عنوان الإطروحه |
مقارنة مزدوجة بين عملية التحليل الهرمي (AHP) وخوارزميات الذكاء الاصطناعي (AI) لرسم خريطة الفيضانات باستخدام بيانات الصور عالية الدقة في دراسة حالة مدينة عمان
|
تاريخ مناقشة الاطروحه |
2025-05-08 |
اسم الطالب |
عماد محمد حسين الرجوب
|
المشرف |
ماجد محمود فارس ابراهيم |
|
المشرف المشارك |
|
اعضاء لجنة المناقشة |
| عبدالرحمن ركاد خليف الشبيب |
| عمر البياري |
|
الكلية |
كلية علوم الارض والبيئة |
القسم |
علوم المعلومات الجغرافية |
الملخص بالعربية |
التغير المناخي ظاهرة عالمية تؤدي إلى تغيرات في أنماط الطقس مثل زيادة شدة وتواتر هطول الأمطار مما يؤدي إلى حدوث فيضانات مفاجئة، ويتميز الأردن بتنوع تضاريسه التي تتأثر بهذه الظاهرة حيث تتكرر الفيضانات كل 25 إلى 50 سنة مخلفة وراءها خسائر بشرية ومادية، لذلك فإن إنشاء خرائط مخاطر الفيضانات له أهمية كبيرة للتخطيط لمواجهة مثل هذه الكوارث.
لذلك فإن استخدام نظم المعلومات الجغرافية (GIS) والبيانات عالية الدقة له أهمية كبيرة في إنشاء منحنيات شدة هطول الأمطار بالإضافة إلى ذروة جريان الفيضانات المتوقعة، كما له أهمية كبيرة في عملية تحديد المناطق المعرضة لخطر الفيضانات، وهدفت هذه الدراسة إلى تحديد المناطق المعرضة لخطر الفيضانات المفاجئة، بالإضافة إلى توضيح الطرق الأكثر دقة في تحديد المناطق المعرضة لخطر الفيضانات في لواء قصبة عمان في العاصمة عمان، الأردن. باستخدام عمليات التحليل الهرمي (AHP) ونماذج التعلم الآلي (ML)، بناءً على أحد عشر معيارًا وهي الارتفاع، والانحدار، والاتجاه، ومؤشر الرطوبة الطبوغرافية، والتركيب الصخري، واستخدامات الارضي والغطاء الارضي، وهطول الأمطار، والانحناء، والمسافة إلى مجاري المياه، ومؤشر قوة التيار، ونسيج التربة. وخلصت الدراسة إلى أن معظم مناطق الدراسة هي مناطق مبنية ومعظم التربة هي صخور قاعية / غير منفذة ضمن المجموعة الهيدرولوجية D. وأظهرت النتائج أيضًا أن هناك علاقة عكسية بين ذروة التدفق والوقت المستغرق للوصول إلى الذروة. كما تطابقت الأحواض الفرعية 1 والحوض الفرعي 2 والحوض الفرعي 8 مع السجل التاريخي للفيضانات حيث سجلت أعلى تدفق سطحي بعد نصف ساعة حيث تبدأ في الحوض الفرعي 1 بقيمة 7.58 (م3/ثانية-سم) وتصل إلى 14.27 (م3/ثانية-سم) في الحوض الفرعي 2 لتنتهي في الحوض الفرعي 8 عند 15.9 (م3/ثانية-سم).
ويلاحظ في منحنى الشدة والمدة والتردد أن شدة العاصفة تقل مع الوقت ولكنها تزداد مع السنين. كما سجلت محطة وزارة المياه والري شدة هطول أمطار أعلى عند (0.08 ساعة) وتصبح الاختلافات أقل وضوحًا مع الوقت في كلتا المحطتين.
تم تصنيف خريطة الفيضانات المفاجئة في منطقة الدراسة إلى خمس فئات في AHP وكانت نسبة تغطيتها لإجمالي منطقة الدراسة على النحو التالي: منخفض جدًا (9?)، منخفض (19?)، متوسط (29?)، مرتفع (27?)، ومرتفع جدًا (16?). كان لمعايير الارتفاع والانحدار والاتجاه والتركيب الصخري و استخدام الارض والغطاء الارضي التأثير الأكبر على الخريطة الناتجة. بالاضافة الى انه تم تصنيف الخرائط الناتجة من نماذج ML إلى خمس فئات، منخفض جداَ، منخض، متوسط، مرتفع، و مرتفع جداً، وكان لكل نموذج نسبة تغطية مختلفة لصنف المرتفع جدا من المساحة الإجمالية لمنطقة الدراسة، موزعة على النحو التالي: شجرة القرار (16?)، آلة المتجهات الداعمة بالنواه (23%)، وأقرب الجيران (25%)، الانحدار اللوجستي (19%)، الغابات العشوائية و آلة المتجهات الداعمة (15%). كان التركيب الصخري من ضمن اكثر خمس معاير تأثيراً في جميع نماذج ML.
وأخيرا أظهرت النتائج أن نماذج التعلم الآلي هي الأكثر دقه، وهو ما ثبت في منحنيات خصائص تشغيل المستقبل (ROC)، حيث بلغت قيمة المساحة تحت المنحنى (AUC) لنموذج شجرة القرار (91%)، وكانت آلة المتجهات الداعمة الأساسية، والانحدار اللوجستي (87%)، (89%) لكل من أقرب الجيران والغابة العشوائية، و(87%) لنموذج آلة المتجهات الداعمة و(84%) لـ AHP.
|
الملخص بالانجليزي |
Climate change is a global phenomenon that leads to changes in weather patterns such as increased intensity and frequency of rainfall, which leads to flash floods. Jordan is characterized by the diversity of its terrain, which is affected by this phenomenon, as floods recur every 25 to 50 years, leaving behind human and material losses. Therefore, creating flood risk maps is of great importance for planning to confront such disasters.
The use of Geographic Information System (GIS) and high-resolution data is of great importance in creating rainfall intensity curves in addition to the expected peak flood runoff, and it is also of great importance in the process of identifying areas at risk of flooding. This study aimed to identify areas at risk of flash floods, in addition to clarifying which methods are more accurate in identifying areas at risk of floods in the in Amman Qasabah District in the capital, Amman, Jordan. By using Analytical Hierarchical Processes (AHP) and Machine Learning (ML) models, based on eleven criteria which are Elevation, Slope, Aspect, Topographic Wetness Index (TWI), Lithology, Land Use Land Cover (LULC), Rainfall, Profile Curvature, Distance to Stream, Stream Power Index (SPI), and Soil Texture.
The study concluded that most of the study areas are Built-Up areas and most of the soil is Bed Rock/Impervious and within the hydrological group D. The results also showed that there is an inverse relationship between the peak flow and the time to reach the peak. The sub-basins1, sub-basin2, and sub-basin8 also matched the historical record of floods as they had the highest peak surface flow after half an hour as they start in sub-basin 1 with a value of 7.58 (m3/s-cm) and reaches 14.27 (m3/s-cm) in sub-basin 2 to end in sub-basin 8 at 15.9 (m3/s-cm).
It is noted in the Intensity-Duration-Frequency Curve (IDF) that the intensity of the storm decreases with time but increases with the years. Also, the Ministry of Water and Irrigation (MWI) station records a higher rainfall intensity at (0.08 hours) and the differences become less apparent with time at both stations.
The flash flood map in the study area was classified into five classes in AHP and their coverage percentage of the total study area was as follows: Very low (9%), Low (19%), Moderate (29%), High (27%), and Very high (16%). The criteria Elevation, Slope, Aspect, Lithology, and LULC had the highest impact on the resulting map. While the resulting maps from ML were classified into five classes, Very low, Low, Moderate, High, and Very high, and each model had a different coverage vey high risk percentage of the total area of the study area, distributed as follows: Decision Tree (16%), Kernel Supports Vectors Machine (23%), K-Nearest Neighbors (25%), Logistic Regression (19%), (15%) Random Forest and Support Vector Machine. Lithology was consistently among the top five influential criteria in ML models.
Finally, the results showed that ML models are the best accurate, which was proven in the Receiver Operating Characteristics (ROC) curves, where the Area Under the Curve (AUC) value for the Decision Tree model was (91%), and Kernel Supports Vectors Machine, Logistic Regression were (87%), (89%) for each of K-Nearest Neighbors and Random Forest , and (87%) for the Support Vector Machine model and (84%) for AHP
|
رقم ISN |
9225 |
|
للحصول على الرسالة كملف يرجى تزويد المكتبة برقم ISN
|
|