مدیریت نوین بلایای طبیعی با رویکرد هوش مصنوعی و استفاده از منطق فازی و فرایند داده کاوی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد، مدیریت بحران مجتمع دانشگاهی مهندسی و پدافند غیر عامل، دانشگاه صنعتی مالک اشتر

2 استادیار، مجتمع دانشگاهی مهندسی و پدافند غیر عامل، دانشگاه صنعتی مالک اشتر

چکیده

تحقیق حاضر به بررسی کاربردهای هوش مصنوعی در مدیریت بلایای طبیعی و چالش‌های مرتبط با آن می‌پردازد. هدف این تحقیق، شناسایی و تحلیل نقش هوش مصنوعی، به ویژه الگوریتم‌های یادگیری عمیق و شبکه‌های عصبی کانولوشنی (CNN)، در بهبود پیش‌بینی و شناسایی بلایای طبیعی است. یافته‌ها نشان می‌دهند که فناوری‌های سنجش از دور در تشخیص آتش‌سوزی و پیش‌بینی زلزله نقش کلیدی دارند و می‌توانند به بهبود عملیات اطفای حریق و ارزیابی خسارت کمک کنند. با این حال، چالش‌هایی نظیر کیفیت و دسترسی به داده‌ها در مناطق محروم و ضعف‌های موجود در قابلیت تعمیم مدل‌های یادگیری عمیق، نیاز به توجه و بهبود بیشتری دارند. بهینه‌سازی سیستم‌های هشدار زودهنگام (EWS) با استفاده از هوش مصنوعی و تفسیرپذیری هوش مصنوعی (XAI) می‌تواند فرآیندهای پیش‌بینی و پاسخ به بلایا را بهبود بخشد. این تحقیق همچنین پیشنهاد می‌کند که استفاده از سیستم‌های ارزیابی ریسک مانند روش Bowtie می‌تواند به تجسم روابط علی در موارد پرخطر کمک کند. در نهایت، این تحقیق به عنوان یک مرجع برای پژوهش‌های آینده در زمینه مدیریت بلایای طبیعی و بهینه‌سازی سیستم‌های هشدار زودهنگام عمل می‌کند و می‌تواند به افزایش تاب‌آوری جوامع آسیب‌پذیر کمک کند.

کلیدواژه‌ها

مراجع

  1. Prentice, C., Zeidan, S., & Wang, X. (2020). Personality, trait EI and coping with COVID 19 measures. International Journal of Disaster Risk Reduction, 51, 101789.
  2. Werdiningtyas, R., Wei, Y., & Western, A. W. (2020). The evolution of policy instruments used in water, land and environmental governances in Victoria, Australia from 1860–2016. Environmental Science & Policy, 112, 348-360.
  3. Zhang, Y., Li, X., Jiang, F., Song, Y., & Xu, M. (2020). Industrial policy, energy and environment efficiency: evidence from Chinese firm-level data. Journal of environmental management, 260, 110123.
  4. Godínez-Domínguez, E. A., Tena-Colunga, A., Pérez-Rocha, L. E., Archundia-Aranda, H. I., Gómez-Bernal, A., Ruiz-Torres, R. P., & Escamilla-Cruz, J. L. (2021). The September 7, 2017 Tehuantepec, Mexico, earthquake: Damage assessment in masonry structures for housing. International journal of disaster risk reduction, 56, 102123.
  5. Prentice, C., Zeidan, S., & Wang, X. (2020). Personality, trait EI and coping with COVID 19 measures. International Journal of Disaster Risk Reduction, 51, 101789.
  6. Zhang, Y., Li, X., Jiang, F., Song, Y., & Xu, M. (2020). Industrial policy, energy and environment efficiency: evidence from Chinese firm-level data. Journal of environmental management, 260, 110123.
  7. Andersen, L. M., & Sugg, M. M. (2019). Geographic multi-criteria evaluation and validation: A case study of wildfire vulnerability in Western North Carolina, USA following the 2016 wildfires. International journal of disaster risk reduction, 39, 101123.
  8. Ilbeigi, M. (2019). Statistical process control for analyzing resilience of transportation networks. International journal of disaster risk reduction, 33, 155-161.
  9. Gupta, T., & Roy, S. (2024, April). Applications of Artificial Intelligence in Disaster Management. In Proceedings of the 2024 10th International Conference on Computing and Artificial Intelligence (pp. 313-318).
  10. Yu, M., Yang, C., & Li, Y. (2018). Big data in natural disaster management: a review. Geosciences, 8(5), 165.
  11. Cecilia, J. M., Cano, J. C., Calafate, C. T., Manzoni, P., Periñán-Pascual, C., Arcas-Túnez, F., & Muñoz-Ortega, A. (2021). WATERSensing: A smart warning system for natural disasters in Spain. IEEE Consumer Electronics Magazine, 10(6), 89-96.
  12. Sood, S. K., Sandhu, R., Singla, K., & Chang, V. (2018). IoT, big data and HPC based smart flood management framework. Sustainable Computing: Informatics and Systems, 20, 102-117.
  13. Rajeshkannan, C., & Kogilavani, S. V. (2021). Reconstructing Geographical Flood Probability and Analyzed Inundation Flood Mapping on Social Media Implementation. Stud. Inform. Control, 30(1), 29-38.
  14. Albahri, A. S., Khaleel, Y. L., Habeeb, M. A., Ismael, R. D., Hameed, Q. A., Deveci, M., ... & Alzubaidi, L. (2024). A systematic review of trustworthy artificial intelligence applications in natural disasters. Computers and Electrical Engineering, 118, 109409.
  15. Sun, W., Bocchini, P., & Davison, B. D. (2020). Applications of artificial intelligence for disaster management. Natural Hazards, 103(3), 2631-2689.
  16. Pham, B. T., Luu, C., Van Phong, T., Trinh, P. T., Shirzadi, A., Renoud, S., ... & Clague, J. J. (2021). Can deep learning algorithms outperform benchmark machine learning algorithms in flood susceptibility modeling?. Journal of hydrology, 592, 125615.
  17. Dong, Z., Wang, G., Amankwah, S. O. Y., Wei, X., Hu, Y., & Feng, A. (2021). Monitoring the summer flooding in the Poyang Lake area of China in 2020 based on Sentinel-1 data and multiple convolutional neural networks. International Journal of Applied Earth Observation and Geoinformation, 102, 102400.
  18. Putri, A. F. S., Widyatmanti, W., & Umarhadi, D. A. (2022). Sentinel-1 and Sentinel-2 data fusion to distinguish building damage level of the 2018 Lombok Earthquake. Remote Sensing Applications: Society and Environment, 26, 100724.
  19. Chou, J. S., & Thedja, J. P. P. (2016). Metaheuristic optimization within machine learning-based classification system for early warnings related to geotechnical problems. Automation in Construction, 68, 65-80.
  20. Haider, T., Barkat, A., Hayat, U., Ali, A., Awais, M., Alam, A., ... & Shah, M. A. (2021). Identification of radon anomalies induced by earthquake activity using intelligent systems. Journal of Geochemical Exploration, 222, 106709.
  21. Jena, R., Pradhan, B., Gite, S., Alamri, A., & Park, H. J. (2023). A new method to promptly evaluate spatial earthquake probability mapping using an explainable artificial intelligence (XAI) model. Gondwana Research, 123, 54-67.
  22. Budak, C., & Gider, V. (2023). LSTM based forecasting of the next day’s values of ionospheric total electron content (TEC) as an earthquake precursor signal. Earth Science Informatics, 16(3), 2323-2337.
  23. Pradhan, B., Dikshit, A., Lee, S., & Kim, H. (2023). An explainable AI (XAI) model for landslide susceptibility modeling. Applied Soft Computing, 142, 110324.
  24. Al-Najjar, H. A., Pradhan, B., Beydoun, G., Sarkar, R., Park, H. J., & Alamri, A. (2023). A novel method using explainable artificial intelligence (XAI)-based Shapley Additive Explanations for spatial landslide prediction using Time-Series SAR dataset. Gondwana Research, 123, 107-124.
  25. Rezaei, M., Moghaddam, M. A., Azizyan, G., & Shamsipour, A. A. (2024). Prediction of agricultural drought index in a hot and dry climate using advanced hybrid machine learning. Ain Shams Engineering Journal, 15(5), 102686.
  26. Park, E., Jo, H. W., Lee, W. K., Lee, S., Song, C., Lee, H., ... & Kim, T. H. (2022). Development of earth observational diagnostic drought prediction model for regional error calibration: A case study on agricultural drought in Kyrgyzstan. GIScience & Remote Sensing, 59(1), 36-53.
  27. Saeed, W., & Omlin, C. (2023). Explainable AI (XAI): A systematic meta-survey of current challenges and future opportunities. Knowledge-Based Systems, 263, 110273.
  28. Tareke, K. A., & Awoke, A. G. (2023). Hydrological drought forecasting and monitoring system development using artificial neural network (ANN) in Ethiopia. Heliyon, 9(2).
  29. Kafy, A. A., Bakshi, A., Saha, M., Al Faisal, A., Almulhim, A. I., Rahaman, Z. A., & Mohammad, P. (2023). Assessment and prediction of index based agricultural drought vulnerability using machine learning algorithms. Science of The Total Environment, 867, 161394.
  30. Hu, P., Tanchak, R., & Wang, Q. (2024). Developing risk assessment framework for wildfire in the United States–A deep learning approach to safety and sustainability. Journal of Safety and Sustainability, 1(1), 26-41.
  31. Linardos, V., Drakaki, M., Tzionas, P., & Karnavas, Y. L. (2022). Machine learning in disaster management: recent developments in methods and applications. Machine Learning and Knowledge Extraction, 4(2).
  32. Prentice, C., Zeidan, S., & Wang, X. (2020). Personality, trait EI and coping with COVID 19 measures. International Journal of Disaster Risk Reduction, 51, 101789.
  33. Sun, Z., Di, L., Cvetojevic, S., & Yu, Z. (2020). GeoFairy2: a cross-institution mobile gateway to location-linked data for in-situ decision making. ISPRS International Journal of Geo-Information, 10(1), 1.
  34. Yang, H., & Li, Z. (2024). Dynamic graph Convolutional Network-based prediction of the Urban Grid-Level Taxi demand–supply imbalance using GPS trajectories. ISPRS International Journal of Geo-Information, 13(2), 34.
  35. Bani-Doumi, M., Serrano-Guerrero, J., Chiclana, F., Romero, F. P., & Olivas, J. A. (2024). A picture fuzzy set multi criteria decision-making approach to customize hospital recommendations based on patient feedback. Applied Soft Computing, 153, 111331.
  36. Kizielewicz, B., & Dobryakova, L. (2023). Stochastic Triangular Fuzzy Number (S-TFN) Normalization: A New Approach for Nonmonotonic Normalization. Procedia Computer Science, 225, 4901-4911.
  37. Zhang, X., Yan, S., & Liu, X. (2024). Extended cognitive reliability and error analysis method for advanced control rooms of nuclear power plants. Nuclear Engineering and Technology.
مدیریت بحران‌های اجتماعی
دوره 16، شماره 4
فصلنامه زمستان
دی 1403
صفحه 109-91

فایل ها

سابقه مقاله

  • تاریخ دریافت: 16 آذر 1403
  • تاریخ بازنگری: 11 دی 1403
  • تاریخ پذیرش: 15 دی 1403

هم رسانی

ارجاع به این مقاله

آمار