Εκτίμηση του Κινδύνου Ρύπανσης των Υπόγειων Υδάτων (Τρωτότητα) Με Εφαρμογή Μεθόδων Χωρικής Ανάλυσης. Η Περίπτωση της ΒΑ Περιοχής του Νομού Κορινθίας.

Assessment of groundwater contamination risk (vulnerability) by applying spatial analysis methods. The case of the NE region of the prefecture of Korinthia. (Αγγλική)

  1. MSc thesis
  2. Καραμπάσης, Μιχαήλ
  3. Περιβαλλοντικός Σχεδιασμός Έργων Υποδομής (ΠΣΕ)
  4. 30 Σεπτεμβρίου 2018 [2018-09-30]
  5. Ελληνικά
  6. 147
  7. Τσαγγαράτος, Παρασκευάς
  8. Ευθυμιάδου, Ασπασία | Ζέρβας, Ευθύμιος
  9. Τρωτότητα, υπόγειος υδροφορέας, δέντρα αποφάσης, ΓΠΣ, μηχανική μάθηση, DRASTIC
  10. 1
  11. 4
  12. 68
  13. Πίνακες, σχήματα, διαγράμματα, χάρτες
    • Η παρούσα εργασία διαπραγματεύεται την εκτίμηση του κινδύνου ρύπανσης του υπόγειου υδροφόρου ορίζοντα με τη συνδυαστική χρήση Γεωγραφικών Πληροφοριακών Συστημάτων (ΓΠΣ) και συγχρόνων μεθόδων μηχανικής μάθησης, συγκεκριμένα της μεθόδου των Τυχαίων Δασών (Random Forest). H μέθοδος που αναπτύσσεται εφαρμόζεται στην ΒΑ περιοχή του Νομού Κορινθίας. Η εκτίμηση της τρωτότητας πραγματοποιήθηκε έχοντας ως δείκτη τη συγκέντρωση των νιτρικών που μετρήθηκαν στην περιοχή μελέτης από εβδομήντα δύο (72) σημεία δειγματοληψίας. Για την εκτίμηση λήφθηκαν υπόψη οι επτά παράμετροι που χρησιμοποιεί η μέθοδος DRASTIC, ήτοι το βάθος του υδροφόρου ορίζοντα, τον εμπλουτισμό, τον τύπο του υδροφορέα, το εδαφικό μέσο, την τοπογραφία, την επίδραση της ακόρεστης ζώνης και την υδραυλική αγωγιμότητα οι οποίες βαθμονομήθηκαν σε μία κοινή κλίμακα, έπειτα από ενδελεχή μελέτη των παραμέτρων, και δημιουργήθηκαν τα αντίστοιχα Θεματικά Επίπεδα Πληροφορίας (Θ.Ε.Π.) για την κάθε μία. Χρησιμοποιώντας κατάλληλες ρουτίνες κώδικα (στη γλώσσα R) πραγματοποιείται μία σειρά διεργασιών που περιέλαβε την εκπαίδευση και επαλήθευση των στοιχείων προς εκτίμηση της τρωτότητας, τη δημιουργία ενός ενιαίου Θ.Ε.Π. που συνδυάζει όλα τα προηγούμενα Θ.Ε.Π. και ενός τελικού αρχείου πρόγνωσης χρησιμοποιώντας το εκπαιδευμένο σύνολο τιμών στο ενιαίο Θ.Ε.Π. Το τελευταίο αποτέλεσε και το χάρτη τρωτότητας με τη Random Forest. Παράλληλα, δημιουργήθηκε και ο αντίστοιχος χάρτης με τη μέθοδο DRASTIC χρησιμοποιώντας τις ίδιες παραμέτρους και συντελεστές βαρύτητας από τη διεθνή βιβλιογραφία και εκπονήθηκε ποσοτική και ποιοτική σύγκριση των δύο παραγόμενων χαρτών ώστε να διαπιστωθεί αφενός κατά πόσο είναι λειτουργική η Random Forest σε μία τέτοια εφαρμογή και αφετέρου ποια μέθοδος είναι πιο αποτελεσματική. Το πρότερο επιτεύχθηκε τόσο μέσω της εκτίμησης της σχετικής πυκνότητας των σημείων που υπερέβησαν τα επιτρεπόμενα που δίνουν οι δύο μέθοδοι όσο και μέσω των καμπυλών Λειτουργικού Χαρακτηριστικού Δέκτη (ROC). Τα αποτελέσματα παρουσιάζουν ιδιαίτερο ενδιαφέρον καθώς διαπιστώνεται ότι η Random Forest αποδίδει συγκριτικά καλύτερο μοντέλο πρόβλεψης από ότι η DRASTIC.
    • Objective of this Master Thesis is the risk assessment of groundwater vulnerability with the combined use of Geographic Information Systems (GIS) and modern methods of machine learning, specifically the use of Random Forest method. The NE region of Corinth is used as a case study area to test and verify the suggested method The risk assessment is carried out through the measured concentration of nitrates in the study area from seventy two (72) sampling points. The assessment is done using the the seven DRASTIC parameters, i.e. Depth of aquifer, Recharge, type of Aquifer, Soil medium, Topography, Impact of the unsaturated zone and hydraulic Conductivity which were all rated on a common scale, after a thorough study of the area, and all the respective raster files were created. Using the appropriate routines of code in R, a series of procedures took place which included training and verification of the sampling points used for the risk assessment, creation of a single raster including all the previous and a final predictive raster file using the trained set and the single raster. The latter was the respective risk assessment map created with Random Forest. Along side with the previous results, the respective DRASTIC map was created using the very same parameters and weight coeffiecients from international literature. A quantative and qualitative comparison of the two maps was done in order to firstly verify that the suggested method is useful and functional and secondly whether is more efficient than DRASTIC. The latter was achieved through estimation of the relative point density that exceeded the allowable limit and through the respective Receiver Operating Curve (ROC) for each method. Results are of particular interest as it is found that Random Forest provides a comparatively better prediction model than DRASTIC.
  15. Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές