تغییرات اقلیمی چرخه هیدرولوژیکی را تشدید می‌کند که به نوبه خود منجر به افزایش بارندگی‌های شدید می‌شود، روندی که انتظار می‌رود در آینده نیز ادامه یابد ^{۱ ، ۲ ، ۳٫} این تغییرات در الگوهای اقلیمی مستقیماً بر روند بارندگی محلی تأثیر می‌گذارند، بنابراین بر جریان رودخانه‌ها و فراوانی سیل‌های ناگهانی تأثیر می‌گذارند ^۴ ، ۵٫ سیل، به عنوان یک خطر طبیعی شدید تاریخی، خطرات قابل توجهی را برای جمعیت‌های انسانی، به ویژه در مناطق پرجمعیت ^{۶ ، ۷ ، ۸} ، ایجاد می‌کند که متعاقباً خطرات اجتماعی-زیست‌محیطی را افزایش می‌دهد ^۹٫ پارامترهای بارندگی مانند مدت زمان، مقدار کل، شدت و توزیع زمان-مکان از عوامل اصلی مؤثر بر وقوع سیل ناگهانی هستند ^{۱۰ ، ۱۱ ، ۱۲٫} همچنین، این عوامل بر پیش‌بینی بارندگی آینده تأثیر می‌گذارند که برای طراحی تأسیسات قابل اعتماد مدیریت سیل بسیار مهم است ^{۱۳٫ برای مقابله با این چالش، می‌توان از منحنی‌های شدت-مدت-فراوانی (IDF) برای تخمین شدت بارندگی آینده در یک دوره بازگشت و مدت زمان خاص ۱۴ ، ۱۵} استفاده کرد . در این راستا، منحنی‌های IDF برای استان ریزه، ترکیه، از سال ۲۰۱۳ تا ۲۰۹۹ در یک مطالعه ایجاد شده‌اند ^[۱۶] . مطالعه آنها بر اهمیت ارزیابی مجدد طوفان‌های طراحی گذشته با استفاده از منحنی‌های IDF در سراسر جهان تأکید دارد ^[۱۶] .

از آنجایی که تغییرات اقلیمی می‌تواند به طور قابل توجهی بر الگوهای بارندگی و جریان رودخانه تأثیر بگذارد ^{۱۷ ، ۱۸ ، ۱۹} ، پیش‌بینی منحنی‌های IDF باید در تحلیل بارندگی و شبیه‌سازی سیل گنجانده شود. تجزیه و تحلیل تغییرات در بارندگی‌های شدید آینده یا منحنی‌های IDF به پیش‌بینی‌های مدل‌های گردش عمومی (GCM) متکی است ^{۲۰ ، ۲۱ ، ۲۲} ؛ با این حال، وضوح تقریبی این پیش‌بینی‌ها، اثربخشی آنها را برای کاربردهای در مقیاس حوضه محدود می‌کند ^۲۳ . برای حل این مشکل، می‌توان از تکنیک‌های کوچک‌مقیاس‌سازی برای تولید داده‌ها در مقیاس محلی‌تر و دقیق‌تر استفاده کرد ^{۱ ، ۲۴ ، ۲۵٫} در این زمینه، دو گروه کلیدی از تکنیک‌های کوچک‌مقیاس‌سازی وجود دارد: (الف) کوچک‌مقیاس‌سازی دینامیکی (DD)، که از مدل‌های اقلیمی منطقه‌ای (RCM) برای کوچک‌مقیاس‌سازی متغیرهای GCM استفاده می‌کند؛ (ب) کوچک‌مقیاس‌سازی آماری (SD)، که یک رابطه آماری یا تجربی بین متغیرهای جوی بزرگ‌مقیاس (پیش‌بینی‌کننده‌ها) و متغیرهای منطقه‌ای (پیش‌بینی‌کننده‌ها) برقرار می‌کند ^۲۶ . رویکردهای SD در مقایسه با رویکردهای DD روش‌های مناسب‌تری هستند زیرا دقت قابل اعتماد، پیاده‌سازی آسان و هزینه محاسباتی کمتری ارائه می‌دهند ^{۲۷ ، ۲۸٫} بنابراین، تکنیک‌های SD ممکن است برای مطالعاتی که بر کوچک‌مقیاس‌سازی و پیش‌بینی بارندگی در مقیاس حوضه و محلی تمرکز دارند مفید باشند ^۲۹٫ این روش‌ها به دو گروه اصلی طبقه‌بندی می‌شوند: پیش‌بینی کامل (PP) و آمار خروجی مدل (MOS) ^{۲۶ ، ۳۰} .

روش‌های PP و MOS تفاوت‌های ذاتی در فرآیند کوچک‌مقیاس‌سازی خود دارند. اگرچه رویکردهای PP رابطه آماری بین یک متغیر اقلیمی مشاهده‌شده به عنوان پیش‌بینی‌کننده و داده‌های مشاهده‌شده در مقیاس بزرگ به عنوان پیش‌بینی‌کننده ایجاد می‌کنند، در MOS، رابطه با پیش‌بینی‌کننده مشاهده‌شده با استفاده از پیش‌بینی‌کننده‌های مبتنی بر GCM توسعه می‌یابد. از آنجایی که کوچک‌مقیاس‌سازی آماری با استفاده از رویکردهای PP به پیش‌بینی دقیق پیش‌بینی‌کننده‌های در مقیاس بزرگ متکی است، کاربرد چنین روش‌هایی می‌تواند منجر به عدم قطعیت شود ^{۲۶٫ به عنوان یک جایگزین، MOS می‌تواند برای در نظر گرفتن صریح خطاها و سوگیری‌های GCMها در تحلیل آنها ۳۱} به کار گرفته شود . این روش با داشتن یک پایگاه داده قابل توجه از الگوهای گذشته، ابزاری قابل اعتماد برای پیش‌بینی‌های تغییرات اقلیمی بوده و می‌تواند مزایای بیشتری نسبت به PP برای پرداختن به پیش‌بینی‌های مقیاس محلی آینده ارائه دهد ^{۳۲ ، ۳۳ ، ۳۴٫} علاوه بر این، با ترکیب بارندگی و دما با داده‌های گردش خون به عنوان پیش‌بینی‌کننده، روش‌های MOS می‌توانند کنترل پویای تخمین‌های بارندگی را بهبود بخشند ^۳۵ .

با توجه به پیچیدگی روابط مکانی-زمانی بین متغیرهای اقلیمی، روش‌های ساده سنتی نمی‌توانند به طور مؤثر این تعاملات را ثبت کنند و در نتیجه، کوچک‌مقیاس‌سازی با اطمینان کمتری انجام می‌شود . ^۳۰٫ برای پرداختن به این موضوع، تحقیقات اخیر از تکنیک‌های یادگیری ماشین (ML) به عنوان رویکردهای مبتنی بر MOS برای بهبود دقت داده‌های کوچک‌مقیاس‌شده استفاده کرده‌اند . ^{۳۴ ، ۳۶٫} به عنوان مثال، جورج و آتیرا (۲۰۲۳) از یک روش تصادفی چند مرحله‌ای با استفاده از مدل ماشین بردار ارتباط (RVM) برای کوچک‌مقیاس‌سازی بارندگی در حوضه رودخانه بهاراتاپوژا، هند استفاده کردند . ^۳۷٫ علاوه بر این، نیازکار و همکاران (۲۰۲۳) از برنامه‌ریزی ژنتیکی چند ژنی (MGGP) و شبکه‌های عصبی مصنوعی (ANN) برای کوچک‌مقیاس‌سازی مدل‌های تغییر اقلیم برای پیش‌بینی دما در استان کهگیلویه و بویراحمد، ایران استفاده کردند . ^۳۸٫ مطالعات فوق‌الذکر نشان داد که رویکردهای ML نتایج رضایت‌بخشی در کوچک‌مقیاس‌سازی متغیرهای اقلیمی نشان داده‌اند.

با توجه به تنوع الگوریتم‌های یادگیری ماشین، ارزیابی عملکرد آنها در یادگیری الگوهای تاریخی متغیرهای اقلیمی برای شناسایی و انتخاب مناسب‌ترین الگوریتم برای کوچک‌مقیاس‌سازی ضروری است. در این زمینه، پلتفرم H2O-AutoML ابزاری ارزشمند برای خودکارسازی فرآیند آموزش و اعتبارسنجی داده‌ها است. این پلتفرم وظایف مختلفی از جمله پیش‌پردازش داده‌ها، انتخاب ویژگی، انتخاب مدل و تنظیم ابرپارامتر ^۳۹ را در بر می‌گیرد . H2O-AutoML با کاهش نیاز به مداخله انسانی و دانش تخصصی، ابزاری کارآمد و سریع برای ایجاد روابط بین بارندگی و متغیرهای اقلیمی ارائه می‌دهد.

پس از کوچک‌مقیاس‌سازی و پیش‌بینی بارندگی آینده، یک رویکرد پس‌پردازش برای تولید منحنی‌های IDF مرتبط تحت سناریوهای مختلف مورد نیاز است. در این زمینه، چندین محقق منحنی‌های IDF را با استفاده از توابع توزیع مختلف، مانند مقادیر حدی تعمیم‌یافته (GEV) ^۴۰ ؛ توزیع گامبل ^۴۱ ؛ لوگ پیرسون نوع III ^۴۲ ؛ و توزیع بتای بیزی ^۱۴ ، ساخته‌اند که هر کدام برای ارائه منحنی‌های IDF به کار گرفته شده‌اند.

پس از ایجاد منحنی‌های IDF آینده و تعیین میزان بارندگی طراحی، باید از ابزاری قوی برای تدوین شرایط هیدرولوژیکی منطقه مورد مطالعه و تعیین ویژگی‌های سیل‌های ناگهانی تحت سناریوهای مختلف تغییر اقلیم استفاده شود. در حال حاضر، مدل‌های عددی کمی می‌توانند فرآیندهای هیدرولوژیکی را در مقیاس حوضه آبریز تحت گام‌های زمانی زیر روزانه به طور دقیق تجزیه و تحلیل کنند، که این یک الزام کلیدی برای شبیه‌سازی پاسخ هیدرولوژیکی حوضه‌های تمرکز کوتاه مدت است ^{۷ ، ۴۳ ، ۴۴ ، ۴۵٫} در این راستا، مدل ابزار ارزیابی خاک و آب (SWAT) ^{۴۶ ، ۴۷} می‌تواند دقت مکانی را در سطح واحد پاسخ هیدرولوژیکی (HRU) ارائه دهد، که آن را به ابزاری مناسب برای ارزیابی تأثیر کاربری اراضی بر خروجی‌ها تبدیل می‌کند. علاوه بر این، مدل SWAT طیف گسترده‌ای از کاربردها را در حوضه‌های بدون آمار ^{۴۸ ، ۴۹} دارد .

اگرچه مطالعات اخیر، تحلیل سناریوهای GCM، توابع توزیع و مدل‌های یادگیری ماشینی را در تخمین بارندگی و رواناب نادیده گرفته‌اند، این مطالعه یک چارچوب جدید و جامع را معرفی می‌کند که برای اولین بار، پلتفرم H2O-AutoML را با مدل هیدرولوژیکی SWAT برای پیش‌بینی سیل‌های ناگهانی آینده ادغام می‌کند. این چارچوب سلسله مراتبی، دقت پیش‌بینی‌های سیل ناگهانی آینده را در هر مرحله از فرآیند به طور قابل توجهی افزایش می‌دهد. به عبارت دیگر، نوآوری این تحقیق در سازماندهی استراتژیک سطوح سلسله مراتبی و کاربرد روش‌های قوی و متنوع نهفته است که به پیش‌بینی‌های بسیار دقیقی برای وقایع سیل آینده منجر می‌شود. در مرحله اول مطالعه، مدل‌های گردش عمومی جوی-اقیانوسی (AOGCMs) برای شناسایی دقیق‌ترین مدل برای نمایش بارندگی تاریخی در شمال الباطنه مورد تجزیه و تحلیل قرار می‌گیرند. پس از این، سناریوهای بارندگی آینده پیش‌بینی شده توسط مدل انتخاب شده با استفاده از H2O-AutoML بررسی و کوچک‌مقیاس می‌شوند. پیش‌بینی منحنی‌های IDF آینده با برازش توابع توزیع مختلف حاصل می‌شود. در نهایت، میزان بارندگی مشخص شده به مدل SWAT وارد می‌شود تا ویژگی‌های سیل ناگهانی آینده تعیین شود.

در بخش‌های بعدی مطالعه، بخش « روش‌شناسی » به جزئیات مواد و روش‌ها می‌پردازد، بخش « مطالعه موردی » ویژگی‌های مطالعه موردی را شرح می‌دهد و بخش « نتایج و بحث » نتایج را ارائه می‌دهد. علاوه بر این، بخش ماقبل آخر نوآوری‌ها را توضیح می‌دهد و تحقیقات فعلی را مورد بحث قرار می‌دهد و بخش « بحث » به طور جامع نتیجه‌گیری‌ها را توضیح می‌دهد.

این بخش شرح مفصلی از روش‌های به کار رفته در این چارچوب را ارائه می‌دهد. مراحل رویه‌ای به صورت بصری در شکل  ۱ نشان داده شده است و ساختار سلسله مراتبی چارچوب به شرح زیر است:

1. ۱.بخش « پیش‌بینی‌های تغییرات اقلیمی » توضیح جامعی از مدل‌های AOGCM ارائه می‌دهد و اطلاعات لازم برای انتخاب مناسب‌ترین مدل برای تحلیل‌های بعدی را روشن می‌کند.
2. ۲.بخش « ریزمقیاس‌نمایی بارش مبتنی بر یادگیری ماشین » توضیح کاملی از H2O-AutoML ارائه می‌دهد و نقش آن را در ریزمقیاس‌نمایی سناریوهای بارش آینده تشریح می‌کند.
3. ۳.بخش « تولید منحنی‌های شدت-مدت-فراوانی آینده » جزئیات پیش‌بینی منحنی‌های IDF آینده را برای پرداختن به فرآیند تعیین الگوهای بارش طوفان در آینده توضیح می‌دهد.
4. ۴.بخش « شبیه‌سازی هیدرولوژیکی » مروری دقیق بر مدل SWAT و اجزای آن و همچنین فرآیند محاسبه سیلاب‌های ناگهانی ارائه می‌دهد.

پیش‌بینی‌های تغییرات اقلیمی

استفاده از مدل‌های گردش عمومی جو-اقیانوس (AOGCM) با گنجاندن عناصری مانند پوشش گیاهی و شیمی جو، توانایی ما را در پیش‌بینی الگوهای اقلیمی تا حد زیادی افزایش داده است. با این حال، ضروری است که اذعان کنیم این مدل‌ها نیز محدودیت‌های خود را دارند، از جمله عدم قطعیت در پارامترسازی، اتکا به داده‌های تاریخی و سوگیری‌های بالقوه در پیش‌بینی‌های اقلیمی که می‌توانند بر دقت و قابلیت اطمینان آنها تأثیر بگذارند . ^۲۳٫ گروه چند مدلی پروژه مقایسه متقابل مدل جفت‌شده فاز ۶ (CMIP6) بر اساس یافته‌های فاز ۵ قبلی خود ساخته شده و از یک رویکرد جامع برای تجزیه و تحلیل مکانیسم‌های پیچیده سیستم اقلیمی استفاده می‌کند. ^۵۰ و با در نظر گرفتن سناریوهای احتمالی آینده، پیش‌بینی‌های اقلیمی را تولید می‌کند . ^۵۱٫ این مدل، مسیرهای اجتماعی-اقتصادی مشترک (SSP) و مسیرهای تمرکز نماینده (RCP) را ترکیب می‌کند تا درک دقیقی از چگونگی تأثیر این عوامل بر آب و هوای سیاره ما ارائه دهد. در واقع، بررسی سناریوهای SSP درک ارزشمندی از اثرات بالقوه ناشی از تحولات اجتماعی-اقتصادی قابل توجه ارائه می‌دهد . ^۵۲ . پیش‌بینی‌های مدل کمی با گنجاندن SSPها به طور قابل توجهی بهبود یافته است. در این مطالعه، چهار سناریوی CMIP6 شامل SSP1-2.6، SSP2-4.5، SSP3-7.0 و SSP5-8.5 برای ارزیابی تغییرات بارندگی آینده در منطقه مورد مطالعه استفاده شده است.

کوچک‌مقیاس‌سازی بارش مبتنی بر یادگیری ماشین

همبستگی بین بارش محلی و متغیرهای AOGCM اغلب به دلیل تعامل عوامل مختلف اقلیمی پیچیده است ^{۵۳ ، ۵۴٫} در این زمینه، ساخت یک مدل مؤثر برای پیش‌بینی‌های آینده، مستلزم در نظر گرفتن متغیرهای مرتبط است. با توجه به وجود متغیرهای جوی بزرگ‌مقیاس در پیش‌بینی بارش آینده تحت سناریوهای مختلف، ما مدلی را برای کوچک‌مقیاس کردن و افزایش دقت شبیه‌سازی‌های بارش و سیل توسعه می‌دهیم. این مدل از بارش مشاهده‌شده به عنوان متغیر خروجی (پیش‌بینی‌کننده) استفاده می‌کند و از متغیرهای جوی بزرگ‌مقیاس مشتق‌شده از مدل‌های تاریخی AOGCM از سال ۱۹۹۵ تا ۲۰۱۴ به عنوان ورودی یا پیش‌بینی‌کننده استفاده می‌کند. این تحقیق از متغیرهای AOGCM، از جمله رطوبت ویژه (hus)، میانگین دمای هوا و شار بارش (pr) به عنوان پیش‌بینی‌کننده‌های مهم استفاده می‌کند. این متغیرها به دلیل در دسترس بودن آنها در مدل CMIP6 انتخاب شدند. پس از تعیین پیش‌بینی‌کننده‌ها و پیش‌بینی‌کننده‌ها، مدل کوچک‌مقیاس‌سازی با استفاده از H2O-AutoML توسعه داده شد. بخش زیر H2O-AutoML و کاربرد آن در انتخاب قابل اعتمادترین مدل‌های یادگیری ماشین را معرفی می‌کند.

کاربرد H2O-AutoML در ریزمقیاس‌نمایی تغییرات اقلیمی

هدف این مطالعه، استفاده از مدل‌های یادگیری ماشینی برای کوچک‌مقیاس‌نمایی بارش‌های آینده با استفاده از ابزار H2O-AutoML است. H2O-AutoML، یک ابزار یادگیری ماشینی متن‌باز، پلتفرمی مؤثر است که از طریق زبان‌های برنامه‌نویسی مختلف مانند پایتون و برنامه‌نویسی R ^۳۹ قابل دسترسی است . این پلتفرم برای مجموعه داده‌های جدولی طراحی شده است که می‌تواند انواع مختلفی از مسائل، از جمله مسائل رگرسیون و طبقه‌بندی چند کلاسه را پشتیبانی کند. همچنین، H2O-AutoML قابلیت امتیازدهی سریعی دارد که به مدل‌های متعدد اجازه می‌دهد پیش‌بینی‌های سریعی انجام دهند ^۵۵٫ یکی دیگر از مزایای H2O-AutoML، ارائه رابط‌های برنامه‌نویسی کاربردی (API) به زبان‌های مختلف است که ادغام و کاربرد گسترده در زمینه‌ها و مسائل مختلف را تسهیل می‌کند. علاوه بر این، عملکرد مؤثری را در پردازش و شبیه‌سازی مجموعه داده‌های پیچیده نشان می‌دهد.

H2O مقیاس‌بندی ویژگی‌ها، تنظیم فراپارامتر و بهینه‌سازی را از طریق جستجوهای تصادفی شبکه خودکار می‌کند و به آن اجازه می‌دهد مدل‌های متعددی تولید کند که بر اساس معیارهای عملکرد مختلف ارزیابی می‌شوند. از این رو، این مطالعه یک چارچوب با زمان کارآمد ایجاد می‌کند که به سرعت مدل بهینه را بدون نیاز به آزمون و خطای دستی شناسایی می‌کند. برای بهینه‌سازی عملکرد مدل، فراپارامترهای مدل به دقت تنظیم شدند تا خطاهای پیش‌بینی به حداقل برسند و سطح عملکرد رضایت‌بخشی تضمین شود. با پیروی از اصل آزمایش روی داده‌هایی که قبلاً در طول آموزش در نظر گرفته نشده‌اند، از یک روش اعتبارسنجی متقابل K-fold استفاده کردیم.

این مطالعه از شش مدل یادگیری برای ریزمقیاس‌نمایی بارش استفاده می‌کند، از جمله جنگل تصادفی توزیع‌شده (DRF)، ماشین تقویت‌کننده گرادیان (GBM)، یادگیری جمعی انباشته‌شده، مدل خطی تعمیم‌یافته (GLM)، شبکه‌های عصبی عمیق (NN) و درختان به‌شدت تصادفی (XRT). توضیحات بیشتر در مورد این مدل‌ها در جدول  ۱ ارائه شده است .

ارزیابی مدل‌ها

در این مطالعه، ۸۰٪ از مجموعه داده‌های تاریخی CMIP6، شامل رطوبت ویژه، دمای هوا و شار بارندگی به عنوان ورودی، همراه با داده‌های بارش مشاهده‌شده به عنوان خروجی، برای آموزش مدل‌های H2O-AutoML استفاده شد. متعاقباً، مدل‌های یادگیری ماشین در مجموعه داده‌های پیش‌پردازش‌شده با استفاده از توابع آموزشی H2O آموزش داده شدند. روش آموزش شامل بهینه‌سازی تکراری پارامترهای مدل است. برای تجزیه و تحلیل عملکرد مدل‌های ML، از معیارهای ارزیابی مختلفی از جمله جذر میانگین مربعات خطای لگاریتمی (RMSLE)، میانگین مربعات خطا (MSE)، جذر میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) و میانگین انحراف باقیمانده استفاده می‌شود. در این راستا، ۲۰٪ از مجموعه داده‌ها برای آزمایش و ارزیابی عملکرد مدل‌ها اختصاص داده شده است. با پیروی از این روش، مدل بهینه یادگیری ماشینی بر اساس معیارهای عملکرد انتخاب شده و سپس برای کوچک‌مقیاس‌سازی بارندگی در طول دوره ۲۰۲۳ تا ۲۰۴۲ مورد استفاده قرار می‌گیرد. از این طریق، هدف اصلی توسعه یک مدل یادگیری ماشینی است که بتواند بارندگی روزانه آینده را بر اساس سناریوهای CMIP6 به طور دقیق پیش‌بینی کند.

تولید منحنی‌های شدت-مدت-فرکانس آینده

منحنی IDF آینده را می‌توان با برازش یک تابع توزیع احتمال (PDF) بر داده‌های بارش‌های شدید برای رویدادها و مدت زمان‌های مختلف ^۱۴ ساخت . در این فرآیند، شدت بارندگی در مدت زمان‌ها و دوره‌های بازگشت مورد نظر را می‌توان بر اساس روابط برازش شده برای دوره مورد نظر (۲۰۲۳-۲۰۴۲) محاسبه کرد. همچنین، منحنی‌های IDF را می‌توان با برازش یک تابع توزیع احتمال بر حداکثر بارش سالانه با مدت زمان‌های مختلف (مثلاً ۵ دقیقه، ۳۰ دقیقه، ۱ ساعت، ۲ ساعت) ساخت. این امر امکان محاسبه چندک‌های بارندگی مربوط به هر دوره بازگشت (مثلاً ۱۰، ۲۵، ۵۰، ۱۰۰ و ۲۰۰ سال) را فراهم می‌کند.

انتخاب بهترین توزیع احتمال برازش داده شده به حداکثر بارش سالانه بسیار مهم است، زیرا می‌تواند به طور قابل توجهی بر کوانتیل‌های بارش تخمینی برای دوره‌های بازگشت مختلف تأثیر بگذارد. در این مطالعه، توابع توزیع مختلفی از جمله لوگ-نرمال، نمایی، گاما، نرمال، وایبول نمایی، مقادیر حدی تعمیم‌یافته (GEV)، لوگ-لاپلاس، نرمال تعمیم‌یافته، گاوسی معکوس، لوگ-پیرسون III، گاما و توان نمایی و غیره اعمال شده و بر حداکثر بارش سالانه روزانه تحت سناریوهای SSP1-2.6، SSP2-4.5، SSP3-7.0 و SSP5-8.5 برازش داده می‌شوند . ^۲۴ علاوه بر این، هر تابع توزیع بر سری داده‌های بارش برازش داده می‌شود و بر اساس رویکرد تخمین حداکثر درستنمایی (MLE)، پارامترهای مرتبط تخمین زده می‌شوند . ^۵۷ همچنین، معیار اطلاعات هانان-کویین (HQIC) برای هر تابع توزیع بر اساس لگاریتم درستنمایی و تعداد پارامترها محاسبه می‌شود ^. HQIC معیاری است که برای تحلیل عملکرد برازش توابع توزیع استفاده می‌شود و تعادلی بین نیکویی برازش و پیچیدگی مدل ایجاد می‌کند. در واقع، این معیار مدل‌های مختلف را با ارزیابی برازش آنها با داده‌ها و در عین حال جریمه کردن پیچیدگی مدل، مقایسه می‌کند. همچنین می‌توان آن را مشابه انجام آزمون نسبت درستنمایی در نظر گرفت، که در آن مدل‌ها نه تنها بر اساس نیکویی برازش، بلکه بر اساس تعداد پارامترهایی که دارند نیز ارزیابی می‌شوند. در این راستا، می‌توانیم تصمیمات آگاهانه‌تری برای انتخاب بهترین مدل(ها) بگیریم، که به ما کمک می‌کند تا مطمئن شویم مدلی را انتخاب می‌کنیم که برازش خوبی با داده‌ها دارد. مقدار HQIC را می‌توان از معادله ( ۱ ) تخمین زد.

که در آن  نشان دهنده لگاریتم درستنمایی،  و n به ترتیب تعداد پارامترها و تعداد نمونه‌ها هستند. همچنین، مقدار HQIC پایین‌تر نشان دهنده مصالحه ترجیحی‌تر بین خوبی برازش و پیچیدگی PDF در ارزیابی PDFهای مختلف است. در نتیجه، انتخاب PDF با حداقل HQIC بهترین تابع برازش برای مجموعه داده‌ها است.

شبیه‌سازی هیدرولوژیکی

مدل SWAT

مدل SWAT یک مدل هیدرولوژیکی پیوسته و نیمه توزیعی است که به طور گسترده برای ارزیابی اثرات برنامه‌های مدیریتی متنوع بر کیفیت و کمیت آب در مقیاس‌های مختلف استفاده می‌شود ^{۵۹ ، ۶۰٫} مدل SWAT از عناصر مختلفی از جمله پارامترهای آب و هوایی، پوشش زمین، ویژگی‌های خاک و یک ماژول محصول تشکیل شده است. برای فرموله کردن مسئله هیدرولوژیکی، ابزار ArcSWAT ابتدا منطقه مورد مطالعه را بر اساس یک آستانه مشخص به زیرحوضه‌های مجزا تقسیم می‌کند. سپس این زیرحوضه‌ها به واحدهای پاسخ هیدرولوژیکی (HRU) مختلف تفکیک می‌شوند که شامل بخش‌های زمینی با نوع پوشش زمین، درصد شیب و کلاس خاک یکسان ^{۶۱ ، ۶۲} هستند . در مرحله بعد، خروجی‌های کلیدی مدل، مانند رواناب و تبخیر و تعرق (ETa) ابتدا در مقیاس HRU محاسبه می‌شوند. سپس این خروجی‌ها به سطح زیرحوضه تجمیع شده و به خروجی حوضه آبریز هدایت می‌شوند. فرآیندهای هیدرولوژیکی در مدل SWAT برای هر واحد منابع آب (HRU) در گام‌های زمانی روزانه، بر اساس روش بیلان آب ^۶۱ مدل‌سازی می‌شوند .

در این تحقیق، از شماره منحنی (CN) برای تحلیل توزیع بارندگی در لایه خاک و تمایز بین نفوذ و رواناب استفاده شده است. همچنین، از تکنیک هارگریوز برای تخمین ETa در منطقه مورد مطالعه ^۶۳ استفاده شده است .

در این مطالعه، مدل SWAT با استفاده از ماژول رواناب زیر روزانه بر اساس گام‌های زمانی ۱ ساعته اجرا شد. این گام زمانی خاص برای پوشش دقیق توسعه سریع رویدادهای سیل انتخاب شد . ^۶۴. برای توضیحات بیشتر در مورد ماژول زیر روزانه SWAT و اطلاعات بیشتر، به مطالعات انجام شده توسط ^۷ ، ۶۵ مراجعه کنید .

الباطنه، منطقه‌ای خشک در شمال شرقی عمان، از غرب با کوه‌های حجر غربی و از شمال با دریای عمان هم‌مرز است. دشت ساحلی الباطنه در لبه‌های شمال غربی و جنوب شرقی خود باریک‌تر است و در مرکز به وسیع‌ترین بخش خود، تقریباً ۵۰ کیلومتر، گسترش می‌یابد. این دشت شامل مخروط‌افکنه‌های پیوسته‌ای است که رسوبات را از کوه‌ها به ساحل و دشت منتقل می‌کنند. این دشت دومین منطقه پرجمعیت عمان است که تنها پس از مسقط، پایتخت، قرار دارد ^. منطقه ساحلی مسطح و حاصلخیز الباطنه، که بیش از ۹۰٪ خط ساحلی را پوشش می‌دهد، به مرکزی برای سکونت انسان تبدیل شده است. در طول چهار دهه گذشته، توسعه متمرکز، فعالیت‌های اجتماعی-اقتصادی مختلفی از جمله شهرنشینی فشرده و آغاز پروژه‌های گردشگری ساحلی را به پیش برده است. زیرساخت‌های قابل توجهی، شامل جاده‌های اصلی، کورنیش‌ها، بازارها، بنادر ماهیگیری و کارخانه‌های نمک‌زدایی، به طور استراتژیک برای حمایت و تقویت زندگی ساحلی ایجاد شده‌اند. این منطقه مستعد سیل‌های ناگهانی و بارندگی‌های شدید است که نمونه‌هایی از آن رویدادهای مهمی مانند سیل ناشی از طوفان گرمسیری گونو در سال ۱۸۹۰ در ژوئن ۲۰۰۷، سیل شاهین بین ۱ تا ۴ اکتبر ۲۰۲۱، سیل فت در ژوئن ۲۰۱۰ و سیل کیار در اکتبر ۲۰۱۹ است که منجر به خسارات اقتصادی و انسانی قابل توجهی شده ^است .

در این مطالعه، منطقه‌ای شامل سه وادی (جدول  ۲ ) – وادی الشفان، وادی الصرامی و وادی السخین – در شمال الباطنه برای پیش‌بینی سیل آینده مورد تجزیه و تحلیل قرار گرفته است (شکل  ۲ ).

انتخاب یک مدل AOGCM توانمند

برای افزایش قابلیت اطمینان پیش‌بینی‌های تغییرات اقلیمی، این بخش عملکرد مدل‌های مختلف AOGCM را برای شناسایی مناسب‌ترین مدل برای منطقه مورد مطالعه ارزیابی می‌کند. با توجه به اینکه مدل‌های پیش‌بینی مختلف می‌توانند در مناطق و سلول‌های محاسباتی عملکرد متفاوتی داشته باشند، انتخاب مدل مناسب برای به حداقل رساندن عدم قطعیت‌ها و اطمینان از پیش‌بینی‌های دقیق آینده بسیار مهم است . ^۱٫ در این راستا، یک تحلیل عمیق برای مقایسه میانگین بارش ماهانه بلندمدت پیش‌بینی‌شده توسط GCM برای دوره پایه (تاریخی) با داده‌های مشاهده‌شده انجام شد. این می‌تواند به طور مؤثر عملکرد هر مدل CMIP6 را در پیش‌بینی الگوهای تاریخی روشن کند. این ارزیابی شامل ارزیابی ۱۸ مدل AOGCM با استفاده از شاخص‌های ارزیابی مختلف، از جمله MSE ^۶۷ ، NMSE ^۶۸ ، NSE ^۶۹ ، AE ^۷۰ ، RMSE ^۷۱ ، KGE ^۷۲ بود. با ارزیابی این مدل‌ها در برابر داده‌های بارش مشاهده‌شده از سال ۱۹۹۵ تا ۲۰۱۴، مدل IITM-ESM به عنوان دقیق‌ترین مدل در نمایش بارش تاریخی ظاهر شد. جدول  ۳ عملکرد مدل‌های مختلف AOGCM را خلاصه می‌کند. در نتیجه، سناریوهای آینده با استفاده از مدل IITM-ESM محاسبه خواهند شد که عملکرد برتر در تخمین داده‌های تاریخی را نشان داده است.

تحلیل ریزمقیاس‌نمایی بارش با استفاده از H2O-AutoML

پس از انتخاب مناسب‌ترین مدل پیش‌بینی، این بخش بر کوچک‌مقیاس کردن پیش‌بینی‌های آن تحت چهار سناریوی SSP، شامل SSP1-2.6، SSP2-4.5، SSP3-7.0 و SSP5-8.5 تمرکز دارد. مدل‌های GCM، اگرچه در ثبت الگوهای اقلیمی در مقیاس بزرگ قدرتمند هستند، اما اغلب فاقد وضوح لازم برای انعکاس دقیق شرایط اقلیمی محلی هستند. در این بخش، با پالایش این پیش‌بینی‌ها به مقیاسی دقیق‌تر، هدف ما تولید پیش‌بینی‌های اقلیمی دقیق‌تر و مختص منطقه است که برای ارزیابی تأثیرات بالقوه سناریوهای اقلیمی آینده بسیار مهم هستند. برای انجام این کار، پس از شناسایی IITM-ESM به عنوان بهترین مدل برای منطقه مورد مطالعه، پیش‌بینی‌های آن با استفاده از H2O-AutoML کوچک‌مقیاس می‌شوند. این پلتفرم مدل‌ها را با استفاده از داده‌ها، از جمله رطوبت ویژه (hus)، میانگین دمای هوا و شار بارش (pr) آموزش می‌دهد و همچنین مدل بهینه ML را برای کوچک‌مقیاس کردن پیش‌بینی‌های بارندگی آینده شناسایی می‌کند. شکل  ۳ عملکرد مدل‌های ML را در پلتفرم H2O نشان می‌دهد. نتایج نشان می‌دهد که الگوریتم Stacked Ensemble که با شناسه مدل ‘StackedEnsemble_AllModels_6’ شناسایی می‌شود، بالاترین عملکرد را در طول آموزش مجموعه داده‌ها نشان داده است. این مدل که تمام مدل‌های پایه – GBM، یادگیری عمیق و DRF – را با یک فرایادگیرنده GLM که با ۵ K-fold بهینه‌سازی شده است، ترکیب می‌کند، به نتایج برتر دست یافت. به طور خاص، به معیارهای عملکرد زیر دست یافت: RMSE برابر با ۲٫۲۸۱، MSE برابر با ۲٫۲۰۲، MAE برابر با ۰٫۳۶۲، RMSLE برابر با ۰٫۳۲۵ و میانگین انحراف باقیمانده برابر با ۵٫۲۰۲٫ دومین مدل با بهترین عملکرد، ‘GBM_grid_1_model_6’، که یک مدل طبقه‌بندی سه کلاسه با استفاده از توزیع چندجمله‌ای است، به ترتیب به RMSE، MSE، MAE، RMSLE و میانگین انحراف باقیمانده ۲٫۲۸۲، ۵٫۲۰۷، ۰٫۳۶۶، ۰٫۳۳۰ و ۵٫۲۰۷ دست یافت.

جدول  ۴ نشان می‌دهد که در نتایج اعتبارسنجی متقابل برای H2O-AutoML، لایه اول بالاترین عملکرد را در طول اعتبارسنجی نشان می‌دهد. این نشان می‌دهد که مدل‌های آموزش‌دیده روی زیرمجموعه داده‌های مربوط به لایه اول، در این بخش خاص از مجموعه داده‌ها عملکرد مؤثرتری دارند.

پس از شناسایی مدل بهینه یادگیری ماشین، گام بعدی کوچک‌مقیاس کردن پیش‌بینی‌های بارندگی از سال ۲۰۲۳ تا ۲۰۴۲ با استفاده از این مدل انتخاب شده است. برای دستیابی به این هدف، پیش‌بینی‌های CMIP6، شامل رطوبت ویژه، بارندگی و دمای هوا تحت سناریوهای SSP1-2.6، SSP2-4.5، SSP3-7.0 و SSP5-8.5، جمع‌آوری و به مدل ‘StackedEnsemble_AllModels_6’ وارد شدند. هدف این فرآیند، تولید پیش‌بینی‌های کوچک‌مقیاس‌تر و دقیق‌تر از بارندگی آینده است.

پس از پیش‌بینی بارندگی آینده توسط H2O، داده‌های بارندگی روزانه کوچک‌مقیاس‌شده، نمای دقیقی از تغییرات احتمالی بارندگی ارائه می‌دهند که می‌توان آن‌ها را برای ارزیابی روندها در مقیاس‌های زمانی بزرگ‌تر، مانند ماهانه و سالانه، تجمیع کرد. شکل  ۴ الف، بارندگی ماهانه و سالانه کوچک‌مقیاس‌شده برای منطقه مورد مطالعه را نشان می‌دهد. تجزیه و تحلیل الگوهای بارندگی ماهانه آینده نشان می‌دهد که پیش‌بینی می‌شود ژوئن، ژوئیه، اوت و سپتامبر کمترین بارندگی را تجربه کنند. در مقابل، پیش‌بینی می‌شود که مارس بیشترین بارندگی را در تمام سناریوهای ارزیابی‌شده CMIP6 داشته باشد. علاوه بر این، همانطور که در این شکل نشان داده شده است، پیش‌بینی می‌شود که بارندگی آینده تحت تمام سناریوهای SSP در مقایسه با سطوح تاریخی افزایش یابد.

علاوه بر این، بررسی الگوهای بارندگی سالانه (شکل  ۴ ب) تفاوت‌های بین سناریوهای مختلف را برجسته می‌کند و بر لزوم سناریوهای متعدد برای ارزیابی کامل طیف وسیعی از شرایط احتمالی آینده تأکید دارد. گنجاندن این سناریوهای متنوع در برنامه‌ریزی آینده برای تدوین استراتژی‌های قوی برای مدیریت تأثیرات بالقوه تغییرات اقلیمی بر الگوهای بارندگی در منطقه ضروری است.

پیش‌بینی آینده ارتش اسرائیل

پس از انتخاب و کوچک‌مقیاس‌سازی مناسب‌ترین مدل اقلیمی با استفاده از الگوریتم یادگیری ماشین با بهترین عملکرد، گام مهم بعدی شامل فرمول‌بندی منحنی‌های IDF برای منطقه مورد مطالعه است. با استخراج این منحنی‌ها تحت هر سناریوی SSP ارزیابی‌شده، هدف ما درک عمیق‌تری از چگونگی تغییر رویدادهای بارندگی شدید در آینده است که برای طراحی زیرساخت‌ها و برنامه‌ریزی استراتژی‌های کاهش سیل بسیار مهم است.

در ابتدا، توابع توزیع احتمال (PDF) مختلفی بر روی داده‌های بارش روزانه ریزمقیاس‌شده اعمال شد تا تغییرپذیری و مقادیر حدی مرتبط با هر سناریو ثبت شود. پارامترهای این PDFها با استفاده از روش تخمین حداکثر درستنمایی (MLE) تخمین زده شدند، یک رویکرد آماری که مقادیر پارامتر را شناسایی می‌کند و تابع درستنمایی را به حداکثر می‌رساند. با انجام این کار، اطمینان حاصل می‌کنیم که تابع ارزیابی‌شده به بهترین وجه با داده‌های مشاهده‌شده برازش دارد. عملکرد این PDFها با استفاده از معیار اطلاعات هانان-کویین (HQIC)، معیاری که برازش مدل را با پیچیدگی متعادل می‌کند، ارزیابی شد. HQIC مدل‌های پیچیده‌تر را جریمه می‌کند و مدل‌هایی را که بدون پیچیدگی غیرضروری به برازش خوبی دست می‌یابند، ترجیح می‌دهد. مقدار HQIC پایین‌تر نشان دهنده یک مدل ارجح‌تر است که به طور مؤثر دقت و سادگی را متعادل می‌کند. همانطور که در شکل  ۵ نشان داده شده است ، نتایج نشان می‌دهد که توزیع وایبل بهترین برازش را برای SSP1-2.6 دارد، Log-Pearson III برای SSP2-4.5، Gamma برای SSP3-7.0 و Exponential power برای SSP5-8.5 مناسب‌تر است. این توابع به عنوان مناسب‌ترین توابع برای تولید منحنی‌های IDF تحت سناریوهای مربوطه در نظر گرفته می‌شوند. این روش، توسعه منحنی‌های IDF را که برای مدیریت سیل بسیار مهم هستند، تضمین می‌کند و بینش‌های ضروری در مورد وقایع بارندگی شدید ارائه می‌دهد.

متعاقباً، منحنی‌های IDF آینده با محاسبه کوانتیل تجربی برای یک دوره بازگشت معین و نرمال‌سازی آن بر اساس مدت بارندگی مربوطه تولید شدند. شکل  ۶ منحنی‌های IDF را برای هر سناریوی SSP نشان می‌دهد. تجزیه و تحلیل بصری این منحنی‌ها، شدت بارندگی به طور قابل توجهی بالاتر را تحت سناریوهای SSP2-4.5 و SSP5-8.5 در مقایسه با SSP1-2.6 و SSP3-7.0 نشان می‌دهد. جالب توجه است که منحنی‌های IDF برای SSP2-4.5 و SSP5-8.5 به شدت همسو هستند، در حالی که SSP1-2.6 و SSP3-7.0 شدت بارندگی مشابه اما نسبتاً کمتری را نشان می‌دهند.

شبیه‌سازی سیل ناگهانی آینده با استفاده از مدل SWAT

پس از استخراج منحنی‌های IDF، این بخش بر فرمول‌بندی شرایط هیدرولوژیکی منطقه مورد مطالعه و شبیه‌سازی سیل‌های ناگهانی تحت سناریوهای مختلف SSP تمرکز دارد. برای درک تأثیرات بالقوه تغییر الگوهای بارندگی بر ویژگی‌های سیل، یک ابزار مدل‌سازی قابل اعتماد ضروری است. در این زمینه، از مدل SWAT برای ارزیابی این تأثیرات استفاده شده است.

تحلیل حساسیت و کالیبراسیون مدل SWAT با استفاده از الگوریتم SUFI-2 انجام می‌شود، روشی که به طور گسترده برای کالیبراسیون مدل ادغام شده در SWAT-CUP ^۷۳ استفاده می‌شود . در مرحله اول، تحلیل حساسیت برای شناسایی پارامترهایی که به طور قابل توجهی بر خروجی‌های مدل تأثیر می‌گذارند، از جمله جریان پایه و جریان رودخانه انجام می‌شود. عوامل حساس کلیدی عبارتند از شماره منحنی رواناب SCS، مقدار مانینگ برای کانال اصلی و پارامترهای رطوبت خاک. درک این پارامترها برای شبیه‌سازی دقیق و نتایج قابل اعتماد بسیار مهم است. مطالعات دیگر نیز حساسیت مدل به پارامترهای جریان کانال را برجسته کرده‌اند ^۷۴٫ با این حال، در مطالعه موردی تحت تأثیر سیل ناگهانی، پارامترهای جریان پایه حساسیتی به کالیبراسیون نشان نمی‌دهند. در این راستا، مدل با استفاده از پارامترهای فوق الذکر، با تمرکز بر جریان رودخانه (cms) کالیبره شد.

در مرحله بعد، کالیبراسیون در گام زمانی روزانه برای سه ایستگاه DS1، DS2 و DS3، از سال ۲۰۱۸ تا ۲۰۲۰ انجام شد. لازم به ذکر است که فقدان داده‌های ساعتی مناسب و رویدادهای سیل، چالش‌های قابل توجه و پیچیده‌ای را در طول فرآیند کالیبراسیون ایجاد کرد. برای ارزیابی دقت نتایج دبی شبیه‌سازی شده در هر مرحله، از مقادیر ضریب تعیین (R2) و نش-ساتکلیف (NS) استفاده شد. نتایج قابل قبول بودند و معیارهای توصیه شده توسط ^۷۵ را برآورده می‌کردند . در مرحله بعد، مدل برای یک رویداد سیل شدید ارزیابی شد و در نهایت ایستگاه DS1 به عنوان ایستگاه ارزیابی شده در بالادست منطقه شهری انتخاب شد (جدول  ۵ ).

پس از اطمینان از اعتبار مدل برای منطقه مورد مطالعه، SWAT از پارامترهای مشتق شده از بارندگی IDF آینده، به ویژه برای مدت زمان ۱۵ و ۶۰ دقیقه و دوره بازگشت ۱۰۰ و ۲۰۰ سال، برای پیش‌بینی وقوع سیل در آینده استفاده می‌کند.

برای شروع این فرآیند، شدت بارندگی با استفاده از منحنی‌های IDF تحت شرایط مشخص شده محاسبه می‌شود. متعاقباً، دو سناریو – بدبینانه و خوش‌بینانه – بر اساس شرایط بارندگی متغیر آینده، همانطور که در جدول  ۶ به تفصیل آمده است، انتخاب می‌شوند .

در مرحله بعد، کل بارندگی آینده بر اساس شدت بارندگی محاسبه شده تعیین می‌شود. با توجه به تحقیقات انجام شده توسط ^۴۴ ، فرض بر این است که الگوی بارندگی آینده، منعکس کننده رویدادهای تاریخی در چنین شرایطی است.

برای تجزیه و تحلیل و تفکیک بارندگی‌های آینده، از روشی که توسط ^۷۶ توسعه داده شده است ، استفاده می‌شود. در ابتدا، بارندگی تجمعی تاریخی بر بارندگی در گام‌های زمانی مشخص تقسیم می‌شود. این منجر به ضرایبی می‌شود که به هر گام زمانی اختصاص داده می‌شوند که نشان دهنده نسبت کل بارندگی به مقدار رخ داده در آن بازه زمانی است. در واقع، کل بارندگی در ضرایب مربوطه اختصاص داده شده به هر گام زمانی ضرب می‌شود تا الگوی بارندگی آینده تعیین شود. این رویکرد درک جامعی از توزیع زمانی بارندگی‌های آینده بر اساس الگوهای بارندگی تاریخی را تسهیل می‌کند. به ویژه، برای مدت بارندگی ۶۰ دقیقه و دوره بازگشت مشخص، از ضرایب مشتق شده از وقایع تاریخی با همان مدت استفاده می‌شود. به عبارت دیگر، بارندگی با مدت ۶۰ دقیقه، تحت دوره بازگشت مشخص، در ضرایب مشتق شده از یک رویداد تاریخی با همان مدت (۶۰ دقیقه) ضرب می‌شود. این روش جامع به طور مؤثر شدت و زمینه تاریخی را ادغام می‌کند تا ما را قادر به تجزیه و تحلیل الگوهای بارندگی آینده و پیامدهای آنها برای شبیه‌سازی سیل سازد.

تحلیل سیل‌های آینده

پس از شناسایی الگوهای بارش تفکیکی، در این بخش پایانی، نتایج پیش‌بینی‌های سیل ناگهانی برای شمال الباطنه، برگرفته از شبیه‌سازی‌های مدل SWAT را ارائه می‌دهیم. نقشه مدل ارتفاعی رقومی (DEM) و شبکه‌های جریان، امکان تقسیم شمال الباطنه به ۱۵۴ زیرحوضه را فراهم کردند. با استفاده از نقشه کاربری اراضی آژانس فضایی اروپا (ESA) همراه با نقشه خاک سازمان غذا و کشاورزی (FAO)، ArcSWAT 493 واحد واکنش هیدرولوژیکی (HRU) تولید کرد. زیرحوضه‌های حاصل، شبکه جریان و مکان ایستگاه‌های تخلیه در شکل  ۷ نشان داده شده است .

پس از کالیبراسیون مدل SWAT، شبیه‌سازی‌ها برای رویدادهای بارندگی ۱ ساعته مربوط به دوره‌های بازگشت ۱۰۰ و ۲۰۰ ساله انجام شد و سناریوهای خوش‌بینانه و بدبینانه بررسی شدند (شکل  ۸ ). به طور خاص، شکل‌های ۸ الف و ب هیدروگراف رویداد بارندگی پیش‌بینی‌شده را با دوره بازگشت ۱۰۰ ساله تحت هر دو حالت خوش‌بینانه و بدبینانه نشان می‌دهند، در حالی که شکل‌های  ۸ ج و د هیدروگراف رویدادهای بارندگی آینده را با دوره‌های بازگشت ۲۰۰ ساله نشان می‌دهند.

یافته‌ها نشان می‌دهد که تحت سناریوهای بدبینانه، سیل‌های بالادست منطقه شهری شمال الباطنه می‌تواند در طول بارندگی‌های با دوره بازگشت ۱۰۰ و ۲۰۰ سال به ترتیب به ۲۰.۳۳ و ۲۰.۷۰ متر ^مکعب بر ثانیه افزایش یابد. در مقابل، در سناریوی خوش‌بینانه، جریان برای بارندگی‌های با دوره بازگشت ۱۰۰ و ۲۰۰ سال به ترتیب ۱۶.۵۶ و ۱۶.۸۵ متر ^{مکعب بر ثانیه است.}

گنجاندن سناریوهای خوش‌بینانه و بدبینانه در شبیه‌سازی‌های سیل، استحکام چارچوب تحلیلی ما را تقویت می‌کند. این رویکرد دوگانه امکان بررسی کامل شرایط مرزی را فراهم می‌کند که برای استراتژی‌های مؤثر مدیریت سیل بسیار مهم است. با ارزیابی حداکثر بارندگی‌ها تحت سناریوهای مختلف، می‌توانیم خطرات بالقوه را شناسایی کرده و برای طیف وسیعی از پیامدهای احتمالی آماده شویم.

مطالعه حاضر یک چارچوب جامع و جدید را معرفی می‌کند که نه تنها دیدگاه جدیدی در مورد پیش‌بینی سیل ناگهانی ارائه می‌دهد، بلکه شامل حجم کاری دقیق و پیچیده‌ای نیز می‌شود. با توجه به عدم قطعیت‌های ذاتی در هر مرحله از پیش‌بینی سیل ناگهانی، استفاده از ابزارهای قابل اعتمادی که خطاها را در هر مرحله از محاسبات به حداقل می‌رسانند، بسیار مهم است. برای مقابله با این مشکل، دیدگاه پیشنهادی تضمین می‌کند که حتی اگر این فرآیند بتواند توسط طیف گسترده‌ای از مدل‌ها در مطالعات موردی مختلف دنبال شود، همچنان قابل اعتماد باقی بماند. در مرحله اول مطالعه، بهترین مدل GCM از بین هجده مدل تغییر اقلیم CMIP6 انتخاب شد. این می‌تواند خطر انتخاب یک مدل پیش‌بینی نامناسب را به طور قابل توجهی کاهش دهد. پلتفرم H2O-AutoML، با ارائه امکاناتی مانند بهینه‌سازی فراپارامتر و مدل‌های مختلف ML، برای کوچک‌مقیاس کردن بارندگی آینده با بالاترین دقت ممکن استفاده شد. در مرحله بعد، برای ساخت مناسب‌ترین منحنی‌های IDF برای هر سناریو، چهل تابع توزیع بر داده‌های بارندگی روزانه آینده تحت هر سناریوی SSP برازش داده شد. در ادامه، از ماژول زیرروزانه SWAT برای شبیه‌سازی سیل‌های ناگهانی آینده در منطقه مورد مطالعه استفاده شد. در نتیجه، این چارچوب نه تنها حوزه مدل‌سازی هیدرولوژیکی را پیش می‌برد، بلکه استاندارد جدیدی را برای دقت و سازگاری در پیش‌بینی سیل، به ویژه در مناطقی که با تأثیرات فزاینده تغییرات اقلیمی مواجه هستند، توسعه می‌دهد.

برای برجسته کردن نوآوری‌های مطالعه حاضر در هر مرحله، اطلاعات دقیق در زیر توضیح داده شده است:

مرحله ۱ انتخاب مناسب‌ترین مدل CMIP6

مطالعات مختلف، مدل‌های GCM را برای ارزیابی پیش‌بینی بارندگی و سیل در آینده به کار گرفته‌اند. به عنوان مثال ، ^۷۷ ، از مدل‌های CMIP6 خاصی برای تحلیل سیل شهری استفاده کردند، اما عملکرد آنها را برای بارندگی تاریخی در مطالعه موردی خود ارزیابی نکردند. به طور مشابه، ^۴ ، ۷۸ ، CMIP5 را برای تخمین بارندگی آینده به کار گرفتند و ملاحظات اجتماعی-اقتصادی ارائه شده توسط سناریوهای CMIP6 را نادیده گرفتند و ارزیابی نحوه عملکرد مدل‌های انتخاب شده در پیش‌بینی بارندگی تاریخی را نادیده گرفتند. این موضوع، از جمله عدم توجه به جنبه‌های اجتماعی-اقتصادی در سناریوهای اقلیمی آینده و غفلت از ارزیابی اثربخشی مدل‌های اقلیمی در دوره‌های تاریخی، می‌تواند عدم قطعیت‌هایی را در لایه‌های مختلف پیش‌بینی سیل ناگهانی ایجاد کند و به طور بالقوه طراحی استراتژی‌های کنترل سیل و تصمیم‌گیری را مختل کند.

مرحله ۲: استفاده از H2O-AutoML برای ریزمقیاس‌نمایی بارش .

در این مطالعه، برای اولین بار از H2O AutoML برای کوچک‌مقیاس‌سازی بارندگی استفاده شد، اما نوآوری این مرحله فراتر از آن است، زیرا عملکرد مدل آماری پیشنهادی از مطالعات اخیر پیشی می‌گیرد. در مقایسه با مطالعات انجام شده توسط ^{۷۹ ، ۸۰ ، ۸۱} که از مدل‌های ML برای کوچک‌مقیاس‌سازی سناریوهای مبتنی بر CMIP6 برای پیش‌بینی بارندگی آینده استفاده کردند، مدل پیشنهادی ما عملکرد بهتری را نشان داد. دلایل این امر را می‌توان به استفاده از مدل‌های ML با قدرت کمتر در آن مطالعات یا نظارت بالقوه بر فرآیندهای حیاتی در مرحله ۱ نسبت داد.

مرحله ۳: به‌کارگیری طیف گسترده‌ای از توابع توزیع برای ساخت منحنی‌های IDF .

اگرچه مطالعات متعددی برای ساخت منحنی‌های IDF برای بارندگی‌های آینده انجام شده است، اما برخی فرضیات معمول برای ساده‌سازی محاسبات در نظر گرفته شده است که می‌تواند دقت را به خطر بیندازد. به عنوان مثال ، ^{۸۲ و ۸۳} از تابع توزیع GEV برای ایجاد منحنی‌های IDF تحت سناریوهای CMIP6 و CMIP5 استفاده کردند، بدون در نظر گرفتن این احتمال که سایر توابع ممکن است داده‌های بارندگی آینده را بهتر تفسیر کنند. اکنون در تحقیقات ما آشکار است که سایر توابع توزیع می‌توانند عملکرد بهتری در برازش داده‌های بارندگی آینده ارائه دهند، همانطور که توسط عامل HQIC تأیید شده است. برای ارائه مروری بر مطالعات مورد بحث، جدول  ۷ ادبیات مرتبط را خلاصه می‌کند. این جدول رویکردهای اتخاذ شده توسط مطالعات قبلی را با چارچوب جامع معرفی شده در تحقیق فعلی که نوآوری‌های ما را برجسته می‌کند، مقایسه می‌کند.

در این مطالعه، ما از یک چارچوب آماری سلسله مراتبی برای پیش‌بینی سیل‌های آینده در البطینه، عمان، منطقه‌ای خشک که به طور قابل توجهی تحت تأثیر تغییرات اقلیمی قرار دارد، استفاده کردیم. این مطالعه یک رویکرد استراتژیک برای دستیابی به دقیق‌ترین پیش‌بینی سیل اتخاذ می‌کند. برای این منظور، گام اولیه شامل انتخاب مناسب‌ترین مدل AOGCM بر اساس معیارهای ارزیابی مختلف بود. یافته‌ها نشان داد که مدل IITM-ESM بهترین تخمین را از الگوهای بارندگی تاریخی ارائه می‌دهد و برای پیش‌بینی بارندگی‌های آینده قابل اعتمادتر خواهد بود. بنابراین، تجزیه و تحلیل بعدی با استفاده از مدل IITM-ESM تحت چهار سناریوی SSP، شامل SSP1-2.6، SSP2-4.5، SSP3-7.0 و SSP5-8.5 انجام شد.

در مرحله بعد، برای کوچک‌مقیاس کردن پیش‌بینی‌های با وضوح درشت از مدل اقلیمی انتخاب‌شده، مدل‌های مختلف یادگیری ماشین از طریق پلتفرم H2O-AutoML ارزیابی شدند تا مناسب‌ترین مدل برای منطقه مورد مطالعه شناسایی شود. با انجام این کار، الگوریتم ترکیبی انباشته‌شده عملکرد بهینه‌ای را در فرآیند کوچک‌مقیاس‌سازی برای پیش‌بینی بارندگی تاریخی نشان داد و بنابراین، برای پیش‌بینی بارندگی روزانه آینده از سال ۲۰۲۳ تا ۲۰۴۲ به کار گرفته شد. پس از این، از توابع توزیع مختلف برای شناسایی مؤثرترین آنها برای پیش‌بینی منحنی‌های IDF آینده استفاده شد.

پس از تحلیل حساسیت و کالیبراسیون مدل SWAT، سناریوهای بارندگی آینده برای دوره‌های بازگشت و مدت زمان‌های مختلف برای ارزیابی پتانسیل وقوع سیل ناگهانی بررسی شدند. مدل SWAT کالیبره شده که در منطقه مورد مطالعه اعمال شد، نشان داد که تحت یک سناریوی بدبینانه، جریان سیل در ورودی منطقه شهری در شمال الباطنه می‌تواند به ترتیب در طول بارندگی‌های با دوره بازگشت ۱۰۰ و ۲۰۰ ساله به ۲۰.۳۳ و ۲۰.۷۰ متر ^مکعب بر ثانیه برسد. با توجه به نزدیکی منطقه شهری شمال الباطنه به اقیانوس، این وضعیت می‌تواند منجر به خطر قابل توجه خسارات انسانی و اقتصادی شود.

این مطالعه ابزارها و روش‌های متنوعی را برای ارائه یک چارچوب جامع برای پیش‌بینی سیل ناگهانی در یک منطقه خشک ادغام می‌کند. این رویکرد داده‌های ۱۸ AOGCM را در بر می‌گیرد، از شش مدل یادگیری ماشین استفاده می‌کند و ۴۰ تابع توزیع را بررسی می‌کند. با ترکیب این عناصر، هدف این مطالعه افزایش دقت و قابلیت اطمینان پیش‌بینی‌های سیل ناگهانی است.

با توجه به اینکه مدل‌های GCM می‌توانند داده‌های تاریخی را با درجات مختلفی از دقت تفسیر کنند، عملکرد این چارچوب ممکن است در مناطق مورد مطالعه متفاوت باشد. در این راستا، به دلیل عدم دسترسی به طیف وسیعی از داده‌ها از نقاط مختلف زمین با ویژگی‌های اقلیمی متفاوت، در گسترش این چارچوب با محدودیت‌هایی مواجه شدیم. بنابراین، چارچوب سلسله مراتبی پیشنهادی باید تخصصی باشد و با مطالعات موردی مختلف تطبیق داده شود تا ویژگی‌های منحصر به فرد هر منطقه مورد مطالعه را در نظر بگیرد.

علاوه بر این، این تحقیق با دو مورد از اهداف اصلی توسعه پایدار (SDGs) همسو بوده و به آنها کمک می‌کند. در درجه اول، این کار با بهبود درک ما از الگوهای بارندگی آینده و تأثیرات آنها بر خطرات سیل تحت سناریوهای مختلف تغییر اقلیم، از اقدام اقلیمی (SDG 13) پشتیبانی می‌کند. این مطالعه با شناسایی مناسب‌ترین مدل‌ها و تکنیک‌های کوچک‌مقیاس‌سازی، قابلیت‌های پیش‌بینی را افزایش می‌دهد و به جوامع کمک می‌کند تا برای رویدادهای شدید آب و هوایی آماده شوند و اثرات بالقوه تغییرات اقلیمی را کاهش دهند. علاوه بر این، توسعه منحنی‌های دقیق IDF و شبیه‌سازی شرایط هیدرولوژیکی مستقیماً با شهرها و جوامع پایدار به عنوان یازدهمین SDG مرتبط هستند. این تحقیق با ارائه بینش در مورد خطرات سیل آینده، از طراحی و اجرای زیرساخت‌های تاب‌آور پشتیبانی می‌کند، که به نوبه خود تضمین می‌کند که جوامع شهری و روستایی برای مقابله با رویدادهای شدید آب و هوایی مجهزتر هستند. این سهم برای برنامه‌ریزی شهری پایدار و کاهش خطر بلایا بسیار مهم است و تاب‌آوری شهرها و جوامع را در مواجهه با خطرات مرتبط با آب و هوا ارتقا می‌دهد.

با توجه به آسیب‌پذیری شمال الباطنه در پایین‌دست رودخانه، تصمیم‌گیرندگان درگیر در مدیریت سیل در عمان باید به این مسئله حیاتی بپردازند. آن‌ها باید استراتژی‌هایی را برای کاهش تأثیر سیل‌ها و بارندگی‌های آینده در منطقه اجرا کنند. ما توصیه می‌کنیم که برای مطالعات آینده، شیوه‌های مدیریت سیل در منطقه مانند سدهای تأخیری برای کاهش و تسکین خسارات سیل و همچنین ترویج توسعه پایدار در مناطق پایین‌دست شمال الباطنه اجرا شود. چنین اقدامات و برنامه‌ریزی‌هایی می‌تواند در به حداقل رساندن پیامدهای احتمالی سیل‌های ناگهانی بسیار مهم باشد.