نوع مقاله : مقاله پژوهشی

نویسندگان

• ناهید بهرامی ¹
• میثم ارگانی ¹
• علی درویشی بلورانی ¹
• علیرضا وفایی نژاد ²

¹ گروه سنجش از دور و سامانه اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران

² گروه مهندسی نقشه‌برداری، دانشکده مهندسی عمران، آب و محیط‌زیست، دانشگاه شهید بهشتی، تهران، ایران

چکیده

پیشینه و اهداف: همه ساله زلزله به عنوان یک بحران و یکی از بلایای طبیعی که تقریبا غیر قابل پیش­بینی به شمار می­رود، خسارات جبران ناپذیر جانی و مالی را متحمل بشریت می­نماید. از این رو بهتر است راهکارهایی نوین بر اساس روشهای جدید علمی و تجربیات گذشته، ارائه و پیاده­سازی شود. مدیریت این گونه بحران­های مخاطرات و بلایای طبیعی به سه مرحله پیش از وقوع، هنگام وقوع و پس از وقوع آن تقسیم می­شود. نجات، جزو مراحل پس از وقوع حادثه است که می­توان با مطالعه و بررسی پیش از وقوع حادثه به ارائه راهکاری جهت بهبود عملکرد نجات در رخداد آن در پس از وقوع زمین­لرزه رسید. در این مقاله سعی می­شود راهکاری با استفاده از هوش مکانی (Geo-AI) برای نجات پس از زمین­لرزه ارائه شود.
روش‌ها‌: در این پژوهش با بهره­گیری از هوش مکانی (Geo-AI) و شبیه­سازی زمین­لرزه­ای فرضی راهکاری جهت ارتقا و تقویت نجات در وقوع زمین­لرزه پیشنهاد می­شود. در این روش زمین­لرزه­ای فرضی با استفاده از سناریو شناور جایکا در تهران شبیه­سازی شده است و در آن 48 امدادرسان در قالب 6 تیم نجات در محدوده مطالعاتی در نظر گرفته می­شود. تیم­های مذکور با استفاده از یک سیستم اطلاعات مکانی هوشمند تقویتی، به گونه­ای به فعالیت­های جستجو و نجات اختصاص می­یابند که در زمان کمتری، نجات بیشتر و کارآمدتری نسبت به حالت تجربی انجام شود. در مدل هوش مکانی ارائه شده از بخش یادگیری تقویتی هوش مصنوعی بهره گرفته می­­شود و به کمک مدل ایجاد شده به ارتقای عملیات جستجو و نجات در طی استفاده از مدل پیشنهادی برای بعد از رخداد زمین­لرزه دست می­یابد. در این مدل با استفاده از طراحی تابعی از جمیع پارامترهای موثر در نجات پس از زمین­لرزه، در هوش مکانی تقویتی به بهبود عمکرد نجات در زمان رخداد زمین­لرزه پرداخته می­شود.
یافته‌ها: با توجه به ماهیت فعالیت­های گروه­های نجات و عدم امکان قرارگیری محققان در شرایط واقعی پس از زمین­لرزه، شبیه­سازی رخداد آن به منظور فراهم نمودن اطلاعات مکانی و توصیفی منطقه انجام فعالیت انجام می­شود. در این شبیه­سازی تعیین فعالیت­های مورد نیاز نجات و تهیه اطلاعات موقعیتی و توصیفی تیم­های نجات مدنظر قرار گرفته است. همچنین شبیه­سازی رخداد زمین­لرزه برای بدست آوردن برآورد تقریبی خسارات سازه­ای و انسانی در یک بخشی از شهر تهران انجام شده است. بدیهی است که فعالیت­ها دارای اولویت­ها و اهمیت­های مختلفی هستند. با توجه به مطالعات انجام شده و فرضیات مدنظر مدل پیشنهادی، در این پژوهش برای بررسی مدل ارائه شده 48 امدادرسان مد نظر قرارگرفتند و ابتدا در نزدیکترین مرکز مدیریت بحران منطقه مطالعاتی مستقر شدند و سپس تخصیص هوشمند فعالیت­های نجات به افراد نجاتگر صورت می­گیرد.
نتیجه‌گیری: استفاده از مدل پیشنهادی در این مقاله جهت شبیه­سازی­های پژوهش حاضر و نیز پیاده­سازی ساختار فعالیت­­های نجات و تیم­های جستجو و نجات، راهکاری نوین در راستای بهبود کیفیت نجات پس از زمین­لرزه خواهد بود. با بررسی­های انجام شده، مشخص شد پارامترهایی نظیر مدت زمان زنده ماندن در زیر آوار، مدت زمان انجام فعالیت نجات، فاصله افراد تیم­های نجات تا مکان فعالیت­ها، سرعت افراد هنگام حرکت به سمت هدف بسیار اهمیت دارد. نتایج حاصله از اجرای مدل هوشمند پیشنهادی این پژوهش در مقایسه با عدم استفاده از مدل پیشنهادی، بهبود 642/2 برابری تخصیص صورت پذیرفته را نشان داده است.

کلیدواژه‌ها

• GIS زمانمند
• ارزیابی در معرض قرارگیری
• آلودگی هوا
• مدل‌های داده مکانی-زمانی

موضوعات

• سامانه اطلاعات مکانی

عنوان مقاله [English]

A Geo-AI Approach in the Post-Earthquake Rescue

نویسندگان [English]

• Nahid Bahrami ¹
• Meysam Argany ¹
• Ali D. Boloorani ¹
• Alireza Vafaeinejad ²

¹ Department of Remote Sensing and GIS, Faculty of Geography, Tehran University, Tehran, Iran

² Department of Surveying Engineering, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran

چکیده [English]

Background and Objectives: Earthquakes, among the most unpredictable and devastating natural disasters, result in significant human casualties and financial losses worldwide each year. Their sudden occurrence and destructive potential categorize them as critical crises that demand efficient and innovative management strategies. Contemporary crisis management practices emphasize three key phases: preparedness (before the event), response (during the event), and recovery (after the event). Among these, rescue operations, which are part of the response phase, play a vital role in saving lives and mitigating further damage. However, given the urgency and complexity of rescue efforts, enhancing their effectiveness through innovative methods is essential. This study introduces a novel approach that leverages spatial intelligence—specifically Geo-Artificial Intelligence (Geo-AI)—to optimize rescue operations in the aftermath of an earthquake.
Methods: This research proposes a Geo-AI–based framework to enhance rescue performance following an earthquake. The approach involves simulating a hypothetical earthquake scenario in Tehran using the Japan International Cooperation Agency (JICA) floating scenario model. A total of 48 rescuers are organized into six teams within the designated study area. These teams are tasked with conducting search and rescue missions facilitated by an augmented intelligent spatial information system. Unlike traditional or manually assigned rescue operations, the proposed model employs reinforcement learning—a subfield of artificial intelligence—to dynamically allocate resources and optimize operational decisions in real-time. The design incorporates a comprehensive set of variables known to influence post-earthquake rescue effectiveness, including team location, response time, victim survivability, and route accessibility. The aim is to minimize response times and maximize the number of successful rescues using spatially informed decision-making.
Findings: Due to the inherent unpredictability of earthquakes and the logistical constraints of studying rescue operations in real-world post-disaster settings, this research relies on simulation to replicate realistic conditions. The simulation environment provides detailed spatial and descriptive information regarding both the affected area and the status of rescue teams. Furthermore, it enables estimation of structural and human damage resulting from the hypothetical earthquake. Based on these simulated conditions, rescue operations are prioritized according to urgency and resource availability. All 48 rescuers are initially positioned at the nearest crisis management center and are subsequently deployed based on the optimized task allocation strategy generated by the Geo-AI model. The simulation results show that using the proposed model significantly improves the allocation efficiency of rescue teams.
Conclusion: The Geo-AI–driven rescue model presented in this study offers a promising new avenue for enhancing the quality and efficiency of post-earthquake search and rescue efforts. Simulation results demonstrate that variables such as survival time under rubble, task completion time, proximity of rescuers to affected sites, and travel speed are critical to the effectiveness of rescue missions. Implementation of the intelligent model led to a 2.642-fold improvement in task allocation efficiency compared to traditional methods. These findings highlight the transformative potential of integrating artificial intelligence and spatial data systems into disaster response frameworks.

کلیدواژه‌ها [English]

• Geo
• AI Natural Hazards Artificial Intelligence Post
• Earthquake Rescue