انجمن مخاطره شناسی ایران مدیریت مخاطرات محیطی 2423-415X 12 4 2026 03 16 Optimal location of rescue bases on the Chalous road: a deep learning-based approach مکان‌یابی بهینه پایگاه‌های امداد و نجات در جاده چالوس: رویکردی مبتنی بر یادگیری عمیق 297 302 106362 10.22059/jhsci.2026.411833.922 FA بهاره سادات موسوی دکترای سیستم اطلاعات جغرافیایی و سنجش از دور، دانشکده جغرافیا، پردیس بین‌المللی کیش، دانشگاه تهران، ایران 0000-0002-6002-0383 میثم ارگانی عضو هیات علمی گروه سنجش از دور و GIS - دانشکده جغرافیا - دانشگاه تهران نجمه نیسانی سامانی عضو هیات علمی گروه سنجش از دور و GIS - دانشکده جغرافیا - دانشگاه تهران احمد سلطانی گروه سلامت در بلایا و فوریت‌ها، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران محسن فروزنده سنجش از دور و سیستم های اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران Journal Article 2025 11 22 <strong>Objective</strong>: Road accidents, especially on mountainous roads, pose significant traffic safety challenges that require accurate prediction and optimal management. In Iran, as a disaster-prone country, road accidents rank as the second-highest risk in terms of occurrence frequency, after earthquakes, highlighting the critical importance of road accidents as a significant risk factor. In this study, using data from the Red Crescent mission reports along with road, environmental, and traffic features, a deep learning transformer model was developed to identify accident-prone locations on the Chalous road corridor. This model extracted complex nonlinear patterns with considerable accuracy and predicted high-risk points categorized into three accident severity classes (fatal, injured, treated on site). Subsequently, using the Grey Wolf Optimizer algorithm, the optimal placement of rescue bases was performed to increase road coverage and reduce response time. Results showed that rescue coverage on the Chalous corridor increased from 22.77% to 86.91%, and average response time decreased from approximately 14 minutes 45 seconds to 8 minutes 22 seconds, representing a 64% improvement in coverage and a 43% reduction in reaction time, respectively. This study demonstrated that integrating real-world data, advanced deep learning models, and optimization algorithms provides an effective tool for improving rescue management, enhancing safety on high-traffic and high-risk corridors, and reducing injuries and fatalities. The findings can serve as a basis for designing intelligent crisis management systems and developing preventive programs in other regions of the country. 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.<br />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.<br />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.<br />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. https://jhsci.ut.ac.ir/article_106362_1bc45faa424d4f84e81252acf42447e5.pdf