ترجمه فارسی مقاله برای مدل‌سازی بهبودیافته‌ی آسیب‌پذیری سیل ناگهانی مبتنی بر CNN، تنها توجه کافی است. مورد حوضه‌ی آبخیز فاقد آمار رهریا، مراکش

چکیده

Effective flood hazard management requires evaluating and predicting flash flood susceptibility. Convolutional neural networks (CNNs) are commonly used for this task but face issues like gradient explosion and overfitting. This study explores the use of an attention mechanism, specifically the convolutional block attention module (CBAM), to enhance CNN models for flash flood susceptibility in the ungauged Rheraya watershed, a flood prone region. We used ResNet18, DenseNet121, and Xception as backbone architectures, integrating CBAM at different locations. Our dataset included 16 conditioning factors and 522 flash flood inventory points. Performance was evaluated using accuracy, precision, recall, F1-score, and the area under the curve (AUC) of the receiver operating characteristic (ROC). Results showed that CBAM significantly improved model performance, with DenseNet121 incorporating CBAM in each convolutional block achieving the best results (accuracy = 0.95, AUC = 0.98). Distance to river and drainage density were identified as key factors. These findings demonstrate the effectiveness of the attention mechanism in improving flash flood susceptibility modeling and offer valuable insights for disaster management.

چکیده به فارسی (ترجمه ماشینی)

مدیریت مؤثر خطر سیل نیاز به ارزیابی و پیش بینی حساسیت به سیل فلاش دارد.شبکه های عصبی حلقوی (CNN) معمولاً برای این کار مورد استفاده قرار می گیرند اما با موضوعاتی مانند انفجار شیب و بیش از حد روبرو می شوند.این مطالعه به بررسی استفاده از یک مکانیسم توجه ، به ویژه ماژول توجه بلوک حلقوی (CBAM) ، برای تقویت مدل های CNN برای حساسیت به سیل فلاش در آبخیز Rheraya Ungauged ، یک منطقه مستعد سیل می پردازد.ما از Resnet18 ، Densenet121 و Xception به عنوان معماری ستون فقرات استفاده کردیم و CBAM را در مکان های مختلف ادغام کردیم.مجموعه داده ما شامل 16 عامل تهویه و 522 امتیاز موجودی سیل فلاش بود.عملکرد با استفاده از دقت ، دقت ، فراخوان ، نمره F1 و منطقه زیر منحنی (AUC) از ویژگی های عامل گیرنده (ROC) مورد بررسی قرار گرفت.نتایج نشان داد که CBAM به طور قابل توجهی عملکرد مدل را بهبود بخشیده است ، با DensEnet121 که شامل CBAM در هر بلوک حلقوی است که به بهترین نتیجه می رسد (دقت = 0.95 ، AUC = 0.98).فاصله تا رودخانه و چگالی زهکشی به عنوان عوامل اصلی مشخص شد.این یافته ها اثربخشی مکانیسم توجه را در بهبود مدل سازی حساسیت به سیل فلاش نشان می دهد و بینش های ارزشمندی را برای مدیریت فاجعه ارائه می دهد.