文摘

清楚地了解地震活动的空间分布促进地震的预测和脆弱性研究中社会、物理、环境和人口方面。一般来说,很少有研究地震风险评估在阿拉伯联合酋长国(UAE)在地理信息系统(GIS)平台。前研究和最近的新闻事件表明,该国东部经历3 - 5级的震动,特别是富查伊拉附近城市和周边城镇。本研究建立在先前的研究中提取的地震灾害阿联酋最东部的灾害频发区。因此,本研究发展一个综合层次分析法(AHP)和机器学习(ML)对风险考虑八个地理空间映射parameters-distance从海岸线,学校、医院、公路、住宅、溪流、限制区域和限制区域的斜率。专家的意见和文学评论是AHP排名和权重的基础系统。验证AHP系统,支持向量机(SVM),决策树(DT), (RF)和随机森林分类器应用于数据集。数据集被分为60:40比训练和测试。结果表明,支持向量机的准确性最高79.6% DT和射频“预测高”从模型精度达到87.5%。风险地图AHP和ML的方法开发和比较。 Risk analysis was categorised into 5 classes “very high,” “high,” “moderate,” “low,” and “very low.” Both approaches modelled relatable spatial patterns as risk-prone zones. AHP approach concluded 3.6% as “very high” risk zone, whereas only 0.3% of total area was identified from ML. The total area for the “very high” (20 km²)和“高”(114公里²)风险从ML估计方法。

1。介绍

地震被认为是短期灾难对人类生活产生重大的长期影响,基础设施,经济可以持续几十年或更长时间(1,2]。地震的严重性的范围可以从光,即。,nearly no impact, to sufficiently strong to destroy means of livelihood [3]。震动定义的基础上,中心的地理位置,大小,发作频率、持续时间、和速度。测量地震的行动基于地震的频率和大小在一定时期内发生。这些危害会导致很严重的脆弱性的人命损失,社会和经济。组合的脆弱性地区地震和其他自然灾害后果的施工方法和质量的材料(4]。

阿拉伯联合酋长国(UAE)低地震活动的经历,以及他们的危害(5)归类为微不足道的由不同的人员(6]。与不断增长的人口的国家,发生了戏剧性的基础设施建设在过去的30年。大量研究表明,阿联酋在于low-seismicity区域,并没有大规模的地震已报告死亡病例。然而,在最近几年里,中国经历了地震震动主要集中在东部,即。,富查伊拉酋长国(7]。阿联酋设计基础设施代码有效地管理任何预期的地震(8- - - - - -11]。一些研究已经进行地震风险管理中的国家地理空间平台。因此,它是至关重要的地震风险分析国内躲避任何破坏未来的减排。本研究着重于开发技术来确定最易发区域在阿联酋富查伊拉城市和周边城镇。

一般来说,地震活动性和脆弱性风险评估是由传统理论和实证算法和传统的基于地震震级和强度的决策过程。然而,近年来,遥感(RS)、地理信息系统(GIS)和机器学习(ML)技术是地震风险评估的发展。岩土、结构和社会经济的重点探讨地震(3,12- - - - - -14]。许多研究[15- - - - - -27)结合空间统计技术和层次分析法(AHP)与GIS集成研究地震灾害脆弱性,及其相关的人类和环境的风险。

当代研究[28]在印度东北部地震风险评估进行。研究集中在距离铁路,铁路密度、距离土地利用、土地利用密度、距离建筑物和建筑地理空间密度层。这些层结合AHP (29日,30.)和卷积神经网络(CNN) microzonate风险。三个主要地区被发现可能经历高强度活动,因此更容易在南部州的一部分。模型利用CNN显示精度0.94和0.98的精度。另一个新颖的研究(31日评估地震易损性在德黑兰,伊朗。峰值地面加速度等因素(PGA),建筑(材料、质量)、人口、就业状况、开放空间、道路网络、消防站、医院、气体管道,加油站被集成到径向基函数(RBF)和teaching-learning-based优化(TLBO)优化每个因素的权重。他们的研究结果反映,PGA液化概率更高,因此,更高的地震在该地区脆弱性。当代研究[3利用人口数据,预期的地震事件,基础设施总体、海拔和地震灾害事件的阿联酋,然后综合层次分析法来分析风险的逆境。本研究报道,阿联酋的北部比南部多灾害频发和脆弱。作者推断,一些基础设施元素只有一个最小程度的保护从地震活动,因此,抗震设计实践是在阿联酋仍然处于萌芽阶段。我们调查了最常用的因素和技术文献中(表1)。以下参数最利用地震:PGA,土壤类型、地质、活动断裂,距离震中,和斜率。而脆弱,最使用的参数是一个距离住宅、医院、溪流、道路、土地利用、土地利用密度和地形。

本研究利用AHP毫升技术支持的带状的地震易损性在阿联酋富查伊拉城市和周边城镇。对地震危害地图生成五个参数如PGA、故障距离,斜坡,土壤和地质被认为是。分析漏洞,八个参数,比如距离海岸线,学校、医院、公路、住宅、限制区域,溪流和斜率被认为是。生成的地震危害地图然后乘以脆弱性最终地图采用风险地图。当前研究的主要目标可以概括如下:(i)在阿联酋调查易发区域灾害管理;(2)分析地震活动在阿联酋;(3)识别和地图地形、水文和距离住宅,溪流,和其他参数的地震风险评估;(iv)使用和比较层次分析法和ML的技术准备风险富查伊拉城市及其周边城镇的地图。

以下部分提供了一个简要说明研究的领域。此后,阿联酋的一个案例研究提出了理解高seismic-prone区。后续部分分析相关因素和技术风险评估从AHP和ML的观点。后提供结果,本文综述了研究的重大发现,为未来的研究提供建议。

2。研究区域

阿联酋位于阿拉伯半岛的东部,它的股票其边境与沙特阿拉伯西南部和东部阿曼。它位于阿拉伯板块的东部(图1),接近阿拉伯和欧亚板块的碰撞区。从地形上,覆盖着95%的平原,主要由沙漠,山区为5%。西北山脉位于该国东部,海拔上升到2000米的地方。

崎岖的地形主要是东部的酋长国,如富查伊拉和Ras-al哈。面积1450公里²富查伊拉是第五大酋长国。它位于阿联酋的东部,濒临阿曼湾。富查伊拉酋长国已经在阿联酋最活跃地区,经历过5级的地震2.2级2002年3月和2011年9月Masafi地区(3,13,36]。艾尔Dibba地区也记录地震(2009年11月13,36,37]。虽然这些事件没有导致任何伤亡,研究者们关注的风险评估该地区的快速城市化进程。主要风险评估是缩小至东部的富查伊拉酋长国,覆盖富查伊拉的人口稠密的城市,Kalba, Al Aqdah冰雹,Al Bithnah和Qurayya海边附近的地区。这些城市躺在山与海之间的一个有界区域如图2 (b)和2 (c)。山上封闭富查伊拉城市及其周边地区通常超过200 ?直到1000年?米高。

当前的研究利用历史地震数据来确定在阿联酋易发区域。地震目录包含日期、时间、纬度、经度、和大小被用来作为参考;它占地13156事件从1900年到2015年(36,38]。它包括整个阿拉伯板块及其邻近地区,即。为阿拉伯板块,每一个重大风险(38,39]。表2列出历史地震事件和他们的一些相关属性(38]。

3所示。方法

图3代表了本研究的方法。构造的研究分为两部分:(a)的地震分析阿联酋使用AHP和标定地震易发区域根据历史地震事件,(b)风险分析在阿联酋最灾害频发区。土壤、地质断层距离、坡度(%)和PGA参数搭配层次分析法和加权叠加在ArcGIS Pro带状的地震易发地区阿联酋。调查地震风险评估支持消费参数如原位组合的数据区域,道路网络,医院、学校、海洋海岸线,和数字地形模型(DTM)处理达到所需的主题层每个参数,分别在GIS的框架。然后,AHP和ML的一体化模型(决策树支持向量机(SVM), (DT)和随机森林(RF))与加权叠加促进获得风险地图。密集的文献回顾和专家意见的基础权重和排名。成对比较矩阵验证AHP方法的每个参数的权重。500个随机生成和处理60毫升平台40比训练和测试数据集。毫升模型帮助修改每个准则的权重。加权叠加应用开发风险地图。

3.1。阿联酋的评估地震频发区

本节描述地理空间主题层用来限定seismic-prone阿联酋搭配的AHP方法在GIS环境中。验证AHP方法,成对比较矩阵也发达。

3.1.1。地理空间参数风险评估

五个主题层,即PGA、土壤分类、距离的错,斜率的百分比,和地质学,被认为是在地震灾害频发分带。每一层展览与地震风险相关。PGA的最大地面加速度观测在地震中。先前的地震地震活动性研究[9,40)观察下降PGA与震中距离增加。在当前的研究中,鉴于没有重大地震仪事件发生在阿联酋,地面加速度计算使用地面运动预测方程,考虑所有的历史地震活动在整个阿拉伯板块从先前的研究36,41]。所(12),只有两个主要缺点对阿联酋施加直接的地震活动影响:扎格罗斯褶皱(14)和马克兰推力带区(3,11]。在这项研究中,建立了PGA采用衰减关系由以下方程(41,42]。

在哪里PGA厘米/秒²;是地震震级的时刻;是热点距离(公里);(.399),(-.0019),(1)是常数的扎格罗斯水平分量用于本研究;是网站类;现场条件;标准偏差;和是常数(0,1)。

断层距离展览的主题层逆与地震活动的关系。断层线提取从陆地卫星8 30米空间分辨率的卫星图像,然后,欧几里得距离计算。近距离200公里从断层线被认为是最容易发生地震41]。石灰磐旱成土,土层由torripasmments saliorthids, torrifluvents, gypsiorthids torriorthents,和盐磐旱成土。Torripasmments粘土丰富并不是地震的风险(36),而saliorthids、石灰磐旱成土和torrifluvents更容易发生地震在阿联酋比其它土类(3,41]。斜坡来源于空间映射(先进星载热发射和反射辐射仪)ASTER数字高程模型(DEM)和3 m的决议。尽管大多数的土地股份类似的斜坡,更高的陡峭的斜坡在阿联酋的东北部。因此,斜坡> 30°被认为是在更高的地震带(36]。地质专题层8准备从陆地卫星图像采用监督分类。层含砂,冲积层、石灰石、变质岩、辉长岩、蛇绿岩。沙最紧密,因此,它被认为是最容易发生地震36]。文献回顾和专家的观点是所有地震风险权重的基础参数(表3)。使用AHP权重和排名是验证技术准备成对比较矩阵。层次分析法将在下一节中讨论。

3.1.2。层次分析法对风险评估

每个参数是使用Saaty的AHP评估(18,24,34,41]、[43]。Saaty的AHP决策过程是基于每个标准和选择44]。参数与权重分配按照等级的适用性和重要性。AHP方法包含三个主要步骤(45]。在最初的一步,决策问题是划分为层次结构,由所有的参数。几个因素被用来创建一个层次结构的主要目标识别灾害频发地区。下一步是建立决策表为每个等级水平。成对比较矩阵来表示(PC-matrices)通过使用可比数据。按照九分制标准被用于比较,或者,也可以使用实际数据如果可用24]。9分规模包括9 8 7,…,1/7,1/8,1/9,9表示极端的偏好,7表示非常强烈的偏好,5表示强烈的偏好,等等到1,这意味着没有偏好。一个独立的评估每个因素的贡献是由于两两比较,这有助于简化决策过程(18]。两两比较排成一个方阵,对角元素是1。的相对重要性的标准是由计算的主要特征值和相应的归一化特征向量矩阵进行了比较。归一化特征向量的元素与参考标准或加权subcriteria和额定的替代品18]。然后,评估的一致性矩阵方程的基础上执行的订单是(2)- (4)[41,43]。 在哪里一致性指数,随机指数,是一致性比率,是压缩矩阵的顺序。

成对比较矩阵是用来验证参数的权重(表4)。验证模型的一致性,应< 10% (18]。的这个模型被计算为3%,验证排名和权重标准是真实的。验证后排名技术,权重分配在ArcGIS利用加权叠加工具的输出做准备。阿联酋的地震危害地图被重新分类为五个区域:很高,高,温和,低,极低(图4)[38]。

从图的分析4非常高的危险区域显然是发现,富查伊拉市一个高度密集的地区面积202公里²。大约有11%的阿联酋,包括区域内富查伊拉,兼有,沙迦,在一个高危险区域。沙迦和迪拜的谎言从高到温和的地区,而阿布扎比位于大大远离地震热点和谎言在低地震灾害区。从长远来看,风险分析、应急策略,土地利用行动计划,和救济措施应考虑和促进这些地区的灾害管理至关重要。

3.2。富查伊拉城市的风险评估和邻近地区

本节描述富查伊拉城市的脆弱性和易发地区及其邻近的城镇,相关的因素,和技术。最后,风险地图开发使用层次分析法和加权叠加,以及毫升技术已经用来理解参数与地震相关的风险隐患。

3.2.1之上。富查伊拉城市的脆弱性评估

脆弱性是一个特定的风险可能造成的影响在社区和环境46,47]。它是包括在风险框架。联合国(UN)后(2004),风险有两个主要组件。第一个组件是风险本身,破坏性事件,人类活动或现象的特点是位置、强度、频率、概率。第二个组件是弱点,它定义了风险严重程度的相关性及其潜在的损害程度46]。联合国的帮助下(2004)定义风险评估方程(6)[47]。

不同类型的地震易损性的影响选择和每个标准的映射,研究和整合这些标准被认为是在一个有效的地震易损性映射过程(18,26,27,48]。

3.2.2。地理空间参数风险评估

特定区域的脆弱性地震可以预测使用时空组件。空间层随位置、性质和边界条件的不同区域(45]。层,如组合、交通网络,医院和学校位置,首次提取OpenStreetMap (OSM)矢量格式然后地标。欧氏距离的计算有助于评估地震易损性(4]。DTM从网站下载的美国地质调查局的富查伊拉被用来提取坡度图和流。富查伊拉的海岸线是划定在ArcGIS Pro使用基本的映射。讨论进一步的细节层次的成功部分。

(1)空间欧氏距离。在当前的研究中,欧几里得距离海岸线、学校、道路和医院计算来确定风险的脆弱性。(我)海岸线。脆弱的效果减少随着海岸线的距离增加(49]。高强度的地震可能会加剧邻水体(阿曼湾在这种情况下),导致更高的波,最终,洪水或海啸,影响区域。海岸线的空间映射是利用地球资源观测卫星8图像。欧几里得距离当时计算获取主题层呈现在图5(一个)。层被分配重新分类排名最高的距离大约3公里的海岸线。脆弱性降低的程度随着海岸线的距离增加,最少的影响发生在超过9公里的距离,和最脆弱的地区,距离海岸不到3公里。缓冲区的限制而将0.5公里(2)学校。脆弱性评估是学校的距离成反比,因为开放空间,如学校操场、在灾难中被认为是疏散区域(9]。欧氏距离主题层从OSM准备使用学校的位置,如图5 (b)。学校分配的距离越远,越高排名。在这项研究中,脆弱的程度增加的距离学校增加最少的影响发生在学校的一个方便的距离小于2公里,最脆弱的时候距离超过6公里(3)道路。类似学校、道路也考虑疏散区域灾害期间(36]。道路的距离越远,越高的风险漏洞,参考图5 (c)。道路网shapefile数据库准备利用OSM,然后计算欧氏距离。因此,最高等级被分配到公路,位于距离超过3.5公里。在这项研究中,脆弱的程度随着道路的距离增加而增加最少的影响发生在道路距离小于1.5公里,最脆弱的时候距离超过3.5公里(iv)医院。开放空间在一个医院的边界被认为是在灾害疏散区域,提供医疗设施(36]。欧氏距离计算使用医院的shapefile来自OSM,参考图5 (d)。从医院的距离越远,越高排名是按照Saaty的AHP方法,意味着更高的脆弱性。在这项研究中,脆弱的程度随着医院的距离增加而增加最少的影响发生在医院距离小于2公里,最脆弱的时候距离超过9公里(v)距离住宅。居民区被认为是高度脆弱和被分配的最高等级2]。这个主题层准备使用多边形shapefile居民区利用数据集来自OSM,参考图5 (e)。没有住宅被分配的地区排名最低

(2)地形因素。地形因素考虑在当前研究边坡和封闭区。主题层的参数创建使用一个民主党的富查伊拉酋长国在30米空间分辨率缩放。(我)坡。斜率专题层呈现在图5 (f)。随着坡度的增加漏洞的风险增加。斜率是利用DEM来自美国地质调查局网站地图。五类被认为将斜坡层通过自然(詹金斯)技术。多年来,组合地区扩大沿山麓的富查伊拉酋长国。陡峭山坡上更倾向于山体滑坡(2,27,46灾后),导致额外的危险组合区域构造接近山麓。脆弱性增加的程度随着坡角的增加,最少的影响发生在角小于10度和最脆弱的地区边坡角超过30度(2)封闭区域。在当前的研究中,在区域被认为是高山和大海之间的空间。限制地区划定8利用陆地卫星图像,随后,栅格文件。从民主党的主题层观察,即。,图5 (g)山脉的山麓开始海拔约450米,和峰值可以观察到1008米。内的空间覆盖海拔低于450米,离海岸线和河流被认为是密闭空间。密闭空间更容易受到地震相比nonconfined空间

(3)水文因素。流订单获得富查伊拉城市利用ArcGIS的水文工具,如图5 (h)。流订单评估脆弱性的一个重要参数,创建一个风险地图。(我)距离流。溪流附近地区更容易受到风险因为水体将会干扰相邻组合区域,造成额外伤害的生计,参考图5 (h)。流增加土的振动和润滑。因此,组合区域接近流表现出更高的机会崩溃,加重风险(4,46]。strahl方法(50)是隐含提取流顺序图表示5 (h)。三阶流是在研究区东部的构成。欧几里得距离工具应用于提取距离流专题层。溪流附近地区被分配在AHP排名系统更高的排名。脆弱性程度降低最低影响的情况下,随着距离流的增加发生在距离超过3.5公里,最脆弱的地区,距离流不到0.5公里

3.2.3。成对的分析参数

类似于地震空间分析讨论了在前面的部分中,漏洞评估也使用AHP方法执行。文献回顾和专家意见是每个参数的权重的基础,参考表5。权重分配在一个方阵,代表对角元素为1的基础上一些脆弱性评估研究(4,17,27]。

每个参数的权重帮助建立了一个两两比较(表6)理解和验证每个参数之间的相对权重。矩阵计算 , ,和 ,利用方程中提到的部分3.1。2验证提出的风险评估模型。由此产生的也是3%,验证该模型的一个好的排名和权重体系。

3.2.4。机器学习(ML)分析的参数

毫升技术有利于现代研究在所有的科学领域28,33,51- - - - - -56]。它允许输入数据读取、分析和培训达到最大精度比传统方法。几项研究[19,32,51,57地震风险评估的利用毫升技术与传统方法。本研究利用三毫升模型:支持向量机,DT,富查伊拉中的射频分类最易发区域及其周边城镇。研究建立了500个随机点在整个研究区域训练ML算法。每个专题层为本研究开发的独立参数,和ML的潜在风险是相关的参数模型。最初的原始数据预处理消除null值或离群值。这是至关重要的ML模式能够正常训练和学习。下一个重要的步骤是将数据以消除偏见从ML算法的训练过程。通常,ML算法适合在训练数据太紧,导致不准确的预测的测试数据。

(1)支持向量机(SVM)。支持向量机是第一个ML算法利用分析地震数据集。支持向量机是一种最经常利用监督学习算法分类和回归分析,并提供了实用的学习任务。支持向量机的输入数据和预测类为每个数据。在这项研究中,60%的数据集是用于培训,40%是用作测试数据集。通过识别执行分类超平面之间的边界类的边界线是尽可能的类。通过使用点内核类型、属性的权重也获得(33,51,58,59]。的超平面构造使用以下功能:

在哪里在每个实例和属性吗是权重。支持向量机模型在研究中79.6%的准确率。

(2)决策树(DT)。决策树是一种监督学习算法确定基本参数,可以帮助分类。规则是基于数据的结构。树开始于一个高度影响力的属性作为根节点和连续规则应用于移动到下一个属性,直到到达一个叶子节点和终端节点(60,61年]。数据集分成多次从粗到最好的属性。DT产生视觉上的优势容易解释模型。DT模型在这个研究给了78.9%的准确性。获得最佳树的深度是4 16%的错误率。

(3)随机森林(RF)。射频是一种最监督学习算法用于毫升。射频是一组随机决策树的每个节点将基于一个特定的数据集参数。只有少数属性考虑每个节点的选择。这个选择被指定为一个参数在设计模型。根据每个节点的分裂规则,数据集分类中可能的结果。新节点不断建立直到此时树终止标准是满意。每棵树的结果在一个单一的结果,和RF的最终结果是所有个体的平均树(62年]。在一个节点分裂时,射频使用最好的属性在所有的属性,而不是选择最重要的属性。在本研究射频给出了精度78.2%。得到了最优参数的树深度4和树的数量20 16.3%的错误率。

4所示。结果与讨论

地震风险估计和映射两种方法,层次分析法和ML,空间(参考数据6(一)和6 (b))。地图是将顺序量表的基础上,分为5类:“非常高”,“高”,“温和”,“低”和“非常低。“虽然地图描绘的逆境的模式相似,边际差异的每个类面积估计,参考表7。从表可以看出7“非常高”类别下的面积在AHP在ML 12倍。同样,在“非常低”的类别,毫升几乎比AHP面积的两倍。“非常高”的风险区域在AHP输出地图被归类为“高”风险区域毫升输出地图。此外,两个区被确定为“高”风险区域毫升输出AHP中没有观察到输出。三个核心位置被确定属于“非常高”的风险类别根据AHP输出图6(一)。

风险地图获得乘以风险和脆弱性。3毫升models-SVM, DT, RF-were使用Rapidminer软件应用于数据集。60%的数据集是归类为培训和40%作为毫升的测试模型。支持向量机提出了最高79.6%(表的准确性8)相比,DT(78.6%)和射频(78.2%)。SVM模型做了一个标准差的±6.5%。表9代表了混淆矩阵相同的模型的准确性。真正的“高”的准确性是代表近87%的训练和测试数据集。SVM促进了权重分配给每个参数以更精确的方式。总面积为“非常高”和“高”风险估计20公里²和114公里²分别对ML的输出。这些区域标识非常接近溪流和海岸线和被归类为限制区域。

图7代表的重量的比较每个输入参数来源于AHP和ML技术。权重可以观察到的一个关键区别这两种技术。在AHP模型中,道路至关重要,限制区域,和居民区已经分配。毫升的方法验证了AHP方法通过结束最高权重类似的参数。然而,分钟上升可以看到小区的权重层次分析法。毫升方法适度分配更多weightage疏散中心,如学校和医院。同时,距离海岸线的重量增加到两次ML技术。

以下几点是地图(图得出的结论6):(我)区描绘了一个非常高风险区域的两种方法。它位于富查伊拉的东北部,在1公里的海岸线,是一个紧凑的工业区和大型石油存储油轮,如图2(一个)。身高180的面积以山脉为界?(海拔)在西方,如图2 (b)东,阿曼湾,如图2 (c)。作为一个工业地区,远离疏散区域,例如学校和医院的开放空间位于4 ?公里,7 ?公里,从而分别,疏散时灾难构成障碍。(2)区B的输出显示了相同的模式。层次分析法有更高比例的面积比ML下“非常高”“高”的风险。像区域,该区域也是一个限制区域与西方山150米高度的住宅,一个紧凑的组合,如图2 (b)和2 (d)。这是相当接近溪流的距离2公里,6公里远离学校。(3)区C是限制和居民区,使它非常高风险区域(参考图6(一))。该区域靠近阿曼湾,大约3公里的海岸线,在Kalba地区。这个地区归类为“非常高”在AHP被观察到在毫升“高”的类别。(iv)区D是另一个高危区,与类似的贡献主要参数区,B和C,即。亲密,住宅和封闭区域。其他参数,扮演一个角色是其靠近流(在4公里)和距离学校(2公里)。(v)区E是归类为低风险区域。尽管该地区靠近海岸线的距离5公里,造成参数道路和学校位于距离小于2公里。此外,该区域位于距流大约4公里。这些因素导致该区域的“低”的风险分类,验证AHP排名和权重的方法。(vi)F区位于1.5公里的范围从流和适度高35 - 40度的斜坡。等该地区远离疏散中心医院和道路是“温和”的风险区域,图6(一),而这是归类为“高”的风险区域图6 (b)(七)区G接近区大肠的权重更高的距离学校毫升技术,输出显示比例的地区是“高”风险和AHP方法。同时,该区域已被确认接近流距离小于1.5公里,与区E。

上面的讨论也使科学的社会调查和研究的后果同震的继发效应(63年,64年]。对目前的研究,副作用可能来自海啸、滑坡、土壤液化、断层和裂缝穿过山脉,石油泄漏从工业皮带,高层住宅建筑的倒塌,由于天然气或石油泄漏和火灾隐患(63年]。这些影响可能导致地震灾害的加剧,可能会导致更广泛的灾难和人类生活的破坏。在未来发生地震的事件,该地区有更高的可能性受到海啸的影响同震效应尽管研究区域中没有死亡直到现在(37]。

5。结论

这项研究代表了一种努力评估地震活动阿联酋的弱点。尽管阿联酋没有受到任何大地震直接影响到目前为止,该国东部经历了高震级(3 - 5米)震动(3,9,12,13,37,49),因此,地震脆弱性评估是必要的。空间统计技术从一项研究[32,57)是用来确定地震事件模式在阿拉伯板块和定位灾害频发地区阿联酋。这些技术帮助确定最高度危险事件中观察到阿拉伯板块的北部地带覆盖伊朗的扎格罗斯山脉。PGA,距离断层、斜率百分比、土壤分类、和地质参数集成在Saaty在阿联酋的AHP确定seismic-prone区。的主要成果之一的地震危害地图是阿联酋的东部是更有可能容易发生地震,尤其是富查伊拉城市和相邻的城镇,如Kalba Al Aqdah冰雹,Al Bithnah Qurayya。随后,研究风险的风险评估和绘制集成层次分析法和ML技术获取风险地图。3毫升技术(例如SVM, DT, RF)未遂,和每个人都通量值的准确性。T的另一个主要成就是SVM模型研究显示精度最高的79.6%与60%的数据集作为训练数据集和40%的测试数据集。SVM-generated权重是用来验证和修改漏洞的AHP权重参数。最后,加权叠加技术促进发展的风险和风险归类为区域映射到很高,高,温和,低,非常低。风险地图从两种方法获得AHP和毫升比较。 The parameters utilized for the risk assessment were the distance from the shoreline, schools, hospitals, roads, residences, streams, and confined areas. Confined areas and compact built-up regions with residences or industries located closer to the shoreline or streams were the most vulnerable. Schools, hospitals, and roads were considered evacuation areas during hazards. A shorter distance from vulnerable areas to these evacuation areas is more favourable because of their open spaces. The farther the distances of the evacuation areas, the higher the risk. The region with low vulnerability was identified to be located at a distance of approximately 2 km and 5 km from schools and the shoreline/streams, respectively. Approximately, 20 km²和114公里²估计躺下“非常高”和“高”风险区域,分别在ML。毫升方法证明也导致一个更加精炼的方式辅助传统的AHP方法的验证。本研究中所开发的方法将评估seismic-prone领域,与地震风险相关的风险。可以利用这种方法来应对灾害和灾害管理是有益的一个国家,比如阿联酋。它也可以应用于其他地区。

数据可用性

数据用于支持本研究的结果可在第一作者要求和批准的数据源。

的利益冲突

作者宣称没有利益冲突有关的出版。

作者的贡献

D.A.-D。和R.A.-R。开发的概念和方法研究。D.A.-D。,R.A.-R。,K.S.,和S.M. conducted the spatial processing to develop the required thematic layers and also carried out the AHP weighting approach for vulnerability analysis. D.A.-D., R.A.-R., K.S., S.A.-M., and S.M. conducted spatial processing and carried out the AHP weighting approach for vulnerability analysis. D.A.-D., R.A.-R., K.S., B.K., and S.A.-A. contributed in selecting the most seismically active region. D.A.-D., R.A.-R., K.S., S.A.-M, S. M, B.K., S.A.-A., and H.A.-A contributed in selecting the most vulnerable region after hazard. R.A.-R., B.K., H.A.-A., and N.U edited, restructured, and professionally optimized the manuscript. D.A.-D., R.A.-R., B.K., K.S., S.A.-M, S.M.,H.A.-A., and N.U. prepared and reviewed the manuscript.