تحلیل مدیریت ریسک سیلاب براساس مفاهیم خطر، مواجهه و آسیب‏‏ پذیری با ارائه چارچوب ها و مدل‏ ها

آب و توسعه پایدار

مقاله 11، دوره 5، شماره 1 - شماره پیاپی 10، شهریور 1397، صفحه 73-82   

نوع مقاله: مقاله علمی- ترویجی

شناسه دیجیتال (DOI): 10.22067/jwsd.v5i1.62313

نویسندگان

محبوبه حاجی بیگلو^{* 1}؛ واحدبردی شیخ²

¹دانشگاه گرگان

²گرگان

چکیده

مدیریت ریسک سیلاب رویکردی جامع است که شامل شاخص ‏‏های متعدد ارزیابی در حوضه آبخیز رودخانه‏‏ ها و یک روش مؤثر و پایدار ولی پیچیده است. ارزیابی ریسک سیلاب به ‏‏منظور بررسی میزان آسیب‏‏ پذیری و مواجهه با خطر، اطلاعات ارزشمندی را برای مدیریت ریسک سیلاب فراهم می ‏‏کند. در ارزیابی ریسک سیلاب در حوزه ‏های آبخیز رودخانه‏‏ ها از مدل‏ های متعددی از قبیل RF 1، DSS 2، ANN 3، RFM 4، SVM 5 و GA 6 به‏ منظور بررسی شاخص ‏‏های مؤثر در ریسک سیلاب و تعیین درجه اهمیت این شاخص‏‏ ها در حوزه ‏های آبخیز مختلف استفاده شده است. تعیین مدل مناسب برای کاربرد در مقیاس حوضه نیازمند در نظر گرفتن شایستگی مدل برای شرایط محلی حوضه، نیاز‏های داده ‏‏ای، پیچیدگی مدل، صحت و اعتبار مدل، فرضیات مدل، تغییرات زمانی مکانی مدل، مؤلفه ‏های مدل و هدف کاربر مدل می‏‌باشد. به ‏طور‏کلی، مدلی که برای تمامی شرایط مناسب باشد، وجود ندارد. مشکلات مربوط به عدم قابلیت شناسایی، عدم منحصر به فرد بودن مدل و تفسیر‏ناپذیری فیزیکی پارامتر‏های واسنجی جزء مواردی است که با کاربرد مدل‏‏ های توزیعی، فیزیکی ایجاد می‌‏شود. این مسائل همچنین در مدل‌‏های مفهومی پیچیده نیز دیده می‌‏شود. به‏ منظور رفع نیاز‏های رو‏به ‏رشد مدیران حوضه به ابزار‏هایی که بتوانند از آن به‏ طور‏کامل در جهت بررسی توزیع ‏های مکانی سیلاب و انتقال مواد رودخانه‏ ای استفاده کنند، مطالعه جامعی روی این ابزار‏ها نیاز است. به‏ عنوان یک قاعده کلی و عملی، توسعه‌ی مدل‌های توزیعی با پیچیدگی نسبتاً کم و فیزیکی توصیه می‌شود.

کلیدواژه‌ها

خطر؛ آسیب ‏پذیری؛ ارزیابی ریسک سیلاب؛ مدیریت ریسک سیلاب؛ مدل‏‏ سازی

مراجع

Ballesteros-Canovas J.A., Sanchez-Silva M., Bodoque J.M., et al. 2013. An integrated approach to flood risk management: a case study of Navaluenga (Central Spain). Water Resour. Manage Journal, 27(8): 3051–3069.

Balli S. and Korukoglu S. 2009. Operating system selection using Fuzzy AHP and TOPSIS methods. J. Mathematical and Computational Applications Journal, 14(2): 119-130.

Chen X. and Ishwaran H . 2012. Random forests for genomic data analysis. Genomics Journal, 99(6): 323–329.

Deng H. and Runge G. 2013. Gene selection with guided regularized random forest. Pattern Recogn Journal, 46(12): 3483–3489.

Dong L.J., Li X.B. and Peng K. 2013. Prediction of rockburst classification using Random Forest. Trans. Nonferrous Met. Soc. China Journal, 23(2): 472–477.

Erdlenbruch K., Thoyer S., Grelot F., Kast R. and Enjolras G. 2009. Risk-sharing in the context of the French Flood Prevention Action Programmes. Environ. Manage Journal, 91: 363–369.

Evers M., Jonoski A., Almoradie A. and Lange L. 2016. Collaborative decision making in sustainable flood risk management: A socio-technical approach and tools for participatory governance. Environmental Science & Policy Journal, 55(1): 335–344.

Falter D., Schröter K., Viet Dung N., Vorogushyn S., Kreibich H., Heiko Apel H. and Merz M. 2015. Spatially coherent flood risk assessment based on long-term continuous simulation with a coupled model chain. Hydrology Journal, 524: 182–193.

Foudi S., Oses-Eraso N. and Tamayo I. 2015. Integrated spatial flood risk assessment: The case of Zaragoza. Land Use Policy Journal, 42: 278–292.

Foudi S. and Oses-Eraso N. 2014. Flood risk management: assessment for prevention with hydro-economic approaches. In: Markandya A., Galarraga I., Sainz de Murieta E. (Eds.), Routledge Handbook of the Economics of Climate Change Adaptation. Taylor & Francis.

Guo E.L., Zhang Z.Q. and Ren X.H., et al. 2014. Integrated risk assessment of flood disaster based on improved set pair analysis and the variable fuzzy set theory in central Liaoning Province, China. Nat. Hazards Journal, 74: 947–965.

Horita E.A., Porto de Al buquerque A., Degrossi A., Mendiondo M. and Ueyama A. 2015. Development of a spatial decision support system for flood risk management in Brazil that combines volunteered geographic information with wireless sensor networks. Computers & Geosciences Journal, 80: 84–94.

Immitzer M. , Atzberger C. and Koukal T. 2012. Tree species classification with random forest using very high spatial resolution 8-band worldview-2 satellite data. Remote Sens Journal, 4: 2661–2693.

IPCC. 2007. Climate Change. Impacts, adaptation and vulnerability. Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge, United Kingdom and New York, NY, USA: Intergovernmental Panel on Climate Change.

Jha A.K., Bloch R. and Lamond J. 2012. Cities and Flooding: A Guide to Integrated Urban Flood Risk Management for the 21st Century. The World Bank, Washington, DC, USA.

Kaewkitipong L., Chen C. and Ractham P. 2012. Lessons learned from the use of social media in combating a crisis: a case study of 2011 Thailand flooding disaster. In: Proceedings of the 33th International Conference on Information Systems (ICIS), Orlando, USA, 1–17. URL: http://aisel.aisnet.org/icis2012/proceed ings/ProjectManagement/8/.

Koks E.E., Jongman B., Husby T.G. and Botzen W.J.W. 2015. Combining hazard, exposure and social vulnerability to provide lessons for flood risk management. Environmental Science & policy Journal, 47: 42–52.

Li X. and Yeh A.G.O. 2002. Neural-network-based cellular automata for simulating multiple land use changes using GIS. Int. Geogr. Inf. Sci. Journal, 16(4): 323–343.

Li Q., Jiang X.W. and Liu D.H. 2013. Analysis and modelling of flood risk assessment using information diffusion and artificial neural network. Water SA Journal, 39: 643–648.

Martens D., Backer M.D., Haesen R., Vanthienen J., Snoeck M. and Baesens B. 2007. Classification with ant colony optimization. IEEE Trans. Evol. Comput. Journal, 11(5): 651–665.

Mihailescu D., Gui V., Toma C. I., et al. 2013. Computer aided diagnosis method for steatosis rating in ultrasound images using random forests. Med. Ultrason. Journal, 15(3): 184–190.

Ni J.R. and Xue A. 2003. Application of artificial neural network to the rapid feedback of potential ecological risk in flood diversion zone. Eng. Appl. Artif. Intell. Journal, 16(2): 105–119.

Penning-Rowsell E., Johnson C., Tunstall S., Tapsell S., Morris J., Chatterton J. and Green C. 2005. The Benefits of Flood and Coastal Risk Management: A Handbook of Assessment Techniques. Middlesex University Press.

Said F., Afzal U. and Turner G. 2015. Risk taking and risk learning after a rare event: Evidence from a field experiment in Pakistan. Economic Behavior & Organization Journal, 118: 167–183.

Simonovic S. and Akter T., 2006. Participatory floodplain management in the Red River Basin, Canada. Annual Reviews in Control 30: 183–192.

Stefanidis S. and Stathis D. 2013. Assessment of flood hazard based on natural and anthropogenic factors using analytic hierarchy process (AHP). Nat. Hazards Journal, 68: 569–585.

Stephane H., Colin G., Robert J.N., et al. 2013. Future flood losses in major coastal cities. Nat. Climate Change Journal, 3(9): 802–806.

Tingsanchali T. and Karim F. 2010. Flood hazard assessment and risk-based zoning of a

tropical flood plain: case study of the Yom River, Thailand. Hydrol. Sci. J. – J. Sci. Hydrol. Journal, 55(2): 145–161 .

van den Berg M., Fort R. and Burger K. 2009. Natural hazards and risk aversion: experimental evidence from Latin America. In: International Association of Agricultural Economists Conference, Beijing, China.

Van Herk S., Rijke J., Zevenberg C. and Ashley R. 2015. Understanding the transition to integrated flood risk management in the Netherlands. Environmental Innovation and Societal Transitions Journal, 15: 84-100.

Wanga Z., Lai C., Chen X., Yang B., Zhao S. and Bai X. 2015. Flood hazard risk assessment model based on random forest. Hydrology Journal, 527: 1130–1141.

Yang X.L., Ding J.H. and Hou H. 2013. Application of a triangular fuzzy AHP approach for flood risk evaluation and response measures analysis. Nat. Hazards Journal, 68: 657–674.

Yeh C.C., Chi D.J. and Hsu M.F. 2010. A hybrid approach of DEA, rough set and support vector machines for business failure prediction. Expert Syst. Appl. Journal, 37(2): 1535–1541.

Zou Q., Zhou J.Z., Zhou C., Song L.X. and Guo J. 2013. Comprehensive flood risk assessment based on set pair analysis-variable fuzzy sets model and fuzzy AHP. Stoch. Environ. Res. Risk Assess Journal, 27: 525–546.