乾燥した都市部における洪水感受性のマッピング:JEDDAHのケーススタディ

科学分野:

• 環境科学
• 地理空間分析
• 人工知能

背景:

• サウジアラビアのジッダのような 乾燥し急速に都市化している地域では 洪水の脅威は大きく増大しています
• 限られた歴史的な洪水データと監視システムは,このような地域における効果的なリスク予測を妨げています.
• 都市計画や災害管理には 洪水への感受性の正確な地図を 作成することが不可欠です

研究 の 目的:

• データ不足の都市環境のための正確で解釈可能な洪水感受性のマッピングフレームワークを作成する.
• 先進的な機械学習技術と説明可能なAIを統合し,洪水リスクの評価を強化する.
• 同様の地域における洪水リスクの評価に 移行可能かつ拡張可能なソリューションを提供すること.

主な方法:

• XGBoost,CatBoost,ヒストグラムベースのグラデントブースト (HGB) を組み合わせたスタックされたアンサンブルモデルが開発されました.
• SHAPLEY ADDITIVE EXPLANATIONS (SHAP) は,モデルの透明性と特徴の重要性分析のために使用されました.
• DEM,傾き,流れ方向,曲線数,地形指標,LULCを含む地理空間データは予測として使用されました.

主要な成果:

• スタックされたアンサンブルモデルは高い予測性能を達成しました (AUC = 0. 92,精度 = 0. 82).
• トポグラフィック・ラフネス・インデックス (TRI),地形位置インデックス (TPI),河川への距離が重要な影響を与える特徴として特定されました.
• このモデルは,非常に高い (139 km2) と高 (325 km2) の洪水感受性を有する重要な地域をマッピングしました.

結論:

• 説明可能なAIによるスタックされたアンサンブル学習は,データ制限のある環境で信頼性の高い洪水感受性マップを提供します.
• 開発された枠組みは,乾燥した都市化地域における洪水リスクの評価のための実用的で拡張可能なアプローチを提供します.
• 道路データと交差するような創造的な検証戦略は,データ不足の地域で伝統的な方法を補完することができます.