Application of advanced deterministic, physically based as well as artificial intelligence mathematical models for the study of natural disasters (floods, fires) in Greece

Abstract

This dissertation develops and applies an integrated modelling framework for analysing and predicting hydrological response under natural hazard conditions in Greece, with emphasis on floods, wildfires, sediment transport, and hydropower-related water management. The work combines deterministic, physically based modelling with Artificial Intelligence and machine learning approaches in order to examine how different modelling philosophies can support catchment-scale understanding, prediction, and decision-making under complex environmental conditions. The physically based component focuses on two representative applications. In East Attica, the distributed MIKE SHE model is used to investigate the hydrological effects of the August 2009 wildfire across multiple semi-arid Mediterranean catchments. The modelling results show that wildfire-induced land-cover change, reduced interception, altered soil infiltration, and increased surface runoff can substantially amplify post-fire hydrological response, particularly during the first years after disturbance. In the Upper Acheloos catchment, MIKE SHE, MIKE 11 rainfall-runoff, hydrodynamic, and sediment transport components are combined to simulate discharge, reservoir inflows, and sediment dynamics in a regulated mountainous river system. These applications demonstrate the value of process-based models for interpreting catchment behaviour, assessing land-use and hydraulic regulation effects, and supporting water and sediment management. The data-driven component develops a reproducible benchmarking workflow for hydrological time-series modelling across catchments in Central and Northern Greece. A structured scenario framework is introduced to evaluate alternative feature representations, including raw gauge inputs, dimensionality reduction, spatial aggregation through inverse distance weighting and kriging, lagged and rolling variables, and target-specific predictors such as potential and actual evapotranspiration, reservoir storage, and water level. Multiple AI/machine learning model families are compared, including multilayer perceptrons, support vector regression, random forest, LSTM, GRU, CNN1D, XGBoost, and LightGBM. Model performance is assessed using Nash-Sutcliffe efficiency, Kling-Gupta efficiency, root mean squared error, and a stability indicator designed to identify overfitting and support robust model selection. The results indicate that model performance depends strongly on temporal scale, feature design, and target variable. Daily discharge prediction benefits from explicit temporal-memory features and models capable of representing short-term dynamics, whereas monthly discharge and hydropower production are generally more stable and can be predicted satisfactorily using aggregated meteorological and reservoir-state information. Across applications, the best-performing model is not necessarily the most complex; rather, robust selection requires balancing predictive accuracy with generalization capacity and stability across training and testing periods. Overall, the dissertation contributes a transferable methodological framework that links data collection, preprocessing, feature engineering, physically based simulation, machine learning benchmarking, and multi-metric evaluation. By treating deterministic models and AI-based methods as complementary rather than competing tools, the thesis provides a practical basis for hydrological prediction, post-wildfire runoff assessment, sediment transport analysis, and hydropower forecasting in data-variable and hazard-prone catchments.

Αυτή η διατριβή αναπτύσσει και εφαρμόζει ένα ολοκληρωμένο πλαίσιο μοντελοποίησης για την ανάλυση και την πρόβλεψη της υδρολογικής απόκρισης υπό συνθήκες φυσικών κινδύνων στην Ελλάδα, με έμφαση στις πλημμύρες, τις πυρκαγιές, τη μεταφορά ιζημάτων και τη διαχείριση υδάτων που σχετίζεται με την υδροηλεκτρική ενέργεια. Η εργασία συνδυάζει ντετερμινιστική, φυσικά βασισμένη μοντελοποίηση με προσεγγίσεις Τεχνητής Νοημοσύνης και μηχανικής μάθησης, προκειμένου να εξετάσει πώς διαφορετικές φιλοσοφίες μοντελοποίησης μπορούν να υποστηρίξουν την κατανόηση, την πρόβλεψη και τη λήψη αποφάσεων σε κλίμακα λεκάνης απορροής υπό σύνθετες περιβαλλοντικές συνθήκες. Το φυσικά βασισμένο τμήμα της εργασίας εστιάζει σε δύο αντιπροσωπευτικές εφαρμογές. Στην Ανατολική Αττική, το κατανεμημένο μαθηματικό ομοίωμα MIKE SHE χρησιμοποιείται για τη διερεύνηση των υδρολογικών επιπτώσεων της πυρκαγιάς του Αυγούστου 2009 σε πολλαπλές ημι-άνυδρες μεσογειακές λεκάνες απορροής. Τα αποτελέσματα της μοντελοποίησης δείχνουν ότι η αλλαγή της κάλυψης γης που προκαλείται από πυρκαγιές, η μειωμένη ανάσχεση της κομοστέγης, η τροποποιημένη διήθηση του εδάφους και η αυξημένη επιφανειακή απορροή μπορούν να ενισχύσουν σημαντικά την υδρολογική απόκριση μετά την πυρκαγιά, ιδιαίτερα κατά τα πρώτα χρόνια μετά τη διαταραχή. Στη λεκάνη απορροής του Άνω Αχελώου, τα δομοστοιχεία των μαθηματικών ομοιωμάτων MIKE SHE και MIKE 11 για τη βροχόπτωση-απορροή, την υδροδυναμική και τη μεταφορά ιζημάτων συνδυάζονται για την προσομοίωση της παροχής, των εισροών των ταμιευτήρων και της δυναμικής των ιζημάτων σε ένα ρυθμιζόμενο (μέσω ταμιευτήρων) ορεινό ποτάμιο σύστημα. Οι εφαρμογές αυτές καταδεικνύουν την αξία των μαθηματικών ομοιωμάτων που βασίζονται σε διεργασίες, για την ερμηνεία της συμπεριφοράς λεκανών απορροής, για την αξιολόγηση επιδράσεων των χρήσεων γης και ρύθμισης της απορροής, καθώς και για την υποστήριξη της διαχείρισης υδατικών πόρων και φερτών υλών. Το τμήμα της εργασίας που βασίζεται σε δεδομένα χρονοσειρών αναπτύσσει μια αναπαράξιμη ροή εργασίας συγκριτικής αξιολόγησης για την μοντελοποίηση υδρολογικών χρονοσειρών σε λεκάνες απορροής στην Κεντρική και Βόρεια Ελλάδα. Εισάγεται ένα δομημένο πλαίσιο σεναρίων για την αξιολόγηση εναλλακτικών αναπαραστάσεων τύπων χαρακτηριστικών / δεδομένων, συμπεριλαμβανομένων ακατέργαστων δεδομένων εισόδου μετρήσεων, της μείωσης της διαστατικότητας, της χωρικής συσσωμάτωσης μέσω των μεθόδων παρεμβολής της Αντίστροφα Σταθμισμένης Απόστασης (IDW) και kriging, των παραμέτρων με χρονική υστέρηση και κύλιση, και των ειδικών προβλεπτικών παραγόντων, όπως η δυνητική και πραγματική εξατμισοδιαπνοή, η αποθήκευση και η στάθμη ταμιευτήρα. Συγκρίνονται πολλαπλές οικογένειες μαθηματικών ομοιωμάτων τεχνητής νοημοσύνης/μηχανικής μάθησης, συμπεριλαμβανομένων των πολυστρωματικών perceptrons, της Παλινδρόμησης Διανυσμάτων Υποστήριξης, του Τυχαίου Δάσους, των LSTM, GRU, CNN1D, XGBoost και LightGBM. Η απόδοση των μαθηματικών ομοιωμάτων αξιολογείται χρησιμοποιώντας την αποδοτικότητα Nash-Sutcliffe, την αποδοτικότητα Kling-Gupta, τη ρίζα μέσου τετραγωνικού σφάλματος και ενός δείκτη σταθερότητας που έχει σχεδιαστεί για να εντοπίζει την υπερπροσαρμογή και να υποστηρίζει την ισχυρή επιλογή μαθηματικού ομοιώματος. Τα αποτελέσματα καταδεικνύουν ότι η απόδοση του μαθηματικού ομοιώματος εξαρτάται σε μεγάλο βαθμό από τη χρονική κλίμακα, τον σχεδιασμό των τύπων χαρακτηριστικών/δεδομένων και τη μεταβλητή-στόχο. Η πρόβλεψη της ημερήσιας παροχής επωφελείται από σαφείς τύπους χαρακτηριστικών/δεδομένων χρονικής μνήμης και από μαθηματικά ομοιώματα ικανά να αναπαραστήσουν βραχυπρόθεσμες δυναμικές, ενώ η μηνιαία παροχή και η παραγωγή υδροηλεκτρικής ενέργειας είναι γενικά πιο σταθερά και μπορούν να προβλεφθούν ικανοποιητικά χρησιμοποιώντας αθροιστικές μετεωρολογικές πληροφορίες και πληροφορίες για την κατάσταση των ταμιευτήρων. Σε όλες τις εφαρμογές, το μαθηματικό ομοίωμα με την καλύτερη απόδοση δεν είναι απαραίτητα το πιο πολύπλοκο. Αντίθετα, η ισχυρή επιλογή απαιτεί την εξισορρόπηση της προβλεπτικής ακρίβειας με την ικανότητα γενίκευσης και τη σταθερότητα κατά τις περιόδους εκπαίδευσης και δοκιμών. Συνολικά, η διατριβή συνεισφέρει ένα μεταβιβάσιμο μεθοδολογικό πλαίσιο που συνδέει τη συλλογή δεδομένων, την προεπεξεργασία, τη μηχανική τύπων χαρακτηριστικών/δεδομένων, την προσομοίωση με βάση φυσικές διεργασίες, τη συγκριτική αξιολόγηση μηχανικής μάθησης και την πολυμετρική αξιολόγηση. Αντιμετωπίζοντας τα ντετερμινιστικά μαθηματικά ομοιώματα και τις μεθόδους που βασίζονται στην τεχνητή νοημοσύνη ως συμπληρωματικά και όχι ως ανταγωνιστικά εργαλεία, η διατριβή παρέχει μια πρακτική βάση για την υδρολογική πρόβλεψη, την αξιολόγηση της απορροής μετά από πυρκαγιές, την ανάλυση στερεομεταφοράς και την πρόγνωση παραγωγής υδροηλεκτρικής ενέργειας σε λεκάνες απορροής με χωρικά/χρονικά μεταβαλλόμενα δεδομένα οι οποίες ενδέχεται να είναι επιρρεπείς σε κινδύνους.