مقدمه

سیل از جمله شایع‌ترین و مخرب‌ترین مخاطرات طبیعی در سراسر جهان است که باعث خسارات گسترده اجتماعی-اقتصادی و زیست‌محیطی می‌شود. فراوانی و بزرگی آنها در دهه‌های اخیر به دلیل شهرنشینی سریع، تغییر کاربری زمین و تغییرات اقلیمی افزایش یافته است. طبق گزارش سازمان بهداشت جهانی (WHO) بین سال‌های ۲۰۰۰ تا ۲۰۱۹، سیل ۴۴ درصد از بلایای جهانی را تشکیل داده و بیش از ۱٫۶۵ میلیارد نفر را تحت تأثیر قرار داده است . در جنوب آسیا، سیل همچنان یک خطر حیاتی است و خطرات مداومی را برای جان انسان‌ها، زیرساخت‌ها و ثبات اقتصادی ایجاد می‌کند.

منطقه سوات در شمال خیبر پختونخوا، پاکستان، به دلیل کوهستانی بودن، بارندگی‌های موسمی، تأثیر ذوب برف و جنگل‌زدایی، در برابر سیل بسیار آسیب‌پذیر است. ۲ ، ۳٫ سیل فاجعه‌بار سال ۲۰۱۰، ویرانگرترین فاجعه طبیعی پاکستان، نزدیک به ۵۰۰۰۰۰ نفر را آواره کرد و به ۳۳۵۰ کیلومتر جاده، ۱۳۷ پل و ۳۳۰۰۰ خانه تنها در سوات آسیب رساند. ۴ ، ۵٫ سیل‌های بعدی، به ویژه در سال‌های ۲۰۱۶ و ۲۰۲۲، آسیب‌پذیری بالای این منطقه را مجدداً تأیید کرد. سیل موسمی سال ۲۰۲۲ باعث ویرانی گسترده شد و منجر به بیش از ۱۷۰۰ کشته در سراسر کشور و آوارگی میلیون‌ها نفر، از جمله ساکنان منطقه سوات شد . ۶٫ این فاجعه به زیرساخت‌های حمل و نقل آسیب جدی رساند، شبکه‌های ارتباطی را مختل کرد و زمین‌های کشاورزی را ویران کرد و در نتیجه آسیب‌پذیری جوامع وابسته به کشاورزی و گردشگری را افزایش داد. علاوه بر این، سیل‌های سال‌های ۲۰۱۰ و ۲۰۲۲ بیش از ۸۰۰ مدرسه را در سراسر خیبر پختونخوا تحت تأثیر قرار دادند و باعث وقفه‌های قابل توجهی در آموزش شدند. [۷] تحت سناریوی SSP585 با انتشار بالای گازهای گلخانه‌ای، پیش‌بینی‌ها حاکی از افزایش بارندگی‌های شدید و وقوع سیل‌های مکرر در دره سوات است. بنابراین، نقشه‌برداری دقیق از خطر سیل مبتنی بر داده و ارزیابی ریسک برای کاهش مؤثر خطر بلایا، تصمیم‌گیری آگاهانه و توسعه پایدار منطقه‌ای ضروری است.

روش‌های مرسوم ارزیابی ریسک سیل – که عمدتاً به سوابق هیدرولوژیکی تاریخی و فرضیات استاتیک وابسته هستند – به طور فزاینده‌ای برای نمایش دینامیک سیل در حال تحول تحت شرایط آب و هوایی متغیر، به ویژه در مناطق کوهستانی با داده‌های محدود، ناکافی هستند. پیشرفت‌های اخیر، یادگیری ماشین (ML)، پیش‌بینی‌های مدل اقلیمی و شبیه‌سازی‌های هیدرولوژیکی-هیدرولیکی را برای بهبود دقت مکانی و زمانی پیش‌بینی خطر سیل ترکیب می‌کنند. به عنوان مثال، صادق‌زی و همکاران. ۸ پیش‌بینی‌های اقلیمی مبتنی بر CMIP6 را با مدل‌سازی هیدرولیکی دوبعدی برای ارزیابی خطرات سیل در پیشاور ادغام کردند، در حالی که احمد و همکاران. ۹ از تکنیک‌های HEC-HMS، HEC-RAS، سنجش از دور و ML برای ارزیابی خطرات در حوضه‌های هونزا-ناگار پاکستان استفاده کردند. حاجی و همکاران. ۱۰ از موتور Google Earth و مدل‌های هوش مصنوعی قابل تفسیر – جنگل تصادفی (RF)، تقویت گرادیان و AdaBoost – استفاده کردند و به AUC برابر با ۱٫۰ برای پیش‌بینی سیل در حوضه‌های شمال مراکش که داده‌های کمی دارند، دست یافتند. به طور مشابه، ومولا و همکاران. ۱۱ نشان داد که یک شبکه تبدیل گراف با ثبت مؤثر وابستگی‌های مکانی در فرانسه، از الگوریتم‌های سنتی مانند XGBoost و RF بهتر عمل می‌کند، در حالی که فرشته‌پور و همکاران ۱۲ تأیید کردند که حتی DEMهای با وضوح درشت نیز می‌توانند از نقشه‌برداری قابل اعتماد سیل با استفاده از یادگیری عمیق در کارلایل، انگلستان پشتیبانی کنند. لی و همکاران ۱۳ یک چارچوب گروهی (MaxFloodCast) را پیشنهاد کردند که به R2 تقریباً ۰٫۹۵ برای پیش‌بینی اوج سیل دست یافت . مطالعات بیشتر شامل مدل‌سازی سیلاب RF و SVM مبتنی بر CMIP6 در حوضه تجن ایران ۱۴ ، اعتبارسنجی HEC-HMS در سراسر حوضه‌های آبریز ایران ۱۵ و پیش‌بینی جریان رودخانه مبتنی بر ANN تحت سناریوهای اقلیمی آینده در حوضه هونزا ۱۶ است. در مجموع، این مطالعات پتانسیل رو به رشد رویکردهای یادگیری ماشین مبتنی بر آب و هوا و قابل تفسیر را که با شبیه‌سازی‌های مبتنی بر فیزیک ادغام شده‌اند، برای افزایش پیش‌بینی خطر سیل برجسته می‌کنند.

در این زمینه، مطالعه حاضر یک چارچوب مدل‌سازی سیل ترکیبی جدید برای حوضه رودخانه سوات (SRB) توسعه می‌دهد که هوش مصنوعی قابل توضیح، مدل‌سازی اقلیمی گروهی و شبیه‌سازی‌های هیدرولوژیکی-هیدرولیکی همراه را برای ارزیابی خطرات سیل فعلی و آینده تحت سناریوهای SSP245 و SSP585 ادغام می‌کند. پیش‌بینی‌های اقلیمی از ده مدل جهانی آب و هوا (GCM) CMIP6 ابتدا با استفاده از روش مقیاس‌بندی خطی اصلاح شدند . ۱۷٫ برای اطمینان از تفسیرپذیری و قابلیت اطمینان مدل، از XGBoost مبتنی بر SHApley Additive ExPlanations (SHAP) برای ارزیابی و رتبه‌بندی عملکرد GCM استفاده شد، پس از آن مدل‌های برتر با استفاده از رگرسیون جنگل تصادفی ۱۸ در یک گروه چند مدلی (MME) ادغام شدند و بایاس‌های مدل‌های منفرد را به حداقل رساندند و پایداری پیش‌بینی را افزایش دادند. ۱۹ . مجموعه داده‌های اقلیمی حاصل برای ایجاد یک مدل هیدرولوژیکی HEC-HMS کالیبره و اعتبارسنجی شده استفاده شد، که از آن دبی‌های اوج شبیه‌سازی شده با استفاده از برازش توزیع احتمال از نظر آماری تجزیه و تحلیل شده و از طریق چارچوب تصمیم‌گیری VIKOR ۲۰ بهینه شدند. سپس این دبی‌های طراحی مشتق شده به هیدروگراف‌های مصنوعی تبدیل شده و در یک شبیه‌سازی هیدرولیکی دوبعدی HEC-RAS برای تخمین عمق، وسعت و سرعت جریان سیل استفاده شدند. در نهایت، یک شاخص خطر پویا با ادغام پارامترهای هیدرولیکی برای ترسیم و طبقه‌بندی مناطق خطر سیل به چهار سطح خطر در سراسر حوضه اعمال شد.

این مطالعه اولین مطالعه‌ای است که انتخاب GCM مبتنی بر SHAP، مدل‌سازی گروهی مبتنی بر ML، تصحیح بایاس آماری، تخمین سیل مبتنی بر فرکانس و شبیه‌سازی هیدرولیکی دوبعدی مبتنی بر فیزیک را در یک چارچوب قابل تفسیر واحد، یکپارچه می‌کند. این مطالعه به‌طور خاص برای SRB – یک حوزه آبخیز برف‌گیر، توپوگرافی پیچیده و با داده‌های محدود – طراحی شده است. برخلاف تحقیقات قبلی که این تکنیک‌ها را به‌طور جداگانه یا در محیط‌های غنی از داده به کار می‌بردند، این گردش کار یکپارچه، قابل توضیح و مقیاس‌پذیر، ارزیابی شفاف خطر سیل را برای حوضه‌های کوهستانی پیچیده و با داده‌های کم در شرایط تغییرات اقلیمی امکان‌پذیر می‌کند.

ویژگی‌های منطقه مورد مطالعه

منطقه سوات، واقع در شمال خیبر پختونخوا (KP)، پاکستان، به طور متوسط ​​حدود ۹۸۰ متر ارتفاع دارد و آب و هوای سرد و مرطوبی را تجربه می‌کند. سوات با مساحت تقریبی ۵۳۳۷ کیلومتر مربع و محل سکونت حدود ۲.۳ میلیون نفر ، با سیل‌های مکرر و شدید روبرو است. از نظر جغرافیایی، همانطور که در شکل ۱ نشان داده شده است، در دامنه کوه‌های هندوکش، بین عرض‌های جغرافیایی ۳۴ درجه و ۴۰ دقیقه تا ۳۵ درجه شمالی و طول‌های جغرافیایی ۷۲ درجه تا ۷۴ درجه و ۶ دقیقه شرقی قرار دارد  .

شکل ۱
شکل ۱

موقعیت منطقه مورد مطالعه در بخش شمالی پاکستان (توسط QGIS (نسخه ۳٫۴۰)، https://qgis.org/download/ ).

تصویر در اندازه کامل

این منطقه تغییرات اقلیمی فصلی قابل توجهی را نشان می‌دهد، به طوری که میزان بارندگی سالانه از ۷۰۰ تا ۸۰۰ میلی‌متر در مناطق پست تا تقریباً ۱۲۰۰ میلی‌متر در ارتفاعات بالاتر متغیر است. بارندگی عمدتاً در ماه‌های تابستان (ژوئن تا سپتامبر) رخ می‌دهد، در حالی که فصل زمستان (دسامبر تا فوریه) نسبتاً خشک است. میانگین دمای تابستان بین ۲۰ تا ۳۰ درجه سانتیگراد متغیر است و به سمت مناطق کوهستانی شمالی کاهش می‌یابد .

مواد و روش‌ها

روش‌شناسی به کار رفته در این مطالعه در نمودار جریانی نشان داده شده در شکل  ۲ نشان داده شده است . این نمودار، چارچوبی یکپارچه شامل پردازش داده‌های اقلیمی، مدل‌سازی هیدرولوژیکی و هیدرولیکی و ارزیابی خطر را برای ارزیابی خطرات پیش‌بینی‌شده سیل ترسیم می‌کند. این روش جامع می‌تواند برای ارائه بینش‌های مفید در ارزیابی خطر سیل مقاوم در برابر آب و هوا مورد استفاده قرار گیرد. این روش، آماده‌سازی موجه مدیریت سیل و تاب‌آوری زیرساخت‌ها را در مناطق حساس به آب و هوا در جهان، یعنی مانند SRB، از طریق درهم‌آمیختگی استحکام آماری و تکنیک‌های دقیق‌تر پشتیبانی تصمیم‌گیری، تسهیل می‌کند. توضیحات مفصل هر مؤلفه روش‌شناختی در بخش‌های بعدی ارائه شده است.

شکل ۲
شکل ۲

فلوچارت نشان دهنده روش شناسی به کار رفته در مطالعه حاضر.

تصویر در اندازه کامل

جمع‌آوری داده‌ها

داده‌های بارش روزانه به همراه حداقل و حداکثر دما برای دوره ۱۹۹۳-۲۰۲۰ از اداره هواشناسی پاکستان (PMD) دریافت شد، در حالی که مشاهدات روزانه جریان رودخانه برای همین دوره توسط سازمان توسعه آب و برق (WAPDA) ارائه شد. شرایط جریان رودخانه در آینده با استفاده از متغیرهای اقلیمی روزانه – یعنی بارش، حداقل دما و حداکثر دما – از ۱۱ مدل گردش عمومی جو (GCM) در CMIP6 بازیابی شد. این مدل‌ها شامل NESM3 (چین)، CMCC-ESM2 (ایتالیا)، CNRM-CM6-1 و CNRM-ESM2-1 (فرانسه)، EC-Earth3-Veg-LR (اروپا)، GFDL-ESM4 (ایالات متحده آمریکا)، INM-CM4-8 و INM-CM5-0 (روسیه)، MIROC6 و MRI-ESM2-0 (ژاپن) و Nor-ESM2-MM هستند. یک مدل ارتفاعی رقومی (DEM) با وضوح ۳۰ متر از پورتال داده‌های زمین ناسا دریافت شد. برای مدل‌سازی هیدرولیکی دقیق، یک DEM با وضوح بالاتر ۱۰ متری نیز از طریق پلتفرم Google Earth Engine (GEE) بازیابی شد که به طور خاص در توسعه شبکه‌های محاسباتی دوبعدی به کار گرفته شد. جدول ۱ انواع داده‌ها، وضوح مکانی و زمانی آنها و منابع داده مربوطه را خلاصه می‌کند.

جدول ۱ خلاصه‌ای از مجموعه داده‌های مورد استفاده در مطالعه، شامل متغیرهای آنها، وضوح مکانی و زمانی و منابع داده‌ها.
میز تمام سایز

پیش‌پردازش داده‌ها

اصلاح بایاس

برای افزایش دقت پیش‌بینی‌های اقلیمی برای دوره‌های تاریخی (۱۹۹۳-۲۰۱۴) و آینده (۲۰۱۵-۲۰۹۹) تحت سناریوهای SSP245 و SSP585، تصحیح بایاس بر روی داده‌های بارش روزانه، حداکثر و حداقل دما از ۱۱ مدل گردش عمومی جو CMIP6 اعمال شد. مشاهدات ایستگاه کلام به عنوان مرجع در نظر گرفته شد. از روش مقیاس‌بندی خطی برای تنظیم میانگین مدل جهت مطابقت با مقادیر مشاهده شده به دلیل کارایی محاسباتی، سادگی و توانایی آن در حفظ تغییرپذیری اقلیمی استفاده شد . ۱۷ مجموعه داده‌های تصحیح شده متعاقباً به عنوان ورودی در HEC-HMS برای شبیه‌سازی‌های هیدرولوژیکی استفاده شدند.

رتبه‌بندی مدل با استفاده از XGBoost و SHAP

مدل رگرسیون XGBoost، که با SHAP ادغام شده است، برای ارزیابی و رتبه‌بندی قابلیت اطمینان مدل‌های گردش عمومی جو (GCM) به کار گرفته شد. داده‌های مشاهده‌شده برای دما و بارش از سال ۱۹۹۳ تا ۲۰۱۴ به عنوان هدف استفاده شدند، در حالی که خروجی‌های اصلاح‌شده با بایاس از ۱۱ مدل گردش عمومی جو به عنوان پیش‌بینی‌کننده عمل کردند. عملکرد مدل با استفاده از معیارهای R2 و RMSE ارزیابی شد ، در حالی که مقادیر SHAP برای تعیین کمیت سهم هر مدل گردش عمومی جو (GCM) محاسبه شدند . سه مدل گردش عمومی جو برتر، بر اساس معیارهای اهمیت و عملکرد SHAP، برای شبیه‌سازی‌های آینده انتخاب شدند تا عدم قطعیت به حداقل برسد و سازگاری با رفتار اقلیمی تاریخی تضمین شود.

گروه چند مدلی با استفاده از جنگل تصادفی

یک رویکرد MME مبتنی بر RF برای افزایش قابلیت اطمینان پیش‌بینی‌های اقلیمی ریزمقیاس‌شده توسعه داده شد. سه مدل GCM برتر برای پیش‌بینی بارش و دما بر اساس عملکرد تاریخی (۱۹۹۳-۲۰۱۴) استفاده شدند. داده‌ها به زیرمجموعه‌های آموزشی (۸۰٪) و اعتبارسنجی (۲۰٪) تقسیم شدند. مدل RF وابستگی‌های غیرخطی بین متغیرها را ثبت کرد و با استفاده از R2، RMSE و MSE ارزیابی شد . سپس مدل آموزش‌دیده برای پیش‌بینی متغیرهای اقلیمی روزانه برای سال‌های ۲۰۱۵-۲۰۹۹ تحت سناریوهای SSP245 و SSP585 اعمال شد که منجر به بهبود مجموعه داده‌های ورودی هیدرولوژیکی و افزایش قابلیت اطمینان شبیه‌سازی‌های سیل و جریان رودخانه شد .

مدل‌سازی هیدرولوژیکی

HEC-HMS نسخه ۴٫۱۲، یک مدل هیدرولوژیکی نیمه توزیعی توسط سپاه مهندسین ارتش ایالات متحده (USACE، ۲۰۲۱)، برای شبیه‌سازی جریان رودخانه در حوضه رودخانه سوات به کار گرفته شد. زیرحوضه‌ها از یک DEM 30 متری مشخص شدند. هشت زیرحوضه تعریف شدند (شکل  ۱ )، با داده‌های ورودی شامل بارش روزانه، حداکثر و حداقل دما. از روش شماره منحنی SCS (CN) برای تلفات نفوذ استفاده شد ۲۴ ، در حالی که تبدیل رواناب با استفاده از روش هیدروگراف واحد SCS مدل‌سازی شد. جریان پایه با استفاده از یک جریان ثابت ماهانه شبیه‌سازی شد. مقادیر CN با استفاده از آمار منطقه‌ای از یک رستر CN که با فایل شکل ناحیه سوات ( https://hydrologydata.org ) همپوشانی داشت، استخراج شدند . حداکثر نگهداشت (S) به صورت زیر تخمین زده شد:

(۱)

تبدیل رواناب با روش هیدروگراف واحد SCS محاسبه شد. زمان تمرکز با استفاده از فرمول زمان تأخیر SCS بدست آمد:

(۲)

که در آن L طول جریان، S حداکثر نگهداشت و Y شیب متوسط ​​حوضه آبخیز است. L و Y از خروجی‌های HEC-HMS استخراج شده‌اند. این روش تا حد زیادی در اندازه‌های مختلف حوضه آبریز در سراسر جهان ۲۵ اعمال شده است ، اگرچه در ابتدا استفاده از آن در حوضه‌های کوچکتر زیر ۸۰۰ هکتار توصیه شده بود.

جریان پایه حوضه آبخیز با روش ثابت ماهانه نمایش داده شد. در این رویکرد، جریان پایه در طول هر گام زمانی شبیه‌سازی در یک ماه خاص ثابت می‌ماند. این رویکرد قرار است در شبیه‌سازی‌های بلندمدت استفاده شود و باید یک مقدار مستقل داشته باشد که متعلق به هر ماه باشد که شامل کل زمان شبیه‌سازی است. میانگین جریان در پایین‌ترین حالت خود به عنوان مقدار پیش از کالیبراسیون استفاده شد. به هر بازه در شبکه حوضه آبخیز، مقداری از زمان تأخیر ارائه شده بود تا نشان دهد چقدر طول می‌کشد تا رواناب از یک زیرحوضه به زیرحوضه دیگر برسد. زمان تأخیر ابتدا با استفاده از ویژگی‌های فیزیکی حوضه آبخیز، شیب، طول جریان و کاربری اراضی محاسبه و سپس با استفاده از داده‌های مشاهده‌شده جریان رودخانه در طول فرآیند کالیبراسیون مدل تنظیم دقیق شد.

واسنجی و اعتبارسنجی مدل HEC-HMS

داده‌ها به یک مجموعه کالیبراسیون ۷۵ درصدی (۱۹۹۳-۲۰۱۳) و یک مجموعه اعتبارسنجی ۲۵ درصدی (۲۰۱۴-۲۰۱۹) تقسیم شدند. کالیبراسیون، پارامترهای CN، زمان تأخیر، جریان پایه و مسیریابی را از طریق تنظیم دستی تکراری بهینه کرد تا انحراف بین هیدروگراف‌های مشاهده‌شده و شبیه‌سازی‌شده به حداقل برسد . ۲۶. ابتدا از ویژگی‌های حوضه‌ها برای محاسبه مقادیر اولیه پارامترها استفاده شد و این پارامترها در روش‌شناسی بررسی و به صورت دستی تنظیم شدند تا با اندازه‌گیری‌های جریان رودخانه مطابقت داشته باشند. جدول ۲ همچنین مقادیر CN اولیه و کالیبره‌شده، زمان تأخیر و جریان پایه را نشان می‌دهد که نشان‌دهنده افزایش دقت در نتایج شبیه‌سازی است.

جدول ۲ پارامترهای اولیه و تعدیل‌شده تمام زیرحوضه‌ها.
میز تمام سایز

به همین ترتیب، مقادیر زمان تأخیر اولیه و تعدیل‌شده برای همه بازه‌ها در جدول ۳ ارائه شده است تا اصلاحات لازم برای شبیه‌سازی دقیق حرکت رواناب در سراسر شبکه را نشان دهد.

جدول ۳ زمان تأخیر اولیه و تعدیل‌شده برای همه بازه‌ها.
میز تمام سایز

تحلیل فراوانی سیل

تحلیل فراوانی سیل برای تخمین دبی جریان رودخانه برای دوره‌های بازگشت مختلف در ایستگاه تخلیه چاکدره رودخانه سوات، با استفاده از نرم‌افزار Easyfit انجام شد. سه مجموعه داده، شامل حداکثر جریان سالانه مشاهده‌شده (۱۹۹۳-۲۰۱۹) و جریان‌های پیش‌بینی‌شده تحت سناریوهای اقلیمی SSP245 و SSP585 (2015-2099)، با استفاده از مجموعه‌ای از توزیع‌های احتمال، شامل Log-Logistic، GEV، Gumbel، Log-Pearson III، Weibull، Gamma، Normal و Pareto ۲۷ ، تجزیه و تحلیل شدند. عملکرد این توزیع‌ها با استفاده از آزمون‌های نیکویی برازش (GoF)، یعنی آزمون‌های Kolmogorov-Smirnov (KS)، Anderson-Darling (AD) و Chi-square ارزیابی شد.

از مدل تصمیم‌گیری چندمعیاره VIKOR برای ترکیب نتایج آزمون و عینی‌تر کردن انتخاب مدل استفاده شد. مجموعه داده‌های تاریخی، Log-Logistic را به عنوان مناسب‌ترین و پس از آن GEV و Log-Pearson III را شناسایی کرد. توزیع گامبل تحت سناریوی SSP245 عملکرد بهتری داشت، در حالی که با سناریوی SSP585 با انتشار بالا، توزیع GEV عملکرد بهتری داشت. این نتایج با یافته‌های کارهای اخیر که به دنبال رواج چارچوب‌های ترکیبی هستند که مدل‌های آماری را با ابزارهای تصمیم‌گیری ترکیب می‌کنند تا مدل‌های مفید سیل را ایجاد کنند، سازگار است . ۲۸

با استفاده از بهترین توزیع رتبه‌بندی‌شده هر مجموعه داده، تخمین مقادیر دبی بر حسب دوره بازگشت بین ۲ تا ۵۰۰ سال محاسبه شد. تجزیه و تحلیل داده‌های مشاهده‌شده با استفاده از مدل Log-Logistic با استفاده از موارد زیر انجام شد:

(۳)

که در آن دبی برای دوره بازگشت T است .

a یک پارامتر مقیاس است (مربوط به بزرگی بازده).

b یک پارامتر شکل (چولگی کنترل) است.

T دوره بازگشت (سال) است.

برای SSP245، از توزیع گامبل استفاده شد که برای مدل‌سازی ماکزیمم‌ها مناسب است و با معادله زیر تعریف می‌شود:

(۴)

که در آن X T دبی سیلاب مربوط به دوره بازگشت T، میانگین سری حداکثر سالانه، S انحراف معیار سری و K T ضریب فراوانی است.

برای مجموعه داده SSP585، از توزیع مقادیر حدی تعمیم‌یافته (GEV) استفاده شد که با معادله زیر تعریف می‌شود:

(۵)

که در آن دبی برای دوره بازگشت T، µ پارامتر مکان (گرایش مرکزی)، ξ پارامتر مقیاس (پراکندگی)، σ پارامتر شکل (رفتار دم).

طراحی هیدروگراف برای مدل‌سازی هیدرولیکی

این مطالعه هیدروگراف‌های مثلثی مصنوعی را برای سناریوهای مشاهده‌شده، SSP245 و SSP585 ایجاد کرد تا شرایط مرزی بالادست را در مدل هیدرولیکی دوبعدی HEC-RAS تعریف کند. هر هیدروگراف ۱۰۰ روز را در بر می‌گرفت، که به ترتیب با دبی صفر در روزهای ۰ و ۱۰۰ شروع و پایان می‌یافت، و دبی اوج در روز ۵۰ رخ می‌داد. این هیدروگراف‌ها دبی مربوط به دوره‌های بازگشت مختلف ۲، ۵، ۱۰، ۲۰، ۵۰، ۱۰۰ و ۲۰۰ سال را نشان می‌دادند، همانطور که قبلاً توسط تحلیل فراوانی سیل پیش‌بینی شده بود. این ساختار متقارن برای ثبت شاخه‌های بالارونده و پایین‌رونده سیل‌های مختلف، مناسب و نسبتاً خوب بود، که با انتظارات اصول مدل کلاسیک سیل مطابقت دارد ۲۹. درون‌یابی خطی برای درون‌یابی بین مقادیر پایه و اوج اتخاذ شد تا یک انتقال پیوسته و روان ایجاد شود. ادبیات اخیر نشان داده است که استفاده از هیدروگراف‌های مثلثی مصنوعی رویکرد مؤثرتری برای نقشه‌برداری خطر سیل، به ویژه برای آزمایش تنش اقلیمی و نقشه‌برداری خطر سیل ۳۰ است .

مدل‌سازی هیدرولیکی دوبعدی HEC-RAS

نرم‌افزار HEC-RAS 2D برای شبیه‌سازی هیدرولیکی در سراسر حوضه رودخانه سوات با استفاده از یک DEM 10 متری که برای منطقه UTM 42N پیش‌بینی شده بود، به کار گرفته شد. شبکه محاسباتی در ابتدا در ۱۰۰ متر تعریف شد و متعاقباً به ۵۰ متر، ۳۰ متر و در نهایت ۱۰ متر اصلاح شد تا با وضوح DEM در نزدیکی دشت‌های سیلابی و خطوط شکست همسو شود و در نتیجه دقت هیدرولیکی بهبود یابد . ۳۱٫ شرایط مرزی در هر دو محدوده بالادست و پایین‌دست ایجاد شد. در مرز بالادست، هیدروگراف‌های مثلثی برای سناریوهای مشاهده‌شده، SSP245 و SSP585 تعیین شدند که هر کدام نشان‌دهنده ۱۰۰ ساعت شبیه‌سازی با دبی‌های اوج مربوط به دوره‌های بازگشت ۱۰، ۵۰، ۱۰۰، ۲۰۰ و ۵۰۰ سال هستند. دبی اوج در ساعت ۵۰ رخ داد، در حالی که دبی‌های شروع و پایان برای نشان دادن شاخه‌های بالارونده و فروکش‌کننده سیل، روی صفر تنظیم شدند . فرض عمق نرمال برای شرایط مرزی پایین‌دست، با استفاده از شیب متوسط ​​بستر رودخانه و داده‌های ارتفاع از طریق DEM با استفاده از توصیه‌های ۳۲ اعمال شد .

(۶)

که در آن S شیب کانال، H نشان دهنده ارتفاعات مشتق شده از DEM و L طول کانال است. این روش با رویه‌های مشخص شده توسط سپاه مهندسان ارتش ایالات متحده ۳۲ سازگار است .

ضرایب زبری اولیه مانینگ بر اساس مقادیر موجود در منابع علمی تعیین شدند: ۰٫۰۳۰ برای کانال اصلی با بستر شنی و ۰٫۰۴۰-۰٫۰۵۰ برای دشت‌های سیلابی که با پوشش گیاهی و زبری سطح متغیر مشخص می‌شوند (۳۳) . این ضرایب در کالیبراسیون مدل محدود شدند تا رفتار مشاهده شده سیل به طور دقیق در آنها لحاظ شود. همانطور که هیدروگراف‌های ورودی نشان داده‌اند، از ماژول شبیه‌سازی جریان ناپایدار برای انجام شبیه‌سازی در طول یک دوره ۱۰۰ ساعته استفاده شد. گام‌های زمانی نیز با دقت زیادی انتخاب شدند به طوری که جنبه‌های دینامیکی مدل‌سازی شده انتشار موج سیل به درستی منعکس شده و پایداری عددی برقرار شود. پیکربندی نهایی امکان مدل‌سازی دقیق سیل را در آب و هوای گذشته و آینده فراهم کرد که نقش محوری در تعیین میزان احتمالی طغیان و رفتار جریان در سراسر دشت سیلابی رودخانه سوات ایفا می‌کنند.

ارزیابی خطر

خروجی‌های عمق و سرعت سیل به‌دست‌آمده از شبیه‌سازی‌های هیدرولیکی دوبعدی در HEC-RAS 6.0 برای شش سناریو – مشاهده‌شده، SSP245 و SSP585 تحت دوره‌های بازگشت ۱۰ و ۱۰۰ ساله – تولید و متعاقباً برای ارزیابی مکانی خطر سیل در سراسر SRB به یک محیط GIS وارد شدند. برای اطمینان از سازگاری و مقایسه‌پذیری، رسترهای عمق و سرعت بر اساس آستانه‌های تعیین‌شده، در دسته‌های خطر استاندارد طبقه‌بندی شدند (Smith et al., 2014; USACE, 2016). عمق سیل به صورت کم (<0.5 متر)، متوسط ​​(۰٫۵-۱٫۵ متر)، زیاد (۱٫۵-۳٫۰ متر) و بسیار زیاد (>3.0 متر) ۳۴ طبقه‌بندی شد، در حالی که سرعت جریان به صورت کم (<0.5 متر بر ثانیه)، متوسط ​​(۰٫۵-۱٫۰ متر بر ثانیه)، زیاد (۱٫۰-۲٫۰ متر بر ثانیه) و بسیار زیاد (>2.0 متر بر ثانیه) طبقه‌بندی شد. برای ارائه یک ارزیابی یکپارچه از خطر سیل، شاخص خطر سیل (H) متعاقباً با استفاده از معادله زیر محاسبه شد:

(۷)

که در آن D عمق سیل (برحسب متر) و V سرعت جریان (برحسب متر بر ثانیه) است، هر دو در سطح سلول رستری. این شاخص به طور مؤثر تأثیر ترکیبی جریان‌های کم‌عمق با سرعت بالا و عمیق با سرعت پایین را که هر دو می‌توانند مخرب باشند، ثبت می‌کند. ۳۵٫ رستر شاخص خطر حاصل، طبق دستورالعمل‌های DEFRA و آژانس محیط زیست ۳۶ ، ۳۷، به چهار دسته طبقه‌بندی شد – کم (<0.5)، متوسط ​​(۰٫۵۱-۱٫۰)، زیاد (۱٫۰۱-۲٫۰) و بسیار زیاد (> ۲٫۰ )

متعاقباً، تحلیل مکانی مبتنی بر GIS در ArcGIS انجام شد تا میزان هر کلاس خطر با استفاده از آمار منطقه‌ای تعیین شود. این روش شامل موارد زیر بود: (۱) استخراج تعداد سلول‌های خاص هر کلاس از طریق ابزارهای Reclassify و Zonal Histogram، (۲) محاسبه مساحت بر اساس وضوح رستری (۹٫۶ × ۹٫۶ متر مربع ) و (۳) تبدیل به هکتار با استفاده از:

(۸)

این روش کمی به ما امکان می‌دهد مناطق در معرض خطر را در سناریوهای مختلف اقلیمی و فراوانی روزها مقایسه کنیم. یافته‌ها نشان می‌دهند که چگونه مناطق خطر در شرایط آینده تغییر می‌کنند و افزایش می‌یابند و داده‌های مفید و قابل اجرا را برای پهنه‌بندی در دشت‌های سیلابی، آمادگی در برابر بلایا و برنامه‌ریزی سازگاری با آب و هوا ارائه می‌دهند. ترکیب یک مدل هیدرولیکی با وضوح بالا که معیارهای خطر را شناسایی کرده است و برتری تجزیه و تحلیل GIS، تجزیه و تحلیل قدرتمندی از خطر سیل را فراهم می‌کند. این روش با بهترین شیوه‌های بین‌المللی در کاهش خطر سیل ۳۸ مطابقت دارد .

نتایج و بحث

اصلاح بایاس

روش مقیاس‌بندی خطی به طور مؤثری سوگیری‌های سیستماتیک را در خروجی‌های خام مدل‌های گردش عمومی جو (GCM) برای بارش روزانه، حداکثر و حداقل دما نسبت به داده‌های مشاهده‌شده از ایستگاه کلام (۱۹۹۳-۲۰۱۴) کاهش داد. پس از اصلاح، مقادیر میانگین بارش از یازده مدل CMIP6 با داده‌های مشاهده‌شده همسو شدند و به طور قابل توجهی قابلیت اطمینان ورودی‌های اقلیمی را برای شبیه‌سازی‌های هیدرولوژیکی در HEC-HMS افزایش دادند. همین رویکرد اصلاحی به پیش‌بینی‌های آینده (۲۰۱۵-۲۰۹۹) تحت سناریوهای SSP245 و SSP585 نیز تعمیم داده شد. با تنظیم مقادیر پایه ضمن حفظ سیگنال‌های ذاتی تغییرات اقلیمی مدل‌های گردش عمومی جو، مقیاس‌بندی خطی، نمایندگی منطقه‌ای و معقول بودن پیش‌بینی‌های هیدرولوژیکی را بهبود بخشید. این نتایج، مناسب بودن مقیاس‌بندی خطی را برای تصحیح سوگیری در مطالعات آب و هوا-هیدرولوژی، مطابق با یافته‌های محمود و همکاران، ۱۷ ، تأیید می‌کند .

رتبه‌بندی مدل با استفاده از XGBoost و SHAP

یک چارچوب یادگیری ماشین ترکیبی که رگرسیون XGBoost و تفسیر SHAP را با هم ادغام می‌کند، برای رتبه‌بندی GCMها و تعیین سهم هر پیش‌بینی‌کننده اقلیمی به کار گرفته شد. این ترکیب، دقت پیش‌بینی بالا و قابلیت تفسیر مدل را تضمین می‌کرد و تأثیر نسبی متغیرهای ورودی منفرد بر عملکرد مدل را آشکار می‌ساخت. بارش، حداکثر دما و حداقل دما به دلیل نقش‌های متمایزشان در کنترل دینامیک ذوب برف و رواناب در SRB، به طور مستقل مدل‌سازی شدند.

در طول دوره ارزیابی تاریخی (۱۹۹۳-۲۰۱۴)، داده‌های روزانه اصلاح‌شده با سوگیری از ۱۱ مدل گردش عمومی جو (GCM) CMIP6 به عنوان پیش‌بینی‌کننده و داده‌های مشاهده‌شده از ایستگاه کلام به عنوان متغیرهای هدف استفاده شدند. مدل‌های XGBoost توانایی بالایی در ثبت روابط غیرخطی بین متغیرهای اقلیمی و مشاهدات نشان دادند و به R2 بالایی در تمام پارامترها دست یافتند ( جدول ۴ ). این امر، استحکام آنها در تکرار رفتار اقلیمی مشاهده‌شده را تأیید می‌کند. تجزیه و تحلیل مبتنی بر SHAP، سهم پیش‌بینی‌کننده هر مدل گردش عمومی جو (GCM) را بیشتر تجزیه کرد، شفافیت مدل را افزایش داد و از استراتژی‌های سازگاری اقلیمی مبتنی بر داده‌ها پشتیبانی کرد.

جدول ۴ عملکرد آماری بارش و دما بر اساس مقادیر SHAP.
میز تمام سایز

مقادیر SHAP تفسیر کمی از تأثیر هر GCM بر خروجی‌های مدل ارائه داد. برای بارش، CMCC-ESM2، NorESM2-MM و MRI-ESM2-0 بالاترین مقادیر SHAP را نشان دادند (شکل  ۳ الف). برای حداقل دما، NESM3 (چین)، EC-Earth3-Veg-LR (اروپا) و INM-CM5-0 به عنوان تأثیرگذارترین عوامل ظاهر شدند (شکل  ۳ ب). به طور مشابه، برای حداکثر دما، MIROC6 (ژاپن)، MRI-ESM2-0 و INM-CM4-8 (روسیه) تأثیر غالب را نشان دادند (شکل  ۳ ج).

شکل ۳
شکل ۳

رتبه‌بندی اهمیت مدل‌های GCM بر اساس مقادیر SHAP ( الف ) بارش، ( ب ) حداقل دما، و ( ج ) حداکثر دما (توسط https://colab.research.google.com ).

تصویر در اندازه کامل

تحلیل‌های SHAP مبتنی بر داده، انتخاب تأثیرگذارترین GCMها را برای ساخت MME مورد استفاده در پیش‌بینی‌های اقلیمی آینده هدایت کردند. این رویکرد با تمرکز بر مدل‌های با بالاترین عملکرد، قابلیت اطمینان و تفسیر پیش‌بینی‌های گروهی را افزایش داد. چارچوب رتبه‌بندی مبتنی بر SHAP روشی شفاف و قوی برای شناسایی GCMهای با عملکرد برتر ارائه داد که متعاقباً در MME ترکیب شدند تا پیش‌بینی‌هایی را تحت سناریوهای SSP245 و SSP585 تولید کنند. این رویکرد هوش مصنوعی قابل توضیح، امکان انتخاب آگاهانه مدل را برای کاربردهای هیدرولوژیکی حساس به آب و هوا، به ویژه در مناطق با کمبود داده و توپوگرافی پیچیده مانند SRB، فراهم می‌کند.

گروه چند مدلی با استفاده از جنگل تصادفی

برای بهبود دقت و استحکام پیش‌بینی‌های اقلیمی، از الگوریتم رگرسیون RF برای تولید MME استفاده شد. این مجموعه از قابلیت‌های پیش‌بینی سه مدل گردش عمومی جو (GCM) با بهترین عملکرد که از طریق فرآیند رتبه‌بندی SHAP-XGBoost شناسایی شده بودند، بهره برد. مدل‌های RF جداگانه برای بارش و دما با استفاده از خروجی‌های روزانه اصلاح‌شده با بایاس از مدل‌های گردش عمومی جو انتخاب‌شده به عنوان پیش‌بینی‌کننده و داده‌های مشاهده‌شده از ایستگاه کلام (۱۹۹۳-۲۰۱۴) به عنوان هدف آموزش داده شدند. مجموعه داده‌ها به ۸۰٪ برای آموزش و ۲۰٪ برای اعتبارسنجی تقسیم شد تا ارزیابی عملکرد قابل اعتمادی تضمین شود. مدل‌های RF به مهارت پیش‌بینی قوی دست یافتند، همانطور که با مقادیر R2 بالا و نمرات RMSE پایین (جدول ۵) نشان داده شده است ، که نشان‌دهنده توافق عالی بین داده‌های شبیه‌سازی شده و مشاهده‌شده است.

جدول ۵ معیارهای عملکرد آماری برای مدل جنگل تصادفی.
میز تمام سایز

تجزیه و تحلیل مقایسه‌ای توزیع بارش با استفاده از نمودارهای باکسن (شکل  ۴ ) نشان می‌دهد که گروه مبتنی بر RF، میانه‌های مشاهده‌شده و دامنه‌های بین چارکی را به دقت تکرار می‌کند و در عین حال پراکندگی بین مدل‌ها را به طور قابل توجهی کاهش می‌دهد. این امر، توانایی گروه را در به حداقل رساندن عدم قطعیت و بهبود نمایندگی پیش‌بینی‌های اقلیمی منطقه‌ای برجسته می‌کند.

شکل ۴
شکل ۴

نمودار باکسن برای بارش (توسط https://colab.research.google.com ).

تصویر در اندازه کامل

با استفاده از مدل RF آموزش‌دیده، پیش‌بینی‌های روزانه بارش و دما (Tmax و Tmin) برای سال‌های ۲۰۱۵ و ۲۰۹۹ تحت سناریوهای اقلیمی SSP245 و SSP585 تولید شدند (شکل  ۵ ). این پیش‌بینی‌های گروهی، که با روابط تاریخی همسو هستند، ورودی‌های سازگار و مبتنی بر داده را برای مدل‌سازی هیدرولوژیکی و ارزیابی خطر سیل آینده ارائه می‌دهند. تجزیه و تحلیل‌های سری زمانی (شکل  ۶ ) افزایش متوسط ​​در شدت‌های بارش تحت SSP245 را نشان می‌دهد، در حالی که SSP585 تغییرپذیری و شدت بالاتری را نشان می‌دهد که نشان‌دهنده احتمال رو به رشد وقایع بارندگی شدید است. این یافته‌ها با مطالعات قبلی ۳۹ ، ۴۰ سازگار است و بر پیامدهای مسیرهای انتشار بالا بر بارش شدید تأکید می‌کند.

شکل ۵
شکل ۵

نمودارهای ویولن برای ( الف ) حداکثر دما و ( ب ) حداقل دما (توسط https://colab.research.google.com ).

تصویر در اندازه کامل
شکل ۶
شکل ۶

بارش روزانه مشاهده شده و پیش‌بینی شده (برگرفته از https://colab.research.google.com )

تصویر در اندازه کامل

تغییرات زمانی در دمای حداکثر (Tmax) و حداقل (Tmin) روزانه پیش‌بینی‌شده تحت سناریوهای SSP245 و SSP585 در ایستگاه کلام، به ترتیب در شکل  ۷ الف و ب، بر اساس شبیه‌سازی‌های گروهی چند مدلی برای دوره ۱۹۹۳-۲۰۹۹ نشان داده شده است. پنل‌های سمت چپ، سری‌های زمانی پیوسته را نشان می‌دهند، در حالی که پنل‌های سمت راست، توزیع‌های آماری مربوطه را که با استفاده از تخمین چگالی هسته (KDE) برای چهار برش زمانی به دست آمده‌اند، نشان می‌دهند: تاریخی (۱۹۹۳-۲۰۱۴)، آینده نزدیک (۲۰۱۵-۲۰۴۴)، آینده میانی (۲۰۴۵-۲۰۷۴) و آینده دور (۲۰۷۵-۲۰۹۹).

شکل ۷
شکل ۷

پیش‌بینی‌های دمای آنسامبل چند مدلی (Tmax و Tmin) تحت ( الف ) SSP245 و ( ب ) SSP585 (توسط https://colab.research.google.com ).

تصویر در اندازه کامل

تغییرات زمانی در حداکثر روزانه (Tmax) و تحت SSP245 (شکل  ۷ الف)، یک روند گرمایش متوسط ​​و مداوم مشاهده می‌شود، به طوری که Tmax و Tmin هر دو با گذشت زمان افزایش ثابتی را نشان می‌دهند. منحنی‌های KDE با کاهش پراکندگی به سمت راست تغییر می‌کنند که نشان‌دهنده افزایش تدریجی دما تحت کاهش متوسط ​​انتشار است. توزیع چگالی نشان می‌دهد که مقادیر Tmax در آینده دور به سمت محدوده‌های بالاتر خوشه‌بندی می‌شوند، در حالی که Tmin تغییر جزئی به سمت محدوده‌های پایین‌تر را نشان می‌دهد.

در مقابل، سناریوی SSP585 (شکل  ۷ ب) روند گرمایش برجسته‌تر و شتاب‌یافته‌تری را نشان می‌دهد. هم Tmax و هم Tmin در طول دوره پیش‌بینی افزایش‌های تندتری را نشان می‌دهند. نمودارهای KDE توزیع‌های گسترده‌تر و چوله به راست، به‌ویژه برای Tmax، همراه با یک پیک مسطح را نشان می‌دهند که نشان‌دهنده تغییرپذیری بیشتر و دماهای بسیار زیاد است. در آینده دور، چگالی‌های Tmax از ۴۰ درجه سانتیگراد فراتر می‌رود، در حالی که توزیع‌های Tmin به طور قابل توجهی به سمت بالا تغییر می‌کنند، که نشان‌دهنده افزایش دما در شب است که ممکن است خطرات سلامتی مرتبط با گرما و تقاضای انرژی را تشدید کند. حداقل دما (Tmin) پیش‌بینی شده تحت سناریوهای SSP245 و SSP585 در ایستگاه کلام به ترتیب در شکل  ۷ الف و ب، بر اساس شبیه‌سازی‌های گروهی چند مدلی برای دوره ۱۹۹۳-۲۰۹۹ نشان داده شده است. پنل‌های سمت چپ، سری‌های زمانی پیوسته را نشان می‌دهند، در حالی که پنل‌های سمت راست، توزیع‌های آماری مربوطه را که با استفاده از تخمین چگالی هسته (KDE) برای چهار برش زمانی به دست آمده‌اند، نشان می‌دهند: تاریخی (۱۹۹۳-۲۰۱۴)، آینده نزدیک (۲۰۱۵-۲۰۴۴)، آینده میانی (۲۰۴۵-۲۰۷۴) و آینده دور (۲۰۷۵-۲۰۹۹).

به طور کلی، این الگوها تضاد بین مسیرهای انتشار را برجسته می‌کنند: SSP585 نشان‌دهنده یک مسیر انتشار بالا است که با گرمایش شدید و متغیر مشخص می‌شود، در حالی که SSP245 نشان‌دهنده یک روند گرمایش متوسط‌تر اما قابل توجه است. این نتایج با پیش‌بینی‌های قبلی CMIP6 ۴۱ همسو است و بر اهمیت استراتژی‌های کاهش انتشار برای محدود کردن افزایش دما در آینده تأکید می‌کند.

مدل‌سازی هیدرولوژیکی

در HEC-HMS، یک مدل هیدرولوژیکی نیمه توزیعی از SRB ایجاد شد که می‌تواند جریان رودخانه را در شرایط تاریخی و اقلیمی آینده پیش‌بینی کند. یک DEM با ابعاد ۳۰ × ۳۰ متر برای تقسیم حوضه به هشت زیرحوضه ایجاد شد. ورودی‌های اصلی مدل، بارش روزانه، حداکثر و حداقل دما، کاربری/پوشش زمین، گروه‌های هیدرولوژیکی خاک و جریان رودخانه مشاهده‌شده (۱۹۹۳-۲۰۱۹) بودند. داده‌های مربوط به دما در مدل‌سازی تبخیر و تعرق و ذوب برف بسیار مهم بودند، که در منطقه کوهستانی SRB بسیار مهم بود. پیش‌بینی شد که شرایط آینده SSP245 و SSP585 با استفاده از بارش و دمای اصلاح‌شده با بایاس شبیه‌سازی شود.

نتایج کالیبراسیون و اعتبارسنجی

برای کالیبره کردن مدل، ۷۵٪ از داده‌های جریان رودخانه مشاهده‌شده از سال ۱۹۹۳ تا ۲۰۱۳ مورد استفاده قرار گرفت، در حالی که ۲۵٪ باقی‌مانده (۲۰۱۴-۲۰۱۹) برای اعتبارسنجی در نظر گرفته شد. هدف از فرآیند کالیبراسیون، به حداقل رساندن اختلافات بین هیدروگراف‌های شبیه‌سازی شده و مشاهده‌شده با تنظیم پارامترهای کلیدی مدل بود. عملکرد مدل با استفاده از شاخص‌های آماری، از جمله راندمان نش-ساتکلیف (NSE)، خطای جذر میانگین مربعات (RMSE)، ضریب تعیین (R2) و درصد انحراف (PBIAS) ارزیابی شد ، که در جدول ۶ خلاصه شده است .

جدول ۶ عملکرد آماری در دوره‌های کالیبراسیون و اعتبارسنجی.
میز تمام سایز

جدول ۶ عملکرد مدل را خلاصه می‌کند و نشان می‌دهد که مقادیر راندمان نش-ساتکلیف (NSE) از ۰٫۵ فراتر می‌رود که در محدوده آستانه پذیرفته‌شده عمومی برای شبیه‌سازی‌های هیدرولوژیکی قابل اعتماد ۲۶ قرار دارد . این نشان می‌دهد که مدل توانایی درک کافی از دینامیک فرآیندهای هیدرولوژیکی در مقیاس بزرگ را دارد. اعتبارسنجی بیشتر با مقایسه بین هیدروگراف‌های مشاهده‌شده و شبیه‌سازی‌شده در طول دوره‌های کالیبراسیون و اعتبارسنجی ارائه می‌شود (شکل  ۸ ). هیدروگراف‌های شبیه‌سازی‌شده با موفقیت الگوهای زمانی جریان‌های اوج و پایه، از جمله زمان‌بندی و بزرگی آنها را بازتولید می‌کنند که نشان‌دهنده توانایی مدل در تکرار رفتار حوضه آبخیز در دنیای واقعی است.

شکل ۸
شکل ۸

مقایسه دبی‌های مشاهده‌ای و شبیه‌سازی‌شده در طول مراحل کالیبراسیون و اعتبارسنجی با استفاده از HEC-HMS (از https://colab.research.google.com ).

تصویر در اندازه کامل

پیش‌بینی‌های جریان رودخانه در آینده (SSP245 و SSP585)

پیش‌بینی‌های جریان رودخانه نیز در شکل  ۹ برای آینده با استفاده از مدل آموزش‌دیده و اعتبارسنجی‌شده HEC-HMS تحت سناریوهای اقلیمی (الف) SSP245 و (ب) SSP585، از سال ۲۰۲۰ تا ۲۰۹۹ توسعه داده شد. برای بهبود اثربخشی رتبه‌بندی مدل و روش‌های گروهی برای انتخاب مدل‌های برتر، از بارش مبتنی بر GCM اصلاح‌شده با بایاس برای محاسبه جریان‌های آینده استفاده شد.

شکل ۹
شکل ۹

پیش‌بینی‌های تخلیه سیلاب آینده تحت سناریوهای ( الف ) SSP245 و ( ب ) SSP585 (برگرفته از https://colab.research.google.com ).

تصویر در اندازه کامل

جریان‌های تخمینی نشان می‌دهند که تحت سناریوی کامل SSP585 با انتشار بالای گازهای گلخانه‌ای، دبی‌های اوج کلی افزایش خواهند یافت که نشان‌دهنده احتمال خطر سیل بالاتر در آینده است. این داده‌ها برای اطلاع‌رسانی در مورد مدل‌سازی هیدرولیکی آینده و رویکردهای کاهش خطر سیل، همانطور که در بخش‌های دیگر نشان داده شده است، مورد استفاده قرار خواهند گرفت.

تحلیل فراوانی سیل

تحلیل فراوانی سیل برای محاسبه مقادیر دبی با دوره‌های بازگشت مختلف در ایستگاه تخلیه چاکدره در منطقه سوات با استفاده از مجموعه داده‌های اقلیمی مشاهده‌شده و آینده (SSP245 و SSP585) انجام شد. جریان رودخانه مشاهده‌شده (حداکثر سالانه) ۱۹۹۳-۲۰۱۹ و همچنین پیش‌بینی‌های آینده (۲۰۱۵-۲۰۹۹ و ۲۰۱۵-۲۰۹۹) در SSP245 و SSP585 مورد استفاده قرار گرفت. در مورد هر مجموعه داده، چندین توزیع احتمال نظری وجود داشت که برازش داده شدند، از جمله توزیع‌های آزمایش‌شده عبارتند از: لگاریتم لجستیک، مقدار حدی تعمیم‌یافته (GEV)، لگاریتم پیرسون نوع III، نمایی، نرمال، گامبل، وایبول، گاما و پارتو. تحلیل آماری نیکویی برازش هر توزیع توسط آزمون کولموگروف اسمیرنوف (K-S)، آزمون اندرسون-دارلینگ (A-D) و آزمون کای-اسکوئر انجام شد که در مجموع، میزان نزدیکی توزیع به داده‌های تجربی را تعیین کردند. نتایج از طریق تکنیک VIKOR در تصمیم‌گیری چندمعیاره ترکیب شدند که امکان ایجاد یک رتبه‌بندی کلی را برای تعیین مناسب‌ترین توزیع برای هر مجموعه داده پیش‌بینی‌کننده فراهم کرد.

بهترین توزیع برازش برای مجموعه داده‌های مشاهده‌شده، توزیع Log Logistic، و پس از آن توزیع Generalized Extreme Value (GEV)، Log Pearson Type III، Exponential و Normal شناسایی شد (جدول ۷ ). برای سناریوی SSP245، توزیع Gumbel مناسب‌ترین توزیع بود، در حالی که برای سناریوی SSP585، توزیع GEV بالاترین رتبه را داشت. این انتخاب‌ها بر اساس حداقل مقادیر VIKOR_Q انجام شد که نشان‌دهنده بهترین سازش در بین آزمون‌های نیکویی برازش نشان داده شده در ۴ است.

جدول ۷ نتایج آزمون نیکویی برازش و رتبه‌بندی‌های VIKOR برای توزیع‌های احتمال (الف) مشاهده شده، (ب) SSP245 و (ج) SSP585).
میز تمام سایز

با استفاده از توزیع احتمال برازش‌شده‌ی مناسب، برآوردهای دبی مربوط به دوره‌های بازگشت کلیدی (۱۰، ۵۰، ۱۰۰، ۲۰۰ و ۵۰۰ سال) برای هر سناریو محاسبه شد، همانطور که در جدول ۸ ارائه شده است . این مقادیر دبی به عنوان ورودی‌های مرزی برای شبیه‌سازی‌های هیدرولیکی HEC-RAS و به عنوان مبنایی برای تعیین مناطق خطر سیل (شکل  ۱۰ ) عمل کردند.

جدول ۸ دبی اوج برای دوره‌های بازگشت مختلف و سناریوهای اقلیمی.
میز تمام سایز
شکل ۱۰
شکل ۱۰

منحنی فراوانی سیل که دبی‌های مشاهده‌شده و پیش‌بینی‌شده را نشان می‌دهد (برگرفته از https://colab.research.google.com ).

تصویر در اندازه کامل

طراحی هیدروگراف

هیدروگراف‌های مثلثی که نشان‌دهنده داده‌های مشاهده‌شده، سناریوهای SSP245 و SSP585 هستند، به عنوان شرایط مرزی بالادست در مدل هیدرولیکی دوبعدی HEC-RAS ساخته شدند. هر هیدروگراف در یک دوره ۱۰۰ روزه فرموله شد، که از دبی صفر در روز ۰ شروع می‌شد، در روز ۵۰ به دبی اوج – مربوط به دوره بازگشت – می‌رسید و تا روز ۱۰۰ به دبی صفر برمی‌گشت و یک شکل مثلثی متقارن تشکیل می‌داد. دبی‌های اوج مربوط به حداکثر مقادیر برای دوره‌های بازگشت ۱۰، ۵۰، ۱۰۰، ۲۰۰ و ۵۰۰ ساله هستند. مقادیر دبی گمشده بین نقاط شروع، اوج و پایان با استفاده از درون‌یابی خطی پر شدند تا از همواری و شبیه‌سازی دقیق انتشار موج سیل اطمینان حاصل شود. این روش هیدروگراف مثلثی به دلیل توانایی‌اش در ساده‌سازی شکل موج‌های سیل و در عین حال ثبت واقع‌بینانه دینامیک سیل، در مدل‌سازی هیدرولیکی به طور گسترده پذیرفته شده است و آن را برای ارزیابی وسعت سیل و الگوهای طغیان در سناریوهای مختلف سیل مؤثر می‌سازد.

مدل‌سازی هیدرولیکی

SRB با استفاده از یک چارچوب مدل‌سازی هیدرولیکی دوبعدی در HEC-RAS 6.0 شبیه‌سازی شد تا نقشه‌های عمق سیل و سرعت جریان با وضوح بالا تحت شرایط آب و هوایی مشاهده‌شده و پیش‌بینی‌شده (SSP245 و SSP585) تولید شود. شبیه‌سازی‌ها برای دوره‌های بازگشت ۱۰ ساله و ۱۰۰ ساله انجام شد و خروجی‌های حاصل به چهار سطح خطر، کم، متوسط، زیاد و بسیار زیاد، طبقه‌بندی مجدد شدند. این طبقه‌بندی امکان تفسیر واضح‌تری از رفتار هیدرودینامیکی حوضه و پیامدهای آن برای ارزیابی و مدیریت ریسک سیل را فراهم کرد ۴۲ .

دسته‌های عمق سیل به شرح زیر تعریف شدند: کم (کمتر از ۰٫۵ متر)، متوسط ​​(۰٫۵-۱٫۵ متر)، زیاد (۱٫۵-۳٫۰ متر) و بسیار زیاد (بیشتر از ۳٫۰ متر). همانطور که در شکل  ۱۱ نشان داده شده است ، شبیه‌سازی دوره بازگشت ۱۰ ساله در درجه اول عمق سیل کم و متوسط ​​را نشان داد، و آبگرفتگی تا حد زیادی به دشت سیلابی فعال محدود شد. تحت سناریوی SSP245، مناطق با عمق متوسط ​​گسترده‌تر شدند، که نشان دهنده آبگرفتگی گسترده‌تر حتی در رویدادهای با فراوانی کمتر است. در مقابل، سناریوی SSP585 افزایش قابل توجهی در عمق سیل زیاد و بسیار زیاد را نشان داد که منعکس کننده تشدید خطرات سیل ناشی از تغییرات اقلیمی است.

شکل ۱۱
شکل ۱۱شکل ۱۱

نقشه‌های عمق با دوره بازگشت ۱۰ و ۱۰۰ ساله تحت ( الف ) مشاهدات ( ب ) SSP245 و ( ج ) SSP585 (توسط QGIS (نسخه ۳.۴۰)، https://qgis.org/download/ ).

تصویر در اندازه کامل

برای دوره بازگشت ۱۰۰ ساله، همه سناریوها نشان‌دهنده گسترش مکانی قابل توجه مناطق با عمق سیل زیاد و بسیار زیاد بودند، به طوری که SSP585 شدیدترین میزان سیل را نشان داد. این یافته‌ها با مطالعات قبلی که افزایش شدت سیل را در مسیرهای با انتشار بالا در حوضه‌های آبریز کوهستانی و با داده‌های کم پیش‌بینی می‌کردند، همسو است. علاوه بر تجزیه و تحلیل عمق، نقشه‌های سرعت برای درک جهت سیل و توزیع انرژی در منطقه بررسی شدند. سرعت جریان نیز به چهار گروه طبقه‌بندی شد: کم (<0.5 متر بر ثانیه)، متوسط ​​(۰٫۵۱٫۰ متر بر ثانیه)، زیاد (۱٫۰۱٫۰ متر بر ثانیه)، بسیار زیاد (>2.0 متر بر ثانیه).

شکل  ۱۲ نشان داد که تحت سناریوی ۱۰ ساله مشاهده شده، اکثر دشت سیلابی سرعت جریان کم تا متوسط ​​را نشان می‌دهد و سرعت‌های بالا به بخش‌های باریک کانال محدود می‌شوند. تحت سناریوی SSP245، مناطق با سرعت متوسط ​​و بالا شایع‌تر شدند که نشان دهنده تغییر به سمت یک رژیم جریان پرانرژی‌تر است. در مقابل، سناریوهای SSP585 برای هر دو دوره بازگشت ۱۰ و ۱۰۰ ساله، مناطق وسیعی با سرعت بالا تا بسیار بالا، به ویژه در امتداد خم‌های کانال، بخش‌های تنگ و مناطق تلاقی را نشان داد. این تشدید سرعت، تهدیدی اساسی برای پایداری زیرساخت‌ها و کنترل فرسایش، به ویژه در حوضه‌های کوهستانی که سرعت جریان عامل اصلی خسارات مرتبط با سیل است، محسوب می‌شود. در نتیجه، مناطقی که به عنوان سرعت بالا یا بسیار بالا طبقه‌بندی می‌شوند، نیاز به اقدامات کاهشی هدفمند دارند، زیرا می‌توانند خطرات سیل را حتی زمانی که عمق آب متوسط ​​باقی می‌ماند، تشدید کنند.

شکل ۱۲
شکل ۱۲شکل ۱۲

نقشه‌های سرعت با دوره بازگشت ۱۰ و ۱۰۰ ساله تحت ( الف ) مشاهدات ( ب ) SSP245 و ( ج ) SSP585 (توسط QGIS (نسخه ۳.۴۰)، https://qgis.org/download/ ).

تصویر در اندازه کامل

ارزیابی خطر

ارزیابی خطر سیل در این مطالعه، نتایج شبیه‌سازی هیدرولیکی را با شاخص‌گذاری خطر مبتنی بر GIS ترکیب می‌کند تا خطرات سیل را در شرایط آب و هوایی فعلی و آینده در SRB کمی‌سازی کند. شش سناریوی متمایز – دوره‌های بازگشت ۱۰ و ۱۰۰ ساله مشاهده شده – به همراه سیل‌های پیش‌بینی شده تحت SSP245 و SSP585 برای فواصل زمانی مشابه مورد تجزیه و تحلیل قرار گرفتند. این ارزیابی از عمق سیل، سرعت جریان و یک شاخص خطر ترکیبی برای توصیف تغییرات مکانی و زمانی در خطر سیل استفاده می‌کند. برای هر سناریو، نقشه‌های خطر (شکل  ۱۳ ) با طبقه‌بندی مجدد شاخص خطر محاسبه شده به چهار دسته – کم (<0.5)، متوسط ​​(۰٫۵-۱٫۰)، زیاد (۱٫۰-۲٫۰) و بسیار زیاد (>2.0) – مطابق با چارچوب طبقه‌بندی y Kvočka و همکاران ۳۶ تهیه شدند. این نقشه‌ها عمق سیل و سرعت آن را نشان می‌دهند و مناطقی را که خطرات بالایی از آسیب ساختاری، فرسایش و سایر خطرات دارند، برجسته می‌کنند.

شکل ۱۳
شکل ۱۳شکل ۱۳

نقشه‌های خطر با دوره بازگشت ۱۰ و ۱۰۰ ساله تحت ( الف ) مشاهدات ( ب ) SSP245 و ( ج ) SSP585 (توسط QGIS (نسخه ۳.۴۰)، https://qgis.org/download/ ).

تصویر در اندازه کامل

تحت سناریوهای اقلیمی آینده SSP245 و SSP585، مناطق خطر سیل افزایش قابل توجهی را نشان می‌دهند، به طوری که سناریوی دوره ۱۰۰ ساله SSP585 شدیدترین تأثیرات را نشان می‌دهد. مناطقی که قبلاً به عنوان مناطق با خطر متوسط ​​طبقه‌بندی شده بودند، به دلیل افزایش عمق و سرعت سیل، به دسته‌های خطر بالا یا بسیار بالا منتقل می‌شوند . ۴۰ برای تعیین کمیت این تغییرات، نقشه‌های طبقه‌بندی مجدد شده در یک محیط GIS تجزیه و تحلیل شدند، جایی که طبقه‌بندی‌های مبتنی بر پیکسل به واحدهای مساحت تبدیل شدند تا پوشش مکانی هر سطح خطر (کم، متوسط، زیاد، بسیار زیاد) تحت شرایط مدل‌سازی مختلف تعیین شود.

همانطور که در شکل  ۱۴ نشان داده شده است ، که توزیع درصد مناطق خطر را برای دوره‌های بازگشت ۱۰ و ۱۰۰ ساله تحت سناریوهای مشاهده شده، SSP245 و SSP585 نشان می‌دهد، رویداد ۱۰ ساله مشاهده شده عمدتاً با خطر بالا (۴۳٪) و پس از آن کلاس‌های بسیار بالا (۲۶٪)، متوسط ​​(۲۳٪) و کم (۸٪) مشخص می‌شود. این نشان می‌دهد که حتی رویدادهای سیل نسبتاً مکرر، خطرات قابل توجهی را در سراسر SRB ایجاد می‌کنند. تحت سناریوی دوره بازگشت ۱۰۰ ساله، شدت خطر تشدید می‌شود، به طوری که دسته‌های بالا و بسیار بالا هر کدام ۳۶٪ از منطقه را تشکیل می‌دهند، در حالی که دسته‌های کم و متوسط ​​به ترتیب به ۶٪ و ۲۲٪ کاهش می‌یابند. این نتایج بر تهدید فزاینده ناشی از رویدادهای شدید هیدرولوژیکی تأکید می‌کند و نشان می‌دهد که حتی در شرایط آب و هوایی پایه، خطرات سیل به طور فزاینده‌ای شدیدتر می‌شوند.

شکل ۱۴
شکل ۱۴

نقشه‌های خطر منطقه‌ی مشاهده‌شده، SSP 245 و SSP 585 به ترتیب با دوره بازگشت ( الف ) ۱۰ و ( ب ) ۱۰۰ سال (توسط https://colab.research.google.com ).

تصویر در اندازه کامل

در حالی که تحت SSP245، دوره بازگشت ۱۰ ساله نشان دهنده بهبود جزئی مکان‌های کم‌خطر (۱۰٪) است، در حالی که مکان‌های پرخطر با ۴۱ درصد در صدر جدول قرار دارند و پس از آن مکان‌های متوسط ​​(۳۲ درصد) و بسیار پرخطر (۱۷ درصد) قرار دارند. در مقابل، سطح خطر در دوره بازگشت ۱۰۰ ساله به روش زیر افزایش می‌یابد: خطر زیاد به ۴۲ درصد دسته‌ها و خطر بسیار زیاد به ۲۲ درصد دسته‌ها افزایش می‌یابد و ۷ درصد باقی مانده در دسته کم قرار می‌گیرند. این نتایج حاکی از احتمال افزایش خطرات سیل حتی در سناریوی انتشار متوسط ​​و به ویژه در طول وقایع سیل استثنایی‌تر است.

علاوه بر این، تحت سناریوی SSP585، دوره بازگشت ۱۰ ساله توزیع مکانی نگران‌کننده‌ای از سطوح خطر سیل را نشان می‌دهد، به طوری که تقریباً ۳۳٪ از منطقه مورد مطالعه در معرض خطر بسیار بالا، ۴۰٪ در معرض خطر زیاد و تنها ۵٪ در معرض خطر کم طبقه‌بندی می‌شوند. این وضعیت به ویژه در دوره بازگشت ۱۰۰ ساله تشدید می‌شود، جایی که منطقه خطر بسیار بالا به ۴۶٪ گسترش می‌یابد، منطقه خطر زیاد کمی به ۳۲٪ کاهش می‌یابد و منطقه خطر کم نیز بیشتر به ۴٪ کاهش می‌یابد. این یافته‌ها بر افزایش خطر سیل مرتبط با مسیرهای انتشار زیاد تأکید می‌کنند، به طوری که تقریباً ۸۰٪ از منطقه در کلاس‌های خطر زیاد و بسیار زیاد قرار می‌گیرد.

نمودارهای دایره‌ای به صورت کمی، شدت گرفتن سیل‌های شدید پیش‌بینی‌شده تحت سناریوهای اقلیمی آینده را نشان می‌دهند. افزایش قابل توجه در نسبت سطوح خطر بالا و بسیار بالا – به ویژه تحت مسیر SSP585 – نشان‌دهنده افزایش همزمان وسعت سیل و سرعت جریان است که تهدیدات قابل توجهی را برای زیرساخت‌ها، اکوسیستم‌ها و ایمنی انسان ایجاد می‌کند. این یافته‌ها بر ضرورت گنجاندن نقشه‌برداری خطر در برنامه‌ریزی بلندمدت و اولویت‌بندی سرمایه‌گذاری‌ها در زیرساخت‌های مقاوم در برابر آب و هوا و استراتژی‌های کاهش سیل تأکید می‌کند ۴۳ .

یافته‌های مطالعه حاضر می‌تواند در تدوین سیاست‌های منطقه‌ای مدیریت سیل مورد استفاده قرار گیرد. نقشه‌های ارزیابی خطر می‌توانند برای اولویت‌بندی مناطق پرخطر برای مداخلات مدیریت سیل مورد استفاده قرار گیرند. نتایج این مطالعه می‌تواند در چارچوب‌های برنامه‌ریزی منطقه‌ای ادغام شود که متخصصان هیدرولوژی را در طراحی، مکان‌یابی و ارتقای زیرساخت‌های مقاوم در برابر آب و هوا راهنمایی می‌کند. مداخله مقاوم در برابر سیل شامل اقدامات ساختاری (مانند حوضچه‌های نگهداری، خاکریزها و کانال‌های انحراف سیل) و غیرساختاری (پهنه‌بندی کاربری زمین، سیستم‌های هشدار اولیه و آمادگی در برابر بلایای مبتنی بر جامعه) ۴۴ است . اداره منطقه سوات می‌تواند از نقشه‌های خطر توسعه یافته برای هماهنگ کردن توسعه آینده خود با مناطق خطر برای حفاظت از زمین‌های کشاورزی، سکونتگاه‌ها و زیرساخت‌ها کمک بگیرد. علاوه بر این، مطالعه حاضر بر اهمیت مدیریت حوزه آبخیز و همکاری‌های مناطق همسایه تحت چارچوب مرجع مدیریت بحران استان برای ایجاد تاب‌آوری و پایداری اقلیمی در برابر رویدادهای شدید ۴۵ تأکید می‌کند .

محدودیت‌ها و عدم قطعیت‌های مطالعه‌ی حاضر

پاکستان با محدودیت‌های قابل توجهی در داده‌ها، به ویژه در مشاهدات هیدرولوژیکی، مواجه است که دقت تلاش‌های مدل‌سازی را محدود می‌کند. فقدان سوابق اخیر جریان رودخانه، محدودیت کلیدی این مطالعه است. تحقیقات آینده باید داده‌های تخلیه به‌روز شده را ادغام کنند، زیرا نوسانات شدید اقلیمی – به ویژه رویدادهای سیل ۲۰۲۲ و ۲۰۲۵ – احتمالاً رژیم‌های هیدرولوژیکی را تغییر داده‌اند. علاوه بر این، عدم قطعیت‌های ناشی از خروجی‌های مدل CMIP6، تکنیک‌های تصحیح بایاس و فرضیات سناریوی انتشار، تنوع را در پیش‌بینی‌های سیل وارد می‌کنند. نتایج شبیه‌سازی جریان رودخانه نیز به دلیل وضوح مکانی درشت مجموعه داده‌های ورودی، عدم قطعیت را حفظ می‌کنند. علاوه بر این، مطالعات آینده باید الگوهای توزیع بارندگی و وسعت مکانی مناطق کشاورزی، شهری و تالابی در حوضه آبریز را در نظر بگیرند، زیرا این عوامل بر پویایی جریان رودخانه تأثیر می‌گذارند و ممکن است از استراتژی‌های کاهش سیل مبتنی بر طبیعت ۴۶ ، ۴۷ پشتیبانی کنند . با وجود این محدودیت‌ها، مطالعه حاضر ارزیابی قابل اعتمادی از تأثیرات تغییرپذیری آب و هوا بر جریان رودخانه ارائه می‌دهد و پایه‌ای برای مدیریت منابع آب مقاوم در برابر آب و هوا فراهم می‌کند.

نتیجه‌گیری

سیل‌ها خطری رو به رشد در SRB هستند، جایی که تغییرات اقلیمی، دینامیک یخچال‌ها و کمبود داده‌ها، دقت ارزیابی‌های مرسوم ریسک سیل را محدود می‌کند. این مطالعه یک چارچوب ترکیبی جدید توسعه می‌دهد که XGBoost مبتنی بر SHAP را برای رتبه‌بندی GCM، مدل‌سازی گروهی RF و شبیه‌سازی‌های هیدرولوژیکی-هیدرولیکی همراه برای نقشه‌برداری از خطرات سیل چند سناریویی ادغام می‌کند. این چارچوب، رویکردی قابل تفسیر، داده‌محور و مبتنی بر فیزیک را برای ارزیابی خطرات سیل ناشی از آب و هوا در SRB ارائه می‌دهد. نتیجه‌گیری‌های اصلی را می‌توان به شرح زیر خلاصه کرد:

  • روش‌شناسی توسعه‌یافته، ارزیابی خطر سیل با وضوح بالا را تحت سناریوهای اقلیمی تاریخی و پیش‌بینی‌شده (SSP245 و SSP585) برای دوره‌های بازگشت چندگانه امکان‌پذیر می‌سازد.
  • نتایج نشان‌دهنده افزایش قابل توجه خطر سیل در سناریوهای آینده – به ویژه SSP585 – است که در آن مناطق با خطر بالا و بسیار بالا در طول رویداد ۱۰۰ ساله تقریباً به ۷۸٪ از دشت سیلابی گسترش می‌یابند، در حالی که این رقم برای سیل ۱۰ ساله در شرایط پایه ۶۹٪ بود. این امر بر حساسیت فزاینده حوضه‌های آبریز کوهستانی مانند SRB به تشدید شرایط آب و هوایی شدید تأکید می‌کند.
  • فراتر از نوآوری روش‌شناختی، این چارچوب یک سیستم پشتیبانی تصمیم‌گیری کاربردی برای برنامه‌ریزی فضایی مقاوم در برابر آب و هوا ارائه می‌دهد. ظرفیت آن برای کمی‌سازی عدم قطعیت‌های ناشی از GCM در عمق، سرعت و وسعت سیل، ورودی ارزشمندی را برای پهنه‌بندی آگاهانه از ریسک، طراحی زیرساخت‌ها و آمادگی در برابر بلایا ارائه می‌دهد.
  • این رویکرد همچنین با سایر حوضه‌های با داده‌های محدود یا از نظر توپوگرافی پیچیده سازگار است و ارتباط آن را با زمینه‌های متنوع هیدرواقلیمی گسترش می‌دهد. در مجموع، این مطالعه بر ضرورت پیشرفت به سمت مدیریت ریسک سیل پیشگیرانه و آگاه از اقلیم برای افزایش تاب‌آوری جوامع آسیب‌پذیر رودخانه‌ای و هدایت استراتژی‌های سازگاری مبتنی بر سیاست در مقیاس‌های منطقه‌ای و ملی تأکید می‌کند.