با تشدید تغییرات اقلیمی جهانی، رویدادهای شدید آب و هوایی به طور فزاینده‌ای رخ داده‌اند و بارندگی‌های شدید به عنوان یکی از مهم‌ترین تهدیدات برای زیرساخت‌های شهری ظهور کرده‌اند. در سال‌های اخیر، بارندگی‌های شدید کوتاه‌مدت در بسیاری از مناطق از ظرفیت طراحی سیستم‌های زهکشی شهری فراتر رفته و منجر به سیل‌های شدید فزاینده‌ای شده است که به شدت عملیات عادی شهری را مختل کرده و خطرات قابل توجهی را برای امنیت عمومی و همچنین جان و مال ساکنان ایجاد می‌کند. داده‌ها نشان می‌دهد که خسارات اقتصادی و تلفات ناشی از بارندگی‌های شدید، به ویژه در کشورهای در حال توسعه که به سرعت در حال شهری شدن هستند، در حال افزایش است. ^۱ ، ۲٫ سیستم‌های مترو به عنوان یک شکل کارآمد و راحت از حمل و نقل عمومی در شهرهای مدرن، به طور قابل توجهی تراکم ترافیک سطحی را کاهش می‌دهند و به یکی از روش‌های اصلی حمل و نقل برای ساکنان تبدیل شده‌اند. با این حال، به دلیل محیط محصور، طرح ساختاری پیچیده و تراکم بالای مسافر، سیستم‌های مترو به ویژه در برابر بارندگی‌های شدید آسیب‌پذیر هستند. حوادثی مانند نشت تونل، خرابی تجهیزات و مشکلات تخلیه اغلب رخ می‌دهد که به شدت بر عملکردهای حمل و نقل شهری و امنیت عمومی تأثیر می‌گذارد. ^۳٫ در سال‌های اخیر، سیستم‌های مترو در بسیاری از نقاط جهان سیل‌های شدیدی را تجربه کرده‌اند. در ژوئیه ۲۰۲۱، خط ۵ مترو ژنگژو به دلیل رگبار شدید باران، دچار آبگرفتگی تونل شد که منجر به ۱۴ کشته، ۵ زخمی و بیش از ۴۰۰ مسافر محبوس در واگن‌های قطار گردید. در سپتامبر ۲۰۲۱، سیستم متروی نیویورک دچار سیل‌گرفتگی شد و آب‌های سیل چندین ایستگاه مترو را زیر آب برد و سطح آب در برخی از سکوها از ارتفاع زانو فراتر رفت و باعث تعلیق بیش از ۵۰۰ قطار و فلج موقت سیستم حمل و نقل عمومی شهر شد . ^۴. این حوادث، آسیب‌پذیری و ظرفیت ناکافی سیستم‌های حمل و نقل زیرزمینی شهری در پیشگیری از بلایا را در شرایط آب و هوایی شدید کاملاً آشکار کرده و نیاز فوری به توسعه فناوری‌های علمی و مؤثر شناسایی و پیشگیری از خطر سیل را برای افزایش تاب‌آوری سیستم‌های مترو در برابر بارندگی شدید برجسته می‌کند.

همزمان با تکامل روش‌های ارزیابی خطر فاجعه سیل شهری، این روش‌ها به تدریج از رویکردهای کیفی اولیه مبتنی بر قضاوت تجربی به تکنیک‌های کمی و تحلیل فضایی مبتنی بر داده‌های چندمنبعی تغییر کرده‌اند. رایج‌ترین روش‌های ارزیابی کمی خطر سیل که در حال حاضر استفاده می‌شوند شامل تحلیل آماری، رویکردهای یکپارچه‌ای هستند که سیستم‌های اطلاعات جغرافیایی (GIS) و سنجش از دور (RS)، شبیه‌سازی سناریو و روش‌های تصمیم‌گیری چندمعیاره (MCDM) را ترکیب می‌کنند . ^۵ در میان این روش‌ها، روش‌های تحلیل آماری برای پیش‌بینی احتمال خطرات سیل در آینده بر اساس الگوهای مشاهده شده، به سوابق سیل تاریخی متکی هستند. این روش‌ها شهودی و به راحتی قابل اجرا هستند، اما به شدت به کامل بودن و دقت داده‌های تاریخی وابسته هستند که کاربرد آنها را تا حدی محدود می‌کند. ^{۶ ، ۷ ، ۸٫} فناوری‌های GIS و RS، با قابلیت‌های قدرتمند خود برای کسب و تجسم اطلاعات مکانی، دقت و جزئیات مکانی ارزیابی خطر سیل را تا حد زیادی افزایش داده‌اند و توسعه ارزیابی خطر سیل را به سمت رویکردهای پویاتر، دقیق‌تر و منطقه‌ای متمایز سوق داده‌اند. این فناوری‌ها به طور گسترده در برنامه‌ریزی پیشگیری از سیل شهری و مدیریت بحران به کار گرفته شده‌اند. ^{۹ ، ۱۰ ، ۱۱ ، ۱۲} .

شبیه‌سازی‌های سناریو، داده‌های چندمنبعی مانند توپوگرافی، کاربری اراضی، سیستم‌های زهکشی شهری و شرایط بارندگی را برای شبیه‌سازی پویای فرآیندهای سیل تحت سناریوهای مختلف آب و هوایی شدید، ادغام می‌کنند و امکان شناسایی دقیق ریسک و پشتیبانی تصمیم‌گیری را در محیط‌های پیچیده فراهم می‌کنند. ^{۱۳ ، ۱۴٫} از نظر تجزیه و تحلیل جامع چندعاملی، روش‌های تصمیم‌گیری چندمعیاره (MCDM) به دلیل توانایی‌شان در مدیریت مؤثر سیستم‌های پیچیده با شاخص‌های متعدد و عدم قطعیت ذاتی، به یک رویکرد فنی مهم برای ارزیابی ریسک سیل شهری تبدیل شده‌اند. ^{۱۵ ، ۱۶ ، ۱۷ ، ۱۸٫} فرآیند تحلیل سلسله مراتبی (AHP) به عنوان یکی از پرکاربردترین تکنیک‌ها در چارچوب MCDM، به دلیل ساختار سلسله مراتبی علمی و قابلیت‌های انعطاف‌پذیر ادغام شاخص‌ها، به طور گسترده برای ارزیابی جامع آسیب‌پذیری و ریسک سیل به کار گرفته شده است. به عنوان مثال، اورنسیو و فوجی ^۱۹ ، AHP را با روش دلفی ترکیب کردند تا یک سیستم ارزیابی ریسک و آسیب‌پذیری چندمخاطره‌ای برای مناطق ساحلی در فیلیپین ایجاد کنند که به طور قابل توجهی تاب‌آوری در برابر بلایا را در این مناطق بهبود می‌بخشد. شارکر و همکاران. ^۲۰ همچنین GIS و AHP را برای ایجاد یک مدل تصمیم‌گیری چندمعیاره مکانی ادغام کردند که به طور سیستماتیک مناطق مستعد سیل را در منطقه مورد مطالعه شناسایی کرده و مزایای ترکیب داده‌های چندمنبعی و روش‌های چندمعیاره را برای ارزیابی ریسک نشان داد.

در فرآیند ارزیابی ریسک سیل شهری، تعیین وزن نیز یک عامل کلیدی است که بر دقت و قابلیت اطمینان نتایج ارزیابی تأثیر می‌گذارد. فرآیند تحلیل سلسله مراتبی سنتی (AHP) به طور گسترده برای محاسبه وزن ریسک استفاده می‌شود. با این حال، ماتریس مقایسه زوجی آن در درجه اول به امتیازدهی متخصصان متکی است که بسیار ذهنی و مستعد عدم قطعیت است. برای پرداختن به این موضوع، مردانی و همکارانش ^(۲۱) فرآیند تحلیل سلسله مراتبی فازی (FAHP) را پیشنهاد کردند که از نظریه ریاضیات فازی برای ثبت دقیق‌تر عدم قطعیت مرتبط با اهمیت نسبی شاخص‌های ارزیابی با استفاده از اعداد فازی فاصله‌ای، اعداد فازی مثلثی، اعداد فازی ذوزنقه‌ای و سایر اشکال استفاده می‌کند. در مقایسه با AHP سنتی، این رویکرد نمایش بهتری از عدم قطعیت در فرآیند درک ریسک ارائه می‌دهد ^{(۲۲ ، ۲۳ ، ۲۴ ، ۲۵ ، ۲۶)} .

علاوه بر این، توسعه سریع فناوری‌های اطلاعات مکانی مانند سنجش از دور (RS) و سیستم‌های اطلاعات جغرافیایی (GIS)، پشتیبانی از داده‌ها و قابلیت‌های تحلیل مکانی کارآمد و شهودی را برای ارزیابی خطر سیل سیستم‌های مترو فراهم کرده است. لیو و همکاران. ^۲۷ از یک پلتفرم GIS همراه با FAHP فاصله‌ای و تحلیل خوشه‌ای فازی (FCA) برای انجام یک ارزیابی کمی جامع از خطر سیل در سیستم‌های مترو واقع در مناطق مستعد فرونشست استفاده کردند و دقت علمی و کاربرد عملی نتایج ارزیابی را افزایش دادند. علاوه بر این، لیو و همکاران. ^۲۸ همچنین AHP فازی مثلثی را برای ارزیابی سیستماتیک خطر سیل در مترو شنژن به کار بردند و اثربخشی روش FAHP را در محیط‌های پیچیده شهری تأیید کردند و تأکید کردند که مزایای داده‌ای فناوری ۳S (RS، GIS، GPS) نقش مهمی در بهبود قابلیت‌های پیشگیری از بلایا در شهرهای هوشمند ایفا می‌کند. وانگ و همکاران. ^{۲۹ ، ۳۰} با اصلاح مدل AHP فازی ذوزنقه‌ای، که عملی بودن و دقت آن از طریق داده‌های رویداد سیل تاریخی تأیید شده است، کارایی و قابلیت اطمینان ارزیابی خطر سیل مترو را بیشتر افزایش دادند. به طور کلی، AHP و FAHP فازی آن به تکنیک‌های اصلی برای محاسبات وزن‌دهی ریسک سیل و ارزیابی جامع تبدیل شده‌اند و به طور گسترده در مدیریت ریسک و پشتیبانی تصمیم‌گیری در زمینه‌های مختلف، مانند سیستم‌های مترو، زهکشی شهری و پیشگیری از بلایای زمین‌شناسی، کاربرد دارند.

اگرچه AHP و روش‌های توسعه‌یافته آن به طور گسترده در ارزیابی ریسک سیل مورد استفاده قرار می‌گیرند، اما نتایج هنوز به شدت به قضاوت ذهنی متخصص بستگی دارد. به دلیل تفاوت در برداشت‌های متخصصان از یک موضوع، توزیع وزن در ماتریس مقایسه زوجی ممکن است عدم قطعیت و ناسازگاری را نشان دهد و در نتیجه بر عینیت و قابلیت اطمینان نتایج ارزیابی تأثیر بگذارد. برای غلبه بر این مشکل، روش تصحیح بیزی با معرفی توزیع‌های قبلی و توابع درستنمایی، دانش تخصصی را با داده‌های تاریخی ادغام می‌کند و امکان تنظیم پویای ماتریس مقایسه زوجی را فراهم می‌کند و به طور مؤثر سوگیری ذهنی ذاتی در رویکردهای سنتی AHP را کاهش می‌دهد. روش حداکثرسازی کسینوس با تجزیه و تحلیل شباهت‌ها و تفاوت‌های بین شاخص‌ها، فرآیند تخصیص وزن را بهینه‌تر می‌کند و نتایج ارزیابی را قادر می‌سازد تا روابط واقعی بین آنها را با دقت بیشتری منعکس کنند. با ادغام یکپارچه نظریه بیزی با روش حداکثرسازی کسینوس، این رویکرد نه تنها به اصلاح داده‌محور عدم قطعیت وزن دست می‌یابد، بلکه دقت و صحت علمی محاسبات وزن جامع چند عاملی را نیز افزایش می‌دهد. این مطالعه که مبتنی بر حداکثرسازی کسینوس بیزی است، به طور سیستماتیک خطر سیل سیستم متروی پکن را با هدف کاهش تأثیرات ذهنی ارزیابی می‌کند و به طور جامع‌تر ویژگی‌های خطر سیستم مترو را تحت اثرات ترکیبی عوامل متعدد آشکار می‌سازد. علاوه بر این، از فرآیند تحلیل سلسله مراتبی فازی برای مقایسه و تأیید اثربخشی و برتری روش پیشنهادی در کاربردهای عملی استفاده شد. تصاویر نقشه در این مطالعه با استفاده از نرم‌افزار ArcGIS نسخه ۱۰٫۸ (ESRI، ردلندز، کالیفرنیا، ایالات متحده آمریکا؛ https://www.esri.com ) تولید شده‌اند.

چارچوب ارزیابی و سیستم شاخص

ریسک سیل عموماً به عنوان بازتابی جامع از احتمال وقوع سیل و پیامدهای بالقوه آن، به ویژه بسته به اثرات ترکیبی سه عامل – خطر، مواجهه و آسیب‌پذیری – همانطور که در معادله ( ۱ ) بیان شده است، درک می‌شود.

که در آن × نشان دهنده استفاده از تحلیل همپوشانی ArcGIS است. از آنجایی که هر شاخص ارزیابی تأثیر متفاوتی بر خطر سیل مترو دارد، باید وزن‌های مربوطه اختصاص داده شود تا اهمیت نسبی آنها در ارزیابی جامع ریسک منعکس شود. محاسبه خاص با معادله ( ۲ ) بیان شده است.

که در آن w _H ، w _E و w _V به ترتیب نشان دهنده وزن‌های خطر، مواجهه و آسیب‌پذیری هستند، در حالی که w _Hi ، w _Ej و w _Vk مربوط به وزن‌های شاخص‌های منفرد در هر دسته هستند. E _i ، H _j و V _k به ترتیب نشان دهنده شاخص‌های مواجهه، خطر و آسیب‌پذیری هستند.

چارچوب روش‌شناختی برای ارزیابی ریسک سیل مترو، همانطور که در شکل  ۱ نشان داده شده است ، از طریق یک فرآیند سیستماتیک پنج مرحله‌ای انجام می‌شود. در ابتدا، یک سیستم شاخص ارزیابی جامع بر اساس مکانیسم‌های علّی سیل و ویژگی‌های ساختاری مترو ایجاد می‌شود که در سه بعد سازماندهی شده‌اند: خطر، مواجهه و آسیب‌پذیری. متعاقباً، از فناوری سیستم اطلاعات جغرافیایی (GIS) برای تعیین کمیت مکانی این سیزده شاخص و تولید لایه‌های داده مکانی استاندارد استفاده می‌شود. برای اطمینان از تعیین وزن عینی، یک ماتریس مقایسه جفتی (PCM) ساخته شده و به صورت پویا با استفاده از نظریه آماری بیزی کالیبره می‌شود تا سوگیری ذهنی را کاهش داده و سازگاری را افزایش دهد، و پس از آن از روش حداکثرسازی کسینوس برای بهینه‌سازی وزن‌های نهایی شاخص استفاده می‌شود. سپس این وزن‌های بهینه شده در پلتفرم GIS سنتز می‌شوند تا سطوح ریسک سیل را به صورت مکانی در سراسر سیستم مترو پکن، به ویژه با بررسی توزیع‌ها در مناطق حائل ایستگاه، ترسیم کنند. در نهایت، استحکام مدل پیشنهادی از طریق تجزیه و تحلیل مقایسه‌ای با فرآیند سلسله مراتبی تحلیلی فازی (FAHP) و تأیید تجربی در برابر داده‌های سیل تاریخی به طور دقیق تأیید می‌شود.

با توجه به عوامل پیچیده و متعدد مؤثر بر وقوع سیل، ارزیابی دقیق خطر سیل نیازمند یک سیستم شاخص است که هم نماینده و هم جامع باشد و در عین حال افزونگی داده‌ها را به حداقل برساند. بر اساس علل سیل و شرایط واقعی سیستم مترو، شاخص‌های ارزیابی با پیروی از چارچوب HEV (خطر-در معرض خطر-آسیب‌پذیری) انتخاب شدند. شاخص‌های خطر، عوامل محرک ذاتی هستند که باعث سیل می‌شوند. به طور خاص، میزان و شدت بارندگی مستقیماً در سیل نقش دارند. بنابراین، حداکثر بارندگی روزانه ( H1 )، میانگین بارندگی سالانه ( H2 ) و تعداد روزهایی که بارندگی بیش از ۵۰ میلی‌متر است ( H3 ) به عنوان شاخص‌های خطر انتخاب شدند. شاخص خطر، میزان تأثیر عوامل محیطی خارجی بر مناطق مستعد فاجعه را نشان می‌دهد. به عنوان مثال، تراکم بیشتر ایستگاه‌های مترو با خطر سیل بیشتر مطابقت دارد.

ارتفاع و شیب، منعکس کننده توپوگرافی و شکل زمین منطقه مورد مطالعه هستند و از عوامل مهم مؤثر بر جریان سیل می‌باشند. تراکم شبکه رودخانه بر ظرفیت زهکشی و نفوذپذیری خاک تأثیر می‌گذارد. انواع مختلف خاک از نظر نفوذپذیری و قابلیت زهکشی متفاوت هستند، در حالی که مناطقی با پوشش گیاهی بالا به کاهش اثرات سیل کمک می‌کنند. بنابراین، ارتفاع ( E ۱)، شیب ( E ۲)، تراکم شبکه رودخانه ( E ۳)، تراکم ایستگاه مترو ( E ۴) و نوع کاربری زمین ( E ۵) به عنوان شاخص‌های ارزیابی آسیب‌پذیری انتخاب شدند. شاخص‌های آسیب‌پذیری، ظرفیت سیستم را برای مقاومت در برابر سیل نشان می‌دهند. به عنوان یک روش حمل و نقل عمومی شهری که در درجه اول به ساکنان اطراف خدمت می‌کند، کلانشهرها در مناطقی با جمعیت بیشتر با خطر سیل بیشتری روبرو هستند. رشد تولید ناخالص داخلی اغلب با شهرنشینی، افزایش تراکم ساختمان و کاهش ظرفیت زهکشی طبیعی همراه است. خطوط متراکم مترو، فشار زهکشی بر سیستم مترو را افزایش می‌دهند و حساسیت آن را به شکست‌های آبشاری در طول سیل افزایش می‌دهند. تراکم جاده نیز بر خطر سیل تأثیر می‌گذارد. هنگامی که خروجی‌های مترو در وسط یا دو طرف جاده‌ها قرار دارند، خطر سیل افزایش می‌یابد. علاوه بر این، جریان مسافران مترو بر کارایی تخلیه تأثیر می‌گذارد و فشار بر سیستم را تشدید می‌کند. بنابراین، در کنار اندازه جمعیت ( V ۱)، تراکم خطوط مترو ( V ۲)، تولید ناخالص داخلی ( V ۴) و تراکم جاده‌ها ( V ۵)، جریان روزانه مسافر مترو ( V ۳) نیز در میان شاخص‌های ارزیابی آسیب‌پذیری گنجانده شده است.

روش وزن‌دهی مبتنی بر حداکثرسازی کسینوس بیزی

در ارزیابی ریسک سیل مترو، نظریه بیزی به صورت پویا تجربه متخصص را با داده‌های تاریخی ادغام می‌کند. از طریق روش‌های اصلاح بیزی، فرآیند قضاوت در ماتریس‌های مقایسه زوجی را بهینه می‌کند و در نتیجه اتکای بیش از حد به نظرات ذهنی که مشخصه روش‌های سنتی است را کاهش می‌دهد و سازگاری، استحکام و قابلیت‌های پیش‌بینی مدل را بهبود می‌بخشد. علاوه بر این، روش حداکثرسازی کسینوس، یک تکنیک بهینه‌سازی وزن مبتنی بر شباهت برداری، با اندازه‌گیری شباهت‌ها بین شاخص‌های ارزیابی، افزونگی اطلاعات را به طور مؤثر شناسایی می‌کند. بر این اساس، به شاخص‌هایی که شباهت بالایی دارند، وزن کمتری اختصاص داده می‌شود، در حالی که به شاخص‌هایی که تفاوت‌های قابل توجهی دارند، وزن بالاتری اختصاص داده می‌شود و در نتیجه قدرت تمایز و تنوع بیان کلی سیستم ارزیابی افزایش می‌یابد. ما پیشنهاد می‌کنیم که مکانیسم اصلاح بیزی را با روش حداکثرسازی کسینوسی ترکیب کنیم تا یک “روش حداکثرسازی کسینوسی بیزی” برای ارزیابی ریسک سیل مترو ایجاد کنیم. بر اساس سازگاری ماتریس مقایسه زوجی اصلاح شده، از شباهت کسینوسی برای بهینه‌سازی توزیع وزن شاخص‌ها استفاده می‌شود و در نتیجه اهمیت نسبی عوامل خطر مختلف را با دقت بیشتری منعکس می‌کند و سوگیری انسانی را کاهش می‌دهد. ابتدا، یک ماتریس مقایسه زوجی اولیه ساخته می‌شود. با فرض اینکه n شاخص ارزیابی وجود دارد، متخصصان از روش مقیاس‌بندی برای انجام مقایسه‌های زوجی و تعیین اهمیت نسبی هر شاخص استفاده می‌کنند و بدین ترتیب ماتریس مقایسه زوجی را تشکیل می‌دهند:

که در آن aij امتیاز اهمیت نسبی شاخص i و شاخص j است . اگر aij > 1 باشد، شاخص _i از شاخص j مهم‌تر است ؛ در غیر این صورت، j از i مهم‌تر است .

قضاوت‌ها در ماتریس مقایسه زوجی به عنوان متغیرهای تصادفی در نظر گرفته می‌شوند که با اصل عمل متقابل AHP مطابقت دارند. علاوه بر این، متغیرهای تصادفی که از توزیع لگاریتمی نرمال پیروی می‌کنند، اصل عمل متقابل نظریه AHP ^۳۱ را نیز برآورده می‌کنند . بنابراین، قضاوت‌ها در ماتریس مقایسه زوجی توسط متغیرهای تصادفی که از توزیع لگاریتمی نرمال پیروی می‌کنند، نشان داده می‌شوند و معادله ( ۴ ) را برآورده می‌کنند:

که در آن _θij مقدار مورد انتظار ln( ^aij ) و σij2 واریانس ln _( aij ) _است .

دوم، باید توزیع پسین را محاسبه کنیم. با ترکیب قضیه حد مرکزی و ویژگی‌های توزیع نرمال، با فرض اینکه توزیع پیشین θ _ij (۱ ≤  i < j  ≤  n ) برابر با π ( θ _ij ) ~  N ( µ _ij , τ _ij ^۲ ) است، توزیع پسین θ _ij برابر با π ( θ /ln a _ij ) ~  N ، همانطور که در معادله زیر نشان داده شده است. 

که در آن µij ^‘ (ln aij ) میانگین توزیع پسین θij است و τ۲ _{برابر با} ^{۰٫۵ تنظیم} _شده است که نشان دهنده عدم قطعیت متوسط ​​در پارامترهای مدل است _.

در مرحله بعد، باید تخمین درستنمایی ^۳۲ را محاسبه کنیم ، همانطور که در معادله زیر نشان داده شده است:

که در آن ^µij s ^{نشان‌دهنده‌ی} تخمین حداکثر درستنمایی _µij است ^؛ σs2 نشان‌دهنده‌ی تخمین حداکثر درستنمایی σ۲ است ؛ n نشان‌دهنده‌ی بُعد ماتریس است؛ و vi _i ^۲ نشان‌دهنده‌ی تخمین حداکثر درستنمایی vi _i است .

علاوه بر این، ماتریس مقایسه زوجی اصلاح‌شده را می‌توان همانطور که در معادلات ( ۱۰ ) و ( ۱۱ ) نشان داده شده است، بدست آورد.

در نهایت، روش حداکثرسازی کسینوس برای محاسبه وزن‌های نهایی اعمال می‌شود، همانطور که در معادله زیر نشان داده شده است. 

از طریق بهبودهای ذکر شده، ما AHP سنتی و رویکردهای اصلاح‌شده آن را که به شدت به قضاوت ذهنی متخصص برای محاسبه وزن متکی هستند، مستعد سوگیری سازگاری در ماتریس‌های مقایسه زوجی هستند و فاقد مکانیسم‌های بهینه‌سازی ریاضی مؤثر می‌باشند، بیشتر اصلاح کرده‌ایم. برای رفع این محدودیت‌ها، این مطالعه روش حداکثرسازی کسینوس بیزی (BCMM) را پیشنهاد می‌کند که از نظر تئوری اصلاح احتمال بیزی را با معیارهای بهینه‌سازی هندسی ادغام می‌کند.

به طور خاص، این روش ابتدا از نظریه بیزی برای انجام اصلاحات پسینی روی ماتریس مقایسه زوجی استفاده می‌کند و اطلاعات توزیع قبلی از قضاوت‌های کارشناسی را برای کاهش سوگیری ذهنی در نظر می‌گیرد. با به حداکثر رساندن شباهت کسینوسی به عنوان هدف بهینه‌سازی سازگاری، بردار وزن اصلاح‌شده متعاقباً به هم‌ترازی هندسی بهینه با بردار سازگاری ایده‌آل دست می‌یابد و در نتیجه پایداری و همگرایی تخمین وزن را به طور قابل توجهی افزایش می‌دهد. به این ترتیب، BCMM با ایجاد یک مدل محاسبه وزن که عوامل ذهنی و عینی را تحت محدودیت‌های دوگانه احتمالاتی-هندسی ادغام می‌کند، بر محدودیت‌های ذاتی چارچوب سنتی AHP غلبه می‌کند و یک مسیر تحلیلی جدید را تشکیل می‌دهد که به ویژه برای ارزیابی ریسک سیل مترو مناسب است.

پیشینه منطقه‌ای و مروری بر سیستم مترو

پکن دارای آب و هوای معتدل موسمی با میانگین بارندگی سالانه تقریباً ۵۰۰ تا ۶۰۰ میلی‌متر است که در فصول خاص متمرکز است و بارندگی تابستانی بیش از ۷۰٪ از کل بارندگی سالانه را تشکیل می‌دهد. بارندگی‌های شدید شدید با فرکانس فزاینده‌ای رخ می‌دهند و به عامل اصلی سیل شهری و سیلاب‌های ناگهانی تبدیل شده‌اند. رودخانه‌های پکن عمدتاً متعلق به سیستم رودخانه هایهه هستند، از جمله رودخانه یونگ‌دینگ، رودخانه چائوبای و رودخانه بی‌یون که رواناب آنها بین فصول به طور قابل توجهی نوسان دارد و در برابر سیل ناشی از بارندگی‌های شدید ناشی از تغییرات اقلیمی آسیب‌پذیر است. با گسترش سریع شبکه متروی پکن، قرار گرفتن زیرساخت‌های حمل و نقل زیرزمینی در معرض خطرات سیل به طور قابل توجهی افزایش یافته است. رویدادهای تاریخی، مانند سیل شدید خط ۵ در طول طوفان شدید در ژنگژو در ۲۰ ژوئیه ۲۰۲۱، آسیب‌پذیری و خطرات ایمنی سیستم‌های مترو را در شرایط آب و هوایی شدید آشکار کرد.

برای ساخت ماتریس مقایسه زوجی، از متخصصان در زمینه‌های مرتبط دعوت شد تا در فرآیند امتیازدهی شرکت کنند و از مقیاس ۱ تا ۹ برای انجام مقایسه‌های زوجی اهمیت هر شاخص ارزیابی استفاده شد. پس از جمع‌آوری تمام امتیازات متخصصان، میانگین حسابی امتیازات برای هر جفت شاخص محاسبه شد تا یک ماتریس مقایسه زوجی اولیه واحد تشکیل شود. با توجه به ذهنیت و عدم قطعیت ذاتی در قضاوت متخصصان از طریق روش‌های سنتی، روش تصحیح بیزی برای تنظیم پویای مقادیر قضاوت ماتریس اولیه با ادغام تجربه متخصصان و داده‌های تاریخی معرفی شد و در نتیجه ساختار ماتریس بهینه شد. حداکثر مقدار ویژه متعاقباً بر اساس ماتریس قضاوت اصلاح‌شده محاسبه شد و شاخص سازگاری (CI)، شاخص سازگاری تصادفی (RI) و نسبت سازگاری (CR) متعاقباً به ترتیب به دست آمدند. پس از تأیید، مقادیر CR تمام ماتریس‌های اصلاح‌شده کمتر از ۰.۱ بود که نشان می‌دهد ماتریس قضاوت از سازگاری خوبی برخوردار بوده و الزامات روش AHP را برآورده می‌کند. بهینه‌سازی بیشتر فرآیند تخصیص وزن شاخص‌ها از طریق روش حداکثرسازی کسینوس انجام شد که شباهت بین شاخص‌ها را برای کاهش تأثیر اطلاعات اضافی اندازه‌گیری می‌کند و در نتیجه عینیت و قدرت تمایز تخصیص وزن را افزایش می‌دهد. نتایج وزن نهایی برای هر شاخص در جداول  ۱ ، ۲ ، ۳ و ۴ نشان داده شده است . در ساخت سیستم شاخص، با توجه به اینکه تحقیق بر روی یک شبکه مترو در مقیاس منطقه‌ای متمرکز است، این مطالعه مستقیماً پارامترهای مهندسی دقیق سیستم زهکشی را در بر نمی‌گیرد. در عوض، تأثیر ظرفیت زهکشی بر خطر سیل به طور غیرمستقیم از طریق شاخص‌های ترکیبی مانند «موج زمین»، «شدت رواناب سطحی» و «تراکم شبکه لوله» نشان داده می‌شود. این طراحی تضمین می‌کند که مدل حتی در غیاب داده‌های کامل شبکه زهکشی، قابل اجرا و عملیاتی باقی می‌ماند. با این حال، ظرفیت انجام ارزیابی کمی دقیق از اثربخشی اقدامات بهبود سیستم زهکشی را نیز محدود می‌کند.

وزن‌های نهایی محاسبه‌شده برای هر شاخص در جدول  ۵ نشان داده شده است .

برای تأیید اثربخشی روش حداکثرسازی کسینوس بیزی در تعیین وزن شاخص‌ها، از AHP و FAHP برای محاسبه وزن هر شاخص بدون تغییر ماتریس مقایسه زوجی استفاده شد، همانطور که در جدول  ۶ نشان داده شده است .

با توجه به منابع ناهمگن شاخص‌های ریسک، وضوح مکانی آنها متفاوت است. شاخص‌های توپوگرافی و هیدرولوژیکی (مانند ارتفاع زمین و شدت بارندگی) به صورت داده‌های شبکه‌ای ۳۰ متر × ۳۰ متر نمایش داده می‌شوند، در حالی که شاخص‌های اجتماعی-اقتصادی (مانند تراکم تولید ناخالص داخلی و تراکم جمعیت) و شاخص‌های زیرساختی (مانند انواع کاربری اراضی و تراکم جاده‌ها) در سطح منطقه/شهرستان در دسترس هستند. برای امکان پردازش یکپارچه داده‌ها در مقیاس‌های مکانی مختلف در چارچوب ارزیابی یکسان، درون‌یابی وزنی منطقه‌ای و نمونه‌گیری مجدد رستری برای کوچک‌مقیاس کردن داده‌های سطح منطقه به وضوح شبکه‌ای ۳۰ متر × ۳۰ متر اعمال شد. مقادیر شاخص‌ها متعاقباً از طریق مناطق حائل ایستگاه مترو به عنوان واحدهای مکانی برای تجزیه و تحلیل تجمیع شدند.

برای مقایسه کمی نتایج وزن‌دهی شاخص‌ها که از طریق روش‌های مختلف به دست آمده است، از یک رویکرد اندازه‌گیری خطا برای ارزیابی استفاده شد. معیارهای خطای رایج شامل معیار فاصله اقلیدسی و معیار حداقل نقض ارائه شده توسط گولانی و کرس (۱۹۹۳) است که به طور مؤثر درجه تفاوت بین نتایج دو روش را اندازه‌گیری می‌کنند. این رویکرد از کمی‌سازی ریاضی برای حذف سوگیری ذهنی استفاده می‌کند و داده‌های مرجع عینی و شهودی را برای تجزیه و تحلیل مقایسه‌ای ارائه می‌دهد. این روش برای تأیید و بهینه‌سازی مسائل مختلف تصمیم‌گیری بسیار مناسب است. فرمول محاسبه خاص در زیر نشان داده شده است.

که در آن aij نشان دهنده امتیاز اهمیت نسبی شاخص i و شاخص j _است ، در حالی که vi _i و v _j نشان دهنده بردارهای اولویت به دست آمده از ماتریس A هستند.

که در آن I _ij معادله زیر را برآورده می‌کند:

که در آن ω _i نشان دهنده وزن شاخص i است .

برای ارزیابی اعتبار علمی و مزایای BCMM برای تعیین وزن‌ها در ارزیابی ریسک سیل مترو، یک تحلیل مقایسه‌ای کمی با سیستم مترو پکن به عنوان مورد مطالعه انجام شد. ابتدا، یک سیستم شاخص سه‌بعدی شامل سطح خطر، سطح مواجهه و آسیب‌پذیری ساخته شد. سپس ماتریس قضاوت کارشناسی به صورت پویا از طریق تصحیح بیزی اصلاح شد تا سوگیری‌های ناشی از امتیازدهی ذهنی کاهش یابد. متعاقباً از روش شباهت کسینوسی برای اندازه‌گیری هم‌ترازی بین شاخص‌ها و بهینه‌سازی توزیع وزن استفاده شد و اطمینان حاصل شد که اهمیت محاسبه‌شده هر شاخص، سهم واقعی آن را در ریسک کلی با دقت بیشتری منعکس می‌کند. برای اعتبارسنجی بیشتر اثربخشی BCMM، سه رویکرد با هم مقایسه شدند: فرآیند تحلیل سلسله مراتبی سنتی (AHP)، فرآیند تحلیل سلسله مراتبی فازی (FAHP) و BCMM پیشنهادی. فاصله اقلیدسی (ED) و معیار حداقل تخلف (MV) به عنوان معیارهای کمی برای ارزیابی خطا استفاده شدند. نتایج مقایسه در جدول  ۷ ارائه شده است .

جدول  ۷ مقایسه‌ای از معیارهای فاصله اقلیدسی (ED) را در روش‌های مختلف وزن‌دهی ارائه می‌دهد که پایداری و برتری BCMM را در فرآیند تعیین وزن نشان می‌دهد. همانطور که نشان داده شده است، BCMM مقادیر ED به طور قابل توجهی پایین‌تری نسبت به روش‌های سنتی AHP و AHP فازی (FAHP) ارائه می‌دهد، هم برای سلسله مراتب ریسک کلی (H-E-V) و هم برای زیرسیستم‌های منفرد (سطح خطر H، سطح مواجهه E، سطح آسیب‌پذیری V). نکته قابل توجه این است که مقدار ED در سطح H-E-V یکپارچه ۰٫۰۰۷۴ است که نشان دهنده کاهش تقریباً ۹۲٫۳ درصدی در مقایسه با FAHP است. این نتایج نشان می‌دهد که BCMM به طور موثر عدم قطعیت ناشی از رتبه‌بندی‌های ذهنی کارشناسان را کاهش می‌دهد و به طور قابل توجهی همگرایی و سازگاری محاسبات وزن را بهبود می‌بخشد. این عملکرد ناشی از دو مکانیسم مکمل است: تصحیح بیزی، که به صورت پویا ماتریس قضاوت را با ادغام دانش قبلی و اطلاعات احتمال اصلاح می‌کند و به وزن‌ها اجازه می‌دهد تا به طور همزمان تخصص تجربی و ویژگی‌های داده‌ها را منعکس کنند، و روش حداکثرسازی کسینوس، که با کمی کردن شباهت، تأثیر اضافی شاخص‌های با همبستگی بالا را سرکوب می‌کند و در نتیجه قدرت تمایز سیستم شاخص را افزایش می‌دهد. در مقابل، در حالی که FAHP تا حدی عدم قطعیت را در محیط‌های مبهم در نظر می‌گیرد، اما به شدت به قضاوت‌های ذهنی متخصص وابسته است و منجر به خطاهای محاسباتی بزرگتری می‌شود. به طور خلاصه، جدول  ۷ نشان می‌دهد که BCMM به طور قابل توجهی عینیت، دقت و ثبات تعیین وزن را بهبود می‌بخشد و پشتیبانی فنی قابل اعتمادتری را برای ارزیابی کمی خطر سیل مترو شهری فراهم می‌کند.

ارزیابی و تحلیل مکانی شاخص‌های ریسک

در تحلیل مکانی ArcGIS، از یک شبکه با وضوح یکنواخت ۳۰ متر × ۳۰ متر استفاده شد. این وضوح با دقت داده‌های DEM پکن مطابقت دارد و تعادل مؤثری بین کارایی محاسباتی و دقت نمایش اطلاعات مکانی فراهم می‌کند. تمام مجموعه داده‌های مکانی به سیستم مختصات ژئودزی ملی CGCS2000 ارجاع داده شده و از طریق تصویر Gauss-Krüger ثبت مکانی شده‌اند تا از سازگاری در منابع داده مختلف اطمینان حاصل شود. برای تحلیل میزان مواجهه، یک منطقه حائل ۵۰۰ متری برای نشان دادن تأثیر مکانی وقایع سیل بر مناطق اطراف ایستگاه‌ها و خطوط مترو ایجاد شد. این فاصله حائل بر اساس آیین‌نامه طراحی مهندسی کنترل سیل شهری (GB/T50805–۲۰۱۲) صادر شده توسط وزارت مسکن و توسعه شهری-روستایی جمهوری خلق چین تعیین شده است، که با تحقیق در مورد شعاع‌های سرویس ورودی‌ها و خروجی‌های حمل و نقل ریلی شهری از چندین شهر (استاندارد کنترل سیل GB50201–۲۰؛ آیین‌نامه طراحی مترو GB5017–۲۰۱۳) و همچنین طرح فضایی شبکه مترو و ویژگی‌های سیستم زهکشی پکن ^{۳۳ ، ۳۴ ، ۳۵} تکمیل شده است. این رویکرد پوشش کافی مناطق بالقوه آسیب‌دیده را تضمین می‌کند و در عین حال اعوجاج فضایی ناشی از برون‌یابی بیش از حد را به حداقل می‌رساند.

برای اعتبارسنجی استقلال و عقلانیت شاخص‌ها در سیستم متریک، تحلیل‌های همبستگی روی همه شاخص‌ها قبل از محاسبه وزن انجام شد. ضرایب همبستگی پیرسون برای هر جفت از شاخص‌ها محاسبه شد و عوامل تورم واریانس (VIFs) برای تشخیص همخطی چندگانه بالقوه محاسبه شدند. نتایج نشان می‌دهد که درجه خاصی از همبستگی هم درون و هم بین عوامل وجود دارد. به طور خاص، ضریب همبستگی بین تراکم سایت و تراکم جمعیت نسبتاً بالا (۰٫۷۲) است که نشان‌دهنده همپوشانی مکانی جزئی است، در حالی که ضریب همبستگی بین موج زمین و شدت بارندگی متوسط ​​(۰٫۴۶) است. همبستگی بین سایر شاخص‌ها همگی کمتر از ۰٫۵ بود. برای جلوگیری از همبستگی بیش از حد که محاسبات وزن را تحت تأثیر قرار می‌دهد، شاخص‌های با همبستگی بالا (> 0.8) قبل از بهینه‌سازی وزن BCMM یا کاهش وزن داده شدند یا ادغام شدند. نتایج تحلیل VIF تأیید کرد که همه شاخص‌ها مقادیری کمتر از ۵ دارند، که نشان می‌دهد هیچ همخطی چندگانه معناداری در مدل وجود ندارد. این روش استقلال داخلی سیستم شاخص را تضمین می‌کند و یک پایه داده قوی برای محاسبات بعدی وزن حداکثرسازی کسینوس بیزی فراهم می‌کند. نتایج تحلیل در شکل‌های  ۲ ، ۳ و ۴ نشان داده شده است .

شکل ۲ توزیع مکانی و ترکیب وزنی شاخص‌های ارزیابی خطر را در سراسر بخش‌های اداری پکن نشان می‌دهد. این تحلیل شامل سه متغیر اقلیمی حیاتی است: حداکثر بارندگی روزانه، میانگین بارندگی سالانه و فراوانی رویدادهای بارندگی شدید (به عنوان روزهایی با بارندگی روزانه بیش از ۵۰ میلی‌متر تعریف می‌شود). این مجموعه داده‌ها از سوابق نظارتی بلندمدت ارائه شده توسط اداره هواشناسی پکن و پایگاه داده علوم سیستم جغرافیایی استخراج شده‌اند. این شکل فرآیند روش‌شناختی برهم‌نهی وزنی را به تصویر می‌کشد، که در آن لایه‌های داده‌های مکانی نرمال شده بر اساس اهمیت محاسبه شده آنها جمع می‌شوند. همانطور که در نمودار دایره‌ای همراه نشان داده شده است، حداکثر بارندگی روزانه عامل غالب (با وزن ۵۴٪) و پس از آن فراوانی بارندگی شدید (۳۰٪) و بارندگی سالانه (۱۶٪) بود. نقشه سطح خطر حاصل، ناهمگونی مکانی قابل توجهی را در حساسیت به سیل نشان می‌دهد. نکته قابل توجه این است که منطقه هوآیرو و منطقه شیجینگشان به دلیل همگرایی شدت و فراوانی بارندگی بالا، به عنوان مناطقی با پروفایل‌های خطر بالا شناسایی شده‌اند که نشان دهنده نیاز مبرم به نظارت اولویت‌بندی شده و کاهش خطر در این مناطق است.

شکل ۳، کمی‌سازی مکانی و ادغام وزنی شاخص‌های مواجهه را در چارچوب ارزیابی نشان می‌دهد. برای مشخص کردن تأثیر نوسانات زمین بر مسیرهای همگرایی سیل، نقشه‌های توزیع ارتفاع و شیب با استفاده از ابزارهای تحلیل مکانی ArcGIS 3D ایجاد شدند. تراکم شبکه رودخانه، که از داده‌های OpenStreetMap مشتق شده است، به عنوان نماینده‌ای برای سیستم هیدرولوژیکی منطقه‌ای عمل می‌کند، در حالی که شبکه‌های متراکم عموماً زهکشی را تسهیل می‌کنند، ممکن است همزمان نشان‌دهنده حساسیت بیشتر به تجمع آب در مناطق کم‌ارتفاع با ظرفیت تخلیه ناکافی باشند. به موازات آن، مواجهه مکانی زیرساخت‌های حمل و نقل با ایجاد نقشه تراکم ایستگاه مترو از طریق تحلیل تراکم نقطه‌ای، با استفاده از داده‌های مختصات از وب‌سایت رسمی مترو پکن، کمی‌سازی شد. علاوه بر این، داده‌های کاربری زمین از پایگاه داده علوم سیستم جغرافیایی برای مدل‌سازی اثرات پوشش سطحی بر نفوذ باران و تولید رواناب گنجانده شد. از طریق برهم‌نهی وزنی این لایه‌های مکانی نرمال‌شده – که در آن تراکم ایستگاه مترو به عنوان عامل غالب عمل می‌کند – توزیع شاخص مواجهه حاصل نشان می‌دهد که منطقه جنوب شرقی پکن به طور قابل توجهی سطح مواجهه را افزایش داده است. این الگوی مکانی در درجه اول به اثرات هم افزایی توپوگرافی کم ارتفاع، تمرکز بالای ایستگاه‌های مترو و سطوح نفوذناپذیر گسترده نسبت داده می‌شود که بر ضرورت برنامه‌ریزی اولویت‌بندی‌شده برای پیشگیری از خطر در این مناطق تأکید دارد.

شکل ۴ توزیع فضایی شاخص آسیب‌پذیری را نشان می‌دهد که آسیب‌پذیری بالقوه سیستم مترو در برابر خسارات اجتماعی و اقتصادی در طول وقایع سیل را کمّی می‌کند. این ارزیابی پنج شاخص حیاتی – اندازه جمعیت، تراکم خطوط مترو، جریان مسافر، تولید ناخالص داخلی منطقه‌ای و تراکم شبکه جاده‌ای – را برای توصیف جامع میزان آسیب‌پذیری سیستم‌های شهری ترکیب می‌کند. منطق اساسی فرض می‌کند که مناطق پرجمعیت با تعداد بالای مسافر با خطرات تلفات جانی بالایی روبرو هستند، در حالی که تراکم زیرساخت‌ها هم مسیرهای انتشار سیل و هم راندمان تخلیه را تعیین می‌کند و تولید ناخالص داخلی به عنوان نماینده‌ای برای مقیاس اختلال اقتصادی بالقوه عمل می‌کند. از طریق برهم‌نهی وزنی این لایه‌های فضایی نرمال شده، تجزیه و تحلیل نشان می‌دهد که هسته مرکزی شهر پکن، به ویژه مناطق شیچنگ و دانگ‌چنگ، بالاترین سطح آسیب‌پذیری را نشان می‌دهند که عمدتاً ناشی از همگرایی تراکم جمعیت شدید و حجم متمرکز مسافر است. در مقابل، مناطقی مانند هایدیان و چائویانگ آسیب‌پذیری متوسطی را نشان می‌دهند که در درجه اول به تراکم ترافیک و سطح فعالیت اقتصادی آنها مربوط می‌شود. نکته قابل توجه این است که مناطق با آسیب‌پذیری بالا، الگوی فضایی کمربند مانندی را نشان می‌دهند که کاملاً با طرح شبکه مترو همسو است. علاوه بر این، این مدل به صراحت تراکم خطوط مترو را از تراکم ایستگاه (که در شاخص مواجهه استفاده می‌شود) متمایز می‌کند، در حالی که تراکم ایستگاه، تمرکز جمعیت گره‌ای و خطر نفوذ را مشخص می‌کند، تراکم خطوط نشان‌دهنده پیوستگی خطی سازه‌های زیرزمینی است و پتانسیل انتشار سیلاب در امتداد راهروهای تونل را برجسته می‌کند.

برای ارزیابی پایداری BCMM تحت اختلالات وزنی، یک تحلیل حساسیت با اعمال تنظیمات سیستماتیک ± ۵% و ± ۱۰% بر روی وزن‌های پایه سه دسته شاخص اصلی – خطر، مواجهه و آسیب‌پذیری – در حالی که سایر پارامترها ثابت نگه داشته شده‌اند، انجام شد. تحلیل همپوشانی ریسک برای هر سناریوی اختلال دوباره محاسبه شد و درصد تغییر در وسعت مکانی مناطق خطر با مقایسه با نتایج پایه تعیین شد. نتایج این تحلیل در جدول  ۸ ارائه شده است .

همانطور که در جدول  ۸ خلاصه شده است ، حداکثر تغییر مساحت ناشی از اختلال وزنی در تمام دسته‌های شاخص کمتر از ۵٪ باقی ماند. به طور خاص، برای شاخص‌های خطر، تغییرات از -۲٫۵۴٪ تا ۲٫۲۹٪؛ برای شاخص‌های مواجهه، از -۲٫۱۷٪ تا ۲٫۲۱٪؛ و برای شاخص‌های آسیب‌پذیری، که قوی‌ترین پاسخ را در بین سه دسته نشان دادند، از -۴٫۶۶٪ تا ۴٫۵۴٪ متغیر بود. حتی تحت بزرگترین سطح اختلال (± ۱۰٪)، نرخ تغییر برای مناطق پرخطر و بسیار پرخطر از ۵٫۰٪ تجاوز نکرد.

این نتایج نشان می‌دهد که نوسانات متوسط ​​در وزن‌دهی شاخص‌ها، تنها تأثیر محدودی بر تعیین مکانی مناطق خطر دارد. در نتیجه، الگوی کلی توزیع خطر بسیار پایدار باقی می‌ماند که نشان می‌دهد BCMM حساسیت کمی به اختلالات وزنی دارد و پایداری و قابلیت اطمینان محاسباتی بالایی را نشان می‌دهد. این امر، استحکام و کاربرد BCMM را برای ارزیابی خطر سیل در سیستم‌های مترو بیشتر تأیید می‌کند.

توزیع مکانی و نتایج کمی ریسک سیل

نقشه توزیع مکانی خطر جامع سیل در پکن بر اساس نتایج وزنی شاخص‌های خطر، مواجهه و آسیب‌پذیری، همانطور که در شکل  ۵ نشان داده شده است، ایجاد شد . به طور کلی، عواملی مانند شدت بارندگی، توپوگرافی، تراکم جمعیت و چیدمان خطوط مترو به طور جمعی در سطح بالایی از خطر جامع سیل در منطقه شهری مرکزی و مرکز فرعی منطقه تونگژو نقش داشتند. منطقه هوآیرو که در منطقه‌ای کوهستانی مستعد بارندگی شدید واقع شده است، نیز با خطرات قابل توجه سیل روبرو است. نکته قابل توجه این است که در ۹ آگوست ۲۰۲۴، حداکثر بارندگی روزانه در منطقه هوآیرو از ۲۰۰ میلی‌متر فراتر رفت که بیشتر ویژگی‌های پرخطر این منطقه را تأیید می‌کند. برای طبقه‌بندی کمی سطوح خطر سیل مناطق مختلف، از روش طبقه‌بندی نقطه شکست طبیعی جنکس برای تقسیم شاخص خطر به پنج دسته استفاده شد: بسیار بالا، بالا، متوسط، کم و بسیار کم. سپس از نرم‌افزار ArcGIS برای تبدیل داده‌های رستری به داده‌های چندضلعی برداری استفاده شد و ویژگی‌های مساحت و توزیع مکانی هر سطح خطر محاسبه شد. نتایج نشان می‌دهد که مناطق بسیار پرخطر عمدتاً در مناطق شهری مرکزی پکن، از جمله منطقه شیجینگشان، منطقه دونگچنگ و منطقه شیچنگ، با مساحت تقریبی ۷۷۵.۲۰ کیلومتر مربع، که ۴.۸۹٪ از کل مساحت را تشکیل می‌دهند، متمرکز شده‌اند. این مناطق دارای تراکم جمعیت بالا، اقتصادهای توسعه‌یافته و شبکه‌های متروی متراکم هستند که آنها را در صورت وقوع بلایای سیل، بسیار مستعد تلفات و خسارات اقتصادی می‌کند. مناطق پرخطر عمدتاً در منطقه هوایرو، منطقه فنگتای، منطقه تونگژو، منطقه چائویانگ و منطقه هایدیان واقع شده‌اند که تقریباً ۳۶۴۳.۶۸ کیلومتر مربع یا ۲۲.۹۸٪ از کل مساحت را پوشش می‌دهند. به طور خاص، منطقه هوایرو با زمین‌های پیچیده و بارندگی‌های شدید مکرر مشخص می‌شود که تهدید قابل توجهی برای سیل ایجاد می‌کند، در حالی که مناطق فنگتای، تونگژو، چائویانگ و هایدیان، با جمعیت‌های متراکم و زمین‌های پست، نیز با خطرات قابل توجهی برای سیل مواجه هستند. مناطق با خطر متوسط ​​در سراسر شهرستان‌های چانگ‌پینگ، داکسینگ، شونیی و پینگ‌گو توزیع شده‌اند و تقریباً ۴۲۱۹.۱۸ کیلومتر مربع یا ۲۶.۶۰٪ از کل مساحت را پوشش می‌دهند. مناطق کم‌خطر ۳۸۱۸.۹۲ کیلومتر مربع یا ۲۴.۰۸٪ را تشکیل می‌دهند، در حالی که مناطق با خطر بسیار کم تقریباً ۳۴۰۲.۳۱ کیلومتر مربع را پوشش می‌دهند که ۲۱.۴۵٪ از کل مساحت را تشکیل می‌دهند. این مناطق کم‌خطر عمدتاً در حاشیه شهری یا در مناطق حفاظت‌شده زیست‌محیطی واقع شده‌اند و با تراکم جمعیت کم، پوشش گیاهی خوب و ظرفیت بالای ذخیره آب باران و کاهش بلایای طبیعی مشخص می‌شوند.

شکل ۶ توزیع مکانی خطر سیل را به طور خاص در امتداد شبکه مترو نشان می‌دهد که از طریق تجزیه و تحلیل کمی بافر به دست آمده است. برای جداسازی میزان مواجهه زیرساخت‌ها با سیل، یک کریدور ۵۰۰ متری که از دو طرف خطوط مترو امتداد یافته است، به عنوان منطقه حساس به سیل تعیین شد. با استفاده از تابع تجزیه و تحلیل بافر در پلتفرم ArcGIS، این منطقه ایجاد و متعاقباً با نقشه جامع خطر سیل منطقه‌ای همپوشانی شد تا داده‌های خطر خاص در مجاورت مترو استخراج شود. تجزیه و تحلیل مکانی حاصل، یک شیب مشخص مرکز-پیرامون را نشان می‌دهد، که در آن خطر کلی سیل به تدریج از هسته شهری به سمت مناطق دورافتاده کاهش می‌یابد. این توزیع در درجه اول توسط همگرایی عوامل پرخطر در منطقه مرکزی شهر، از جمله تمرکز متراکم خطوط مترو، توپوگرافی کم ارتفاع و تجمع شدید اجتماعی-اقتصادی، کنترل می‌شود. برعکس، مناطق پیرامونی سطح خطر نسبتاً کمتری را نشان می‌دهند، الگویی که به توزیع پراکنده‌تر زیرساخت‌های مترو و به طور کلی ارتفاعات توپوگرافی بالاتر نسبت داده می‌شود.

شکل ۷ ؛ جدول  ۹ به صورت کمی توزیع خطر سیل را در منطقه حائل ۵۰۰ متری مترو که از طریق روش طبقه‌بندی نقطه شکست طبیعی جنکس به پنج سطح مجزا – از کمترین تا بیشترین – طبقه‌بندی شده است، نشان می‌دهد. برای دستیابی به ارزیابی دقیق از میزان مواجهه با زیرساخت‌ها، از الگوریتم “استخراج مقادیر به نقاط” در ArcGIS برای ترسیم شاخص‌های خطر خاص به مختصات ایستگاه‌های مترو استفاده شد. این تجزیه و تحلیل نشان می‌دهد که مناطق بسیار پرخطر ۷۵٫۰۱ کیلومتر مربع را اشغال می‌کنند که ۱۲٫۴۵٪ از کل منطقه حائل را تشکیل می‌دهند و عمدتاً در مراکز حمل و نقل کم ارتفاع و از نظر اقتصادی متراکم مناطق اصلی شهری، که توسط ایستگاه‌هایی مانند هوجیالو، جیانانکیائو و شیژیمن نشان داده می‌شوند، خوشه‌بندی شده‌اند. همزمان، مناطق پرخطر بیش از ۱۳۲٫۴۵ کیلومتر مربع (۲۱٫۹۷٪ از منطقه حائل) گسترش یافته‌اند و گره‌های بحرانی مانند وانگجینگ و پارک چائویانگ را در بر می‌گیرند. همانطور که در نمودار میله‌ای مقایسه‌ای نشان داده شده است، ارزیابی، درصد مساحت مکانی را در مقابل نسبت ایستگاه‌های مترو در هر دسته ریسک مقایسه می‌کند و همبستگی جغرافیایی-فضایی قابل توجهی را بین بخش‌های شهری با آسیب‌پذیری بالا و تراکم زیرساخت‌های حمل و نقل ریلی برجسته می‌کند.

مناطق کم‌خطر عمدتاً در بخش شمالی پکن، مانند منطقه چانگ‌پینگ، واقع شده‌اند که مساحتی معادل ۱۱۸.۲۸ کیلومتر مربع را پوشش می‌دهند که ۱۹.۶۲٪ را تشکیل می‌دهند، در حالی که بخش جنوبی عمدتاً از مناطق بسیار کم‌خطر تشکیل شده است که مساحتی معادل ۸۱.۲۹ کیلومتر مربع را پوشش می‌دهند که ۱۳.۴۹٪ را تشکیل می‌دهند. این مناطق دارای خطوط مترو نسبتاً پراکنده، زمین‌های مرتفع و پوشش گیاهی خوب هستند که به کاهش تأثیر سیل کمک می‌کند. مناطق باقی‌مانده با خطر متوسط، ۱۹۵.۷۴ کیلومتر مربع را پوشش می‌دهند که ۳۲.۴۷٪ از کل مساحت را تشکیل می‌دهند. بر اساس توزیع ایستگاه‌های مترو، ۳۴ ایستگاه در مناطق بسیار کم‌خطر واقع شده‌اند که ۸.۲۵٪ از کل تعداد ایستگاه‌ها را تشکیل می‌دهند. ۵۵ ایستگاه در مناطق کم‌خطر، ۱۳.۳۵٪؛ ۱۲۹ ایستگاه در مناطق با خطر متوسط، ۳۱.۳۱٪؛ ۱۲۲ ایستگاه در مناطق پرخطر، ۲۹.۶۱٪؛ و ۷۲ ایستگاه در مناطق بسیار پرخطر، که ۱۷.۴۸٪ را تشکیل می‌دهند. به طور کلی، سطح خطر سیل ایستگاه‌های مترو ارتباط نزدیکی با توسعه اقتصادی منطقه‌ای، شرایط توپوگرافی و تراکم خطوط مترو دارد. منطقه مرکزی شهری کم‌ارتفاع و پرجمعیت است و در نتیجه خطر بالای سیل در ایستگاه‌های مترو وجود دارد، در حالی که مناطق حومه‌ای دورافتاده در ارتفاعات بالاتر قرار دارند و کمتر توسعه یافته‌اند و در نتیجه خطرات سیل نسبتاً کمی در ایستگاه‌های مترو وجود دارد که نشان‌دهنده تمایز مکانی واضح است.

برای ارزیابی دقیق‌تر ویژگی‌های خطر سیل در خطوط مختلف مترو، این مطالعه توزیع سطوح خطر در ایستگاه‌های خطوط اصلی مترو پکن را همانطور که در شکل  ۸ نشان داده شده است، بیشتر تجزیه و تحلیل کرد . نسبت ایستگاه‌های پرخطر و بسیار پرخطر در خطوط ۱، ۲، ۵، ۶ و ۷ به ترتیب به ۷۲٫۷۳٪، ۹۴٫۴۴٪، ۶۵٫۲۲٪، ۶۶٫۶۷٪ و ۷۵٫۸۶٪ رسید که همگی بیش از ۵۰٪ هستند. بیشتر این خطوط در مناطق مرکزی شهری پکن واقع شده‌اند یا از آنها عبور می‌کنند که با زمین‌های پست و تراکم بالای جمعیت مشخص می‌شوند. در طول دوره‌های بارندگی شدید، این مناطق مستعد سیل هستند و خطر قابل توجهی از بلایای مرتبط با سیل را نشان می‌دهند، و آنها را به اهداف اولویت‌دار برای اقدامات پیشگیری و کنترل سیل تبدیل می‌کنند. نسبت ایستگاه‌های با خطر متوسط ​​در خط Yizhuang، خط Fangshan، خط ۱۳، خط ۱۵، خط ۱۰ و خط ۹ به ترتیب از ۳۰٪ فراتر رفته و به ۳۰.۷۷٪، ۳۱.۲۵٪، ۴۳.۷۵٪، ۵۶.۰۰٪، ۵۹.۰۹٪ و ۶۹.۲۳٪ رسیده است. این خطوط عمدتاً در مناطق انتقالی بین مناطق شهری و حومه شهر توزیع شده‌اند که نشان می‌دهد سطح خطر سیل در چنین مناطقی متوسط ​​است و نیاز به هوشیاری در برابر اثرات بارندگی شدید دارد و در عین حال درجه خاصی از ظرفیت بافر پیشگیری از بلایا را حفظ می‌کند. علاوه بر این، ۶۶.۶۷٪ و ۶۲.۵۰٪ از ایستگاه‌های خط ۱۶ و خط Fangshan به ترتیب به عنوان کم‌خطر یا بسیار کم‌خطر طبقه‌بندی می‌شوند. اکثر این خطوط در مناطق دورافتاده حومه شهر یا مناطق مرتفع با تراکم جمعیت کم و شرایط طبیعی مساعد برای زهکشی آب باران واقع شده‌اند که منجر به خطر کلی نسبتاً کم سیل می‌شود. به طور خلاصه، خطرات سیل در امتداد خطوط متروی پکن، تنوع مکانی قابل توجهی را نشان می‌دهد. قابلیت‌های پیشگیری و کنترل سیل خطوط مترو در مناطق مرکزی شهری و مراکز حمل و نقل کلیدی باید فوراً تقویت شود، در حالی که برنامه‌ریزی پیشگیری از بلایا در خطوط حومه شهر باید روندهای توسعه شهری آینده را در نظر بگیرد تا ایمنی عملیاتی و تاب‌آوری کلی سیستم مترو تضمین شود.

تحقیقات بیشتری در مورد تغییرات خطر سیل برای سیستم‌های مترو تحت سناریوهای بارندگی شدید انجام شد. بر اساس داده‌های بارندگی واقعی با دقت بالا، پارامترهای فرمول شدت بارندگی سنگین منطقه‌ای برای پکن معکوس و اصلاح شدند. بر این اساس، روش بارندگی شیکاگو برای طراحی یک منحنی مدت بارندگی معمولی مربوط به احتمال تجاوز سالانه ۰٫۵٪ (یعنی یک رویداد دوره بازگشت ۲۰۰ ساله) اعمال شد. مدل بارندگی شیکاگو روشی است که به طور گسترده برای ساخت فرآیندهای بارندگی غیر یکنواخت استفاده می‌شود. با تنظیم ضریب اوج بارندگی برای کنترل زمان اوج بارندگی در کل رویداد بارندگی و ترکیب آن با فرمول‌های شدت بارندگی منطقه‌ای، این مدل می‌تواند ویژگی‌های توزیع فرآیندهای بارندگی کوتاه مدت و با شدت بالا را به طور دقیق بازتولید کند. ثابت شده است که این مدل برای شبیه‌سازی سیل شهری و ارزیابی ریسک بسیار کاربردی و قابل اعتماد است. بنابراین، فرمول شدت بارندگی منطقه‌ای که در این مطالعه استفاده شده است به شرح زیر است:

که در آن q شدت بارندگی طراحی، t مدت بارندگی طراحی و P بازه بازگشت بارندگی طراحی است.

مدت زمان بارش شدید باران ۲۴ ساعت، با گام زمانی بارش ۳۰ دقیقه و ضریب اوج بارش ۰.۴۲ تنظیم شد. این پارامترها برای تولید منحنی فرآیند بارش برای یک رویداد با دوره بازگشت ۲۰۰ ساله (یعنی احتمال تجاوز سالانه ۰.۵٪) به مولد بارش شیکاگو وارد شدند. تحت این شرایط، کل بارش روزانه به ۳۲۹ میلی‌متر رسید. بر اساس این فرآیند بارش، نقشه توزیع خطر سیل برای سیستم مترو در شرایط بحرانی ایجاد شد، همانطور که در شکل  ۹ نشان داده شده است . نتایج نشان می‌دهد که خطر کلی سیل در امتداد خطوط مترو در مقایسه با شرایط عادی به طور قابل توجهی افزایش می‌یابد و تقریباً همه خطوط به عنوان خطر بالا یا بسیار بالا طبقه‌بندی می‌شوند. بنابراین، در صورت بارش شدید، مکانیسم‌های واکنش اضطراری باید فوراً فعال شوند، از جمله سازماندهی قطارها برای ترک مناطق کم ارتفاع با خطر بالا، تخلیه سریع مسافران، بستن موقت خطوط مترو آسیب دیده، به کارگیری اقدامات اضطراری کنترل سیل مانند موانع سیل و کیسه‌های شن، صدور به موقع اطلاعیه‌های تعلیق خدمات و اطلاعات پیشگیری از بلایا از طریق کانال‌های رسمی برای به حداقل رساندن تلفات و خسارات مالی.

تحلیل تطبیقی ​​و بحث

بر اساس همان مجموعه داده‌های شاخص، خطر سیل سیستم مترو که از طریق روش حداکثرسازی کسینوس بیزی محاسبه شده بود، با نتایج به‌دست‌آمده از طریق فرآیند تحلیل سلسله مراتبی فازی مقایسه شد. نتایج مقایسه در شکل  ۱۰ ارائه شده است .

مناطق پرخطر و بسیار پرخطر سیلاب مترو، و همچنین نسبت ایستگاه‌های مترو که از طریق روش حداکثرسازی کسینوس بیزی برای محاسبه وزن به دست آمده‌اند، هر دو کمتر از مقادیر به‌دست‌آمده از طریق فرآیند تحلیل سلسله مراتبی فازی هستند. علاوه بر این، هشت مکان کلیدی با سابقه سیل انتخاب و همراه با نتایج ارزیابی، همانطور که در جدول  ۱۰ نشان داده شده است، تجزیه و تحلیل شدند .

تحلیل فوق نشان می‌دهد که در مقایسه با فرآیند تحلیل سلسله مراتبی فازی، روش حداکثرسازی کسینوس بیزی می‌تواند هنگام محاسبه وزن‌ها، خطر سیل هر ایستگاه مترو را با دقت بیشتری منعکس کند. به عنوان مثال، در جریان سیل بزرگ ۲۱ ژوئیه ۲۰۱۲، ایستگاه تائورانتینگ در اثر هجوم آب در امتداد پله برقی دچار سیل‌زدگی شد. هر دو روش آن را به عنوان یک منطقه پرخطر ارزیابی می‌کنند که نشان‌دهنده سازگاری است. با این حال، در حادثه واقعی تجمع آب در ایستگاه جینانکیائو در سال ۲۰۲۱، که سطح آب از ارتفاع مچ پا فراتر رفت، شاخص ریسک ارزیابی شده از طریق فرآیند تحلیل سلسله مراتبی فازی ۰.۴۴۱۲ بود، در حالی که شاخص ارزیابی شده از طریق روش حداکثرسازی کسینوس بیزی ۰.۴۸۰۸ بود که تطابق بیشتری با وضعیت سیل واقعی داشت و دقت ارزیابی بالاتری را نشان داد. به طور خلاصه، روش حداکثرسازی کسینوس بیزی، عملی بودن و دقت بالاتری را در تعیین وزن و شناسایی ریسک نشان می‌دهد.

بحث‌های پژوهشی بیشتر

نکته قابل توجه این است که این مطالعه از روش نمودار بارندگی شیکاگو برای ساخت یک سناریوی بارندگی ۲۰۰ ساله استفاده می‌کند و توزیع نماینده‌ای از شدت بارندگی شدید را برای ارزیابی استاتیک خطر سیل مترو در مقیاس منطقه‌ای ارائه می‌دهد. این رویکرد با مدل‌های هیدرولوژیکی یا هیدرولیکی (مانند SWMM، InfoWorks یا سری MIKE) همراه نیست و بنابراین تکامل تجمع آب در تونل‌های مترو یا شبکه‌های زهکشی را نشان نمی‌دهد. با توجه به اینکه تمرکز اصلی این تحقیق توسعه و اعتبارسنجی یک سیستم شاخص ریسک و روش‌شناسی بهینه‌سازی وزن است، این تحلیل بر تفاوت‌های نسبی ریسک منطقه‌ای به جای شبیه‌سازی‌های دینامیکی فرآیندهای سیل تأکید دارد. مطالعات آینده می‌توانند داده‌های جزئی‌تر را با مدل‌های عددی هیدرولوژیکی ادغام کنند تا تجزیه و تحلیل‌های دینامیکی ریسک مکانی-زمانی را انجام دهند و در نتیجه دقت مدل و کاربرد عملی آن را افزایش دهند. به طور خاص، ترکیب BCMM با مدل‌های دینامیکی هیدرولوژیکی-هیدرولیکی می‌تواند چارچوب ارزیابی استاتیک فعلی را برای شبیه‌سازی تکامل سیل گسترش دهد و توصیف جامع‌تری از انتشار تجمع آب و دینامیک زهکشی را تحت سناریوهای مختلف بارندگی ممکن سازد.

علاوه بر این، چارچوب ارزیابی فعلی در درجه اول به تعامل استاتیک بین اثرات بارندگی سطحی و میزان مواجهه با سیستم مترو می‌پردازد، بدون اینکه به طور صریح پارامترهای هیدرولیکی سیستم زهکشی، مانند قطر لوله، ظرفیت ایستگاه‌های پمپاژ یا حوزه‌های آبریز گره‌ها را در نظر بگیرد. در نتیجه، توانایی مدل برای ارزیابی کاهش ریسک تحت مقاوم‌سازی سیستم زهکشی محدود است. تحقیقات آینده می‌تواند مدل‌های هیدرولیکی (مانند SWMM یا MIKE URBAN) را برای دستیابی به اتصال پویا بین زیرساخت زهکشی و انتشار سیل ادغام کند و از این طریق ارتباط مهندسی و ظرفیت چارچوب را برای ارزیابی مداخله در ریسک افزایش دهد. گنجاندن پارامترهای زهکشی ساختاری – مانند تراکم شبکه لوله، روابط همگرایی گره‌ها و ظرفیت ایستگاه‌های پمپاژ – در چارچوب BCMM، همراه با مدل‌سازی هیدرولیکی پویا، شبیه‌سازی‌های پاسخ به ریسک را برای اقدامات بهبود زهکشی امکان‌پذیر می‌کند و پشتیبانی کمی برای تصمیم‌گیری برای بهینه‌سازی زهکشی شهری و مقاوم‌سازی پیشگیری از سیل مترو فراهم می‌کند.

برای پیاده‌سازی صریح این ادغام، چارچوب کوپلینگ پیشنهادی مستلزم مجموعه داده‌های زهکشی با دقت بالا، از جمله توپولوژی شبکه لوله، هندسه‌های مقطع کانال و منحنی‌های مشخصه ایستگاه پمپاژ است. منطق کوپلینگ خاص مستلزم استفاده از مدل مدیریت آب طوفان (SWMM) برای شبیه‌سازی پاسخ هیدرودینامیکی تحت سناریوهای بارندگی طراحی، تولید خروجی‌های سری زمانی از حجم سیلاب گره‌ای و عمق آب سطحی است. این پارامترهای هیدرولیکی پویا به عنوان ورودی‌های متغیر با زمان برای جایگزینی شاخص‌های استاتیک «خطر» در معادله ( ۱ ) عمل می‌کنند. در نتیجه، وزن‌های استاتیک برای مواجهه و آسیب‌پذیری که از طریق BCMM به دست می‌آیند، با مقادیر دینامیکی خطر محاسبه شده توسط SWMM ترکیب می‌شوند تا تکامل مکانی-زمانی خطر سیل را کمی‌سازی کنند و در نتیجه مدل را از یک ارزیابی استاتیک به یک سیستم هشدار اولیه دینامیک تبدیل کنند.

1. (۱)BCMM با اعمال تصحیح بیزی به ماتریس‌های مقایسه زوجی و بهینه‌سازی محاسبات وزن از طریق حداکثرسازی کسینوس، به طور مؤثر سوگیری ناشی از قضاوت‌های ذهنی متخصص را کاهش می‌دهد. در مقایسه با AHP سنتی و AHP فازی (FAHP)، BCMM عملکرد بهتری را از نظر سازگاری رتبه‌بندی وزن (دستیابی به حداقل معیار نقض ۰) و معیارهای فاصله اقلیدسی نشان می‌دهد و در نتیجه عینیت تعیین وزن و دقت ارزیابی ریسک سیل را افزایش می‌دهد. BCMM با ادغام نظری تصحیح بیزی با بهینه‌سازی هندسی، همگرایی و سازگاری بهتری نسبت به FAHP نشان می‌دهد و یک چارچوب کمی جدید برای ارزیابی ریسک در سیستم‌های پیچیده ارائه می‌دهد.
2. (۲)تحلیل مکانی مبتنی بر GIS نشان می‌دهد که خطرات سیل در سیستم متروی پکن، الگوی مکانی مشخصی را نشان می‌دهد که با خطرات بالاتر در مناطق داخلی شهر و خطرات کمتر در مناطق بیرونی مشخص می‌شود. مناطق بحرانی برای پیشگیری بهتر از سیل شامل مناطق کم‌ارتفاع و مکان‌هایی است که چندین خط مترو در آنها تلاقی می‌کنند. منطقه مرکزی شهر و منطقه تونگژو به عنوان مناطق بسیار پرخطر شناسایی شده‌اند. به عنوان مثال، در میان پنج خط مترو که از منطقه مرکزی شهر عبور می‌کنند – از جمله خطوط ۱ و ۲ – بیش از ۵۰٪ از ایستگاه‌ها به عنوان خطر بالا یا بالاتر طبقه‌بندی می‌شوند. در مقابل، خطوط حومه شهر خطر نسبتاً کمتری را نشان می‌دهند که نشان دهنده تأثیر ترکیبی ناهمواری زمین، تراکم جمعیت و توزیع خطوط مترو بر آسیب‌پذیری سیل است.
3. (۳)شبیه‌سازی‌های سناریوی بارندگی شدید نشان می‌دهد که تحت یک رویداد بارندگی ۲۰۰ ساله، سطح کلی خطر سیل برای سیستم مترو تقریباً ۳۷.۵ درصد افزایش می‌یابد و تقریباً همه خطوط در مناطق پرخطر یا بسیار پرخطر قرار می‌گیرند. برای رسیدگی به چالش‌های ایمنی سیل ناشی از آب و هوای شدید، باید مکانیسم‌های واکنش اضطراری هدفمند، از جمله تنظیمات زمان‌بندی قطار در مناطق کم‌ارتفاع، رویه‌های تخلیه مسافران و بسته شدن مسیر در خطوط آسیب‌دیده، اجرا شود. نتایج تحلیل حساسیت نشان می‌دهد که مدل BCMM تحت اختلالات وزنی، عملکرد قوی خود را با یک ساختار پهنه‌بندی ریسک پایدار و قابل اعتماد حفظ می‌کند.
4. (۴)کارهای بعدی ممکن است بر بهینه‌سازی طراحی زهکشی برای ورودی‌های مترو، شفت‌های تهویه و بخش‌های تونل و در عین حال افزایش ظرفیت دروازه‌های کنترل سیل و تأسیسات نگهداری متمرکز شود. ادغام نظارت بر بارندگی در زمان واقعی با فناوری‌های حسگر اینترنت اشیا می‌تواند درک پویا از خطر سیل و هشدار زودهنگام را امکان‌پذیر کند. علاوه بر این، تدوین برنامه‌های واکنش اضطراری چند مرحله‌ای، هماهنگی بین مدیریت عملیاتی، زهکشی شهری و بخش‌های حمل و نقل را تقویت می‌کند. چارچوب BCMM همچنین شواهد کمی را برای پشتیبانی از انتخاب محل مترو شهری، تدوین استاندارد کنترل سیل و بهینه‌سازی چیدمان فضایی پیشگیری از بلایا ارائه می‌دهد و مبنای علمی برای ساخت سیستم‌های زیرساخت شهری تاب‌آور ارائه می‌دهد.