Hızlı kentleşme ve iklim değişikliğiyle birlikte taşkınların meydana gelme sıklığı artmaktadır. Özellikle kentsel alanlarda yaşanan taşkınlarda karayolu ağları ve karayolu kullanıcıları etkilenmektedir. Taşkın su seviyesi ve hızı gibi faktörler can güvenliğini tehdit etmekle birlikte güvenli bölgelere ulaşımı da engelleyebilir. Taşkın anında karayolu kullanıcılarının tahliyesi acil durum hazırlığının en kritik yönüdür. Bu sayede tahliye edilenler kritik bölgelerden daha güvenli bölgelere aktarılarak, hasta ve yaralılar tıbbi tesislere nakledilebilir. Etkin bir acil durum yönetimi sağlanması için trafik tahliye planları ve güzergahları belirlenmeli, analiz edilmeli ve tahliye sırasında ulaşım altyapıları optimize edilmelidir. Bu tez çalışmasında ilk olarak Isparta il merkezinde bulunan Çünür, Halıkent ve Dere Mahallelerinden Flo-2D modeli ile 5, 10, 15, 30 ve 60 dakikalık yağışların neden olduğu taşkın su derinlikleri belirlenmiştir. Belirlenen taşkın su derinliklerine göre araçlar (binek araç ve SUV) ve insanlar (yetişkin ve çocuk) için taşkın risk sınıfları oluşturulmuştur. Bu taşkın risk sınıflarına göre seçilen üç mahallede acil müdahale ekipleri için güvenli istasyon noktaları ile insanlar için güvenli yerler tespit edilmiştir. Üç mahallede trafik kazası ve taşkınlarda araçların mahsur kalması durumlarına göre farklı senaryolar için acil müdahale ekiplerinin güvenli istasyon yerlerinden bu yerlere ulaşabilecekleri rotalar belirlenmiştir. Ayrıca insanlar için belirlenen güvenli noktalara yaya olarak maksimum 10 dakikada erişebilecekleri alanlar tespit edilmiş ve bu alanlar için farklı senaryolarda rotalar belirlenmiştir. Daha sonra yapay sinir ağları (YSA) ve uzun kısa süreli bellek (Long Short-Term Memory, LSTM) ile 5, 10, 15, 30 ve 60 dakika sonrasında oluşabilecek taşkın su derinlikleri tahmin edilmiştir. Tahmin edilen taşkınlardan etkilenen yol ağları ve taşkın tahliye önceliği bulunan alanlar belirlenmiştir. Tez çalışmalısının çıktıları ile taşkın anında karar vericilere yardımcı olabilecek bir karar destek sistemi geliştirilmiştir. Geliştirilen karar destek sistemi ile karar vericiler mevcut ve gelecekteki taşkınlarda etkilenen yol ağlarını sorgulayabilecek, gerekli görülmesi durumunda bu yol ağları trafiğe kapatılabilecektir. Ayrıca mevcut taşkın durumunda acil müdahale ekipleri için güvenli istasyon noktası ile insanlar için güvenli yerler ve rotaları görüntüleyebileceklerdir. Bunun yanı sıra gelecekteki taşkınlarda tahliye öncelikli alanlar ile su altında kalan karayolu ağlarını görebileceklerdir. Anahtar Kelimeler : Taşkın, Flo-2D taşkın modeli, YSA, LSTM, karar destek sistemleri.
With rapid urbanization and climate change, the frequency of floods have been increasing. Flood events in urban areas affect road networks hence road users. Factors such as flood water level and speed threaten life safety and may also prevent access to safe areas. Evacuation of road users in the event of a flood is the most critical aspect of emergency preparedness. In this way, evacuees can be transferred from critical areas to safer areas, and the sick and injured can be transferred to medical facilities. To ensure effective emergency management, traffic evacuation plans and routes should be determined and analyzed and transportation infrastructures should be optimized during evacuation. In this thesis, the depths of flash floods caused by rainfall lasting 5, 10, 15, 30, and 60 minutes in the Çünür, Halıkent, and Dere neighborhoods in the center of Isparta province were determined using the Flo-2D model. Based on the determined flash flood depths, flash flood risk classes for vehicles (passenger cars and SUVs) and people (adults and children) were created. Safe station locations for emergency response teams and safe places for people were determined in three neighborhoods selected according to these flood risk classes. The routes for emergency response teams to reach these safe stations from various scenarios in the event of traffic accidents and vehicles being trapped in floods were determined. Furthermore, the areas that can be reached within a maximum of 10 minutes by foot to the safe points for people were determined and routes for different scenarios were determined. Then, flash flood depths that may occur 5, 10, 15, 30, and 60 minutes later were predicted using artificial neural networks (ANNs) and Long Short-Term Memory (LSTM). The affected road networks and areas with flash flood evacuation priority were determined from the predicted floods. A decision support system that can assist decision-makers during a flash flood was developed with the results of the thesis work. With the developed decision support system, decision-makers can query the road networks affected by current and future flash floods and close these road networks to traffic if deemed necessary. Decision-makers can also view the safe station for emergency response teams and safe locations and routes for people during a current flash flood. In addition, they can see the areas with evacuation priority and the road networks under water during future flash floods. Keywords : Flood, Flo2D flood model, ANN, LSTM, Decision support system.
Tez (Doktora-PhD) - Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, İnşaat Mühendisliği Anabilim Dalı, 2023.
Kaynakça var.
Hızlı kentleşme ve iklim değişikliğiyle birlikte taşkınların meydana gelme sıklığı artmaktadır. Özellikle kentsel alanlarda yaşanan taşkınlarda karayolu ağları ve karayolu kullanıcıları etkilenmektedir. Taşkın su seviyesi ve hızı gibi faktörler can güvenliğini tehdit etmekle birlikte güvenli bölgelere ulaşımı da engelleyebilir. Taşkın anında karayolu kullanıcılarının tahliyesi acil durum hazırlığının en kritik yönüdür. Bu sayede tahliye edilenler kritik bölgelerden daha güvenli bölgelere aktarılarak, hasta ve yaralılar tıbbi tesislere nakledilebilir. Etkin bir acil durum yönetimi sağlanması için trafik tahliye planları ve güzergahları belirlenmeli, analiz edilmeli ve tahliye sırasında ulaşım altyapıları optimize edilmelidir. Bu tez çalışmasında ilk olarak Isparta il merkezinde bulunan Çünür, Halıkent ve Dere Mahallelerinden Flo-2D modeli ile 5, 10, 15, 30 ve 60 dakikalık yağışların neden olduğu taşkın su derinlikleri belirlenmiştir. Belirlenen taşkın su derinliklerine göre araçlar (binek araç ve SUV) ve insanlar (yetişkin ve çocuk) için taşkın risk sınıfları oluşturulmuştur. Bu taşkın risk sınıflarına göre seçilen üç mahallede acil müdahale ekipleri için güvenli istasyon noktaları ile insanlar için güvenli yerler tespit edilmiştir. Üç mahallede trafik kazası ve taşkınlarda araçların mahsur kalması durumlarına göre farklı senaryolar için acil müdahale ekiplerinin güvenli istasyon yerlerinden bu yerlere ulaşabilecekleri rotalar belirlenmiştir. Ayrıca insanlar için belirlenen güvenli noktalara yaya olarak maksimum 10 dakikada erişebilecekleri alanlar tespit edilmiş ve bu alanlar için farklı senaryolarda rotalar belirlenmiştir. Daha sonra yapay sinir ağları (YSA) ve uzun kısa süreli bellek (Long Short-Term Memory, LSTM) ile 5, 10, 15, 30 ve 60 dakika sonrasında oluşabilecek taşkın su derinlikleri tahmin edilmiştir. Tahmin edilen taşkınlardan etkilenen yol ağları ve taşkın tahliye önceliği bulunan alanlar belirlenmiştir. Tez çalışmalısının çıktıları ile taşkın anında karar vericilere yardımcı olabilecek bir karar destek sistemi geliştirilmiştir. Geliştirilen karar destek sistemi ile karar vericiler mevcut ve gelecekteki taşkınlarda etkilenen yol ağlarını sorgulayabilecek, gerekli görülmesi durumunda bu yol ağları trafiğe kapatılabilecektir. Ayrıca mevcut taşkın durumunda acil müdahale ekipleri için güvenli istasyon noktası ile insanlar için güvenli yerler ve rotaları görüntüleyebileceklerdir. Bunun yanı sıra gelecekteki taşkınlarda tahliye öncelikli alanlar ile su altında kalan karayolu ağlarını görebileceklerdir. Anahtar Kelimeler : Taşkın, Flo-2D taşkın modeli, YSA, LSTM, karar destek sistemleri.
With rapid urbanization and climate change, the frequency of floods have been increasing. Flood events in urban areas affect road networks hence road users. Factors such as flood water level and speed threaten life safety and may also prevent access to safe areas. Evacuation of road users in the event of a flood is the most critical aspect of emergency preparedness. In this way, evacuees can be transferred from critical areas to safer areas, and the sick and injured can be transferred to medical facilities. To ensure effective emergency management, traffic evacuation plans and routes should be determined and analyzed and transportation infrastructures should be optimized during evacuation. In this thesis, the depths of flash floods caused by rainfall lasting 5, 10, 15, 30, and 60 minutes in the Çünür, Halıkent, and Dere neighborhoods in the center of Isparta province were determined using the Flo-2D model. Based on the determined flash flood depths, flash flood risk classes for vehicles (passenger cars and SUVs) and people (adults and children) were created. Safe station locations for emergency response teams and safe places for people were determined in three neighborhoods selected according to these flood risk classes. The routes for emergency response teams to reach these safe stations from various scenarios in the event of traffic accidents and vehicles being trapped in floods were determined. Furthermore, the areas that can be reached within a maximum of 10 minutes by foot to the safe points for people were determined and routes for different scenarios were determined. Then, flash flood depths that may occur 5, 10, 15, 30, and 60 minutes later were predicted using artificial neural networks (ANNs) and Long Short-Term Memory (LSTM). The affected road networks and areas with flash flood evacuation priority were determined from the predicted floods. A decision support system that can assist decision-makers during a flash flood was developed with the results of the thesis work. With the developed decision support system, decision-makers can query the road networks affected by current and future flash floods and close these road networks to traffic if deemed necessary. Decision-makers can also view the safe station for emergency response teams and safe locations and routes for people during a current flash flood. In addition, they can see the areas with evacuation priority and the road networks under water during future flash floods. Keywords : Flood, Flo2D flood model, ANN, LSTM, Decision support system.