Περίληψη
Το ανάγλυφο του πλανήτη διαμορφώνεται μέσα από αργές γεωλογικές διεργασίες αλλά κάποιες φορές εμφανίζονται ξαφνικά ακραία γεγονότα τα οποία προκαλούν ταχύτατες μεταβολές, γνωστές και ως φυσικές καταστροφές, οι οποίες φαίνεται να αυξάνουν τα τελευταία χρόνια εξαιτίας κυρίως της κλιματικής αλλαγής. Τις σπουδαιότερες φυσικές καταστροφές συνιστούν οι σεισμοί, οι ηφαιστειακές εκρήξεις, οι πλημμύρες και οι τυφώνες, ενώ και η διάβρωση μπορεί να θεωρηθεί ως φυσική καταστροφή κατά μια ευρύτερη έννοια. Το αντικείμενο της διδακτορικής διατριβής είναι η μελέτη της επικινδυνότητας διάβρωσης του εδάφους καθώς και του πλημμυρικού κινδύνου στο νησί της Σάμου με τη χρήση μεθοδολογιών τεχνητής νοημοσύνης (π.χ. νευρωνικά δίκτυα και ασαφής λογική) για τη διερεύνηση των παραγόντων/διεργασιών που επηρεάζουν τις προαναφερθείσες φυσικές καταστροφές. Η επιλογή της Σάμου βασίζεται στο γεγονός ότι παρουσιάζει μεγάλη ποικιλομορφία γεωλογικών και γεωμορφολογικών διεργασιών, η δε πρωτοτυπία της διατριβής αφορά κυρί ...
Το ανάγλυφο του πλανήτη διαμορφώνεται μέσα από αργές γεωλογικές διεργασίες αλλά κάποιες φορές εμφανίζονται ξαφνικά ακραία γεγονότα τα οποία προκαλούν ταχύτατες μεταβολές, γνωστές και ως φυσικές καταστροφές, οι οποίες φαίνεται να αυξάνουν τα τελευταία χρόνια εξαιτίας κυρίως της κλιματικής αλλαγής. Τις σπουδαιότερες φυσικές καταστροφές συνιστούν οι σεισμοί, οι ηφαιστειακές εκρήξεις, οι πλημμύρες και οι τυφώνες, ενώ και η διάβρωση μπορεί να θεωρηθεί ως φυσική καταστροφή κατά μια ευρύτερη έννοια. Το αντικείμενο της διδακτορικής διατριβής είναι η μελέτη της επικινδυνότητας διάβρωσης του εδάφους καθώς και του πλημμυρικού κινδύνου στο νησί της Σάμου με τη χρήση μεθοδολογιών τεχνητής νοημοσύνης (π.χ. νευρωνικά δίκτυα και ασαφής λογική) για τη διερεύνηση των παραγόντων/διεργασιών που επηρεάζουν τις προαναφερθείσες φυσικές καταστροφές. Η επιλογή της Σάμου βασίζεται στο γεγονός ότι παρουσιάζει μεγάλη ποικιλομορφία γεωλογικών και γεωμορφολογικών διεργασιών, η δε πρωτοτυπία της διατριβής αφορά κυρίως στην εφαρμογή μεθοδολογιών τεχνητής νοημοσύνης. Τα κυριότερα πρωτογενή δεδομένα που χρησιμοποιούνται περιλαμβάνουν τοπογραφικούς χάρτες κλίμακας 1:50.000, ψηφιακά μοντέλα εδάφους με ανάλυση η οποία κυμαίνεται από 30x30m έως 5x5m, γεωλογικούς χάρτες κλίμακας 1:50.000, μετεωρολογικά – κλιματολογικά δεδομένα για τα τελευταία 40 έτη, δορυφορικές εικόνες SENTINEL-2 (μέσης διακριτικής ικανότητας) και Worldview 8 καναλιών (υψηλής διακριτικής ικανότητας), και δεδομένα χρήσεων γης (από το Ευρωπαϊκό Πρόγραμμα CORINE 2018). Επιπλέον δεδομένα προέκυψαν, μετά από εκτεταμένη εργασία πεδίου, η οποία περιλαμβάνει χαρτογράφηση και μέτρηση διαφόρων τοπογραφικών, γεωμορφολογικών και υδρολογικών μεταβλητών καθώς και τη συγκέντρωση ιστορικών στοιχείων σχετικά με πλημμυρικά γεγονότα. Η ανάλυση των δεδομένων γίνεται κατά κύριο λόγο μέσω Συστημάτων Γεωγραφικών Πληροφοριών (Σ.Γ.Π.) καθώς και με τη χρήση των λογισμικών-γλωσσών προγραμματισμού MATLAB, R, PYTHON και ANACONDA. Αναλύοντας τα πρωτογενή δεδομένα, μέσω του ArcMap και του SAGA GIS κατά κύριο λόγο, υπολογίζονται διάφορες δευτερογενείς παράμετροι (π.χ. κλίσεις, υδρογραφικό δίκτυο, λιθολογία, δείκτης NDVI, τοπογραφικοί δείκτες), συμπεριλαμβανομένων και κάποιων τοπογραφικών δεικτών νέας γενιάς όπως ο HAND και ο DUNE. Όλα τα δεδομένα συγκεντρώνονται και δημιουργείται μια ολοκληρωμένη βάση δεδομένων για την περιοχή μελέτης. Μέσω του συνδυασμού των διαφόρων παραμέτρων μεταξύ τους με τη χρήση διαφόρων μοντέλων (είτε κλασσικών είτε τεχνητής νοημοσύνης) μπορεί να γίνει η εκτίμηση της διάβρωσης αλλά και του πλημμυρικού κινδύνου. Τα τελικά αποτελέσματα περιλαμβάνουν την εφαρμογή κλασσικών μεθόδων εκτίμησης της διάβρωσης και των υδρολογικών συνθηκών (RUSLE και SCS-CN αντίστοιχα) στην περιοχή μελέτης καθώς και την υλοποίηση μοντέλων προσδιορισμού της επικινδυνότητας του κινδύνου της διάβρωσης και του πλημμυρικού κινδύνου με τη βοήθεια μεθόδων τεχνητής νοημοσύνης. Συγκεκριμένα υλοποιείται ένας μεγάλος αριθμός από διαφορετικά συστήματα ασαφούς λογικής τύπου Mamdami καθώς και συστήματα νευρωνικών δικτύων τύπου SOM για την εκτίμηση της διάβρωσης στη περιοχή μελέτης ενώ υλοποιήθηκε και μια σειρά από ασαφή συστήματα για την αυτοματοποιημένη εκτίμηση του πάχους του εδάφους. Επιπλέον γίνεται διερεύνηση του πλημμυρικού δυναμικού σε 4 υδρολογικές λεκάνες του νησιού της Σάμου, σε επίπεδο υπο-λεκάνης μέσω της υλοποίησης ασαφών συστημάτων σε περιβάλλον Σ.Γ.Π. Μετά από σύγκριση μεταξύ των μοντέλων τα οποία υλοποιήθηκαν, για κάθε περίπτωση, διαπιστώνουμε ότι τόσο ο αριθμός εισόδων αλλά και ο τύπος του μοντέλου επηρεάζει σε μεγάλο βαθμό τα αποτελέσματα τα οποία προκύπτουν, και σχολιάζεται το βέλτιστο μοντέλο ανά περίπτωση εφαρμογής. Μέσω των προτεινόμενων μεθοδολογιών τεχνητής νοημοσύνης έχουμε τη δυνατότητα να αναγνωρίσουμε με ικανοποιητική ακρίβεια τη χωρική κατανομή των περιοχών με μεγάλη επικινδυνότητα διάβρωσης και πλημμυρών, χρησιμοποιώντας δεδομένα τα οποία εκ της φύσης τους δεν είναι ιδιαίτερα ακριβή. Κάτι τέτοιο μπορεί να αποδειχθεί πολύτιμο σε τοπικό, εθνικό και ευρωπαϊκό επίπεδο για τη καλύτερη διαχείριση των φυσικών καταστροφών, το σχεδιασμό καλύτερων διαχειριστικών σχεδίων ή έργων υποδομής από τους εμπλεκόμενους φορείς.
περισσότερα
Περίληψη σε άλλη γλώσσα
Our planet is formed through slow geologic processes, but there are some rare occurrences of extreme events which can change the landscape rapidly. These are also known as natural disasters which are increasing during the last century mainly because of climatic change. The most important natural disasters are earthquakes, volcanic eruptions, typhoons, and floods, while soil erosion can also be considered as a natural disaster. The aim of this thesis is to identify erosion and flood risk, by determining the relationships between various factors/processes through the use of artificial intelligence (fuzzy logic and artificial neural networks) and apply this methodology in a study case area (Samos island, Greece). Samos island is selected because of interesting geological and geomorphological characteristics and the occurrence of extended natural hazards. The primary data that are used include 1: 50,000 topographic maps, digital elevation models with a resolution ranging from 30x30m to 5x5 ...
Our planet is formed through slow geologic processes, but there are some rare occurrences of extreme events which can change the landscape rapidly. These are also known as natural disasters which are increasing during the last century mainly because of climatic change. The most important natural disasters are earthquakes, volcanic eruptions, typhoons, and floods, while soil erosion can also be considered as a natural disaster. The aim of this thesis is to identify erosion and flood risk, by determining the relationships between various factors/processes through the use of artificial intelligence (fuzzy logic and artificial neural networks) and apply this methodology in a study case area (Samos island, Greece). Samos island is selected because of interesting geological and geomorphological characteristics and the occurrence of extended natural hazards. The primary data that are used include 1: 50,000 topographic maps, digital elevation models with a resolution ranging from 30x30m to 5x5m, 1: 50,000 geological maps, meteorological-climatic data for the last 40 years, satellite images SENTINEL-2 (moderate resolution) and Worldview-2 (high resolution), and land use data (from the European Project CORINE 2018). Additional data were obtained after extensive fieldwork, which includes mapping and measurement of various topographic, geomorphological and hydrological variables as well as the collection of historical data of flood events.For the data analysis we use Geographic Information Systems (GIS) as well as MATLAB, R, PYTHON and ANACONDA software - programming languages. By analyzing the primary data, mainly through ArcMap and SAGA GIS, various secondary parameters are calculated (e.g. slope, river network, lithology, NDVI index, topographic indices), including some modern topographic indicators such as HAND and DUNE. All data are collected in a geo-database that is created for the study area. By combining various parameters using different models (either classical or artificial intelligence methods) we can estimate erosion and flood risk for the study area. The results are obtained through the application of classical methods for estimating erosion and hydrological conditions (RUSLE & SCS-CN method) as well as the implementation of models for determining the risk of erosion and flood risk using artificial intelligence methods. In particular, a large number of different Mamdami-type fuzzy logic and SOM-type neural network systems are implemented for the estimation of erosion in the study area. Flood potential is being investigated in four hydrological basins of the island of Samos, at the sub-basin level through the implementation of fuzzy logic systems and the creation of an automated fuzzy system for predicting the soil thickness of systems. The comparison between the models, shows that both the number of inputs and the model characteristics greatly affect the results obtained, and an optimal model is selected for each application. Through the proposed artificial intelligence methods, we have the ability to accurately identify the spatial distribution of areas with high risk of erosion and / or flooding, using data that is not inherently accurate. These methods can prove valuable at local, national, and European level for better planning and management of the environment.
περισσότερα