مکانیابی بهینه پایگاههای امداد و نجات در جاده چالوس: رویکردی مبتنی بر یادگیری عمیق | ||
| مدیریت مخاطرات محیطی | ||
| دوره 12، شماره 4، زمستان 1404، صفحه 297-302 اصل مقاله (667.78 K) | ||
| نوع مقاله: پژوهشی کاربردی | ||
| شناسه دیجیتال (DOI): 10.22059/jhsci.2026.411833.922 | ||
| نویسندگان | ||
| بهاره سادات موسوی1؛ میثم ارگانی* 2؛ نجمه نیسانی سامانی2؛ احمد سلطانی3؛ محسن فروزنده4 | ||
| 1دکترای سیستم اطلاعات جغرافیایی و سنجش از دور، دانشکده جغرافیا، پردیس بینالمللی کیش، دانشگاه تهران، ایران | ||
| 2عضو هیات علمی گروه سنجش از دور و GIS - دانشکده جغرافیا - دانشگاه تهران | ||
| 3گروه سلامت در بلایا و فوریتها، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران | ||
| 4سنجش از دور و سیستم های اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران | ||
| چکیده | ||
| تصادفات جادهای، بهویژه در جادههای کوهستانی، از چالشهای مهم ایمنی ترافیک محسوب میشوند که نیازمند پیشبینی دقیق و مدیریت بهینه هستند. در ایران بهعنوان کشوری حادثهخیز، تصادفات جادهای پس از زلزله در رتبه دوم از نظر فراوانی وقوع قرار دارند که این موضوع اهمیت بالای آنها را بهعنوان یکی از عوامل اصلی خطر نشان میدهد. در این پژوهش، با استفاده از دادههای گزارش مأموریتهای هلالاحمر بههمراه ویژگیهای مرتبط با جاده، شرایط محیطی و ترافیکی، یک مدل یادگیری عمیق مبتنی بر ترنسفورمر برای شناسایی نقاط حادثهخیز در محور چالوس توسعه داده شد. این مدل توانست الگوهای پیچیده و غیرخطی را با دقت قابلتوجهی استخراج کرده و نقاط پرخطر را در سه سطح شدت تصادف (فوتی، مصدوم و درمان سرپایی در محل) پیشبینی کند. در ادامه، با بهرهگیری از الگوریتم بهینهسازی گرگ خاکستری (Grey Wolf Optimizer)، مکانیابی بهینه پایگاههای امداد و نجات بهمنظور افزایش پوشش جادهای و کاهش زمان پاسخ انجام شد. نتایج نشان داد که پوشش امدادی در محور چالوس از ۲۲٫۷۷ درصد به ۸۶٫۹۱ درصد افزایش یافته و میانگین زمان پاسخ نیز از حدود ۱۴ دقیقه و ۴۵ ثانیه به ۸ دقیقه و ۲۲ ثانیه کاهش یافته است؛ که بهترتیب نشاندهنده ۶۴ درصد بهبود در پوشش و ۴۳ درصد کاهش در زمان واکنش است. این پژوهش نشان داد که تلفیق دادههای واقعی، مدلهای پیشرفته یادگیری عمیق و الگوریتمهای بهینهسازی میتواند ابزاری مؤثر برای بهبود مدیریت امداد و نجات، ارتقای ایمنی در کریدورهای پرتردد و پرخطر، و کاهش تلفات و مصدومان باشد. یافتههای این مطالعه میتواند مبنایی برای طراحی سیستمهای هوشمند مدیریت بحران و تدوین برنامههای پیشگیرانه در سایر مناطق کشور قرار گیرد. | ||
| کلیدواژهها | ||
| تصادفات جادهای؛ یادگیری عمیق مبتنی بر ترنسفورمر؛ الگوریتم بهینهسازی گرگ خاکستری؛ پوشش امدادی؛ زمان پاسخ | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 242 تعداد دریافت فایل اصل مقاله: 247 |
||