ساخت و ساز شهرهای بزرگ در قرن بیست و یکم به بادنمایی از توسعه شهری در سراسر جهان تبدیل شده است. با این حال، این امر با خطر بیشتر بلایای طبیعی، مانند بلایای سیل در این مطالعه، همراه است. در شهرهای بزرگ با تراکم جمعیت شهری بیشتر و نرخ سخت شدن زمین بالاتر، اجرای تحلیل حساسیت به سیل از اهمیت بالایی برخوردار است. ^۱٫ آبگرفتگی شهری در مدت زمان کوتاهی رخ می‌دهد که بارندگی مداوم یا بارندگی شدید از ظرفیت دفع شهر فراتر می‌رود و منجر به تشکیل آبگرفتگی شهری می‌شود. این یک فاجعه طبیعی است که اغلب مناطق اصلی شهری شهرهای بزرگ را تحت تأثیر قرار می‌دهد . ^۲٫ سیل ناگهانی اغلب در مناطق کوهستانی اتفاق می‌افتد. این سیل با حجم ناگهانی و متمرکز آب، سرعت بالا، آسیب فرسایشی شدید و رسوب یا حتی سنگ‌های حمل شده در جریان آب مشخص می‌شود. ^۳ که یک فاجعه طبیعی رایج در حومه شهرهای بزرگ است. ^۴ ، ۵ .

در جهان، بسیاری از شهرها بر روی دشت‌ها یا حوضه‌هایی ساخته شده‌اند که توسط کوه‌ها احاطه شده‌اند. مرکز دشت یا حوضه معمولاً مرکز شهر است. با ساخت و ساز شهرنشینی، این دشت همچنان به سمت بیرون امتداد می‌یابد. ^{۶ ، ۷ ، ۸ ، ۹٫} حومه‌های اطراف مناطق اصلی شهری معمولاً در اطراف کوه‌ها ساخته می‌شوند و در گذرگاه‌های رودخانه‌ای قرار دارند. منطقه اصلی کلان‌شهری شهر به شدت تحت تأثیر آبگرفتگی قرار دارد ^، در حالی که حومه‌های اطراف نیز در معرض تهدید مداوم سیل ناگهانی هستند . ^۱۰٫ علاوه بر این، گرمایش جهانی منجر به بارندگی‌های شدید مکرر و سیل‌های بیشتر می‌شود که منجر به پدیده‌های خطرناک مختلف مرتبط با مشکلات مربوطه می‌شود . ^۱۱٫ تنها در نیمه اول سال ۲۰۲۲، سیل ۲۱٫۸۰۵ میلیون نفر را در چین تحت تأثیر قرار داد و منجر به خسارات مالی مستقیم ۶۴٫۷۶ میلیارد یوان شد. در ژوئیه ۲۰۲۱، خوشه شهری با محوریت ژنگژو در استان هنان دچار باران شدید شد و میزان بارندگی روزانه به ۵۵۲٫۵ میلی‌لیتر رسید که ۳۹۸ کشته یا مفقود بر جای گذاشت ^{(۱۲ ، ۱۳} ). هر ساله در طول فصل بارندگی، سیل‌های ناگهانی در جنوب و غرب چین باعث تلفات زیادی می‌شوند. سیل ناگهانی «۱۳ آگوست ۲۰۲۲» در پنگژو، استان سیچوان باعث ۷ مرگ و میر و سیل ناگهانی «۱۸ آگوست ۲۰۲۲» در شهرستان داتونگ، استان چینگهای تاکنون باعث ۱۶ مرگ و میر شده است. بنابراین، تحقیقات فعلی به فوریت نیاز به انجام تحقیقات شبیه‌سازی در مقیاس منطقه‌ای دارد تا بتواند تأثیر منفی سیل‌ها را کاهش دهد یا حتی از آن جلوگیری کند ^{(۱۴ ، ۱۵ ، ۱۶} ). سیل را می‌توان بسته به مکانیسم آن به سیل‌های رودخانه‌ای، سیل‌های ساحلی، آبگرفتگی و سیل‌های ناگهانی و انواع دیگر (که از این پس به طور کلی سیل نامیده می‌شوند) تقسیم کرد ^(۱۷ ). در ساخت شهرهای بزرگ، اقدامات کنترل سیل باید از قبل و بر اساس نقشه حساسیت به سیل و با توجه به خسارات عظیم سیل تدوین شود . ^۱۸ بنابراین، انتظار می‌رود ارزیابی حساسیت به سیل در آینده توجه مداوم بیشتری را به خود جلب کند.

حساسیت به سیل به احتمال وقوع سیل در یک منطقه تحت شرایطی مانند توپوگرافی محلی اشاره دارد. نقشه‌های حساسیت به سیل می‌توانند برای پیش‌بینی محل وقوع سیل مورد استفاده قرار گیرند. ارزیابی حساسیت به سیل پیش‌شرط مهم برای کار پیشگیری و کنترل سیل است. در چند سال گذشته، توسعه سریع GIS، شبیه‌سازی عددی مبتنی بر GIS را با روش‌های آماری ترکیب کرده است که منجر به استفاده از شاخص‌های وزنی برای ترسیم نقشه‌های حساسیت به سیل شده است. در میان آنها، روش‌های رایج شامل فرآیند تحلیل سلسله مراتبی (AHP) ^{۱۹ ، ۲۰ ، ۲۱ ، ۲۲} ، نسبت فراوانی (FR) ^{۲۳ ، ۲۴} ، وزن شواهد (WOE) ^{۲۴ ، ۲۵} ، رگرسیون لجستیک (LR) ^۲۳ ، ضریب وزنی و غیره است. با این حال، با توسعه بیشتر یادگیری ماشین، برخی از روش‌های جدیدتر پدیدار شده و برای مدل‌سازی مکانی حساسیت به سیل به کار گرفته شده‌اند و نتایج رضایت‌بخشی به دست آمده است. در ابتدا، این روش‌ها فقط از یک الگوریتم واحد استفاده می‌کردند. برای مثال، شبکه عصبی مصنوعی (ANN) ^{۲۶ ، ۲۷ ، ۲۸} ، ماشین بردار پشتیبان (SVM) ^۲۹ ، بیزی ساده (Naive Bayesian) ^۳۰ ، جنگل تصادفی (Random Forest) ^۲۵ ، درخت تصمیم (Decision Tree ^{) ۳۱} و روش‌های عصبی-فازی (Neuro-fuzzy) ^۳۱ و غیره. اخیراً، به منظور بهبود بیشتر دقت پیش‌بینی مدل، انواع روش‌های مدل ترکیبی (Decision Tree) ^{۳۲ ، ۳۳ ، ۳۴} معرفی شده‌اند ، به عنوان مثال الگوریتم ژنتیک (GA) ^۳۵ ، بهینه‌سازی ازدحام ذرات (PSO) ^۳۶ ، بهینه‌سازی مبتنی بر جغرافیای زیستی (BBO)، الگوریتم خفاش (BA) ^۳۷ ، بهینه‌سازی کلونی مورچه‌ها (ACO) ^۳۸ ، الگوریتم کرم شب‌تاب (FA) ^۳۹ و غیره. به طور مشابه، ANN با الگوریتم‌های FA و پس‌انتشار Levenberg-Marquardt برای تولید نقشه‌های حساسیت به سیل ترکیب شده است ^۱۰ . طبق مطالعات قبلی، مدل‌های الگوریتم یادگیری عمیق در زمینه‌های مختلف مطالعاتی نسبت به مدل‌های سنتی برتر هستند . ^{۴۰ ، ۴۱ ، ۴۲}

در حالی که الگوریتم‌های پیشرفته یادگیری ماشین برای ارزیابی حساسیت به سیل استفاده شده‌اند، مدل کلاسیک LR همچنان مورد استفاده قرار می‌گرفت. دلیل این امر این است که LR برای نقشه‌برداری حساسیت به فاجعه مؤثر بوده است. علاوه بر این، LR مزایای زیادی در پردازش داده‌ها و نمایش نتایج نشان داده است. به عنوان مثال، متغیرهای مستقل در LR نیازی به توزیع نرمال ندارند و خروجی نتیجه LR می‌تواند در تشخیص دقت داده‌های نمونه بسیار مؤثر باشد. بنابراین، ما معتقدیم که LR می‌تواند الزامات عملکرد این مطالعه، مانند دقت پیش‌بینی، رتبه‌بندی عوامل تأثیرگذار و تخمین احتمال را برآورده کند. در این مقاله، شهرهای بزرگ پکن به عنوان نمونه در نظر گرفته شده است. در زمینه شهرنشینی، ارزیابی حساسیت به سیل بر اساس GIS و LR انجام می‌شود، اهمیت متغیرهای پیش‌بینی محاسبه می‌شود، عملکرد مدل توسط منحنی ROC تأیید می‌شود و نقشه حساسیت به سیل ترسیم می‌شود که با سوابق مشاهده سیل تکمیل می‌شود. برخلاف مطالعات قبلی، اکثر آنها سیل ناگهانی را از آبگرفتگی جدا می‌کنند ^{۴۳ ، ۴۴ ، ۴۵} ، اما در واقع، شهرها شامل منطقه مرکزی شهری اصلی و کوه‌ها و حومه‌های اطراف، به ویژه شهرهای بزرگ با توسعه سریع در سال‌های اخیر، می‌شوند. بنابراین، نوآوری این مطالعه این است که نقشه حساسیت به سیل، سیل‌های ناگهانی و آبگرفتگی را پوشش می‌دهد و ارزیابی حساسیت سیل ناگهانی و آبگرفتگی به طور کلی برای بررسی حساسیت به سیل تحت تأثیر مشترک این دو عامل انجام می‌شود، زیرا هر دو از عوامل مهم فاجعه‌بار شهرهای بزرگ هستند.

کل کار با تعریف و ترسیم چارچوب کاری در فرآیند تحلیل حساسیت به سیل، شامل نقشه حساسیت به سیل، تولید پیش‌بینی‌کننده سیل، مدل‌سازی مدل حساسیت به سیل با استفاده از رگرسیون لجستیک، ارزیابی مدل و غیره خلاصه شده است (شکل  ۱ ).

چارچوب کاری برای تحلیل حساسیت به سیل.

تصویر در اندازه کامل

منطقه مورد مطالعه

پکن، پایتخت چین، در عرض جغرافیایی ۱۱۵.۷ تا ۱۱۷.۴ درجه شرقی و ۳۹.۴ تا ۴۱.۶ درجه شمالی واقع شده است. مساحت کل آن ۱۶۴۱۰ کیلومتر مربع است ^{که از این مقدار، ۱۰۲۰۰ کیلومتر مربع} آن کوهستانی است که ۶۲٪ از کل مساحت را تشکیل می‌دهد و بقیه دشت است. شهرنشینی باعث شده است که مساحت شهری پکن از ۱۰۹ کیلومتر مربع در سال ۱۹۴۹ به ۱۲۸۹.۳ کیلومتر مربع در سال ۲۰۲۲ افزایش یابد ^و همچنان روند گسترش بیشتری را نشان می‌دهد. جمعیت ساکنان دائمی این شهر به ۲۱.۸۹ میلیون نفر رسیده است و به دومین شهر بزرگ چین و نهمین شهر پرجمعیت جهان تبدیل شده است. شمال غربی پکن عمدتاً کوهستانی و جنوب شرقی آن عمدتاً دشت است. پکن در بخش شمالی دشت شمال چین، در مجاورت خلیج بوهای واقع شده است که از غرب با کوه‌های تایهانگ و از شمال و شمال شرقی با کوه‌های یانشان احاطه شده است و ارتفاع متوسط ​​آن ۴۳.۵ متر است. نوع پوشش گیاهی آن عمدتاً جنگل‌های پهن‌برگ برگ‌ریز است. انواع سنگ‌ها در پکن را می‌توان به سنگ‌های رسوبی سست و سنگ‌های سخت (سنگ بستر) تقسیم کرد. رسوبات سست عمدتاً در دشت کوهپایه‌ای توزیع شده‌اند و سنگ‌های سخت عمدتاً در منطقه کوهستانی، از جمله سنگ‌های ماگمایی، سنگ‌های دگرگونی و سنگ‌های رسوبی، در معرض دید قرار دارند. بارندگی در پکن فراوان است و توزیع فصلی آن یکنواخت نیست. ژوئن، ژوئیه و اوت ۸۰٪ از بارندگی سالانه را متمرکز می‌کنند، به راحتی می‌توان در ژوئیه و اوت باران‌های سنگین با قدرت بالا و کوچک داشت. کل منطقه پکن به عنوان منطقه تحقیقاتی این مقاله انتخاب شد. مناطق مسکونی پکن بیشترین میزان آبگرفتگی را دارند، به ویژه مناطق پست، پل‌های هوایی فرورفته، گذرگاه‌های زیرزمینی، ساختمان‌های مخروبه و سایت‌های ساختمانی. روستاهای حومه اطراف به ویژه در فصل سیل، نزدیک به کوه‌ها و سیستم‌های آبی هستند، جایی که سیل ناگهانی به طور جدی بر جان و مال روستاییان تأثیر می‌گذارد. به عنوان نماینده‌ای از ابرشهرهای جهان، تجزیه و تحلیل حساسیت پکن به سیل نیز برای برنامه‌ریزی کنترل سیل در سایر ابرشهرها از اهمیت مرجع برخوردار است.

نقشه موجودی سیل

نقشه‌های موجودی سیل، اولین گام حیاتی در ارزیابی حساسیت هستند. در این مقاله، ما وقایع سیل در تاریخ پکن از سال ۲۰۱۲ تا ۲۰۲۲ را با بلایای شدید، به ویژه با تمرکز بر رویداد طوفان باران در پکن در ۲۱ ژوئیه ۲۰۱۲، که باعث ۷۹ مرگ، فرو ریختن ۱۰۶۶۰ خانه، آسیب دیدن ۱.۶۰۲ میلیون نفر و ۱۱.۶۴ میلیارد یوان خسارت مالی شد، بررسی کردیم. این بدترین فاجعه طوفان باران و سیل در پکن و مناطق اطراف آن در ۶۱ سال گذشته است . ^۴۶. نقشه موجودی سیل بر اساس اطلاعات منتشر شده توسط رسانه‌های اجتماعی مختلف، دولت‌های محلی و مقامات شهری، با مجموع ۲۶۰ نقطه فاجعه سیل، تهیه شده است. مکان‌های غیر سیل نیز باید هنگام تولید مجموعه داده‌ها در نظر گرفته شوند، زیرا ارزیابی حساسیت به سیل یک مسئله طبقه‌بندی دودویی است. ^۴۷. به منظور اطمینان از دقت، ۱۳۰ نقطه غیر سیل بر اساس ARCGIS 10 به صورت تصادفی تولید شدند. ۷۰٪ پروژه به صورت تصادفی برای منطقه آموزشی و ۳۰٪ پروژه‌ها به صورت تصادفی برای منطقه آزمایشی انتخاب شدند. نقاط سیل‌خیز در فهرست سیل با استفاده از نرم‌افزار ARCGIS 10.8 در نقشه دیجیتال موقعیت‌یابی شدند و مقدار ۱ به عنوان وجود سیل تعیین شد، هیچ نقطه سیل‌خیزی روی ۰ تنظیم نشد. محدوده منطقه اصلی شهری پکن از طریق تصاویر ماهواره‌ای گوگل شناسایی و بر اساس توضیحات متنی و گزارش تصویری فاجعه سیل توسط رسانه‌های اجتماعی، دولت محلی و مقامات شهرداری قضاوت شد. مناطقی که دچار آبگرفتگی مکرر بودند، اساساً با خطوط قرمز مشخص شدند (شکل  ۲ ).

نقشه مکان‌های سیل‌زده و غیر سیل‌زده (ما نقشه را با استفاده از arcgis10.7 ترسیم کردیم. http://www.esri.com/sofware/arcgis ).

تصویر در اندازه کامل

منابع داده

داده‌های پایش سنجش از دور کاربری زمین، داده‌های توزیع مکانی بافت خاک چین، داده‌های درون‌یابی مکانی بارش و داده‌های نور شب، همگی از داده‌های رایگان منتشر شده در اینترنت توسط مرکز منابع و علوم محیطی و داده‌های موسسه تحقیقات علوم جغرافیایی و منابع طبیعی، آکادمی علوم چین، گرفته شده‌اند. داده‌های ارتفاع جغرافیایی از پایگاه داده ASTER GDEM از پلتفرم Geospatial Data Cloud با وضوح ۳۰ متر به دست آمدند. سایر پیش‌بینی‌کننده‌ها با استفاده از “ماشین‌حساب رستری” در جعبه ابزار ARCGIS 10.8 بر اساس داده‌های DEM در منطقه مورد مطالعه به دست آمدند. فهرست سیل از رسانه‌های اجتماعی مختلف، دولت‌های محلی و مقامات شهری به دست آمد (جدول ۱ ).

انتخاب پیش‌بینی‌کننده‌های سیل

یافتن پیش‌بینی‌کننده‌ها برای ساخت مدل سیل مهم و پیچیده است. انتخاب علمی و منطقی پارامترها منجر به بهبود دقت نقشه حساسیت به سیل می‌شود. در این مطالعه، با ترکیب با ادبیات قبلی، از ۱۲ پیش‌بینی‌کننده سیل استفاده شد: DEM، شیب، جهت، فاصله از رودخانه‌ها، TWI، SPI، STI، انحنا، انحنای سطح، LULC، خاک و بارندگی ^{۴۵ ، ۴۸٫} از جعبه ابزار “نمونه‌گیری مجدد” در ARCGIS 10.8 برای تبدیل تمام عوامل مؤثر به فرمت رستری با وضوح مکانی ۳۰ متر استفاده شد (شکل  ۳ ).

پیش‌بینی‌کننده‌ها: ( الف ) ارتفاع Dem، ( ب ) شیب، ( ج ) جهت شیب، ( د ) فاصله از رودخانه‌ها، ( ه ) TWI، ( و ) SPI، ( ز ) STI، ( ح ) انحنا، ( ط ) انحنای سطح زمین، ( ی ) LULC، ( ک ) خاک، ( ل ) بارندگی (ما نقشه را با استفاده از arcgis10.7 ترسیم کردیم. http://www.esri.com/sofware/arcgis ).

تصویر در اندازه کامل

ارتفاع DEM

ارتفاع عامل کلیدی در وقوع یا عدم وقوع سیل است ^{۴۹ ، ۵۰ ، ۵۱.} معنای فیزیکی استفاده از ارتفاع این است که آب همیشه تحت تأثیر جاذبه از ارتفاع بالا به پایین تغییر مکان می‌دهد، بنابراین ارتفاع پایین‌تر احتمال سیل را افزایش می‌دهد و برعکس ^{۵۲ ، ۵۳} .

شیب

سرعت حرکت سیل به شیب بستگی دارد ^۵۴. شیب زیاد باعث کاهش ظرفیت نگهداری آب خاک و ظرفیت نفوذ آن می‌شود و در نتیجه سرعت رواناب را افزایش می‌دهد و برعکس. در نتیجه، مناطقی با زمین‌های پست و مسطح، فرصت‌های بیشتری برای سیل‌گرفتگی و حساسیت بیشتر به سیل خواهند داشت ^۵۵ .

جنبه

جهت شیب بر جهت حرکت سیل تأثیر می‌گذارد و در عین حال قادر به حفظ رطوبت خاک است که به طور غیرمستقیم بر احتمال وقوع سیل تأثیر می‌گذارد ^۵۶ .

فاصله تا رودخانه‌ها

فاصله از رودخانه‌ها عامل مهمی است که بر حساسیت به سیل تأثیر می‌گذارد ^۵۷ ، زیرا فاصله، وقایع سیل و جریان رودخانه‌ها به رودخانه‌ها را کنترل می‌کند ^۵۸. در یک رویداد رگبار باران، هنگامی که سطح رودخانه بالا می‌آید، ابتدا منطقه اطراف تحت تأثیر قرار می‌گیرد و سیلی که از خاکریز سرریز می‌شود، با توجه به جهت‌های مختلف شیب، به مناطق مختلف جریان می‌یابد. بنابراین، هرچه فاصله از رودخانه‌ها نزدیک‌تر باشد، ابتدا بیشتر تحت تأثیر قرار می‌گیرد و حساسیت به سیل بیشتر می‌شود ^۵۹ .

تویی

TWI شاخصی از تأثیر توپوگرافی بر جهت جریان و تجمع رواناب است که می‌تواند به طور مؤثر تفاوت‌های مکانی در رطوبت حوزه آبخیز را بیان کند. ^{۶۰ ، ۶۱٫} TWI تابعی از شیب و مساحت مشارکت بالادست است و به شناسایی افزایش بالقوه مدل رواناب بارش منطقه‌ای، محتوای آب خاک و مناطق آب، بر اساس مساحت هر اندازه پیکسل آب، کمک می‌کند . ^۶۲٫ این با استفاده از معادله ( ۱ ) محاسبه می‌شود :

که در آن SCA حوضه آبریز محلی با شیب بالادست است که از میان سلول‌های شبکه جریان دارد، و Slope تندترین شیب رو به بیرون در هر سلول شبکه است که با نسبت افت/فاصله، مقدار “tan” زاویه شیب، اندازه‌گیری می‌شود.

اس پی آی

شاخص SPI معمولاً برای توصیف جریان و فرسایش یک نقطه روی سطح استفاده می‌شود. افزایش مساحت و شیب حوضه آبخیز منجر به افزایش حجم آب و سرعت جریان ناشی از منطقه بالادست و افزایش متناظر SPI می‌شود، در نتیجه خطر فرسایش خاک را افزایش می‌دهد. این با استفاده از معادله ( ۲ ) محاسبه می‌شود:

که در آن SCA حوضه آبریز محلی با شیب بالادست است که از میان سلول‌های شبکه جریان دارد، و Slope تندترین شیب رو به بیرون در هر سلول شبکه است که با نسبت افت/فاصله، مقدار “tan” زاویه شیب، اندازه‌گیری می‌شود.

عفونت‌های آمیزشی (STI)

شاخص STI یک متغیر جامع توپوگرافی مفید است که حرکت آب و رسوب را در یک مکان خاص مشخص می‌کند. STI موقعیت مکانی یک نقطه در چشم‌انداز را کمّی می‌کند، که می‌تواند فراوانی سیل را افزایش داده و منجر به آسیب به پی شود. ^۶۳ بستر یک کانال با رسوب‌گذاری تغییر می‌کند و ظرفیت کانال برای نگهداری آب را کاهش داده و منجر به سیل می‌شود. این با استفاده از معادله ( ۳ ) محاسبه می‌شود:

که در آن SCA حوضه آبریز محلی با شیب بالادست است که از میان سلول‌های شبکه جریان دارد، و Slope تندترین شیب رو به بیرون در هر سلول شبکه است که با نسبت افت/فاصله، مقدار “tan” زاویه شیب، اندازه‌گیری می‌شود.

انحنا

بزرگی انحنا را می‌توان با برگرداندن مقدار شعاع آن بدست آورد. مقادیر انحنای منفی نشان‌دهنده‌ی تقعر، مقادیر انحنای مثبت نشان‌دهنده‌ی تحدب و مقادیر انحنای صفر نشان‌دهنده‌ی صفحه هستند . ^{۶۴ ، ۶۵٫} انحنا می‌تواند بر سیل ناشی از تعادل آب تأثیر بگذارد. ^{۳۷ ، ۶۶} ، مناطقی با مقادیر منفی مستعد سیل هستند که ارتباط نزدیکی با همگرایی فرآیند رواناب دارد. ^۶۷ .

انحنای پلان

انحنای صفحه به انحنای منحنی در آن نقطه روی سطح زمین، مختص هر نقطه، از طریق صفحه افقی نقطه‌ای که سطح زمین را در جهت افقی قطع می‌کند، اشاره دارد. انحنای صفحه، خمیدگی و تغییر سطح را در امتداد جهت افقی توصیف می‌کند، که درجه خمیدگی خط تراز زمین در آن نقطه است. این نیز تحلیل شیب بر اساس نتیجه تحلیل جنبه شیب داده‌های DEM در منطقه مورد مطالعه است.

LULC

رواناب سطحی و انتقال رسوب تحت تأثیر LULC با کنترل تولید رواناب سطحی و نفوذ قرار گرفتند، بنابراین LULC مستقیماً بر فراوانی سیل تأثیر گذاشت ^۶۸. در این مطالعه از داده‌های سنجش از دور کاربری اراضی در سال ۲۰۲۰ استفاده شد که با تفسیر بصری دستی بر اساس تصاویر Landsat TM ایالات متحده تولید شده بود. ما همچنین LULC را به شش دسته تقسیم کردیم: زمین‌های کشت‌شده، زمین‌های جنگلی، علفزارها، آب، شهر و زمین‌های بلااستفاده. از آنجایی که LULC در کوتاه‌مدت تغییر زیادی نکرد، داده‌های LULC سال ۲۰۲۰ در دسترس در نظر گرفته شد.

خاک

خواص خاک مستقیماً بر نفوذ رواناب ناشی از بارندگی تأثیر می‌گذارد و هرچه نفوذپذیری بیشتر باشد، احتمال وقوع سیل کمتر است . ^۶۹ خواص فیزیکی خاک، ظرفیت نگهداری آب آن را تعیین می‌کند و همچنین توانایی آن را در دریافت و تخلیه آب در طول بارندگی تعیین می‌کند و به طور غیرمستقیم بر مدت زمان سیل تأثیر می‌گذارد. داده‌های توزیع مکانی خواص خاک مورد استفاده در این مطالعه، نقشه نوع خاک ۱:۱ میلیون و داده‌های پروفیل خاک به‌دست‌آمده از سرشماری دوم خاک هستند که داده‌های پس‌زمینه محسوب می‌شوند.

بارندگی

بارندگی شرط مهمی است که منجر به وقوع سیل می‌شود ^۷۰. در این مطالعه، از یک مجموعه داده بارش درون‌یابی‌شده مکانی در سال ۲۰۱۵ استفاده شد که در محدوده سری‌های زمانی مورد مطالعه قرار داشت. این مجموعه با تلفیق، محاسبه و پردازش درون‌یابی مکانی بر اساس مشاهدات روزانه از چندین ایستگاه هواشناسی تولید شد. بارندگی با استفاده از نرم‌افزار درون‌یابی ANUSPLIN از استرالیا درون‌یابی شد. ANUSPLIN ابزاری برای تجزیه و تحلیل و درون‌یابی داده‌های چند متغیره با استفاده از تابع هموارسازی اسپلاین است، یعنی روشی برای تقریب سطح به تابع، که می‌تواند تجزیه و تحلیل آماری معقول و تشخیص داده‌ها را انجام دهد. توزیع مکانی داده‌ها نیز قابل تجزیه و تحلیل است و می‌تواند عملکرد درون‌یابی مکانی را پیاده‌سازی کند.

مدل‌سازی حساسیت به سیل

در تحلیل احتمال پیش‌بینی سیل، مدل رگرسیون لجستیک معمولاً برای انجام محاسبه احتمال وقوع یک فاجعه زمانی که متغیر وابسته مشخص است، استفاده می‌شود . ^۷۱. در رگرسیون لجستیک، با توجه به اینکه متغیر شرطی نقش اصلی را در تعیین متغیر وابسته ایفا می‌کند، با افزایش تعداد متغیرهای شرطی مستقل، تأثیر برازش مدل در تحلیل بهتر می‌شود. ^۷۲ .

در مطالعات قبلی نشان داده شده است که LR در نقشه‌برداری حساسیت به بلایا مؤثر است و مزایای زیادی را در پردازش داده‌ها و نمایش نتایج نشان داده است ^{۷۳ ، ۷۴ ، ۷۵٫} به عنوان مثال، متغیرهای مستقل در LR نیازی به توزیع نرمال ندارند؛ نوع داده عامل شرط محدود نمی‌شود؛ خروجی نتیجه LR می‌تواند در تشخیص دقت داده‌های نمونه بسیار مؤثر باشد ^۷۶٫ بنابراین، در نظر گرفته می‌شود که LR می‌تواند الزامات ما را برای دقت پیش‌بینی، رتبه‌بندی عوامل تأثیر و عملکرد تخمین احتمال ^۷۷ برآورده کند .

در این مطالعه، از LR برای تحلیل حساسیت به سیل استفاده شده است، که برای توصیف متغیر وابسته و متغیر مستقل رابطه بین بهترین مدل برازش شده ^۲۴ طراحی شده است . وقوع سیل به عنوان متغیر وابسته برای نشان دادن وجود (مقدار ۱) یا عدم وجود (مقدار ۰) سیل استفاده شد که همراه با GIS برای پیش‌بینی احتمال سیل‌های آینده ^۷۸ استفاده شد . بنابراین، معادله ( ۴ ) را می‌توان به عنوان همبستگی بین وقوع سیل و وابستگی آن ^۷۹ توصیف کرد :

که در آن، P احتمال وقوع سیل است. روی خط منحنی سیگموئید، احتمالات از ۰ تا ۱ متغیر است و Z یک ترکیب خطی است. بنابراین، LR شامل برازش معادله ( ۵ ) به شکل زیر است:

که در آن Z اثر ترکیبی سیل، X _i (i = 1,2,……,n) عوامل تأثیر سیل، β _۰ عرض از مبدا مدل و β _i پارامتر مدل LR ^۸۰ است .

ضریب همبستگی پیرسون

در علوم طبیعی، ضریب همبستگی پیرسون به طور گسترده برای اندازه‌گیری مقدار بین ۱ تا ۱ بین دو متغیر استفاده می‌شود. این ضریب با استفاده از معادله ( ۶ ) محاسبه می‌شود:

که در آن R نشان دهنده ضریب همبستگی پیرسون بین متغیرهای x و y است، n تعداد متغیرهای x و y است. مقادیر ضریب همبستگی پیرسون مربوط به یک سطح خاص را در جدول ۲ ^۸۱ ببینید .

در تحلیل حساسیت به سیل، ما با استفاده از آزمون همبستگی پیرسون، یک ماتریس همبستگی (جدول ۳ ) ایجاد کردیم تا همبستگی بین متغیرهای مستقل (پیش‌بینی‌کننده‌های سیل) را اندازه‌گیری کنیم. انتظار داریم متغیرهای مستقل کاملاً با خودشان همبستگی داشته باشند، به این معنی که همبستگی بین متغیرها ضعیف است. نتایج آزمون نشان می‌دهد که DEM و شیب، LULC؛ انحنای سطح زمین و شیب؛ شیب و SPI؛ SPI و STI همبستگی خطی متوسطی دارند که ممکن است منجر به رابطه خطی ضعیف بین سایر عوامل شود.

آزمون همخطی چندگانه

همخطی چندگانه به این معنی است که بین متغیرهای مستقل مدل رگرسیون ^۸۲ همبستگی خطی وجود دارد . اگر همخطی چندگانه وجود داشته باشد، هنگام محاسبه متغیرهای مستقل، ضریب رگرسیون جزئی β، ماتریس برگشت‌ناپذیر است و منجر به جواب بی‌نهایت یا عدم جواب β ^۸۳ شده است . آزمون همخطی چندگانه برای رد این ریسک پنهان انجام می‌شود. در یک آزمون، اگر در یک مدل LR، دو یا چند متغیر مستقل همبستگی بالایی داشته باشند، به این معنی که یک متغیر می‌تواند از متغیرهای دیگر پیش‌بینی خطی داشته باشد. شایان ذکر است که حتی اگر همخطی چندگانه رخ دهد، قابلیت اطمینان و پیش‌بینی ویژگی‌های قدرتمند مدل را کاهش نمی‌دهد. این فقط بر تخمین‌های مرتبط با یک متغیر پیش‌بینی‌کننده واحد تأثیر می‌گذارد.

روش‌های زیادی برای آزمایش همخطی چندگانه وجود دارد، مانند تحمل (TOL)، عامل تورم واریانس (VIF، معکوس TOL)، نمودارهای پراکندگی جفتی و مقادیر ویژه در ماتریس‌های همبستگی ^۸۴٫ در این مطالعه، ما از TOL و VIF برای تشخیص همخطی چندگانه استفاده می‌کنیم (جدول ۴ ). VIF با مقایسه همبستگی سایر متغیرهای توضیحی با یک متغیر توضیحی معین، همخطی چندگانه را آزمایش می‌کند. VIF شامل یک شاخص است، که به محاسبه شاخص به دلیل همخطی چندگانه و تخمین واریانس ضریب رگرسیون مربوط می‌شود. عامل تورم واریانس را می‌توان با استفاده از معادلات ( ۷ ) و ( ۸ ) محاسبه کرد:

در میان آنها، R ضریب همبستگی منفی بین متغیرهای مستقل و سایر متغیرهای مستقل در تحلیل رگرسیون است.

احتمال همخطی بین متغیرهای مستقل با افزایش VIF افزایش می‌یابد. بر اساس تجربیات قبلی، وقتی VIF از ۱۰ بیشتر می‌شود، نشان می‌دهد که مدل رگرسیون دارای همخطی چندگانه شدید است. وقتی TOL بیشتر از ۰٫۱ باشد، دامنه VIF کمتر از ۱۰ قابل قبول است و نشان می‌دهد که هیچ مشکل همخطی بین متغیرهای مستقل وجود ندارد. اگر VIF بیشتر از ۱۰ باشد، مدل خطی عمومی قابل اجرا نیست و معمولاً با حذف متغیرهایی با VIF بزرگ یا ترکیب متغیرهای مرتبط در یک متغیر واحد، اصلاح می‌شود. جدول ۴ نشان می‌دهد که مقادیر TOL همه متغیرهای مستقل در این مطالعه بیشتر از ۰٫۱ و مقادیر VIF کمتر از ۱۰ بوده است، به این معنی که مقادیر VIF همه متغیرهای مستقل مشکل همخطی چندگانه را ندارند. بنابراین، همه این متغیرها در LR گنجانده شده و آزمایش شدند، زیرا هر متغیر می‌تواند بر سیل تأثیر بگذارد.

تخمین رگرسیون لجستیک

برای LR، مدل آموزشی برای تخمین ضریب بتای تمام متغیرهای مستقل و استفاده از آن به عنوان وزن هر شاخص ارزیابی. نتایج تحلیل LR در جدول ۵ نشان داده شده است . “Wald” نشان دهنده مقدار کای-اسکوئر Wald است که می‌تواند برای آزمایش سطح معنی‌داری هر متغیر استفاده شود. “Sig” نشان دهنده احتمال معنی‌داری است. در این مطالعه، مقادیر Sig مربوط به DEM (P = 4.084E−۰۵)، شیب (P = 0.008)، بارندگی (P = 1.056E−۰۵)، LULC (P = 8.222E−۰۷) و خاک (P = 0.006) کمتر از ۰٫۰۵ بود که نشان می‌دهد این پنج پیش‌بینی‌کننده در LR ^۸۵ از نظر آماری معنی‌دار بوده‌اند . مقدار مثبت Beta نشان می‌دهد که متغیر متناسب با احتمال سیل است و برعکس ^۸۶ .

با توجه به قدرت رگرسیون همه عوامل در جدول ۵ و طبق معادله ( ۵ )، پس از حذف عوامل بی‌اهمیت، معادله LR با معادله ( ۹ ) نشان داده می‌شود:

و سپس، مقدار z محاسبه شده در بالا را در معادله ( ۱۰ ) جایگزین کنید تا P محاسبه شود:

یعنی وقوع سیل عمدتاً توسط DEM، شیب، بارندگی، LULC و خاک توضیح داده می‌شود.

تحلیل تعامل

اثر واقعی یک عامل (اثر واحد) با تغییر سطح عامل دیگر تغییر می‌کند. اثر متقابل زمانی رخ می‌دهد که دو یا چند عامل مواجهه به طور همزمان وجود داشته باشند و اثر آنها برابر با اثر ترکیبی اثرات انفرادی آنها نباشد. تجزیه و تحلیل اثر متقابل بین عوامل به ما کمک می‌کند تا مکانیسم عملکرد آنها بر سیل و اثر افزایشی آنها را بیشتر درک کنیم.

برهمکنش‌ها را می‌توان به برهمکنش‌های افزایشی و برهمکنش‌های ضربی تقسیم کرد. دو رویداد وجود دارد، A و B که چهار دسته را پوشش می‌دهند: A−، A+، B− و B+.

در برهمکنش افزایشی، اگر رابطه بین A و B معادله ( ۱۱ ) را برآورده کند

این نشان می‌دهد که هیچ تعامل افزایشی بین دو عامل وجود ندارد، که در آن R ریسک مطلق است (مشابه زیر). اگر رابطه بین A و B معادله ( ۱۲ ) را برآورده کند

این نشان می‌دهد که بین این دو عامل یک اثر متقابل افزایشی مثبت وجود دارد و بالعکس.

در برهمکنش ضرب، اگر رابطه بین A و B معادله ( ۱۳ ) را برآورده کند

این نشان می‌دهد که هیچ تعامل ضربی بین دو عامل وجود ندارد. اگر رابطه بین A و B معادله ( ۱۴ ) را برآورده کند

این نشان می‌دهد که دو عامل دارای ضرب و تعامل مثبت هستند و برعکس.

شاخص (RERI) که ریسک اضافی نسبی ناشی از تعامل را ارزیابی می‌کند، با معادله ( ۱۵ ) محاسبه می‌شود:

نسبت قابل انتساب به دلیل تعامل (AP) با استفاده از معادله ( ۱۶ ) محاسبه می‌شود:

شاخص سینرژی S با استفاده از معادله ( ۱۷ ) محاسبه شد.

وقتی هیچ اثر متقابل افزایشی بین دو عامل وجود نداشته باشد، فاصله اطمینان RERI و AP باید شامل ۰ و فاصله اطمینان S باید شامل ۱ باشد. در LR مورد استفاده در این مطالعه، شرط معادله ( ۱۸ ) را برآورده می‌کند.

اثر جداگانه A با معادلات ( ۱۹ ) و ( ۲۰ ) بیان می‌شود:

اثر جداگانه B توسط معادلات ( ۲۱ ) و ( ۲۲ ) بیان شده است:

اثر ترکیبی A و B با معادلات ( ۲۳ ) و ( ۲۴ ) بیان می‌شود:

اثر متقابل ضرب ارزیابی با استفاده از معادلات ( ۲۵ ) و ( ۲۶ ) محاسبه می‌شود:

اثر متقابل افزایشی ارزیابی با استفاده از معادلات ( ۲۷ )، ( ۲۸ ) و ( ۲۹ ) محاسبه می‌شود:

وقتی حداقل یکی از دو عامل، عامل محافظتی باشد، معمولاً از دسته کم‌خطر به عنوان مرجع استفاده می‌شود (یا از دسته پرخطر به عنوان مواجهه استفاده می‌شود).

در ساخت مدل LR، پنج عامل بر اساس اهمیت آنها انتخاب شده‌اند، یعنی DEM، شیب، بارندگی، LULC و خاک. به منظور بررسی بیشتر تعامل بین این عوامل، عوامل فوق با استفاده از اثر متقابل افزایشی و اثر متقابل ضربی تجزیه و تحلیل می‌شوند (جدول ۶ ). از آنجایی که فقط دو دسته می‌توانند در تجزیه و تحلیل اثر متقابل افزایشی استفاده شوند، DEM، شیب و بارندگی بر اساس میانه و میانگین به دو دسته بارندگی زیاد و کم تقسیم می‌شوند، به منظور تقویت بیشتر تأثیر شهرنشینی و اختلالات انسانی بر حساسیت به سیل، LULC به زمین‌های ساختمانی شهری (که در محاسبه به عنوان ۱ ثبت شده است) و زمین‌های غیرشهری (که به عنوان ۲ ثبت شده است) ترکیب می‌شود و نوع خاک به خاک غیرانسانی (که به عنوان ۱ ثبت شده است) و خاک مصنوعی (که به عنوان ۲ ثبت شده است) ادغام می‌شود.

نتایج نشان می‌دهد که برای برهمکنش محصول، اثرات جداگانه DEM، شیب و بارندگی به ترتیب ۰٫۴۷۵، ۰٫۸۰۹ و ۰٫۵۱۲ است. شیب تأثیر بیشتری بر حساسیت به سیل دارد و پس از آن بارندگی و DEM قرار دارند. هنگامی که خاک مصنوعی و خاک غیر مصنوعی به طور جامع در نظر گرفته شوند، احتمال سیل بسیار بیشتر از زمین شهری و زمین غیر شهری است. برای برهمکنش عوامل مختلف، برهمکنش ضربی بین DEM و شیب، وقوع سیل را افزایش می‌دهد، در حالی که برهمکنش بین DEM و بارندگی، شیب و بارندگی، خاک و LULC منفی است. برای برهمکنش‌های افزایشی، RERI، AP و S محاسبه می‌شوند و نتایج نشان می‌دهد که هیچ برهمکنش افزایشی وجود ندارد.

اعتبارسنجی نتایج ارزیابی حساسیت

در طول تحلیل حساسیت به سیل، تعیین اینکه منطقه سیل‌خیز در آینده می‌تواند تحت تأثیر قرار گیرد، بسیار مهم است. در این مطالعه، از LR برای نقشه‌برداری حساسیت به سیل در محیط GIS استفاده شد (شکل  ۴ الف) ^۸۷٫ به منظور تأیید عملکرد روش، از مشخصه عملکرد گیرنده (ROC) استفاده شد. مدل ROC بر اساس نمودارهای نرخ‌های مثبت واقعی (حساسیت) در مقابل نرخ‌های مثبت کاذب (۱-ویژگی) با نقاط برش مختلف توسعه داده شد. منحنی ROC با ارائه ۱-ویژگی در محور X نسبت به حساسیت در محور Y رسم شد ^{۲۴ ، ۸۸٫} که در آن، حساسیت نشان دهنده کل پیکسل‌هایی است که به طور دقیق به پیکسل‌های سیل تقسیم شده‌اند و ۱-ویژگی نشان دهنده چندین پیکسل غیر سیل‌خیز است. AUC توسط مساحت محصور شده توسط منحنی ROC (یا خط شکسته) و محور افقی اندازه‌گیری می‌شود که به عنوان معیار ارزیابی مدل ^۸۹ استفاده شد . AUC را می‌توان با معادله ( ۳۰ ) محاسبه کرد:

که در آن، P و N به ترتیب تعداد سیل‌ها و غیر سیل‌ها را نشان می‌دهند. TP (مثبت واقعی) و TN (منفی واقعی) تعداد پیکسل‌هایی را که به درستی طبقه‌بندی شده‌اند نشان می‌دهند. ما AUC بین ۰٫۵ تا ۰٫۶ را یک مدل بد در نظر می‌گیریم. محدوده بین ۰٫۶ تا ۰٫۷ نیز نشان دهنده عملکرد ضعیف مدل، محدوده بین ۰٫۷ تا ۰٫۸ نشان دهنده عملکرد متوسط ​​مدل و مقدار بیشتر از ۰٫۸ نشان دهنده عملکرد بسیار خوب مدل است . ^۹۰٫ در این مطالعه، P = 260، T = 130، پس از یادگیری و آموزش مدل، TP = 76، TN = 236، یعنی ۲۳۶ از ۲۶۰ نقطه سیل واقعی به درستی پیش‌بینی شدند، ۲۴ نقطه به اشتباه پیش‌بینی شدند و میزان دقت پیش‌بینی به ۹۰٫۸٪ رسید. از ۱۳۰ نقطه غیر سیل، ۷۶ نقطه به درستی پیش‌بینی شدند و ۵۴ نقطه به اشتباه پیش‌بینی شدند (جدول ۷ ). دقت پیش‌بینی جامع مدل ۸۱٪ است که توسط سطح پایینی احاطه شده توسط چندخطی آبی ضربی در منحنی ROC نشان داده شده است (شکل  ۵ ). بر این اساس، ما معتقدیم که مدل توانایی پیش‌بینی خوبی دارد، اما پیش‌بینی نقاط غیر سیل‌خیز هنوز کافی نیست. این مدل احتمال وقوع سیل را بیش از حد تخمین می‌زند، که منجر به سرمایه‌گذاری مالی غیرضروری دولت در اقدامات کنترل سیل خواهد شد، اما بیش از حد تخمین زدن حساسیت به سیل، تضمین بالاتری برای ایمنی مردم دارد.

( الف ) نقشه حساسیت به سیل؛ ( ب ) نقشه درجه شهرنشینی (طبق مجموعه داده‌های نور شب) (ما نقشه را با استفاده از arcgis10.7 ترسیم کردیم. http://www.esri.com/sofware/arcgis ).

تصویر در اندازه کامل

مقدار AUC مدل‌ها برای کالیبراسیون و منحنی ROC.

تصویر در اندازه کامل

رابطه بین سیل و مناطق آسیب‌پذیر

ما نقشه‌های حساسیت به سیل را بر اساس شکست‌های طبیعی به پنج دسته طبقه‌بندی کردیم: خیلی کم (۰-۰٫۱۳)، کم (۰٫۱۳-۰٫۳۰)، متوسط ​​(۰٫۳۰-۰٫۴۸)، زیاد (۰٫۴۸-۰٫۶۵) و خیلی زیاد (۰٫۶۵-۱). این نقشه‌ها به ترتیب ۲۹٫۴۹٪، ۲۷٫۷۰٪، ۱۵٫۳۶٪، ۱۴٫۳۸٪ و ۱۳٫۰۶٪ از منطقه مورد مطالعه را تشکیل می‌دهند. مناطق حساس خیلی کم، کم و متوسط ​​۷۲٫۵۶٪ از کل منطقه، شامل ۳۰٫۷۴٪ از نقاط فاجعه سیل در منطقه این مطالعه، و ۲۷٫۴۴٪ از مناطق در معرض خطر زیاد و بسیار زیاد برای فاجعه سیل، شامل ۷۰٫۴۳٪ از نقاط فاجعه سیل (جدول ۸ ) بودند، که نشان می‌دهد سیل در این مناطق به طور متراکم توزیع شده و بسیار حساس بوده است. این مدل از درجه برازش خوبی برخوردار است و با وضعیت واقعی سازگار است.

نقشه حساسیت به سیل نشان داد که خطر سیل در مناطق مسکونی منطقه مورد مطالعه بیشترین میزان را دارد. علاوه بر این، شمال شرقی، شمال و جنوب غربی پکن نیز در معرض خطر بالای سیل قرار دارند. کمترین خطر در غرب است. از طریق مقایسه و تجزیه و تحلیل با ۱۲ عامل تأثیر سیل فوق (شکل  ۳ )، اگرچه بارندگی نسبتاً زیادی در غرب وجود دارد، اما این منطقه عمدتاً کوهستانی و دارای ارتفاع زیاد است که مستعد بلایای سیل نیست و جهت منطقه عمدتاً شمال غربی است. حتی اگر سیل ناگهانی رخ دهد، به سمت شمال غربی و دور از منطقه اصلی شهری حرکت خواهد کرد. ارتفاع و جهت با سهم بارندگی در حساسیت همبستگی معکوس دارند، که ممکن است مانع از تأثیر مثبت بارندگی بر حساسیت به سیل شود.

تخمین دقیق حساسیت به سیل، کلید حفظ امنیت مردم و توسعه اقدامات مؤثر برای کاهش اثرات آن است. با این حال، عوامل زیادی توسعه سیل را کنترل می‌کنند و هرگز نمی‌توان آن را به طور کامل پیش‌بینی کرد. بنابراین، پیشنهاد می‌کنیم که ارزیابی حساسیت به سیل برای هر شهر انجام شود و در مناطق مستعد سیل، از قبل برای مقابله با شرایط اضطراری احتمالی آینده، آماده‌سازی انجام شود ^. به طور مشابه، انتخاب شاخص‌های ارزیابی مناسب، مدل پیش‌بینی کامل و بهبود دقت نتایج ارزیابی حساسیت بسیار مهم است. از طریق ادبیات، تعداد فزاینده‌ای از الگوریتم‌های یادگیری ماشین واحد، الگوریتم ترکیبی یکپارچه برای مدل‌سازی حساسیت به سیل استفاده می‌شود، این مطالعه هنوز از LR سنتی و ترکیب آن با GIS و RS استفاده می‌کند و تأیید عملکرد بهتر، ساده و کارآمدی را به دست آورده است که می‌تواند به مدیران در تصمیم‌گیری در مورد کنترل سیل و توسعه کلان‌شهر کمک کند. جدول ۹ عوامل تأثیر سیل و دسته‌های متغیر را نشان می‌دهد. در مجموع ۱۲ عامل، پنج عامل با اهمیت کمتر از ۰٫۰۵ به عنوان پارامترهای مدل با استفاده از آزمون ضریب همبستگی پیرسون، آزمون همخطی چندگانه و سایر مراحل انتخاب شدند: DEM، شیب، بارندگی، LULC و خاک. این با نتایج تحقیقات قبلی متفاوت است، زیرا ما سیل‌های ناگهانی و آب‌گرفتگی را در یک کل برای تحقیق ادغام می‌کنیم. هر دوی آنها بلایای طبیعی هستند که ابرشهرها با آن مواجه هستند، بنابراین فهرست سیل ترسیم شده در این مطالعه هر دو را پوشش می‌دهد. نتیجه تجزیه و تحلیل، حساسیت ابرشهرها به سیل تحت اثرات ترکیبی سیل ناگهانی و آب‌گرفتگی است. نقشه حساسیت به سیل و جدول ۹ می‌تواند به وضوح وقوع سیل را در مقادیر/دسته‌های مختلف هر عامل منعکس کند و چگالی خطر سیل می‌تواند برای ارزیابی حساسیت به سیل استفاده شود.

برای پنج عامل با اهمیت کمتر از ۰٫۰۵: (۱) تراکم فاجعه سیل در ارتفاع پایین‌تر (۴ تا ۱۸۰ متر) زیاد است که عمدتاً در منطقه ساخت و ساز و دره کم‌ارتفاع متمرکز است. در یک رویداد رگبار باران، جریان آب در سطح بالایی به سرعت جمع شده و به سطح پایین‌تر هجوم می‌آورد و مقدار زیادی آب جاری از بالادست منجر به افزایش سریع سطح آب و سرعت آن در پایین‌دست می‌شود که همان تولید سیل ناگهانی است. علاوه بر این، سیمان و آسفالت با نفوذپذیری ضعیف به عنوان سطح زیرین عمل می‌کنند که باعث می‌شود سرعت نفوذ آب کند شود و آب بالادست و بارندگی در مناطق کم‌ارتفاع تجمع یابد که همان وقوع آبگرفتگی است. (۲) سیل‌های بیشتری زمانی رخ می‌دهند که شیب ملایم باشد (۰ تا ۶٫۲۲ درجه، ۶٫۲۲ تا ۱۵٫۱۱ درجه)، که عمدتاً به این دلیل است که آبگرفتگی در مناطق مسطح با فرورفتگی رخ می‌دهد. وقتی شیب تند است، سیل در هر محدوده مقداری رخ می‌دهد و تراکم فاجعه سیل اساساً یکسان است. (۳) بارندگی اساساً متناسب با تراکم فاجعه سیل است، اما در مناطقی که بیشترین بارندگی را دارند (۵۸۳٫۸۶-۵۹۴٫۵۴ میلی‌لیتر، ۵۹۴٫۵۴-۶۲۸٫۴۲ میلی‌لیتر)، سیل کمتری رخ می‌دهد. این ممکن است به این دلیل باشد که ما در ترسیم نقشه موجودی سیل به اندازه کافی جامع نیستیم یا تحت تأثیر جامع عوامل دیگر قرار داریم. این مناطق حتی با بارندگی زیاد، کمتر مستعد سیل هستند یا توسط رشته کوه‌های متعددی احاطه شده‌اند که مانع گردش جوی می‌شوند. (۴) برای LULC، برجسته‌ترین نکته این است که بلایای سیل بیشتری در منطقه اصلی شهری وجود دارد و تراکم فاجعه سیل ۳۰٫۶۴ است و پس از آن جنگل، مرتع و منطقه آبی قرار دارند و تراکم فاجعه سیل به ترتیب ۷٫۰۵، ۶٫۹۹ و ۶٫۸۳ است. (۵) تأثیر خاک بر سیل همچنین نشان داد که تراکم فاجعه سیل در منطقه ساخته شده زیاد بوده و سطح زیرین عمدتاً سیمان و آسفالت و پس از آن خاک شالیزاری بوده است. خاک شالیزاری یکی از مهمترین خاک‌های شخم‌زدنی در چین است. یافته‌های فوق همچنین به ما یادآوری می‌کند که همیشه باید به مناطق اصلی شهری توجه زیادی داشته باشیم. بحث در مورد تعامل عوامل مختلف، برای DEM یکسان، شیب بیشتر احتمال سیل را کاهش می‌دهد و برای شیب یکسان، DEM بالاتر احتمال سیل را کاهش می‌دهد. دلیل این امر این است که آبگرفتگی بیشتر در منطقه مورد مطالعه رخ می‌دهد، زمین شهری مسطح است، ارتفاع کم است، شیب کم است و ظرفیت زهکشی ضعیف است که به راحتی می‌توان فاجعه آبگرفتگی را پیش‌بینی کرد. برای DEM یا شیب یکسان، بارندگی فراوان‌تر احتمال سیل را کاهش می‌دهد که با شناخت قبلی ما متفاوت است. با این حال، طبق تجزیه و تحلیل شکل  ۳l، توزیع بارش در منطقه مورد مطالعه محدودیت‌های مکانی آشکاری دارد و مناطقی که بارندگی شدید دارند، همگی در مناطق کوهستانی توزیع شده‌اند. این ممکن است به دلیل اثر جزیره گرمایی ناشی از ابرشهرها و پوشش گیاهی گسترده در مناطق کوهستانی باشد که باعث افزایش محتوای بخار آب محلی و در نتیجه بارندگی محلی می‌شود. بنابراین، بارش کمتر، بلایای سیل بیشتری را در مناطق شهری کم‌ارتفاع نسبت به مناطق کوهستانی به همراه دارد. در محدوده خاک غیرانسانی، فاجعه سیل زمین‌های غیرشهری کم، فاجعه سیل زمین‌های شهری زیاد و برعکس است.

طبق عقل سلیم، تراکم و استفاده از امکانات روشنایی می‌تواند نشان‌دهنده رونق منطقه باشد. بنابراین، شدت نور و تراکم نور منعکس شده توسط داده‌های نور شب می‌تواند نشان‌دهنده درجه شهرنشینی و توزیع تراکم جمعیت باشد. با استفاده از روش نقطه ناپیوسته طبیعی، داده‌های نور شب به‌دست‌آمده و پردازش‌شده را به پنج دسته تقسیم کردیم و تراکم بلایای سیل را درجات مختلف شهرنشینی در شکل  ۴b و جدول ۶ شمارش کردیم . با مقایسه تصاویر و جداول آماری، می‌توانیم دریابیم که تراکم بلایای سیل در منطقه بسیار بالا، هم از نظر درجه شهرنشینی و هم از نظر درجه حساسیت به سیل، بالاترین میزان را دارد و بسیار فراتر از سایر سطوح است. در تخمین منطقه‌ای لجستیک، نتیجه‌ای نسبتاً غیرطبیعی یافتیم. تحقیقات قبلی نشان داد که “هرچه به رودخانه نزدیک‌تر باشیم، حساسیت به سیل بیشتر است”. در این مطالعه، اگرچه “فاصله از رودخانه‌ها” عامل تأثیرگذار قابل توجهی نیست، اما با حساسیت به سیل رابطه منفی دارد که به نظر می‌رسد خلاف عقل سلیم باشد. ما معتقدیم که دلیل این نتیجه ممکن است این باشد که بلایای آبگرفتگی بیشتری در سری زمانی مورد مطالعه وجود دارد. رودخانه‌های کمتری در منطقه اصلی شهری وجود دارد و معمولاً تحت عملیات کنترل سیل با افزایش ارتفاع آب‌بندها قرار دارند، بنابراین به دلیل افزایش سطح آب رودخانه، سیل‌گرفتگی آسان نیست. بنابراین، نتایج این مطالعه آشکار می‌شود.

هرچه منطقه‌ای شهری‌تر باشد، خطر سیل بیشتر است. توسعه ابرشهرها روندی از گسترش و گسترش از مرکز شهر به خارج و در نهایت تحقق شهرنشینی کلی را نشان می‌دهد. حساسیت هر منطقه به سیل نیز افزایش می‌یابد. بنابراین، همیشه باید به مناطقی که ممکن است در آینده در آنها سیل رخ دهد، توجه کنیم.

در مقایسه با سایر الگوریتم‌های یادگیری ماشین، مدل LR معایب زیر را دارد: (۱) وقتی فضای ویژگی بزرگ است، عملکرد رگرسیون لجستیک خیلی خوب نیست. (۲) نمی‌تواند تعداد زیادی از ویژگی‌ها یا متغیرهای چند کلاسه را به خوبی مدیریت کند. (۳) برای ویژگی‌های غیرخطی، تبدیل مورد نیاز است. (۴) در مقایسه با مدل پیچیده‌تر، اثر آموزش ضعیف است. با این حال، به دلیل سرعت آموزش سریع مدل LR و قابلیت تفسیر خوب مدل، کاربران نیازی به نگرانی در مورد اینکه آیا ویژگی‌های داده‌ها مانند Bayes ساده مرتبط هستند یا خیر، ندارند. در مقایسه با درخت تصمیم و SVM، می‌تواند تفسیر احتمال بهتری نیز داشته باشد و به راحتی می‌تواند از داده‌های جدید برای به‌روزرسانی مدل و مجموعه‌ای از مزایا استفاده کند. علاوه بر این، از منظر عملی بودن، این مطالعه این مدل را برای تجزیه و تحلیل پیش‌بینی انتخاب می‌کند و نتایج همچنین نشان می‌دهد که توانایی پیش‌بینی رضایت‌بخشی دارد.

به نظر من، هنوز کاستی‌های زیر در مطالعه ما وجود دارد که شایسته بهبود بیشتر هستند: (۱) ما از مجموعه داده‌های رایگان با وضوح پایین در جمع‌آوری داده‌های پیش‌بینی‌کننده LULC، خاک و بارندگی استفاده کردیم. اگرچه آنها دوباره نمونه‌برداری شدند، اما همچنان بر دقت نتایج پیش‌بینی تأثیر داشتند. در مطالعه بعدی، می‌توان از مجموعه داده‌های با دقت بالاتر استفاده کرد. (۲) به دلیل جمع‌آوری داده‌های ناکافی، ۲۶۰ نقطه سیل مورد استفاده در این مطالعه نتوانستند تمام سیل‌های سری زمانی ۱۰ ساله را در یک منطقه مورد مطالعه بزرگ پوشش دهند، که ممکن است بر اهمیت پیش‌بینی‌کننده‌ها تأثیر بگذارد. (۳) مطالعات آینده باید با دقت بالاتری در مناطقی با حساسیت بالا انجام شود تا نظرات قانع‌کننده‌تری برای سیاست‌گذاران ارائه شود.

شناسایی مناطق مستعد سیل برای مدیریت حوزه آبخیز و زمین، به ویژه برای حفاظت از اموال و امنیت جانی مردم، ضروری است. پس از شناسایی مناطق مستعد سیل، هم مدیران و هم افرادی که در مناطق پرخطر زندگی می‌کنند باید در طول فصل بارندگی هوشیار باشند و به بلایای احتمالی سیل توجه کنند . ^۹۲. در این مطالعه، از RS برای شناسایی مناطق مستعد سیل در محیط GIS با استفاده از مدل LR استفاده شد و نقشه حساسیت به سیل پکن ایجاد شد. ۲۶۰ نقطه سیل مورد استفاده در این مطالعه شامل ۱۳۰ نقطه سیل ناگهانی و ۱۶۰ نقطه آبگرفتگی بود و سیل ناگهانی و آبگرفتگی به طور کلی برای ارزیابی حساسیت در نظر گرفته شدند. نقاط سیل به طور تصادفی به دو بخش تقسیم می‌شوند، یکی برای نقاط آموزشی (۷۰٪) و یکی برای ساخت و آزمایش مدل (۳۰٪) ^{۹۲ ، ۹۳.} سپس آزمون پیرسون، آزمون همخطی چندگانه و سایر مراحل برای اطمینان از اعتبار عوامل وارد شده به مدل انجام شد. در نهایت، از AUC برای ارزیابی عملکرد مدل استفاده شد. ما از مدل LR استفاده می‌کنیم که یکی از مزایای بزرگ این روش، سهولت درک آن و عدم نیاز به نرم‌افزار خاص یا برنامه‌های پیچیده است. نتایج اصلی تحقیقات ما در زیر خلاصه شده است:

1. ۱.پارامترهای DEM، شیب، بارندگی، کاربری اراضی و خاک در سطح اطمینان ۹۵٪ معنی‌دار بودند که تأثیر زیادی بر وقوع سیل داشتند. تحت تأثیر جداگانه هر عامل، شیب تأثیر بیشتری بر حساسیت به سیل دارد و پس از آن بارندگی و DEM قرار دارند. هیچ اثر متقابل افزایشی بین عوامل پیش‌بینی فوق که تأثیر معنی‌داری بر سیل داشته باشند، وجود ندارد. اثر متقابل ضربی بین DEM و شیب، وقوع سیل را افزایش می‌دهد، در حالی که اثر متقابل منفی بین DEM و بارندگی، شیب و بارندگی، خاک و کاربری اراضی وجود دارد.
2. ۲.مقدار AUC بزرگتر از ۰٫۸ است و مدل از قابلیت پیش‌بینی خوبی برخوردار است. اعتبار مدل LR از طریق این تحقیق بار دیگر اثبات می‌شود.
3. ۳.نسبت مناطق پرخطر و بسیار پرخطر ۲۷.۴۴ درصد بود که شامل ۷۰.۴۳ درصد از وقایع سیل می‌شد که عمدتاً در مناطق شهری با درجه بالایی از شهرنشینی توزیع شده بودند و نشان می‌دهد که خطرات سیل در این مناطق به طور متراکم توزیع شده و بسیار حساس هستند.
4. ۴.صرف نظر از درجه شهرنشینی یا درجه حساسیت به سیل، تراکم بلایای سیل در منطقه بسیار بالا بالاترین است که به ترتیب ۴۹.۷۷ و ۵۰.۸۴ است و بسیار بیشتر از سایر درجات است. این همچنین نشان می‌دهد که شهرهای بزرگ در فرآیند گسترش از منطقه شهری اصلی به عنوان مرکز، با خطرات سیل بیشتر و بیشتری روبرو خواهند شد و پیشگیری و کنترل بلایا باید در ساخت و سازهای شهری به خوبی انجام شود.

شهرهای بزرگ بیشتری در سراسر جهان وجود خواهند داشت. نتیجه‌گیری این مطالعه نشان می‌دهد که در فرآیند بازسازی و ساخت شهرهای بزرگ، باید نسبت به بلایای احتمالی سیل هوشیار باشیم، به پیشگیری و کنترل بلایا توجه کنیم و استقرار سیستم‌های زهکشی، آبگرفتگی و مقابله با سیل را تقویت کنیم تا توسعه شهری و ایمنی مردم را تضمین کنیم.