مقدمه

سیل شهری به یک نگرانی جهانی فزاینده تبدیل شده است که ایمنی انسان، زیرساخت‌های حیاتی و ثبات اقتصادی را تهدید می‌کند. شهرنشینی سریع، توسعه بدون برنامه‌ریزی زمین و تغییرات اقلیمی، خطر سیل را به ویژه در مناطق شهری متراکم که در آن‌ها چندپارگی حکومت اغلب واکنش مؤثر را تضعیف می‌کند، افزایش داده است. پرداختن به چنین چالش‌هایی نیازمند تغییر از رویکردهای صرفاً فنی به سمت سیستم‌های حکومتداری یکپارچه، تطبیقی ​​و مشارکتی است. در این زمینه، تصمیم‌گیری مکانی مشارکتی (CSDM) به عنوان یک الگوی امیدوارکننده ظهور کرده است که سیستم‌های اطلاعات جغرافیایی (GIS)، برنامه‌ریزی مشارکتی و تجزیه و تحلیل مکانی در زمان واقعی را به هم پیوند می‌دهد.

علیرغم پیشرفت‌های قابل توجه در مدل‌سازی ریسک سیل، چارچوب‌های موجود اغلب تکنوکراتیک باقی مانده و ارتباط ضعیفی با پویایی‌های حکمرانی و دیدگاه‌های ذینفعان دارند. مطالعات نشان می‌دهد که تجزیه و تحلیل داده‌ها و مدل‌سازی مکانی به طور گسترده برای نقشه‌برداری از میزان مواجهه با خطر استفاده شده است، اما هماهنگی نهادی، مشارکت جامعه و حکمرانی یکپارچه همچنان ابعاد ناشناخته‌ای از مدیریت سیل شهری هستند ۱ ، ۲٫ بر این اساس، این شناخت رو به رشد وجود دارد که حکمرانی مؤثر سیل باید نه تنها داده‌های هیدرولوژیکی و مکانی، بلکه مکانیسم‌های مشارکتی را نیز در بر بگیرد که سازمان‌های دولتی، برنامه‌ریزان و جوامع را قادر می‌سازد تا سیستم‌های شهری تاب‌آور را با هم طراحی کنند. ادبیات اخیر بر چهار حوزه به هم پیوسته که حکمرانی معاصر سیل را شکل می‌دهند، تأکید می‌کند:

چارچوب‌های سیاستی و نهادی

سیل‌ها تأثیرات شدیدی بر زیرساخت‌ها، اقتصادها و جوامع ایجاد کرده‌اند که با جنگل‌زدایی و گسترش شهرها تشدید شده است. در نتیجه، مدیریت ریسک سیل به سمت رویکردهای یکپارچه و مبتنی بر ریسک با تأکید بر مهندسی هماهنگ، برنامه‌ریزی کاربری زمین، آگاهی عمومی و همکاری ذینفعان تکامل یافته است .

تحلیل‌های تطبیقی ​​در سراسر هلند، آلمان، بریتانیا و استرالیا، مدل‌های حاکمیتی چندسطحی متنوعی را از سیستم‌های متمرکز تا غیرمتمرکز برای کاهش خطر سیل نشان می‌دهد . ۴ در بریتانیا، طرح بیمه اتکایی سیل در سال ۲۰۱۶ ، پوشش مقرون‌به‌صرفه را ترویج می‌دهد و در عین حال به سمت قیمت‌گذاری مبتنی بر ریسک در حال گذار است که نیاز به مشارکت گسترده‌تر ذینفعان را در شرایط تنش اقلیمی برجسته می‌کند .

ارزیابی سیاست‌های ملی و منطقه‌ای بر اهمیت راهنمایی‌های روشن و ابزارهای برنامه‌ریزی تطبیقی ​​که مدیریت مبتنی بر ریسک را ممکن می‌سازند، تأکید می‌کند . ۶ مطالعات در اسکاتلند و اتریش شکاف‌های مدیریتی، از جمله چالش‌های هماهنگی و گسستگی بین تئوری و اجرا را آشکار می‌کند که نیازمند چارچوب‌های مدیریتی تحول‌آفرین است. ۷ ، ۸٫ در غنا، اقدامات نهادی پیشگیرانه مانند آموزش، برنامه‌ریزی فضایی و سیستم‌های هشدار اولیه، تاب‌آوری محلی را تقویت می‌کند . ۹

تجربه ژاپن ضرورت ادغام دانش محلی در سیستم‌های حاکمیتی را نشان می‌دهد که در غیر این صورت به دلیل انسجام نهادی ناکافی با مشکل مواجه می‌شدند . ۱۰ به طور مشابه، تحقیقات در مناطق شهری، زیرساخت‌های ناکافی و ضعف حاکمیت را به عنوان موانع اصلی تاب‌آوری در برابر سیل شناسایی می‌کند . ۱۱ رویکردهای تحلیلی مانند بازی‌های جدی نیز الگوهای تصمیم‌گیری محلی در حال تکامل را در شرایط عدم قطعیت برجسته می‌کنند . ۱۲

از کنیا گرفته تا آلمان و غنا، موارد اخیر نشان می‌دهد که مشارکت جامعه همچنان حیاتی است، هرچند که اغلب با منابع و هماهنگی محدود محدود می‌شود [۱۳ ، ۱۴ ، ۱۵ ]. روش‌های مشارکتی سازگاری مشترک، از جمله دموکراسی محلی و میزگردهای ذینفعان در مالزی، ابزارهای امیدوارکننده‌ای برای حکمرانی فراگیر سیل ارائه می‌دهند [۱۶] . مطالعات در دلتای مکونگ ویتنام و چین پس از فاجعه، بیشتر نشان می‌دهد که چگونه سیستم‌های حکمرانی سازگار و پاسخگو به قدرت، تحول بلندمدت زیست‌محیطی و نهادی را شکل می‌دهند [۱۷ ، ۱۸ ] .

مشارکت ذینفعان و مدیریت ریسک مشترک

حجم فزاینده‌ای از تحقیقات بر یادگیری اجتماعی، اعتمادسازی و حکومت فراگیر در بسترهای نهادی ناهمگن تأکید دارند [۱۹ ، ۲۰ ، ۲۱] .

چارچوب قرارداد آبی-اجتماعی (HSC) برای بررسی چگونگی شکل‌گیری مدیریت ریسک سیل توسط پویایی‌های اجتماعی در حوضه رودخانه ایزر، فرانسه، به کار گرفته شده است . مطالعات در زمینه‌های مختلف به طور مداوم تأکید می‌کنند که مشارکت ذینفعان و همکاری بین بخشی، اثربخشی حاکمیت را افزایش می‌دهد. در منطقه وا وست غنا، حاکمیت مؤثر از طریق آموزش، سازوکارهای مشارکتی و ظرفیت‌سازی محلی حاصل می‌شود .

در هلند، پروژه‌های آزمایشی در ایمنی چندسطحی در برابر سیل، همکاری و اعتماد را بین مقامات پراکنده تقویت کرد و عوامل و موانع کلیدی را شناسایی نمود .۲۴ به طور مشابه، مطالعات چشم‌انداز حوزه آبخیز فنلاند، ابزاری برای ارزیابی برای تقویت حکومتداری مشارکتی در شرایط عدم قطعیت ایجاد کرد .۱۹ شواهد حاصل از سیل‌های ۲۰۲۱ آلمان، شکاف‌های هماهنگی و وابستگی‌های متقابل زیرساخت‌ها را که واکنش مؤثر به فاجعه را محدود می‌کرد، آشکار ساخت .۲۵ نقشه‌برداری مشارکتی در لوساکا، زامبیا، نشان داد که نقشه‌های سیل مبتنی بر روایت می‌توانند دانش محلی را با داده‌های علمی ادغام کنند تا برنامه‌ریزی تاب‌آوری را بهبود بخشند .۲۶

مطالعات شهری و منطقه‌ای، چالش‌های نهادی و رفتاری بیشتری را آشکار می‌کند. در چین، برنامه شهر اسفنجی، موانع حاکمیتی چندسطحی و نیاز به مشارکت قوی‌تر جامعه را آشکار کرد .۲۷ در شرق پنسیلوانیا (ایالات متحده آمریکا)، یک متاآنالیز، ساختارهای حاکمیتی ضعیف، ناهماهنگی سیاست‌ها و آموزش عمومی ناکافی را به عنوان موانع اجرای زیرساخت سبز آب‌های سطحی شناسایی کرد .۲۸ ادغام طراحی زهکشی آب‌های سطحی در برنامه‌ریزی شهری برای بهبود ظرفیت واکنش جمعی و مدیریت خطرات مرتبط با سیل ضروری تشخیص داده شد .۲۹ در نهایت، بیمه سیل به عنوان یک مکانیسم حیاتی انتقال ریسک عمل می‌کند که توسط یک پلتفرم داده پیشنهادی در سطح شهرداری پشتیبانی می‌شود و همکاری دولتی-خصوصی را برای مدیریت املاک پرخطر امکان‌پذیر می‌سازد .۳۰

روش‌های تصمیم‌گیری چندمعیاره (MCDM)

تکنیک‌های MCDM ابزاری ساختاریافته برای ارزیابی عوامل فیزیکی، محیطی و اجتماعی-اقتصادی مؤثر بر آسیب‌پذیری سیل ارائه می‌دهند . ۳۱ ، ۳۲٫ آن‌ها مبنایی کمی برای مقایسه پارامترهای مکانی متنوع تحت شرایط عدم قطعیت پیچیده فراهم می‌کنند.

ادغام ابزارها و فناوری

پیشرفت‌ها در مدل‌سازی مبتنی بر GIS، شبیه‌سازی‌های هیدرولوژیکی و سیستم‌های پشتیبانی تصمیم‌گیری، فرآیندهای برنامه‌ریزی شفاف و مبتنی بر داده را امکان‌پذیر کرده‌اند ۳۳ ، ۳۴ ، ۳۵٫ ادغام این فناوری‌ها، پاسخگویی را ارتقا داده و تدوین سیاست‌های مبتنی بر شواهد را تسهیل می‌کند.

با این وجود، علیرغم این دستاوردها، یک شکاف تحقیقاتی مهم در پیوند دادن مدل‌های تحلیلی صریح مکانی به فرآیندهای حکمرانی مشارکتی که پیچیدگی نهادی و تنوع ذینفعان را به رسمیت می‌شناسند، به ویژه در زمینه‌های شهری در حال توسعه، همچنان وجود دارد.

برای پرداختن به این شکاف، مطالعه حاضر یک مدل تصمیم‌گیری مکانی مشارکتی (CSDM) را معرفی می‌کند که فرآیند تحلیل سلسله مراتبی (AHP)، شبکه‌های عصبی مصنوعی (ANN) و تحلیل مسیر کمترین هزینه (LCP) را در یک چارچوب مشارکتی و مبتنی بر حاکمیت ادغام می‌کند. در این مدل، ادغام ذینفعان از طریق دو مرحله مکمل عملیاتی می‌شود:

  1. ۱.مرحله استخراج AHP، که در آن ذینفعان، از جمله مهندسان شهرداری، برنامه‌ریزان، نمایندگان جامعه و دانشگاهیان، در وزن‌دهی دو به دو معیارها شرکت کردند؛ و
  2. ۲.یک کارگاه اعتبارسنجی با هدف اصلاح خروجی‌های تفسیری و همسوسازی نتایج فنی با اولویت‌های سیاستی و جامعه.

این مکانیسم دوگانه تضمین می‌کند که مدل هم از نظر علمی قوی و هم از نظر اجتماعی پایه‌گذاری شده باقی بماند و بینش ذینفعان را به تصمیمات مکانی قابل اندازه‌گیری و ابزارهای مدیریتی عملی تبدیل کند. چنین ترکیب روش‌شناختی در محیط‌های در حال توسعه نادر است و مستقیماً به درخواست‌های اخیر برای چارچوب‌های مشترک و عملی برای مدیریت سیل پاسخ می‌دهد ۴ ، ۳۶ .

برای نشان دادن کاربردپذیری رویکرد پیشنهادی، این تحقیق بر شهر تهران، یک مورد نمونه با توپوگرافی پیچیده، رشد سریع شهری و حوادث مکرر سیل، تمرکز دارد. ساختار حاکمیتی چندسازمانی شهر، که با مسئولیت‌های نهادی همپوشانی مشخص می‌شود، زمینه آزمایشی مناسبی را برای ارزیابی پتانسیل هماهنگی یک چارچوب مشارکتی و داده‌محور ارائه می‌دهد.

بر این اساس، این پژوهش اهداف زیر را دنبال می‌کند:

  1. ۱.توسعه یک چارچوب تصمیم‌گیری چندمعیاره مکانی یکپارچه (SMCDM) برای ارزیابی آسیب‌پذیری سیل شهری با در نظر گرفتن سیستماتیک پارامترهای فیزیکی، محیطی و زیرساختی.
  2. ۲.برای اعتبارسنجی مدل با استفاده از تحلیل شبکه عصبی، و در نتیجه افزایش قابلیت اطمینان و استحکام ارزیابی‌های آسیب‌پذیری.
  3. ۳.عملیاتی کردن این چارچوب از طریق یک جعبه ابزار مبتنی بر GIS سفارشی، که برنامه‌ریزان و سیاست‌گذاران را قادر می‌سازد تا تجزیه و تحلیل‌های شفاف و قابل تکرار سیل را انجام دهند.
  4. ۴.بهینه‌سازی مسیرهای جمع‌آوری رواناب با استفاده از تحلیل مسیر کمترین هزینه (LCP)، که بینش‌های مکانی کاربردی برای برنامه‌ریزی زیرساخت‌ها و تخصیص منابع ارائه می‌دهد.

در مجموع، این مشارکت‌ها با ارائه یک روش‌شناسی قابل تکرار، توسعه‌یافته به صورت مشارکتی و از نظر فنی معتبر که مدل‌سازی تحلیلی را با تصمیم‌گیری مشارکتی پیوند می‌دهد و در نتیجه ارتباط بین علم، سیاست و عمل را تقویت می‌کند، حوزه مدیریت سیل شهری را پیش می‌برند.

روش

مطالعه موردی

تهران، پایتخت ایران، به عنوان مطالعه موردی شهری انتخاب شد (شکل  ۱ ). از نظر جغرافیایی، این شهر از شمال به دامنه‌های کوه البرز، از جنوب به دشت ورامین و ارتفاعات کهریزک، از شرق به حوضه سرخه حصار و از غرب به حوضه رودخانه کن محدود می‌شود. سیستم هیدرولوژیکی حوضه تهران شامل سه زیرسیستم اصلی زهکشی است:

  1. ۱.رودخانه‌ها و نهرهایی که به سمت جنوب شرقی جریان دارند،
  2. ۲.رودخانه‌هایی که به سمت جنوب غربی جریان دارند، و
  3. ۳.شبکه‌ای از کانال‌های مصنوعی و طبیعی در مناطق مرکزی و جنوبی.

زیرسیستم سوم، رواناب سطحی، بارندگی و فاضلاب شهری یا صنعتی را جمع‌آوری می‌کند، در حالی که رودخانه جاجرود (شمال شرقی) و رودخانه کرج (شمال غربی) با این سیستم‌های جریان شهری در سراسر زمین‌های کشاورزی جنوب تهران همگرا می‌شوند.

شکل ۱
شکل ۱

موقعیت جغرافیایی منطقه مورد مطالعه (شهر تهران در استان تهران، ایران). (شکل ایجاد شده در ArcGIS 10.8 ESRI، http://www.esri.com ).

تصویر در اندازه کامل

با تکیه بر ویژگی‌های جغرافیایی و هیدرولوژیکی معرفی‌شده در بالا، بخش بعدی چارچوب روش‌شناختی توسعه‌یافته برای مدل‌سازی و تحلیل حکمرانی سیل شهری در تهران را ارائه می‌دهد. با پیوند دادن زمینه مکانی به طراحی مدل‌سازی، این گذار، پیوستگی بین شرایط خاص هر مورد و رویه‌های تحلیلی اعمال‌شده را تضمین می‌کند. همچنین مدل‌های پیشنهادی (AHP، ANN و LCP) را در چارچوب تصمیم‌گیری مبتنی بر حکمرانی گسترده‌تر قرار می‌دهد.

چارچوب روش‌شناختی

این چارچوب روش‌شناختی، تحلیل چندمعیاره مکانی را در یک محیط تصمیم‌گیری مبتنی بر GIS ادغام می‌کند (شکل  ۲ ). این چارچوب از یک توالی سه مرحله‌ای پیروی می‌کند:

  1. ۱.تصمیم‌گیری چندمعیاره مکانی (SMCDM): تولید نقشه خطر سیل.
  2. ۲.اعتبارسنجی شبکه عصبی مصنوعی (ANN): ارزیابی دقت مدل.
  3. ۳.تحلیل مسیر کمترین هزینه (LCP): شناسایی مسیرهای بهینه جمع‌آوری آب‌های سطحی.

اجرای مؤثر سیاست‌های مدیریت یکپارچه سیل نادر است و منجر به شکاف بین توسعه سیاست و اجرای عملی می‌شود ۳۷٫ هدف این کار کمک به پر کردن این شکاف است. این فرآیند از طریق یک جعبه ابزار GIS سفارشی اجرا می‌شود که امکان تجزیه و تحلیل یکپارچه شاخص‌های مکانی مانند کاربری اراضی، شیب و تراکم زهکشی را فراهم می‌کند. ANN دقت مدل را تضمین می‌کند و سوگیری را به حداقل می‌رساند، در حالی که LCP مسیرهای زهکشی بهینه را بر اساس شرایط زمین و زیرساخت تعریف می‌کند. یک سیستم پشتیبانی تصمیم‌گیری (DSS) داخلی، رابط کاربری آسانی را فراهم می‌کند که مدل‌سازی فنی را با رویه‌های سیاست‌گذاری مرتبط می‌کند و از ورود داده‌ها، تنظیم پارامترها و تجسم پشتیبانی می‌کند. این گردش کار یکپارچه، شکاف مداوم بین برنامه‌ریزی و اجرای مدیریت سیل را پر می‌کند.

شکل ۲
شکل ۲

روند انجام تحقیق.

تصویر در اندازه کامل

چارچوب همکاری و مشارکت ذینفعان

برای تضمین شفافیت و مشروعیت، یک چارچوب حاکمیت مشارکتی ساختارمند برای مشارکت فعال ذینفعان در تصمیم‌گیری‌های مکانی ایجاد شد. ذینفعان کلیدی به طور هدفمند از طریق یک نقشه‌برداری از ذینفعان بر اساس نقش‌ها، مسئولیت‌ها و تخصص آنها در ریسک سیل و مدیریت آب شهری شناسایی شدند. این افراد شامل برنامه‌ریزان شهری شهرداری، مقاماتی از مقامات مدیریت آب و فاضلاب، سازمان‌های حفاظت از محیط زیست و محققان دانشگاهی با تخصص در هیدرولوژی، GIS و برنامه‌ریزی مکانی بودند.

مشارکت در دو مرحله مشارکتی رخ داد: اول، بحث‌های نیمه‌ساختاریافته، زمینه خطر سیل را تعریف کردند و به‌طور مشترک شاخص‌های مکانی و معیارهای ارزیابی را انتخاب کردند؛ دوم، شرکت‌کنندگان مقایسه‌های جفتی AHP را برای تعیین اهمیت نسبی هر معیار انجام دادند، و تسهیل‌گران با هدایت اجماع، وزن‌دهی متعادل را تضمین کردند.

یک جعبه ابزار پشتیبانی تصمیم‌گیری مبتنی بر GIS سفارشی، امکان آزمایش سناریو در زمان واقعی، تجسم نقشه‌های خطر و ادغام دانش تخصصی را فراهم کرد و از شفافیت و تکرارپذیری پشتیبانی نمود. گنجاندن نظرات ذینفعان در انتخاب معیارها و وزن‌دهی، مالکیت مشترک، اعتماد نهادی و کاربردپذیری سیاست‌ها را افزایش داد. در مجموع، فرآیند مشارکتی، مدل‌سازی فنی را با حکمرانی شهری عملی پیوند داد و نمونه‌ای از تولید مشترک دانش در مدیریت ریسک سیل را نشان داد.

تحلیل چندمعیاره مکانی و نقشه‌برداری خطر سیل

خطرات سیل با تجزیه و تحلیل متغیرهای حاکم بر رواناب سطحی فراتر از ظرفیت زهکشی ارزیابی شد. گردش کار شامل پنج مرحله ساده بود:

  1. ۱.جمع‌آوری داده‌ها و پیش‌پردازش.
  2. ۲.انتخاب و استانداردسازی معیارهای ارزیابی در GIS.
  3. ۳.استخراج وزن از طریق AHP.
  4. ۴.ترکیب خطی وزنی (WLC) لایه‌های مکانی.
  5. ۵.تهیه نقشه نهایی شدت خطر.

انتخاب معیارهای ارزیابی از یک رویه ساختاریافته و چند مرحله‌ای پیروی کرد تا هم اعتبار علمی و هم ارتباط زمینه‌ای تضمین شود. ابتدا، یک بررسی جامع از متون علمی برای شناسایی پارامترهای رایج در ارزیابی خطر سیل، با ارجاع به آثار اصلی ۳۱ ، ۳۶ و مطالعات اخیر با محوریت حکومتداری، انجام شد.

متعاقباً، با گروهی از کارشناسان ارشد متخصص در هیدرولوژی شهری، مدیریت حوزه آبخیز و کاربردهای GIS مشورت شد تا کفایت فنی و عملی متغیرهای پیشنهادی تأیید شود. نظرات آنها منجر به اصلاح شاخص‌های اولیه مربوط به آسیب‌پذیری، عملکرد هیدرولیکی و حساسیت زیست‌محیطی شد. در نهایت، فهرست پیشنهادی در یک کارگاه ذینفعان با حضور شرکت‌کنندگان شهری و دانشگاهی بررسی شد که در آن بر اساس معیارهایی بر اساس قابلیت اطمینان داده‌ها، مرتبط بودن سیاست‌ها و قابلیت کاربرد محلی، اجماع حاصل شد.

معیارهای ارزیابی

ارزیابی خطر سیل بر اساس سه دسته اصلی از معیارها انجام شد: آسیب‌پذیری، هیدرولیک و زیست‌محیطی.

  • معیارهای آسیب‌پذیری : کاربری اراضی شهری، فاصله از کانال‌ها و تراکم شبکه زهکشی.
  • معیارهای هیدرولیکی : ارتفاع و شیب.
  • معیارهای زیست‌محیطی : زمین‌شناسی و سطح آب‌های زیرزمینی.

در مطالعه‌ای در مورد برنامه‌ریزی حفاظت از جنگل‌ها، حفاظت از آب و خاک به عنوان معیارهای کلیدی در نظر گرفته شدند و مدیریت سیل به عنوان یک زیرمعیار، شامل عواملی مانند شیب، بارندگی سالانه، عمق خاک، زمین‌شناسی و توپوگرافی ۳۸ در نظر گرفته شد .

تمام لایه‌های مکانی به فرمت رستری تبدیل و به سطوح خطر طبقه‌بندی شدند، که در آن اعداد پایین‌تر نشان‌دهنده پتانسیل سیل‌خیزی بالاتر هستند. کاربری اراضی شهری به پنج کلاس (خیابان‌ها تا فضاهای باز)، فاصله از کانال‌ها به هفت کلاس، تراکم زهکشی به شش کلاس، شیب و ارتفاع هر کدام به نه کلاس، زمین‌شناسی به پنج کلاس و سطح آب‌های زیرزمینی به شش کلاس تقسیم شدند.

معیارها بر اساس بررسی متون و داده‌های موجود انتخاب شدند و تمرکز اصلی آنها بر آسیب‌پذیری در برابر سیل بود. ساختارهای زمین‌شناسی منطقه مورد مطالعه (A، Bn، Bs، C، D) همچنین بر اساس نفوذپذیری سازند طبقه‌بندی شدند که نشان‌دهنده تأثیر آنها بر حساسیت به سیل است.

فرآیند تحلیل سلسله مراتبی (AHP)

فرآیند تحلیل سلسله مراتبی (AHP) یک روش تصمیم‌گیری چند معیاره است که به طور گسترده مورد استفاده قرار می‌گیرد ۳۹٫ در این مطالعه، دوازده ذینفع در فرآیند وزن‌دهی شرکت کردند، از جمله چهار مهندس شهرداری، سه برنامه‌ریز سیاست، سه دانشگاهی و دو نماینده سازمان‌های مردم‌نهاد که از طریق رویکرد نمونه‌گیری هدفمند انتخاب شدند. نقش آنها شامل ارائه مقایسه‌های زوجی و اعتبارسنجی لایه‌های وزن‌دهی شده برای اطمینان از دقت فنی و ارتباط حاکمیتی بود. این روش مبتنی بر مقایسه‌های زوجی است و به مدیران و تصمیم‌گیرندگان اجازه می‌دهد سناریوهای مختلف را ارزیابی کنند.

روش AHP شامل سه مرحله اصلی است:

  1. ۱.ساخت ساختار سلسله مراتبی مسئله.
  2. ۲.تشکیل ماتریس‌های مقایسه زوجی و محاسبه وزن معیارها، و
  3. ۳.انجام بررسی سازگاری.

مقادیر ترجیحی مورد استفاده در مقایسه‌های زوجی از مقیاس ساعتی (جدول ۱۳۹ ) پیروی می‌کنند . چارچوب سلسله مراتبی برای مدیریت سیلاب شهری در شکل ۳ ارائه شده است ، که در آن سطح اول نشان دهنده هدف کلی، سطح دوم معیارهای اصلی، سطح سوم زیرمعیارها و سطح چهارم کلاس‌های مربوطه برای هر زیرمعیار است.

توسعه جعبه ابزار و یکپارچه‌سازی GIS

یک جعبه ابزار GIS سفارشی در ESRI ArcMap برای خودکارسازی فرآیند تصمیم‌گیری مکانی ایجاد شد (شکل  ۴ ). این جعبه ابزار شامل سه ماژول اصلی است:

  1. ۱.پیش‌پردازش داده‌ها (تبدیل بردار به رستر و ترازبندی)
  2. ۲.وزن‌دهی معیارها (وارد کردن وزن‌های مشتق‌شده از AHP) و
  3. ۳.همپوشانی نقشه و طبقه‌بندی خطر با استفاده از روش ترکیب خطی وزنی (WLC).

این جعبه ابزار به عنوان یک افزونه GIS عمل می‌کند که فرآیند AHP را اجرا می‌کند، که در آن لایه‌های ورودی به فرمت رستری تبدیل می‌شوند، وزن معیارها از طریق مقایسه‌های زوجی محاسبه می‌شود و نقشه نهایی خطر سیل از طریق ادغام WLC تولید می‌شود. این جعبه ابزار با طراحی کاربرپسند و قابل تکرار خود، از تصمیم‌گیری مشارکتی پشتیبانی می‌کند و می‌تواند در سایر زمینه‌های مدیریت سیل شهری نیز به کار رود.

جدول ۱ مقادیر عددی ترجیحات در مقایسه‌های زوجی.
میز تمام سایز
شکل ۳
شکل ۳

ساختار سلسله مراتبی مدیریت سیلاب شهری.

تصویر در اندازه کامل

ارزیابی مدل از طریق شبکه‌های عصبی مصنوعی (ANN)

از آنجا که نقشه‌های ثبت‌شده‌ی رویدادهای سیل در دسترس نبودند، از اعتبارسنجی مکانی مبتنی بر شبکه‌ی عصبی مصنوعی برای آزمایش انسجام درونی نتایج SMCDM استفاده شد. ورودی‌های رستری‌شده که نشان‌دهنده‌ی معیارهای تصمیم‌گیری بودند، به عنوان داده‌های آموزشی برای مدل شبکه‌ی عصبی مصنوعی توسعه‌یافته در محیط GIS عمل کردند.

این شبکه برای پیش‌بینی کلاس‌های خطر بر اساس نقشه‌های معیار وزنی آموزش داده شد. همگرایی بین پیش‌بینی‌های ANN و دسته‌های خطر مشتق‌شده از SMCDM، پایداری مدل و به حداقل رساندن خطای طبقه‌بندی را تأیید کرد. کاهش ابعاد با استفاده از تحلیل خوشه‌ای (روش نزدیکترین همسایه) برای جلوگیری از بیش‌برازش و تسریع محاسبات در ماتریس مکانی بزرگ (سلول‌های ۱۱۲۵ × ۹۶۲) حاصل شد. این ادغام ترکیبی از تصمیم‌گیری چندمعیاره مکانی و اعتبارسنجی شبکه عصبی مصنوعی، با ترکیب وزن‌دهی متخصص‌محور با یادگیری داده‌محور، اعتماد به مدل حکمرانی مکانی را تقویت کرد.

شکل ۴
شکل ۴

فرآیند مدل‌سازی مکانی در جعبه‌ابزار توسعه‌یافته در محیط GIS.

تصویر در اندازه کامل

شناسایی مسیرهای بهینه رواناب شهری

پس از اعتبارسنجی، سلول‌های مستعد سیل به عنوان نقاط منبع رواناب برای شبیه‌سازی مسیرهای جمع‌آوری مشخص شدند. با استفاده از تحلیل مسیر حداقل هزینه (LCP)، مدل مسیرهایی را شناسایی کرد که هزینه تجمعی را هم از نظر فاصله و هم از نظر زمان بین سلول‌های منبع و خروجی به حداقل می‌رساند.

چهار مرحله محاسباتی اجرا شد:

  1. ۱.تعریف سلول‌های منبع و هدف؛
  2. ۲.سطوح مناسب بودن (هزینه) را ایجاد و وزن‌دهی کنید؛
  3. ۳.محاسبه رسترهای هزینه تجمعی؛
  4. ۴.استخراج پلی‌لاین‌های کم‌هزینه به عنوان مسیرهای مسیریابی بهینه.

الگوریتم LCP نقشه‌های وزنی مربوط به کاربری زمین، شیب و زمین‌شناسی را ادغام می‌کند و مسیرهای واقع‌بینانه‌ای را برای انتقال آب‌های سطحی سازگار با زیرساخت‌های موجود ارائه می‌دهد. خروجی‌ها مستقیماً با اولویت‌بندی مسیرهای زهکشی ممکن در یک پلتفرم DSS مبتنی بر GIS، به تصمیم‌گیری‌های شهری کمک می‌کنند.

نتایج

این بخش نتایج نقشه‌برداری خطر سیل، اعتبارسنجی مدل و تحلیل مسیر حداقل هزینه انجام‌شده برای برنامه‌ریزی رواناب شهری را ارائه می‌دهد.

وزن‌دهی معیارها و اعتبارسنجی مدل

پس از ساختاردهی چارچوب سلسله مراتبی مطالعه، از فرآیند تحلیل سلسله مراتبی (AHP) برای استخراج وزن‌های نسبی معیارهای مرتبط با سیل استفاده شد. بر اساس مقیاس مقایسه زوجی ساعتی (جدول  ۱ )، ماتریس‌های مقایسه محاسبه شدند و نسبت‌های ناسازگاری (IR) آنها زیر آستانه قابل قبول (IR < 0.1) تأیید شد. بنابراین، وزن‌های استخراج شده برای مدل‌سازی فضایی بعدی معتبر در نظر گرفته شدند.

برای عملیاتی کردن این فرآیند، یک جعبه ابزار پشتیبانی تصمیم‌گیری مبتنی بر GIS سفارشی در ArcGIS 10.8 (ESRI) توسعه داده شد که پیش‌پردازش داده‌ها، محاسبه وزن AHP و ترکیب خطی وزن‌دار (WLC) را برای ارزیابی خطر سیل ادغام می‌کند. مجموعه داده‌های مربوطه (جدول  ۲ ) در قالب رستری (اندازه سلول ۳۰ متر) تهیه و برای اطمینان از قابلیت مقایسه در لایه‌های موضوعی، استانداردسازی شدند. سه معیار اصلی، یعنی آسیب‌پذیری (V)، هیدرولیک (H) و اثرات زیست‌محیطی (EI)، و زیرمعیارهای مربوطه آنها مطابق جدول  ۳ نقشه‌برداری و وزن‌دهی شدند .

وزن نهایی معیارها (جدول  ۳ ) نشان می‌دهد که آسیب‌پذیری (۰٫۶۳۵) بیشترین تأثیر را دارد و پس از آن هیدرولیک (۰٫۲۸۷) و اثرات زیست‌محیطی (۰٫۰۷۸) قرار دارند. در میان زیرمعیارها، کاربری اراضی شهری و فاصله از زهکش‌ها بیشترین تأثیرات نسبی را به همراه داشتند. شاخص مناسب بودن برای هر سلول با استفاده از معادله ( ۱ ) محاسبه شد که مقادیر رستری وزنی را تحت همه معیارها ادغام می‌کند. نقشه‌های خطر ترکیبی از طریق ادغام وزنی زیرمعیارها طبق معادلات ( ۲ ) تا ( ۴ ) تولید شدند و در نهایت در شاخص خطر کلی (معادله  ۵ ) ترکیب شدند.

شاخص خطر نهایی (معادله  ۵ ) تمام عوامل وزنی از مؤلفه‌های آسیب‌پذیری، هیدرولیکی و محیطی را ادغام می‌کند. توزیع مکانی مناطق خطر سیل حاصل در شکل  ۵ نشان داده شده است ، که در آن کلاس‌های عددی پایین‌تر مربوط به پتانسیل سیل بالاتر هستند. تقریباً ۶٪ از منطقه در کلاس خطر بسیار بالا (کلاس ۱)، ۴۳٪ در کلاس‌های متوسط ​​تا بالا (۲-۳)، ۴۲٪ در کلاس متوسط ​​(۴) و حدود ۹٪ در کلاس‌های خطر کم (۵-۶) قرار می‌گیرند. مناطق پست جنوب شرقی (شیب <2٪) به دلیل نقص در زهکشی آب‌های سطحی، مستعدترین مناطق برای سیل به نظر می‌رسند، در حالی که بخش‌های غربی حداقل خطر را نشان می‌دهند.

(۱)

 :

شاخص مربوط به خطر سیل منطقه 

 :

وزن نسبی معیار  ( 

 :

مقادیر استاندارد شده مساحت  تحت معیار  و  نشان دهنده تعداد کل معیارها است.

آسیب‌پذیرینقشهنقشهکاربریزماننقشهفاصلهکانالزماننقشهتراکمکانالزمان
(۲)
هیدرولیکنقشهنقشهدماضربنقشهشیبضرب
(۳)
اثراتمحیطینقشهنقشهزمین‌شناسیزماننقشهآبسطحعمقزمان
(۴)
$$\begin{aligned} F & = \left[ {V \times \left( {\mathop \sum \limits_{i} \left( {W_{{V1}} \times W_{{Vi1}} } \right) + \mathop \sum \limits_{i} \left( {W_{{V2}} \times W_{{Vi2}} } \right) + \mathop \sum \limits_{i} \left( {W_{{V3}} \times W_{{Vi3}} } \right)} \right] \\ & + \left[ {H \times \left( {W_{{H1}} \times W_{{Hi1}} } \right) + \mathop \sum \limits_{i} \left( {W_{{H2}} \times W_{{Hi2}} } \right)} \right)} \right] \\ & + \left[ {EI \times \left( {\mathop \sum \limits_{i} \left( {W_{{EI1}} \times W_{{EIi1}} } \right) + \mathop \sum \limits_{i} \left( {W_{{EI2}} \times W_{{EIi2}} } \right)} \right] \\ \end{aligned}$$
(۵)

در معادله ( ۵ )، نشان دهنده شاخص مرتبط با نقشه خروجی (خطر سیل) است. علاوه بر این، معیار اصلی آسیب‌پذیری است و ، و به ترتیب وزن‌های مربوط به زیرمعیارهای کاربری اراضی، فاصله از کانال‌ها و زهکش‌ها و تراکم شبکه کانال را نشان می‌دهند. به طور مشابه ، و وزن‌های مربوط به کلاس‌های هر زیرمعیار آسیب‌پذیری را نشان می‌دهند. شاخص معیار اصلی هیدرولیک، و به عنوان وزن‌های مربوط به زیرمعیارهای ارتفاع و شیب، و به عنوان وزن‌های مربوط به کلاس‌های هر زیرمعیار هیدرولیک را نشان می‌دهد. شاخص نشان دهنده معیار اصلی تأثیر زیست‌محیطی، به عنوان وزن‌های مربوط به زیرمعیارهای زمین‌شناسی و سطح آب زیرزمینی، و به عنوان وزن‌های مربوط به کلاس‌های هر زیرمعیار تأثیر زیست‌محیطی است

جدول ۲ داده‌های مورد استفاده در تحقیق.
میز تمام سایز
جدول ۳٫ رده‌های مناسب معیارها، زیرمعیارها و وزن‌های مربوط به آنها برای مدیریت سیلاب شهری.
میز تمام سایز
شکل ۵
شکل ۵

نتایج نقشه برداری از خطر سیل برای منطقه مورد مطالعه. ( الف ) مؤلفه هیدرولیکی؛ ( ب ) مؤلفه آسیب پذیری؛ ( ج ) مؤلفه اثرات زیست محیطی؛ ( د ) نقشه نهایی یکپارچه خطر سیل (شکل ها در ArcGIS 10.8 ESRI، http://www.esri.com ایجاد شده اند ).

تصویر در اندازه کامل

برای تأیید استحکام خروجی SMCDM، یک مدل شبکه عصبی مصنوعی (ANN) برای اعتبارسنجی توسعه داده شد. معماری ANN شامل ۷ نورون ورودی (لایه‌های معیار)، دو لایه پنهان با ۴ نورون در هر کدام، و یک نورون خروجی که نشان دهنده شاخص خطر نهایی است (شکل ۶ ) بود. ماتریس مجموعه داده‌ها (۹۶۲ × ۱۱۲۵ سلول) خوشه‌بندی شد (۱۲۶ × ۱۵۰) تا از کارایی محاسباتی و حجم نمونه کافی که از حداقل محدودیت (۳۰ × Ni × (Ni + 1) تجاوز می‌کند، اطمینان حاصل شود، که در آن Ni​ نشان دهنده تعداد متغیرهای ورودی ۴۰ است .

پس از آموزش شبکه با استفاده از نقشه خطر از AHP-WLC به عنوان داده هدف، آزمایش با تغییر وزن‌های آسیب‌پذیری و تولید نقشه‌های پیش‌بینی خطر انجام شد. تبدیل به فرمت رستری ASCII امکان مقایسه مکانی بین لایه‌های خطر سیل مبتنی بر AHP و پیش‌بینی‌شده توسط ANN را فراهم کرد (شکل‌های  ۷ و ۸ ).

معیارهای اعتبارسنجی (جدول  ۴ ) سطح بالایی از تطابق بین نتایج مشاهده‌شده (SMCDM) و پیش‌بینی‌شده (ANN) را نشان می‌دهند: ضرایب همبستگی ۰٫۸۷، ۰٫۸۲ و ۰٫۷۶ و مقادیر پایین RMSE 0.190-0.276 در مراحل آموزش، اعتبارسنجی و آزمایش، که قابلیت اطمینان پیش‌بینی بالای مدل ترکیبی را تأیید می‌کند.

شکل ۶
شکل ۶

ساختار شبکه عصبی تحقیق.

تصویر در اندازه کامل
شکل ۷
شکل ۷

نقشه خطر سیل تولید شده توسط مدل تصمیم‌گیری چندمعیاره مکانی برای خوشه انتخاب شده (شکل ایجاد شده در ArcGIS 10.8 ESRI، http://www.esri.com ).

تصویر در اندازه کامل
شکل ۸
شکل ۸

نقشه تخمینی مدل شبکه عصبی برای خوشه انتخاب شده (شکل ایجاد شده در ArcGIS 10.8 ESRI، http://www.esri.com ).

تصویر در اندازه کامل
جدول ۴ مقادیر شاخص‌های کارایی برای مراحل مختلف آموزش، اعتبارسنجی و آزمایش.
میز تمام سایز

نقشه برداری خطر سیل و بهینه سازی LCP

پس از نقشه‌برداری خطر سیل و اعتبارسنجی شبکه عصبی مصنوعی، تحلیل مسیر حداقل هزینه (LCP) برای شناسایی مقرون‌به‌صرفه‌ترین مسیرهای جمع‌آوری رواناب شهری انجام شد. برای این منظور، یک لایه سطحی هزینه برای تعیین کمیت هزینه تجمعی جابجایی از طریق هر سلول در منطقه مورد مطالعه ایجاد شد. مقادیر هزینه تمام معیارهای تصمیم‌گیری در مقیاس ۱ تا ۱۰ نرمال‌سازی شدند، که در آن ۱ نشان‌دهنده کمترین هزینه (بالاترین مناسب بودن) و ۱۰ نشان‌دهنده بالاترین هزینه (کمترین مناسب بودن) است. مسیرهای زهکشی بهینه مطابق با مسیرهای کم‌هزینه محاسبه‌شده روی این سطح مرکب هستند.

توسعه سطح هزینه

سه معیار مبتنی بر هزینه انتخاب شدند: کاربری اراضی شهری، شیب و زمین‌شناسی، که هر کدام بر هزینه‌های ساخت و بهره‌برداری سیستم جمع‌آوری رواناب پیشنهادی تأثیر می‌گذارند (برای طبقه‌بندی کامل به جداول تکمیلی S1 تا S3 مراجعه کنید).

شناسایی سلول‌های منبع

سلول‌های منبع، که نشان‌دهنده نقاط شروع شبکه زهکشی هستند، با استفاده از نقشه خطر سیل که قبلاً تهیه شده بود، تعیین شدند. دو دسته از سلول‌های منبع تعریف شدند:

  1. (۱)سلول‌هایی که در مناطق کلاس ۱ (خطر بسیار بالا) قرار دارند، و
  2. (۲)سلول‌هایی که در مناطق کلاس ۲ (خطر بالا) قرار دارند.

در مجموع ۳۹ سلول منبع (۱۹ سلول اولیه و ۲۰ سلول ثانویه) شناسایی و به عنوان ورودی‌های shapefile (.shp) به مدل GIS معرفی شدند. شکل  ۹ توزیع مکانی آنها را در زیرحوضه شهری ۳ نشان می‌دهد که بر اساس اولویت آن برای برنامه‌ریزی کنترل سیل انتخاب شده است.

محاسبه سطح هزینه مناسب بودن

به هر معیار هزینه با استفاده از فرآیند تحلیل سلسله مراتبی (AHP) وزنی اختصاص داده شد. سپس سطح کلی هزینه مناسب بودن با روش ترکیب خطی وزنی (WLC) (معادله  ۶ ) تولید شد:

(۶)
  • سطح هزینه: سطح هزینه مربوط به هر معیار تصمیم‌گیری.
  •  : وزن سطوح هزینه برای معیارهای تصمیم‌گیری، که با استفاده از روش AHP استخراج شده است.

ماتریس مقایسه زوجی و وزن‌ها در جدول  ۵ گزارش شده‌اند ، با نسبت ناسازگاری ۰٫۰۳ که سازگاری بالا را تأیید می‌کند (برای جزئیات کامل طبقه‌بندی و وزن‌دهی به جدول تکمیلی S4 مراجعه کنید).

تعیین مسیرهای کم‌هزینه

مسیرهای کم‌هزینه بین هر سلول منبع شناسایی‌شده و خروجی زیرحوضه مربوطه با استفاده از نقشه‌های فاصله و جهت وزن‌دهی‌شده با هزینه که از طریق جعبه‌ابزار توسعه‌یافته GIS پیاده‌سازی شده‌اند، تعیین شدند. مسیرهای حاصل در زیرحوضه ۳ (شکل‌های  ۱۰ و ۱۱ ) با مناطقی با حداقل هزینه تجمعی همسو هستند و به سمت کانال‌های زهکشی موجود که به عنوان کلاس ۱ (کمترین هزینه) طبقه‌بندی شده‌اند، همگرا می‌شوند.

ارزیابی و مزایای مسیرهای پیشنهادی

مسیرهای LCP بهینه شده، مزایای فنی و اقتصادی آشکاری نسبت به شبکه زهکشی موجود ارائه می‌دهند:

  • نقاط شروع به طور سیستماتیک با استفاده از کلاس‌های خطر سیل مشتق‌شده از تحلیل‌های چند معیاره قبلی تعریف شدند.
  • ویژگی‌های هزینه در سه حوزه (کاربری اراضی شهری، زمین‌شناسی، شیب) تعیین شدند و امکان ادغام صریح محدودیت‌های فیزیکی و اقتصادی را فراهم کردند.
  • مسیرهای پیشنهادی از کم‌ترین کریدورهای با کمترین هزینه تجمعی پیروی می‌کنند و حداقل حفاری و الزامات سازه‌ای را تضمین می‌کنند.
  • اگرچه ظرفیت انتقال زهکشی فعلی به دلیل داده‌های ناکافی به صراحت مدل‌سازی نشده است، اما برای گنجاندن در چارچوب‌های بهینه‌سازی آینده توصیه می‌شود.

تحلیل هزینه مسیرهای پیشنهادی

برای تعیین هزینه‌های خاص مسیر، هر مسیر پیشنهادی با لایه‌های معیار هزینه تلاقی داده شد و هزینه کل برای چندین تکرار مدل محاسبه شد. شکل  ۱۲ چهار مسیر حاصل (مسیرهای ۱ تا ۴) را نشان می‌دهد که برای یک نقطه منبع انتخاب شده با تغییر ارزش هزینه کلاس “کانال‌ها و زهکش‌های شهری” (به ترتیب ۱، ۴، ۷ و ۱۰) ایجاد شده‌اند (برای جزئیات کامل و طبقه‌بندی به جداول تکمیلی S5 تا S8 مراجعه کنید). تجزیه و تحلیل نشان می‌دهد که هزینه کاربری زمین بیشترین سهم از کل هزینه‌ها را تشکیل می‌دهد و پس از آن زمین‌شناسی و شیب قرار دارند (شکل  ۱۳ ).

شکل ۱۴ هزینه‌های معیارهای تصمیم‌گیری را در چهار مسیر پیشنهادی مقایسه می‌کند، در حالی که شکل  ۱۵ هزینه‌های کل آنها را خلاصه می‌کند. در میان آنها، مسیر ۱، که مربوط به کمترین مقدار هزینه کلاس ( C = 1 ) است، حداقل هزینه کلی را نشان داد و بنابراین به عنوان مسیر بهینه برای سیستم جمع‌آوری رواناب شهری توصیه می‌شود.

شکل ۹
شکل ۹

مکان سلول‌های منبع بر اساس کلاس‌های خطر سیل در زیرحوضه شهری-۳. (شکل ایجاد شده در ArcGIS 10.8 ESRI، http://www.esri.com ).

تصویر در اندازه کامل
جدول ۵ ماتریس مقایسه زوجی سطوح هزینه برای معیارهای تصمیم‌گیری.
میز تمام سایز
شکل ۱۰
شکل ۱۰

مسیرهای پیشنهادی برای جمع‌آوری رواناب در زیرحوضه شهری-۳. (شکل ایجاد شده در ArcGIS 10.8 ESRI، http://www.esri.com ).

تصویر در اندازه کامل
شکل ۱۱
شکل ۱۱

مقایسه مسیرهای پیشنهادی با کانال‌ها و زهکش‌های موجود در زیرحوضه شهری-۳ (شکل ایجاد شده در ArcGIS 10.8 ESRI، http://www.esri.com ).

تصویر در اندازه کامل
شکل ۱۲
شکل ۱۲

مسیرهای پیشنهادی برای سیستم جمع‌آوری رواناب شهری برای سلول (نقطه) شروع انتخاب شده (شکل ایجاد شده در ArcGIS 10.8 ESRI، http://www.esri.com ).

تصویر در اندازه کامل
شکل ۱۳
شکل ۱۳

درصد هزینه برای هر معیار هزینه تصمیم‌گیری برای سیستم جمع‌آوری رواناب شهری پیشنهادی.

تصویر در اندازه کامل
شکل ۱۴
شکل ۱۴

مقایسه مسیرهای پیشنهادی جمع‌آوری رواناب بر اساس هر معیار هزینه تصمیم‌گیری.

تصویر در اندازه کامل
شکل ۱۵
شکل ۱۵

مقایسه هزینه کل بین مسیرهای پیشنهادی.

تصویر در اندازه کامل

بحث

چارچوب یکپارچه توسعه‌یافته در این مطالعه، که فرآیند تحلیل سلسله مراتبی (AHP)، شبکه‌های عصبی مصنوعی (ANN) و تحلیل مسیر کمترین هزینه (LCP) را در یک ساختار تصمیم‌گیری مکانی مشارکتی (CSDM) ترکیب می‌کند، برای پیوند اولویت‌بندی مبتنی بر تخصص با مدل‌سازی اعتبارسنجی‌شده با داده‌ها در مدیریت ریسک سیل شهری مؤثر واقع شد ۳۶٫ وزن‌های چند ذینفعی، که از ورودی‌های مهندسان، برنامه‌ریزان سیاست، دانشگاهیان و سازمان‌های مردم‌نهاد به دست آمده‌اند، نه تنها با شاخص‌های هیدرولوژیکی سازگار بودند، بلکه پس از اعتبارسنجی ANN، تمایز مکانی بهبود یافته‌ای از مناطق مستعد سیل ۴۱ را به همراه داشتند . با ترکیب تحلیل LCP، مسیرهای جایگزین کم‌هزینه و قابل اجرا برای انتقال آب‌های سطحی از طریق بافت پیچیده شهری تهران ایجاد شد که ارزیابی ریسک را با طراحی عملی مرتبط می‌کند.

یافته‌های ما با تحقیقات اخیر که از چارچوب‌های ترکیبی MCDA-یادگیری ماشین برای نقشه‌برداری خطر ۴۲ ، ۴۳ حمایت می‌کنند، همسو است . شبکه‌های بیزی یکپارچه با GIS، نمایش علی و کمی‌سازی عدم قطعیت بهبود یافته‌ای را برای ارزیابی فاجعه سیل شهری نشان داده‌اند ۴۲٫ مدل‌های هیدرودینامیکی دو جهته ۱D-2D همراه به طور مشابه نمایش مکانیسم‌های سیلاب بارانی را بهبود بخشیده‌اند و پشتیبانی اعتبارسنجی را برای گزینه‌های ساختاری شناسایی شده توسط بهینه‌سازی مکانی ۴۴ فراهم می‌کنند . از دیدگاه نقشه‌برداری حساسیت، بررسی‌های سیستماتیک نقش مجموعه داده‌های سنجش از دور با وضوح بالا و انتخاب پارامترهای کلیدی را در شکل‌دهی مدل‌های پیش‌بینی سیل قوی ۴۵ برجسته می‌کنند .

علاوه بر این، معماری‌های یادگیری عمیق مانند شبکه انتزاعی عمیق (DANet) ظرفیت برتر خود را برای ثبت روابط مکانی غیرخطی در بافت‌های شهری متراکم نشان داده‌اند، همانطور که در مطالعات موردی اخیر شهرهای ایران ۴۶ تأیید شده است . اهمیت کاربری زمین و شیب به عنوان معیارهای اصلی، نشان‌دهنده همسویی قوی بین دانش محلی تجربی و علم هیدرولوژی است و ارزش کالیبراسیون مشارکتی در مدل‌های مکانی را تأیید می‌کند. این همسویی، هم استحکام روش‌شناختی و هم اعتبار حاکمیتی را تقویت می‌کند، زیرا ذینفعان شهرداری مستقیماً دانش تجربی خود را در نتایج مدل تشخیص می‌دهند.

چارچوب‌های جدید سناریومحور، پیش‌بینی‌های تغییرات اقلیمی و کاربری زمین را به صراحت در ارزیابی آسیب‌پذیری ترکیب کرده‌اند و بر مزایای تاب‌آوری روش‌های ترکیبی نسبت به رویکردهای ایستا تأکید دارند . ۴۷٫ پیشرفت‌های موازی در تولید شبکه زهکشی با استفاده از درخت‌های تصادفی مدل گیبس، طرح‌های آماده شبیه‌سازی را امکان‌پذیر می‌کند که می‌توانند به راحتی با خروجی‌های LCP مطابقت داشته باشند . ۴۸٫ بهینه‌سازی‌های سیستم سبز-خاکستری-آبی (GGBS) که در سال ۲۰۲۴ گزارش شده‌اند، نشان می‌دهند که راه‌حل‌های مبتنی بر طبیعت، هنگامی که با اقدامات مهندسی مرسوم هماهنگ می‌شوند، از استراتژی‌های تک زیرساختی در مدیریت آب‌های سطحی بهتر عمل می‌کنند. ۴۹ .

از نظر فنی، تجزیه و تحلیل LCP مسیرهای جمع‌آوری رواناب بهینه‌ای را ایجاد کرد که به عنوان مکمل‌های غیرمتمرکز و تطبیقی ​​برای سیستم‌های زهکشی مرسوم عمل می‌کنند، که با شواهد اخیر در مورد سیستم‌های زهکشی پایدار شهری (SUDS) و راه‌حل‌های مبتنی بر طبیعت (NBS) برای شهرهای تاب‌آور سازگار است ۳۳ ، ۱۹٫ این مطالعه با تعبیه LCP در یک گردش کار مبتنی بر GIS نشان می‌دهد که چگونه طراحی تطبیقی ​​آب‌های سطحی می‌تواند با استفاده از مدل‌های داده‌محور اما پاسخگو به حاکمیت، از نظر مکانی بهینه شود. از دیدگاه حاکمیت، این مدل یک جعبه ابزار پشتیبانی تصمیم‌گیری ارائه می‌دهد که دانش تخصصی، بینش ذینفعان و تجزیه و تحلیل مکانی را یکپارچه می‌کند و در نتیجه هماهنگی نهادی را تسهیل می‌کند، که به ویژه به عنوان یک چالش در شهرهایی با سیستم‌های حاکمیتی پراکنده مانند تهران ۳ ، ۱ مشهود است .

در مقایسه با مدل‌های متمرکز بر حاکمیت، رویکرد فعلی بر کاربردپذیری عملیاتی و قابلیت استفاده توسط متخصصان تأکید دارد و شکاف مداوم بین نظریه مدل‌سازی و اجرای سیاست را کاهش می‌دهد.

نسبت به روندهای فعلی، نوآوری کار ما در سه جنبه نهفته است: (۱) کاهش شکاف داده‌های تخصصی با استفاده از ANN برای اعتبارسنجی وزن‌های به‌دست‌آمده از AHP؛ (۲) عملیاتی کردن LCP برای شناسایی مداخلات عملی و کم‌هزینه که مستقیماً با توپوگرافی فیزیکی، ظرفیت زهکشی و محدودیت‌های شهری مرتبط هستند؛ و (۳) نهادینه کردن همکاری ذینفعان در جریان کار تصمیم‌گیری، مطابق با شواهد نوظهور مبنی بر اینکه حکمرانی مشارکتی، اتخاذ سیاست و تاب‌آوری بلندمدت را افزایش می‌دهد ۴۱ .

با این وجود، محدودیت‌های خاصی همچنان باقی است. مدل‌های فعلی ما تا حدودی بر لایه‌های ایستا (کاربری زمین، نفوذناپذیری) تکیه دارند و سناریوهای اقلیمی پویا را در چرخه وزن‌دهی و اعتبارسنجی لحاظ نمی‌کنند. نمایش شبکه زهکشی ساده شده است و می‌تواند از طریق مدل‌های بازسازی نمودار برای مجموعه داده‌های ناقص زیرساخت‌ها تقویت شود . ۵۰

کمی‌سازی عدم قطعیت، اگرچه به طور ضمنی از طریق اعتبارسنجی ANN مورد توجه قرار می‌گیرد، می‌تواند از طریق تحلیل حساسیت بیزی رسمی ۴۲ گسترش یابد . تحقیقات آینده باید بهینه‌سازی چندهدفه را که LCP را با طراحی توپولوژی زهکشی، تغییرات اقلیمی و کاربری زمین مبتنی بر سناریو مرتبط می‌کند، و شبیه‌سازی‌های هیدرودینامیکی را برای آزمایش عملکرد مبتنی بر رویداد، ادغام کند.

در نهایت، این مطالعه با ترکیب اولویت‌های مشتق‌شده از ذینفعان با اعتبارسنجی یادگیری ماشینی و بهینه‌سازی مکانی، به گفتمان در حال تکامل در مورد مدیریت مشارکتی سیل کمک می‌کند. این مطالعه نشان می‌دهد که مدل‌های مشارکتی دقیق علمی می‌توانند هم بینش هیدرولوژیکی و هم تعامل نهادی ایجاد کنند و یک چارچوب تکرارپذیر و سازگار با سایر زمینه‌های شهری با داده‌های کمیاب و نهادی پیچیده در سراسر جهان ارائه دهند.

سخنان پایانی

این مطالعه یک مدل مکانی جامع و مشارکتی برای مدیریت سیلاب شهری ارائه می‌دهد. ادغام GIS، MCDA و مشارکت ذینفعان در یک پلتفرم واحد، کاربرد بالایی را در برنامه‌ریزی و اولویت‌بندی نشان می‌دهد. نقشه خطر سیل به عنوان ابزاری ارزشمند برای تقویت زیرساخت‌های جمع‌آوری رواناب شهری عمل می‌کند و می‌تواند به سیاست‌گذاران و طراحان در این زمینه کمک کند. نقشه نهایی، خطر سیل را به شش کلاس مجزا طبقه‌بندی می‌کند. کلاس‌های یک تا پنج به ترتیب نشان‌دهنده سطوح خطر از بسیار زیاد، متوسط ​​تا زیاد، متوسط، کم و بسیار کم هستند، در حالی که کلاس شش نشان‌دهنده حداقل سطح خطر است. بر این اساس، حدود ۶٪ از منطقه مورد مطالعه در کلاس خطر یک قرار می‌گیرد، در حالی که تقریباً ۴۳٪ متعلق به کلاس‌های دو و سه هستند. حدود ۴۲٪ در کلاس چهار طبقه‌بندی می‌شوند و نزدیک به ۹٪ در کلاس‌های خطر پنج و شش قرار می‌گیرند. این نقشه نشان می‌دهد که مناطق نزدیک به سیستم‌های جمع‌آوری رواناب اولیه در برابر سیل آسیب‌پذیر هستند. مناطق با خطر بالا با شبکه‌ای متراکم از کانال‌ها، توپوگرافی کم‌ارتفاع و شیب‌های ملایم کمتر از ۲٪ مشخص می‌شوند.

برای شناسایی مسیرهای بهینه برای جمع‌آوری رواناب شهری، از نقشه خطر سیل تولید شده با استفاده از یک مدل تصمیم‌گیری چندمعیاره مکانی استفاده شد. مسیرهای بهینه با اعمال یک الگوریتم مناسب و با در نظر گرفتن فرضیات منطقی تعیین شدند. در این فرآیند، لایه‌های اطلاعاتی که نشان‌دهنده معیارهای هزینه تصمیم‌گیری (سطوح هزینه تصمیم‌گیری) هستند، ایجاد شدند و عواملی مانند کاربری زمین، شیب و زمین‌شناسی را در بر گرفتند. سلول‌های منبع، که نشان‌دهنده نقاط شروع سیستم جمع‌آوری رواناب هستند، بر اساس نقشه خطر سیل و طبقه‌بندی‌های آن ایجاد شدند. علاوه بر این، خروجی‌های زیرحوضه‌های شهری به عنوان نقاط هدف تعیین شدند که امکان شناسایی مسیرهای بهینه جمع‌آوری رواناب را فراهم می‌کند.

لازم به تأکید است که مدل توسعه‌یافته برای مطالعات اولیه در مورد کنترل سیل در حوضه‌های شهری در نظر گرفته شده است. مدل‌های دقیق‌تر نیاز به اطلاعات دقیق‌تری در مورد بارندگی و دبی اوج در منطقه مورد مطالعه دارند. با استفاده از روش تحلیلی ارائه شده در این مطالعه، که ترکیبی از تحلیل تناسب (تهیه نقشه خطر سیل) و مدل مسیر حداقل هزینه است، نتایج این تحقیق می‌تواند به عنوان یک راهنمای اولیه برای برنامه‌ریزی شهری آینده عمل کند.

یافته‌های این مطالعه نشان می‌دهد که استفاده از تکنیک‌های تصمیم‌گیری چندمعیاره در یک سیستم اطلاعات جغرافیایی (GIS) روشی بسیار مؤثر برای تولید نقشه‌های دقیق خطر سیل است. با توجه به اینکه یکی از جنبه‌های اساسی مدیریت، شناسایی اولویت‌ها است، این مدل و نتایج آن می‌تواند رویکرد مناسبی برای مدیریت سیل در حوضه‌های شهری ارائه دهد. کارهای آینده باید اعتبارسنجی را با استفاده از داده‌های واقعی سیل گسترش داده و معیارها (مانند خسارات اقتصادی، ظرفیت زیرساخت‌ها) را گسترش دهند.