Ανάπτυξη και αξιολόγηση μοντέλων μηχανικής μάθησης για την πρόβλεψη πλημμυρικών φαινομένων και την παραγωγή χαρτών πλημμυρικής επικινδυνότητας

Μαρκόπουλος, Απόστολος; Markopoulos, Apostolos

dc.contributor.author	Μαρκόπουλος, Απόστολος	el
dc.contributor.author	Markopoulos, Apostolos	en
dc.date.accessioned	2025-09-15T10:15:35Z
dc.date.available	2025-09-15T10:15:35Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62446
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30142
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική”	el
dc.rights	Default License
dc.subject	Πρόβλεψη πλημμυρών	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Φυσικά μοντέλα	el
dc.subject	Μεταφερσιμότητα	el
dc.subject	Τηλεπισκόπηση	el
dc.subject	Flood prediction	en
dc.subject	Machine learning	en
dc.subject	Physical models	en
dc.subject	Transferability	en
dc.subject	Remote sensing	en
dc.title	Ανάπτυξη και αξιολόγηση μοντέλων μηχανικής μάθησης για την πρόβλεψη πλημμυρικών φαινομένων και την παραγωγή χαρτών πλημμυρικής επικινδυνότητας	el
dc.title	Development and Evaluation of Machine Learning Models for Flood Prediction and the Production of Flood Suscpetibility Maps	en
heal.type	masterThesis
heal.classification	Γεωπληροφορική	el
heal.classification	Geoinformatics	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-21
heal.abstract	Η πρόβλεψη και χαρτογράφηση πλημμυρικών φαινομένων αποτελεί ένα κρίσιμο ζήτημα για την προστασία ανθρώπινων ζωών και υποδομών. Ενώ τα παραδοσιακά φυσικά μοντέλα προσομοίωσης έχουν χρησιμοποιηθεί εκτενώς για αυτόν τον σκοπό, η αυξανόμενη διαθεσιμότητα δεδομένων και η εξέλιξη των τεχνικών μηχανικής μάθησης προσφέρουν νέες δυνατότητες για την αντιμετώπιση αυτής της πρόκλησης. Η παρούσα εργασία διερευνά την αποτελεσματικότητα τριών διαφορετικών αλγορίθμων μηχανικής μάθησης (Random Forest, Support Vector Machines, και XGBoost) στην πρόβλεψη πλημμυρικών φαινομένων, χρησιμοποιώντας ως περίπτωση μελέτης την καταστροφική πλημμύρα που προκλήθηκε από την καταιγίδα Daniel στη λεκάνη απορροής του Πηνειού ποταμού τον Σεπτέμβριο του 2023 στην Ελλάδα. Η μεθοδολογική προσέγγιση περιλαμβάνει την ανάλυση δώδεκα διαφορετικών παραγόντων επιρροής, συμπεριλαμβανομένων τοπογραφικών και υδρολογικών δεδομένων και προτείνει ένα αυτοματοποιημένο πλαίσιο για την παραγωγή χαρτών πλημμυρικής επικινδυνότητας. Τα μοντέλα εκπαιδεύτηκαν σε διαφορετικά σύνολα δεδομένων και βελτιστοποιήθηκαν για την ενίσχυση της προβλεπτικής τους ικανότητας, λαμβάνοντας υπόψη την ανισορροπία μεταξύ των κλάσεων ταξινόμησης. Τα αποτελέσματα έδειξαν υπεροχή των αλγορίθμων Random Forest και XGBoost, έναντι των SVM παραμετροποιήσεων. Όλα τα μοντέλα που δοκιμάστηκαν επέδειξαν καλή απόδοση στα σύνολα δεδομένων εκπαίδευσης και ελέγχου, με τιμές ακρίβειας που ξεπερνούν το 80%. Ωστόσο, παρατηρήθηκε αισθητή μείωση της απόδοσης όταν τα μοντέλα εφαρμόστηκαν σε άγνωστα δεδομένα, υποδεικνύοντας κάποιο βαθμό υπερπροσαρμογής (overfitting). Η ανάλυση της σημαντικότητας των παραγόντων κατέδειξε εξάρτηση των μοντέλων από τα τοπογραφικά χαρακτηριστικά, ιδιαίτερα από το υψόμετρο, οδηγώντας σε συστηματική υπερεκτίμηση του πλημμυρικού κινδύνου σε περιοχές χαμηλού υψομέτρου. Δημιουργήθηκαν χάρτες ορίου κατάκλυσης και χάρτες πλημμυρικής επικινδυνότητας κατηγοριοποιώντας τις πιθανότητες πρόβλεψης των μοντέλων σε πέντε επίπεδα κινδύνου (Πολύ Χαμηλός, Χαμηλός, Μέτριος, Υψηλός, Πολύ Υψηλός) χρησιμοποιώντας τη μέθοδο Natural Breaks. Πραγματοποιήθηκε συγκριτική ανάλυση με χάρτες πλημμύρας που παρήχθησαν χρησιμοποιώντας παραδοσιακές ντετερμινιστικές προσεγγίσεις (μέθοδος NRCS-CN), η οποία ανέδειξε ότι και οι δύο προσεγγίσεις τείνουν να υπερεκτιμούν την έκταση της πλημμύρας. Επίσης, η μελέτη εξέτασε τη μεταφερσιμότητα των μοντέλων εφαρμόζοντάς τα σε διαφορετικά πλημμυρικά επεισόδια. Τα αποτελέσματα αποκάλυψαν σημαντικούς περιορισμούς στη μεταφερσιμότητα των μοντέλων, με τους δείκτες απόδοσης να μειώνονται σημαντικά. Τέλος, αναπτύχθηκε μια αυτοματοποιημένη μέθοδος χαρτογράφησης πλημμυρών με χρήση δορυφορικών δεδομένων SAR Sentinel-1. Η παρούσα μελέτη συμβάλλει στην κατανόηση των δυνατοτήτων και των περιορισμών της μηχανικής μάθησης στην πρόβλεψη πλημμυρικών φαινομένων, προτείνοντας ένα αποτελεσματικό πλαίσιο για την ταχεία παραγωγή χαρτών επικινδυνότητας και θέτοντας τις βάσεις για την ανάπτυξη πιο αξιόπιστων εργαλείων πρόβλεψης και διαχείρισης πλημμυρικών κινδύνων.	el
heal.abstract	The prediction and mapping of flood phenomena represent a critical issue for the protection of human lives and infrastructure. While traditional physical simulation models have been extensively used for this purpose, the increasing availability of data and the evolution of machine learning techniques offer new possibilities for addressing this challenge. This study investigates the effectiveness of three different machine learning algorithms (Random Forest, Support Vector Machines, and XGBoost) in predicting flood phenomena, using the catastrophic flood caused by Storm Daniel in the Pinios River basin in Greece in September 2023 as a case study. The methodological approach includes the analysis of twelve different influencing factors, including topographic and hydrological data, and proposes an automated framework for generating flood susceptibility maps. The models were trained on different datasets and optimized to enhance their predictive capability, taking into account the imbalance between classification classes. The results demonstrated the superiority of Random Forest and XGBoost algorithms over SVM parameterizations. All tested models exhibited good performance on training and testing datasets, with accuracy values exceeding 80%. However, a noticeable decrease in performance was observed when the models were applied to unseen data, indicating some degree of overfitting. The feature importance analysis revealed the models' dependence on topographic characteristics, particularly elevation, leading to systematic overestimation of flood risk in low-elevation areas. Flood extent maps and flood susceptibility maps were created by categorizing the models' prediction probabilities into five risk levels (Very Low, Low, Moderate, High, Very High) using the Natural Breaks method. A comparative analysis was conducted with flood maps produced using traditional deterministic approaches (NRCS-CN method), which revealed that both approaches tend to overestimate the extent of flooding. The study also examined model transferability by applying them to different flood events. The results revealed significant limitations in model transferability, with performance metrics decreasing considerably. Finally, an automated flood mapping method was developed using Sentinel-1 SAR satellite data. This study contributes to understanding the capabilities and limitations of machine learning in predicting flood phenomena, proposing an effective framework for rapid production of risk maps, and laying the groundwork for developing more reliable tools for predicting and managing flood risks.	en
heal.advisorName	Κολοκούσης, Πολυχρόνης	el
heal.committeeMemberName	Κολοκούσης, Πολυχρόνης	el
heal.committeeMemberName	Σκοπελίτη, Ανδριανή	el
heal.committeeMemberName	Τσιχριντζής, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	150 σ	el
heal.fullTextAvailability	false