Διερεύνηση της τεχνικογεωλογικής συμπεριφοράς των γεωλογικών σχηματισμών με τη χρήση πληροφοριακών συστημάτων

Abstract

Αντικείμενο της παρούσης διατριβής αποτέλεσε η διαμόρφωση ενός ολοκληρωμένου πλαισίου διαχείρισης πρωτογενών δεδομένων που ως στόχο είχε τη διερεύνηση της τεχνικογεωλογικής συμπεριφοράς των γεωλογικών σχηματισμών.

Ειδικότερα, η διερεύνηση αφορούσε την εκτίμηση της κατολισθητικής επιδεκτικότητας των γεωλογικών σχηματισμών, εφαρμογή της οποίας πραγματοποιήθηκε σε έκταση του νομού Ξάνθης. Η διαμόρφωση των ζωνών κατολισθητικής επιδεκτικότητας επιτεύχθηκε μέσω της εφαρμογής χωρικών μοντέλων πρόβλεψης που αξιοποιούσαν τις τεχνικές και τις μεθόδους της Μηχανικής Μάθησης και της Εξόρυξης Δεδομένων.

Για την εφαρμογή της μεθοδολογικής προσέγγισης που παρουσιάζεται στη διατριβή επιλέχθηκαν οκτώ (8) χωρικές μεταβλητές, οι οποίες αποτέλεσαν τα πρωτογενή γεωμορφολογικά και τεχνικογεωλογικά δεδομένα. Συγκεκριμένα, αποτυπώθηκαν και δημιουργήθηκαν τα αντίστοιχα Θεματικά Επίπεδα Πληροφοριών (ΘΕΠ) που αφορούσαν στα εξής: υψόμετρο, μορφολογική κλίση, διεύθυνση της μορφολογικής κλίσης, τεχνικογεωλογικές ενότητες, απόσταση από τα γεωλογικά όρια, απόσταση από τα τεκτονικά χαρακτηριστικά, απόσταση από το υδρογραφικό δίκτυο και τέλος απόσταση από το οδικό δίκτυο. Η διαμόρφωση των κλάσεων για κάθε ΘΕΠ, πραγματοποιήθηκε συναξιολογώντας τη στατιστική ανάλυση και τη γνώση και την εμπειρία των ειδικών.

Η αποδελτίωση του αρχειακού υλικού, η εξέταση αεροφωτογραφιών αλλά κυρίως η υπαίθρια παρατήρηση, βοήθησαν στη δημιουργία ενός σχετικού αρχείου 163 θέσεων αστοχίας. Το αρχείο των θέσεων αστοχίας, «εμπλουτίστηκε» επιπρόσθετα με θέσεις που παρουσίασαν ισχνή πιθανότητα αστοχίας, θέσεων που χαρακτηρίζονταν ως ευσταθείς θέσεις.

Η εκτίμηση των ευσταθών θέσεων πραγματοποιήθηκε με τον υπολογισμό της μετρικής απόστασης Mahalanobis, μεταξύ κάθε φατνίου της περιοχής έρευνας και του «χαρακτηριστικού φατνίου αστοχίας». Η απόσταση που εκτιμήθηκε, αξιολογήθηκε από ένα ταξινομητή, δημιουργώντας δυο (2) σύνολα δεδομένων που αφορούσαν τις δυο (2) πιθανές καταστάσεις, ευστάθειας και αστάθειας, με τις οποίες μπορεί να χαρακτηριστεί ένα φατνίο. Το σύνολο των θέσεων αυτών, αποτέλεσε το βασικό σύνολο δεδομένων εκπαίδευσης για τα μοντέλα πρόβλεψης που αναπτύχθηκαν στην παρούσα διατριβή.

Σε ότι αφορά τα μοντέλα πρόβλεψης, διαμορφώθηκαν τέσσερα (4) πρότυπα μοντέλα πρόβλεψης. Συγκεκριμένα, αναπτύχθηκαν: Ένα μοντέλο πρόβλεψης, Similarity Index Model, που ενσωματώνει ένα τροποποιημένο αλγόριθμο Μηχανικής Μάθησης, k-NN, εγγύτερου γείτονα. Ένα μοντέλο πρόβλεψης, Decision Tree Model, που ενσωματώνει ένα τροποποιημένο αλγόριθμο Δένδρων Απόφασης με συντελεστές βεβαιότητας που εκτιμώνται από την στατιστική μέθοδο υπολογισμού των συντελεστών βαρύτητας, Certainty Factor. Ένα μοντέλο πρόβλεψης που στηρίζεται στις αρχές των Τεχνητών Νευρωνικών Δικτύων, Artificial Neural Network Model, και ενσωματώνει έναν αλγόριθμο οπισθόδρομης μετάδοσης λάθους, και ενός πρότυπου αλγορίθμου με τη βοήθεια του οποίου υπολογίζεται η βέλτιστη αρχιτεκτονική του Νευρωνικού Δικτύου. Ένα μοντέλο πρόβλεψης που στηρίζεται στη Θεωρία του Bayes, Naive Bayes Model, και υπολογίζει την πιθανότητα αστοχίας.

Τα μοντέλα πρόβλεψης συγκρίθηκαν με τα αποτελέσματα που προέκυψαν από την εφαρμογή τεσσάρων (4) συμβατικών μοντέλων που ακολουθούν τις ποιοτικές και ημι-ποιοτικές καθώς και τις ποσοτικές τεχνικές εκτίμησης της κατολισθητικής επιδεκτικότητας (Analytical Hierarchy Process, Rock Engineering System, Statistical Index, Certainty Factor). Προέκυψε, ότι τα μοντέλα πρόβλεψης Artificial Neural Network Model και Naive Bayes Model, αποτέλεσαν αυτά που είχαν την καλύτερη απόδοση, ενώ το σύνολο των τεσσάρων (4) μοντέλων που διαμορφώθηκαν ακολουθώντας τις αρχές της Μηχανικής Μάθησης είχαν καλύτερη συνολική απόδοση από εκείνη των τεσσάρων (4) συμβατικών μοντέλων πρόβλεψης.

Συμπερασματικά, από τα αποτελέσματα της διατριβής, προκύπτει ότι η ενσωμάτωση των τεχνικών και μεθόδων της Μηχανικής Μάθησης σε Γεωγραφικά Συστήματα Πληροφοριών, επιτρέπουν τη δημιουργία αξιόπιστων χωρικών μοντέλων πρόβλεψης, με σκοπό οι χάρτες επιδεκτικότητας που παράγονται να αποτελέσουν τη βασική γνώση για τη δημιουργία ενός προκαταρτικού σχεδιασμού που αφορά υφιστάμενα ή μελλοντικά τεχνικά έργα.

The purpose of this thesis was to develop an integrated management framework of raw data that was designed to investigate the engineering geological behavior of the geological formations.

Specifically, the investigation was to assess the landslide susceptibility, implementation of which was conducted in an area of Xanthi Prefecture, Greece. The development of landslide susceptibility zones was achieved through the application of spatial predictive models that made use of techniques and methods from the scientific branch of Machine Learning and Data Mining.

For the purposes of the methodological approach presented in the thesis, eight (8) spatial variables were selected, which correspond to the primary geomorphological and geotechnical data. In particular, the created Layers of Information were related to: the altitude, the morphological gradient, the direction of morphological gradient, the engineering geological units, the distance from the geological boundaries, the distance from the tectonic features, the distance from the hydrographic network and the distance from the road network. The formation of the classes for each Layer of Information where achieved by combining the outcomes of the performed statistical analysis and the knowledge and experience of landslide experts.

The indexing of past, archival landslide event material, the examination of the aerial photographs but mostly the field observation helped to create a relevant data set of 163 landslide events. The data set was "enriched" with data that correspond to areas that showed scant chance of failure, characterized as stable slopes.

The estimation of the stable slopes was based on the metric distance Mahalanobis that was calculated between each grid cell of the study area and the "characteristic cell failure". The calculated distance was used by a classifier that created two (2) data sets with two (2) possible states that could characterize the grid cell, stable and an unstable. These two (2) data sets were combined to a single set that was used as the basic training data set for each of the prediction models developed in this thesis.

Regarding the predictive models, four (4) predictions models were formed. Specifically: A prediction model, Similarity Index Model, which incorporates a modified machine learning algorithm, k-NN, nearest neighbor.

A prediction model, Decision Tree Model, which incorporates a modified Decision Tree algorithm, with certainty factors for each produced rule, estimated by the statistical method, Certainty Factor.

A prediction model based on the principles of Artificial Neural Networks, Artificial Neural Network Model, that incorporates a back propagation algorithm, and also a modified algorithm with the help of which, it was possible to estimate the optimal architecture of the Neural Network.

A prediction model based on Bayesian Theory, Naive Bayes Model, which calculates the probability of failure in every grid cell of the research area.

The results of the predictive models were compared with the results obtained by applying four (4) conventional predictive models that follow the qualitative and semi-quantitative techniques and qualitative assessment of landslide susceptibility (Analytical Hierarchy Process, Rock Engineering System, Statistical Index, Certainty Factor). The predictive models Artificial Neural Network Model and Naive Bayes Model were those that had the best performance, while the four (4) models that were formed following the principles of Machine Learning had better overall performance than those that followed the conventional forecasting models.

In conclusion, the results of this study showed that the integration of Machine Learning techniques and methods in GIS, allowed the creation of reliable spatial prediction models in order to produce landslide susceptibility maps that provide basic knowledge in a preliminary study for the design on existing or future development.