Εκτίμηση της επιφανειακής απορροής των χειμαρρικών ρευμάτων της νήσου Κύπρου με την υιοθέτηση ευφυών και στατιστικών προτύπων

Abstract

Problems arising around water issues have to do with spatial availability, quantity, quality, timing, and use of the water. Over the years the things that change are the means that we have in order to manage it, and the deliberated, or not, destruction of the water concentrations and generally of its aqueous or its general environment. The hydrometeorological disasters have become more severe the last decade. The variety of the geophysical and climatological characteristics of the European continent constitute Europe vulnerable to a wide range of extreme natural processes. Extreme flood events, drought conditions and extended fires are very common in Mediterranean countries. The hydrological models are very essential towards the assessment, development and management of the water resources. In black-box models and more specifically in Artificial Neural Networks (ANNs), the parameters are estimated as in the conceptual models through calibration, using the training process based on historical statistical data of the study areas. Training (learning) is one of the oldest fields of the Artificial Intelligence (AI). Data Mining constitutes a scientific field related with statistics, machine learning, database management, pattern recognition, artificial intelligence and other scientific fields. Predictive data mining includes classification and regression.In the current research there was an effort to assess the runoff of the torrential streams of Cyprus Island, using artificial intelligence and statistical prototypes. The value of the current research is as simple as the following phrase by Laborte et al. (1980):«Water is like health. When someone has it, he does not care and when he loses it, it is too late».

Τα προβλήματα που προκύπτουν γύρω από το νερό έχουν να κάνουν με τη χωρική διαθεσιμότητα, την ποσότητα, την ποιότητα, την χρονική κατανομή και τη χρήση του. Με την πάροδο των ετών, απλώς αλλάζουν τα μέσα της χρησιμοποιήσεως ή της, ηθελημένης ή όχι, καταστροφής των υδατικών συγκεντρώσεων και του υδατικού ή γενικότερου περιβάλλοντος. Οι υδρομετεωρολογικές καταστροφές έχουν γίνει πιο συχνές κατά την τελευταία 10ετία. Η ποικιλία των γεωφυσικών και κλιματικών χαρακτηριστικών της Ευρώπης την καθιστούν ευάλωτη απέναντι σε ένα ευρύ φάσμα ακραίων φυσικών διαδικασιών. Τα ακραία συμβάντα πλημμυρών, ξηρασίας και πυρκαγιών είναι χαρακτηριστικά στις μεσογειακές χώρες. Τα υδρολογικά μοντέλα είναι θεμελιώδους σημασίας για την αξιολόγηση των υδάτινων πόρων, την ανάπτυξη και τη διαχείριση τους. Στα μοντέλα μαύρου κουτιού (black-box) και πιο συγκεκριμένα στα νευρωνικά δίκτυα, οι παράμετροι εκτιμώνται όπως και στα εννοιολογικά μοντέλα μέσω βαθμονόμησης χρησιμοποιώντας τη διαδικασία εκπαίδευσης με βάση τα ιστορικά υδρολογικά και στατιστικά χαρακτηριστικά της περιοχής έρευνας. Η μάθηση είναι ένας από τους παλαιότερους ερευνητικούς τομείς της τεχνητής νοημοσύνης (ΤΝ). Η εξόρυξη δεδομένων αποτελεί επιστημονικό πεδίο σχετιζόμενο με τη στατιστική, τη μηχανική μάθηση (machine learning), τη διαχείριση βάσεων δεδομένων, την αναγνώριση προτύπων (pattern recognition), την τεχνητή νοημοσύνη (artificial intelligence) και άλλες επιστημονικές περιοχές. Η προβλεπτική όρυξη περιλαμβάνει την ταξινόμηση (classification) και την παλινδρόμηση (regression). Στην παρούσα έρευνα έγινε προσπάθεια εκτίμησης της επιφανειακής απορροής των χειμαρρικών ρευμάτων της Νήσου Κύπρου, με την υιοθέτηση ευφυών και στατιστικών προτύπων. Η αξία της ερευνητικής δραστηριότητας είναι τόσο απλή όσο η παρακάτω φράση (Laborte et al., 1980).«Το νερό είναι σαν την υγεία. Όταν το έχει κανείς, δεν τον απασχολεί και όταν το χάσει, είναι πια αργά».