Εφαρμογή προγνωστικών χωρικών μοντέλων για την εκτίμηση της κατολισθητικής επιδεκτικότητας και η χρήση τους ως εργαλείου διαχείρισης κινδύνων. Η περίπτωση της λεκάνης απορροής του Κρικελιώτη ποταμού του νομού Ευρυτανίας.

  1. MSc thesis
  2. Τσαμπά, Αρετή
  3. Περιβαλλοντικός Σχεδιασμός Έργων Υποδομής (ΠΣΕ)
  4. 30 Σεπτεμβρίου 2018 [2018-09-30]
  5. Ελληνικά
  6. 151
  7. Τσαγγαράτος, Παρασκευάς
  8. Γεωγραφικά Συστήματα Πληροφοριών (ΓΣΠ) | Geographic Information Systems (GIS) | Κατολισθήσεις | Landslides | Κατολισθητική Επιδεκτικότητα | Landslide Susceptibility | Ευρυτανία | Evritania | Εξόρυξη δεδομένων | Data mining | Αλγόριθμος Τυχαίου Δάσους | Algorithm Random Forest
  9. 2
  10. 5
  11. Περιέχει: εικόνες, χάρτες, γραφήματα και πίνακες
    • Η παρούσα μεταπτυχιακή διπλωματική εργασία έχει σαν στόχο την εκτίμηση της κατολισθητικής επιδεκτικότητας, αξιοποιώντας τις μεθόδους της Εξόρυξης Δεδομένων, Μηχανικής Μάθησης και των Γεωγραφικών Συστημάτων Πληροφοριών (ΓΣΠ). Αναλυτικότερα, χρησιμοποιήθηκε ο αλγόριθμος Random Forest (Τυχαίου Δάσους, ΤΔ), μέσω του οποίου αναπτύχθηκε προγνωστικό χωρικό μοντέλο, η διαχείριση του οποίου επιτεύχθηκε με τη χρήση των ΓΣΠ. Επιπρόσθετα, με τη βοήθεια σχετικών υπολογιστικών διαδικασιών και της ανάλυσης της πολυσυγγραμικότητας (multi-collinearity analysis) εκτιμήθηκε η ύπαρξη ή μη συσχετίσεων μεταξύ των μεταβλητών, ενώ με τη βοήθεια του αλγορίθμου Learning Vector Quantization (LVQ) αξιολογήθηκαν οι μεταβλητές ως προς την ικανότητά τους για πρόβλεψη. Ως περιοχή εφαρμογής της μεθοδολογίας που ακολουθήθηκε, επιλέχθηκε η λεκάνη απορροής του Κρικελιώτη ποταμού του Νομού Ευρυτανίας. Στην ευρύτερη περιοχή του Νομού Ευρυτανίας σημειώνονται κατολισθήσεις εξαιτίας των ιδιαίτερων γεωλογικών, τεκτονικών και κλιματολογικών χαρακτηριστικών της περιοχής. Πολύ έντονα κατολισθητικά φαινόμενα συνέβησαν το χειμώνα του 2015, όπου πυροδότησαν και αρκετές από τις αστοχίες που μελετήθηκαν στο πλαίσιο της μεταπτυχιακής διπλωματικής εργασίας. Για την εφαρμογή του προγνωστικού μοντέλου επιλέχθηκαν να χρησιμοποιηθούν εννέα χωρικές μεταβλητές που σχετίζονται με τα κατολισθητικά φαινόμενα και αξιολογήθηκαν τα δεδομένα 85 κατολισθητικών συμβάντων. Αναλυτικά, χρησιμοποιήθηκαν το υψομετρικό ανάγλυφο, η μορφολογική κλίση, η διεύθυνση των μορφολογικών κλίσεων, η απόσταση του υδρογραφικού δικτύου, η καμπυλότητα κάθετα στη διεύθυνση των μορφολογικών κλίσεων, η καμπυλότητα κατά τη διεύθυνση των μορφολογικών κλίσεων, ο τοπογραφικός δείκτης υγρασίας, οι γεωλογικοί σχηματισμοί και η απόσταση από τα τεκτονικά στοιχεία. Από τις 85 κατολισθήσεις, 61 αποτέλεσαν τη βάση επί τις οποίας εκπαιδεύτηκε το προγνωστικό μοντέλο, ενώ οι υπόλοιπες 24 αποτέλεσαν το σύνολο ελέγχου που αξιοποιήθηκε για την εκτίμηση της προγνωστικής ικανότητας του μοντέλου. Από την σχετική ανάλυση που πραγματοποιήθηκε ως σπουδαιότερη και κρίσιμη μεταβλητή, βρέθηκε ότι είναι η μεταβλητή που σχετίζεται με τους γεωλογικούς σχηματισμούς, ακολουθούμενη από το υψόμετρο και την μορφολογική κλίση. Με βάση τα αποτελέσματα του μοντέλου που αναπτύχθηκε, το 21.36% της περιοχής μελέτης αποτελεί περιοχή πολύ υψηλής επιδεκτικότητας και το 24.90% υψηλής επιδεκτικότητας, ενώ το 34.19% αποτελεί περιοχή χαμηλής και πολύ χαμηλής κατολισθητικής επιδεκτικότητας. Ως προς το ποσοστό των κατολισθήσεων που εντοπίζονται εντός της κλάσης, πολύ υψηλή επιδεκτικότητα, φτάνει το 83.61% όταν χρησιμοποιείται το σύνολο εκπαίδευσης και το 72.42% όταν χρησιμοποιείται το σύνολο ελέγχου. Ως προς την ικανότητα εκπαίδευσης του μοντέλου που δημιουργήθηκε και την εκτίμηση μέσω των καμπυλών ROC, η περιοχή κάτω από την καμπύλη, τιμή AUC υπολογίστηκε σε 0.8670, ενώ ως προς την προγνωστική ικανότητα του μοντέλου η αντίστοιχη τιμή AUC υπολογίστηκε σε 0.7851. Ο εντοπισμός περιοχών υψηλής κατολισθητικής επιδεκτικότητας μέσω του χάρτη που δημιουργήθηκε αποτελεί βασική διεργασία που θα πρέπει να προηγείται οποιασδήποτε εφαρμογής προγραμμάτων ανάπτυξης έργων υποδομής αλλά και κρίσιμη πληροφορία για την αποτελεσματικότερη διαχείριση των κατολισθητικών φαινομένων.
    • The main purpose of the present postgraduate thesis was to produce a predictive spatial model for landslide susceptibility by using Data Mining, Machine Learning and Geographic Information Systems (GIS) methods. In particular, the algorithm Random Forest (RF) was used as the base learning algorithm for the development of the predictive spatial model whereas the management of the landslide related variables was achieved using GIS. Also, using relevant computational processes and the multi-collinearity analysis, the existence or not of correlations between the variables was estimated, while using the Learning Vector Quantization (LVQ) algorithm, the variables were evaluated for their ability to forecast. As the area of application of the methodology followed, the drainage basin of the Krikeliotis river in the Municipality of Evritania was selected. In the Municipality of Evritania, landslides occur due to the particular geological, tectonic and climatic characteristics of the area. In the winter of 2015, extreme landslide phenomena occurred, several of which were studied in this postgraduate thesis. For the implementation of the predictive model, nine spatial variables related to landslide phenomena were selected and the data of 85 landslide events evaluated. Analytically, the altitude, the morphological gradient, the direction of morphological gradient, the distance of the hydrographic network, the profile curvature, the plan curvature, the Topographic Wetness Index, the geological forms and the distance from the tectonic elements. Of the 85 landslides, 61 were the basis on which the predictive model was trained, while the remaining 24 landslides were the control set that was developed to assess the predictive ability of the model. The most important and critical variable was the variable associated with the geological formations and follow the altitude and the morphological gradient. Based on the results of the model which developed, 21.36% of the study area is very high susceptible, 24.90% is high susceptibility, while 34.19% is an area of low and very low landslide susceptibility. 83.61% of landslides are very high susceptibility when the training set is used and 72.42% when the control set is used. As to the training capability of the model which created and the ROC curve estimate, AUC value is 0.8670 while the AUC value of the predictive capacity of the model is 0.7851. The identification of areas of high landslide susceptibility, through the map which created, is a basic process that should precede any implementation of infrastructure development projects but also crucial information for more effective management of landslide.
  13. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.