شهری است – استفاده گسترده از مواد غیرقابل نفوذ مانند آسفالت و بتن در مناطق ساخته شده منجر به رواناب سطحی سریع و تجمع آب موضعی می‌شود، همانطور که در شهر العین مشاهده شده است.

مناطقی با توپوگرافی پست، به ویژه فرورفتگی‌های طبیعی مانند حوضه الروضه، تجمع آب سیل را بیشتر کرده و شدت سیل را در آن مناطق افزایش می‌دهند. علاوه بر این، اختلال در مسیرهای زهکشی طبیعی توسط زیرساخت‌هایی مانند جاده‌ها، پل‌ها و توسعه شهری، جریان هیدرولوژیکی را در منطقه مورد مطالعه به طور قابل توجهی تغییر داده است. در مناطقی مانند الجاهلی، انسداد کانال‌های وادی توسط سازه‌های ساخته شده، منطقه موجود برای جریان آب را محدود کرده و سیل را هدایت کرده و میزان و شدت خسارات را افزایش داده است.

در مجموع، این یافته‌ها بر نیاز به راهبردهای یکپارچه کاهش خطر سیل، از جمله بهبود سیستم‌های زهکشی شهری، احیای آبراه‌های طبیعی و برنامه‌ریزی استراتژیک کاربری زمین که توپوگرافی طبیعی و هیدرولوژی را در نظر می‌گیرد، تأکید می‌کنند.

تخمین رواناب و عمق آب

در آوریل ۲۰۲۴، العین شاهد یک رویداد بارندگی بی‌سابقه بود و ۲۵۴.۸ میلی‌متر باران را در ۲۴ ساعت ثبت کرد که تخمین زده می‌شود دوره بازگشت آن احتمالاً بیش از ۱۰۰۰ سال باشد ^.۳۲ این بارندگی شدید منجر به حجم رواناب قابل توجهی تقریباً ۱۹،۰۰۰،۰۰۰ متر مربع ^با نسبت رواناب حدود ۷.۱۴٪ شد. در مقایسه، رویدادهای بارندگی قابل توجه قبلی در منطقه، مانند رویدادهای سال‌های ۲۰۱۶ و ۲۰۲۰، نسبت رواناب از ۰.۱۱ تا ۳.۱۴٪ را ایجاد کردند و بیشترین بارندگی ثبت شده در ۲۴ ساعت به ۱۹۵.۷ میلی‌متر رسید ^.۳۰ مدل‌سازی هیدرولوژیکی این رویدادها نشان داد که مناطق شهری به ویژه در برابر سیل آسیب‌پذیر هستند و حداکثر عمق سیل در سراسر حوزه آبخیز به طور قابل توجهی متفاوت است ^.۳۲ یافته‌های این تحلیل‌ها بر نیاز فوری به استراتژی‌های مدیریت سیل پیشرفته و تاب‌آوری زیرساخت‌ها برای رسیدگی به افزایش فراوانی و شدت رویدادهای آب و هوایی شدید در مناطق خشک مانند امارات متحده عربی تأکید می‌کند.

حجم زیاد رواناب در رویداد آوریل ۲۰۲۴ منجر به تجمع سریع آب سیل در مناطق مختلف، به ویژه در فرورفتگی‌های کم‌ارتفاع، مناطق شهری و شبکه‌های جاده‌ای شد. برای تخمین عمق آب در مناطق مختلف العین، پروفیل‌های توپوگرافی از Google Earth با نقشه‌های وسعت سیل گرفته شده از ماهواره (شکل  ۱۱ ) همپوشانی شدند. این تجزیه و تحلیل عمق نشان داد که فرورفتگی الروضه بالاترین سطح آب را تجربه کرده است، زیرا به عنوان دشت سیلابی برای بخش پایین‌دست وادی العین عمل می‌کند. حداکثر عمق تخمینی آب در الروضه به ۸ متر رسید که به طرز فوق‌العاده‌ای زیاد بود و منجر به غرق شدن زیرساخت‌های حیاتی دولتی و زمین‌های کشاورزی شد. در امتداد وادی العین، عمق آب از ۷ متر در جنوب تا ۲ متر در منطقه المرخانیه متغیر بود.

در داخل شهر العین، تخمین عمق آب با عکس‌ها، ویدیوها و شهادت‌های شاهدان عینی در رسانه‌های اجتماعی تکمیل شد. در امتداد جاده‌های شهری، عمق آب از ۰.۳ تا ۱ متر متغیر بود که به طور قابل توجهی حرکت وسایل نقلیه را مختل کرد. برخی از جاده‌های خارج از شهر کاملاً زیر آب رفتند و عمق آب از ۲ متر فراتر رفت، همانطور که در المقام (خیابان حدائق الیاسمین) مشاهده شد و منجر به بسته شدن کامل جاده شد.

نکته قابل توجه این است که تخمین عمق آب بر اساس تصاویر ماهواره‌ای ممکن است به طور کامل اوج سطح سیل را نشان ندهد. حداکثر عمق آب در ساعت ۲:۰۰ بامداد ۱۷ آوریل ثبت شد، در حالی که تصویر Sentinel-2 حدود هشت ساعت بعد، تقریباً در ساعت ۱۰:۰۰ صبح پس از وقوع زهکشی جزئی، به دست آمد. علاوه بر این، وضوح مکانی ۱۰ متری تصاویر ماهواره‌ای، مقداری عدم قطعیت را ایجاد می‌کند. برای کاهش این محدودیت، پروفیل‌های توپوگرافی در مناطقی با شیب حداقل انتخاب شدند تا دقت تخمین عمق آب بهبود یابد. در مقابل، تخمین عمق به‌دست‌آمده از تصاویر و ویدیوهای رسانه‌های اجتماعی، با زمان اوج تخلیه سیل، تطابق بیشتری دارد و نمایش دقیق‌تری از عمق واقعی اوج آب ارائه می‌دهد.

تحلیل تأثیر

نقشه‌برداری و تحلیل وسعت سیل انجام شده در این مطالعه، امکان ایجاد یک مجموعه داده برداری از وسعت سیل، به همراه یک پایگاه داده حاوی اطلاعات مربوط به عمق آب، علل سیل و مناطق آسیب‌دیده را فراهم کرد. این داده‌ها با مجموعه داده‌های مکانی موجود از ساختمان‌ها، جاده‌ها و زیرساخت‌ها ادغام شدند تا ارزیابی جامعی از تأثیر رویداد سیل آوریل ۲۰۲۴ انجام شود.

با تجزیه و تحلیل تقاطع بین مناطق سیل‌زده و ویژگی‌های شهری، ساختمان‌ها، جاده‌ها و زیرساخت‌های خاص آسیب‌دیده در طول رویداد سیل مورد مطالعه را شناسایی کردیم (شکل  ۱۲ ). نتایج نشان می‌دهد که شدت تأثیر سیل در شهر العین، منطقه صنعتی و القطره، جایی که زیرساخت‌های شهری به شدت تحت تأثیر قرار گرفتند، بیشترین بود. در مقابل، شدت تأثیر در الروضه، العامره، المقام و نعمه در حد متوسط ​​طبقه‌بندی شد.

تجزیه و تحلیل دقیق اثرات سیل در شهر العین نشان داد که ۲۶٪ (۹۹۷۶ جاده آب گرفته از ۳۸۴۹۲ جاده کل) از جاده‌های شهر تحت تأثیر قرار گرفته‌اند که ۲۹٪ (۳۱۱۷۳ کیلومتر از ۱۰۸۰۰۰ کیلومتر) از کل طول آنها زیر آب رفته است. علاوه بر این، ۱۹٪ (۱۳۴۹۷ ساختمان آب گرفته (۱٫۵۴ کیلومتر مربع ⁾ از ۷۱۰۴۸ ساختمان کل (۱۲٫۰۱ کیلومتر ^مربع )) ساختمان‌ها و زیرساخت‌ها دچار سیل شده‌اند. خانه‌های مسکونی تا ۷۵٪ از ساختمان‌های آسیب دیده را تشکیل می‌دهند، در حالی که ساختمان‌های عمومی و دولتی، اگرچه تعداد کمتری دارند، اما به دلیل قرار گرفتن در مناطقی با سطح آب بالاتر، از نظر عمق زیر آب رفتن، آسیب بیشتری دیده‌اند (شکل  ۱۳ ). کل مساحت زیر آب رفته در العین ۲۴٫۳۳ کیلومتر ^مربع است .

این تحلیل، الروضه را از نظر عمق آب، مستعدترین منطقه برای سیل و به شدت آسیب‌دیده‌ترین منطقه طبقه‌بندی می‌کند، در حالی که شهر العین به دلیل تمرکز ساختمان‌ها و زیرساخت‌ها، منطقه‌ای پرخطر شناخته می‌شود. اگرچه عمق سیل در این منطقه عموماً کمتر از ۱ متر بود، اما آبگرفتگی گسترده خانه‌ها و تأسیسات حیاتی منجر به خسارات و زیان‌های اقتصادی قابل توجهی شد.

سطح بالای شهرنشینی در العین، حجم رواناب‌های سطحی را افزایش داده و زمان لازم برای تمرکز آب را کاهش داده و شدت سیل را افزایش داده است. علاوه بر این، عرض کم وادی‌های العین و السلینی، ظرفیت آنها را برای هدایت کارآمد آب اضافی محدود می‌کند و آسیب‌پذیری شهر را در برابر سیل‌های شدید بیشتر می‌کند. این عوامل، خطرات فزاینده ناشی از بارندگی‌های شدید ناشی از تغییرات اقلیمی را برجسته می‌کند و بر نیاز به استراتژی‌های بهبود یافته مدیریت سیل تأکید دارد.

در این مطالعه، ما با موفقیت داده‌های سنجش از دور، داده‌های اقلیمی و اعتبارسنجی میدانی را برای ارزیابی تأثیر سیل ناگهانی آوریل ۲۰۲۴ در العین، امارات متحده عربی، ادغام کردیم. با استفاده از تصاویر Sentinel-2 و ITW پیشنهادی، ما به طور مؤثر مناطق سیل‌زده را نقشه‌برداری و میزان سیل، عمق آب و زیرساخت‌های آسیب‌دیده را تجزیه و تحلیل کردیم. نتایج نشان داد که مساحت کل منطقه سیل‌زده بیش از ۲۰۰ کیلومتر مربع است ^و عمق آب‌های سیل در الروضه به حداکثر ۸ متر می‌رسد. سیل در درجه اول جاده‌ها، محله‌های مسکونی، ساختمان‌های عمومی و زمین‌های کشاورزی را تحت تأثیر قرار داد و خسارات اقتصادی و زیرساختی قابل توجهی ایجاد کرد.

این تحلیل، آسیب‌پذیری بالای العین در برابر بارندگی‌های شدید را برجسته می‌کند که با اثرات توسعه شهری، ظرفیت نفوذ محدود و عرض کم وادی‌ها تشدید شده است. بارندگی ۱۶ آوریل ۲۰۲۴ (که در طی آن بیش از ۲۵۰ میلی‌متر بارندگی رخ داد) ناکافی بودن سیستم‌های زهکشی موجود منطقه مورد مطالعه را در مدیریت رواناب شدید نشان داد و منجر به تجمع سریع آب در مناطق کم‌ارتفاع شد. ارزیابی‌های اثرات سیل نشان داد که شهر العین، منطقه صنعتی و القطاره به دلیل تمرکز بالای زیرساخت‌ها، آسیب‌پذیرترین مناطق بودند، در حالی که الروضه از نظر عمق آب، شدیدترین سیل را تجربه کرد.

با توجه به یافته‌های این مطالعه، مقامات محلی و برنامه‌ریزان شهری باید استراتژی‌های هدفمند کاهش سیل از جمله (I) ارتقاء زیرساخت‌های زهکشی برای افزایش ظرفیت جریان آب، (II) اجرای طراحی شهری مقاوم در برابر سیل برای کاهش تجمع رواناب، (III) استفاده از نقشه‌های خطر سیل برای تصمیم‌گیری آگاهانه و برنامه‌ریزی کاربری زمین، و (IV) افزایش برنامه‌های کاربردی مبتنی بر سنجش از دور برای نظارت بر سیل در زمان واقعی و واکنش به بلایا را اجرا کنند. علاوه بر این، نتایج این مطالعه اهمیت سنجش از دور را در نقشه‌برداری دقیق و ارزیابی سیل برجسته می‌کند. استفاده از تصاویر ماهواره‌ای داده‌های به موقع و قابل اعتمادی را ارائه داد که به درک وسعت سیل، عمق آب و مناطق آسیب‌دیده در طول رویداد مورد مطالعه کمک کرد. به طور کلی، این یافته‌ها برای واکنش به بلایا و آمادگی برای سیل در آینده در العین بسیار مهم هستند.

تحقیقات آینده باید بر نظارت بر روندهای اقلیمی، بهبود مدل‌های پیش‌بینی سیل و اصلاح ارزیابی‌های خطر سیل متمرکز شود. به‌روزرسانی‌های منظم نقشه‌های سیل و بهبود ادغام داده‌های هیدرولوژیکی محلی نیز آمادگی برای رویدادهای شدید آب و هوایی مشابه در العین را افزایش می‌دهد. روش ITW را می‌توان با ادغام باندهای بیشتر و استفاده از تصاویر با وضوح بالاتر و داده‌های فراطیفی اصلاح کرد.

در نتیجه، این تحقیق بینش‌های کلیدی در مورد پویایی سیل العین ارائه می‌دهد و بر لزوم سیستم‌های زهکشی بهتر، تنظیمات برنامه‌ریزی شهری و مدیریت ریسک پیشگیرانه تأکید می‌کند. اجرای این اقدامات به کاهش خسارات در سیل‌های آینده و افزایش تاب‌آوری شهر در برابر بارندگی‌های شدید کمک خواهد کرد.