Πλημμυρική επιδεκτικότητα με μεθόδους μηχανικής μάθησης
Aristotle University of Thessaloniki, 2022
Online
unknown
Zugriff:
Η πλημμύρα αποτελεί την πιο διαδεδομένη φυσική καταστροφή και εμφανίζεται σε όλη την έκταση της γης με αποτέλεσμα οικονομικές συνέπειες και απώλειες ανθρώπινων ζωών. Τα πλημμυρικά φαινόμενα θα αυξηθούν τις επόμενες δεκαετίες ως προς την συχνότητα εμφάνισης και το μέγεθος τους λόγω της κλιματικής αλλαγής και των ανθρώπινων δραστηριοτήτων. Για τη δημιουργία ενός αποτελεσματικού σχεδίου διαχείρισης πλημμυρών απαιτείται η κατασκευή χαρτών πλημμυρικής επιδεκτικότητας. Η μελέτη αυτή παρουσιάζει την ανάπτυξη τεσσάρων νέων υβριδικών μοντέλων που κατασκευάστηκαν από τον συνδυασμό των αλγορίθμων Extreme gradient boosting (XGBoost), Random Forest (RF) και της μεταευρετικής μεθόδου Artificial Bee Colony (ABC) με τις στατιστικές μεθόδους Frequency Ratio (FR) και Weight of Evidence (WoE), με σκοπό την πρόβλεψη των ζωνών επιδεκτικότητας στην υδρολογική λεκάνη του Σπερχειού, στην Ελλάδα. Η συγκεκριμένη περιοχή συχνά απαιτείται να αντιμετωπίσει αυτό το φαινόμενο και τις καταστροφικές συνέπειες του. Δημιουργήθηκε ένα αρχείο πλημμυρών 562 τοποθεσιών από δεδομένα του Υπουργείου Περιβάλλοντος και Ενέργειας (ΥΠΕΝ) και δορυφορικές εικόνες Sentinel-1 SAR. Χωρίστηκε τυχαία σε πρότυπα εκπαίδευσης και ανάκλησης (70%-30%) και συνδέθηκαν με τοπογραφικούς (υψόμετρο, κλίση, προσανατολισμός, δείκτης TPI), υδρολογικούς (απόσταση από υδρογραφικό δίκτυο, βροχόπτωση, δείκτες TWI, SPI, STI) και περιβαλλοντικούς (χρήση/κάλυψη γης, γεωλογία, δείκτης NDVI) παράγοντες. Ακολούθως, χρησιμοποιήθηκε η μέθοδος Information Gain Ratio (IGR) για την επιλογή των παραγόντων με προγνωστική ικανότητα. Οι στατιστικές μέθοδοι χρησιμοποιήθηκαν για τον υπολογισμό της χωρικής συσχέτισης μεταξύ παραγόντων και πλημμυρών, ενώ τα βάρη που προέκυψαν χρησιμοποιήθηκαν ως δεδομένα εισόδου για την εκπαίδευση των μοντέλων. Για την αξιολόγηση της απόδοσής τους χρησιμοποιήθηκε η δημοφιλής μέθοδος Receiver Operating Characteristic (ROC) curve, με όλα τα μοντέλα να εμφανίζουν τιμές μεγαλύτερες από 0.95 και το πιο ακριβές να είναι το WoE-RF-ABC (AUC=0.9675). Επίσης χρησιμοποιήθηκαν κάποια στατιστικά μέτρα αξιολόγησης (accuracy, precision, recall. specificity). Από τους παραγόμενους χάρτες επιδεκτικότητας και τα αποτελέσματα της βαρύτητας κάθε παράγοντα, βγαίνει το συμπέρασμα ότι οι περιοχές που είναι περισσότερο ευάλωτες σε πλημμύρες είναι οι οικιστικές περιοχές και εκείνες που αξιοποιούνται από τους ανθρώπους στις πεδινές εκτάσεις. Τελικά, σύμφωνα με τα παραγόμενα αποτελέσματα, τα 4 υβριδικά μοντέλα μπορούν να χρησιμοποιηθούν επιτυχώς για την χαρτογράφηση των ζωνών επιδεκτικότητας
Flooding is the most widespread natural hazard and occurs worldwide, resulting in economic consequences and loss of human lives. Flood incidents will increase in frequency and magnitude due to climate change and human activities. Flood susceptibility maps are necessary for an efficient disaster management plan. The purpose of this study was to develop 4 novel hybrid models by the combination of Extreme gradient boosting (XGBoost), Random Forest (RF) algorithms with a metaheuristic Artificial Bee Colony (ABC) method, statistical methods of Frequency Ratio (FR) and Weight of Evidence (WoE) to predict flood susceptibility zones in Sperchios river catchment which is located in Greece. A flood inventory of 562 flood locations was created with information retrieved from the archive of the Ministry of Environment and Energy, and the use of Sentinel-1 SAR satellite imagery. Flood dataset was divided randomly to training and testing dataset (70%-30%) and was associated with topographic (elevation, slope, aspect, topographic position index), hydrological (distance to drainage network, rainfall, topographic wetness index, stream power index, sediment transport index) and environmental (Land use/cover, geology, NDVI) conditioning factors. Subsequently, Information Gain Ratio (IGR) was calculated for the feature selection process. Statistical methods were used to quantify the spatial relationship between flood occurrences and conditioning factors. Results of FR and WoE were used as input data for the training stage of models. The validation of the performance of the models was performed with the most frequently used method of Receiver Operating Characteristic (ROC) curve. Results showed that all models have an AUC value higher than 0.95 and the most accurate models seem to be WoE-RF-ABC (AUC=0.9675). Accordingly, statistical measures (accuracy, precision, recall, specificity) were used to validate the models. Flood susceptibility maps along with the variable importance of each factor led to the conclusion that agricultural areas in lowlands and build-up areas are more likely to experience a flooding. Results of this research showed that these 4 hybrid models can accurately predict flood susceptibility zones in an area
Titel: |
Πλημμυρική επιδεκτικότητα με μεθόδους μηχανικής μάθησης
|
---|---|
Link: | |
Veröffentlichung: | Aristotle University of Thessaloniki, 2022 |
Medientyp: | unknown |
DOI: | 10.26262/heal.auth.ir.343929 |
Schlagwort: |
|
Sonstiges: |
|