Ανάπτυξη μεθοδολογίας εκτίμησης της κατολισθητικής επικινδυνότητας με χρήση νευρωνικών δικτύων

Abstract

Η εκτίμηση της κατολισθητικής επικινδυνότητας αποτελεί πολυκριτηριακό πρόβλημα υπό αβεβαιότητα. Zητούμενο είναι η λήψη αποφάσεων με πλήρη αξιοποίηση όλων των διαθέσιμων πληροφοριών είτε πρόκειται για αριθμητικά δεδομένα (σκληρή πληροφορία) είτε πρόκειται για γνώση (ήπια πληροφορία) με ταυτόχρονη διαχείριση της αβεβαιότητας που τα χαρακτηρίζει. Βασικό στάδιο αποτελεί η εκτίμηση της κατολισθητικής επιδεκτικότητας, η οποία περιγράφει τη χωρική διάσταση στην εκδήλωση των κατολισθήσεων. Εκτιμάται ως συνάρτηση της κατανομής των φυσικών παραγόντων που συνεργούν στη δημιουργία εν δυνάμει κρίσιμων συνθηκών ή διεργασιών. Οι εφαρμοζόμενες μέθοδοι εκτίμησης είναι είτε παραγωγικής είτε επαγωγικής φύσης. Όταν χρησιμοποιούνται παραγωγικές μέθοδοι, προσδιορίζεται η διαδικασία που είναι υπεύθυνη για την επιδεκτικότητα και δημιουργείται μία κατάλληλη μαθηματική απεικόνιση της διαδικασίας για να προσομοιωθεί ο κίνδυνος στην περιοχή ενδιαφέροντος. Οι παραγωγικές μέθοδοι εκτίμησης εφαρμόζονται όταν υπάρχουν διαθέσιμα δεδομένα για όλη την έκταση της υπό εξέτασης περιοχής και για όλες τις παραμέτρους του μοντέλου. Η επιδεκτικότητα στην περίπτωση αυτή εκφράζεται σε απόλυτο βαθμό συνήθως με τον συντελεστή ασφάλειας. Οι επαγωγικής φύσεως μέθοδοι εφαρμόζονται όταν υπάρχει αβεβαιότητα στο μοντέλο. Η αβεβαιότητα προκύπτει κύρια από την πολυπλοκότητα στην περιγραφή του φυσικού συστήματος και την έλλειψη δεδομένων. Χρησιμοποιούνται χωρικά ή χρονικά χαρακτηριστικά, από προηγούμενα γεγονότα επιδεκτικότητας, για να εκτιμηθεί η τάση για κατολίσθηση στην περιοχή. Η λογική είναι ότι “το παρελθόν και το παρόν είναι τα κλειδιά για το μέλλον”, δηλαδή ότι η αστοχία σε ένα πρανές είναι πιο πιθανό να συμβεί κάτω από συνθήκες όμοιες με αυτές του παρελθόντος αλλά και του παρόντος. Η επιδεκτικότητα στην περίπτωση αυτή εκφράζεται σε σχετικό βαθμό. Κάθε μία μέθοδος παρέχει προβλέψεις, η εφαρμοσιμότητα και η αξιοπιστία των οποίων, εξαρτώνται (α) από το σκοπό της εκτίμησης και την έκταση της περιοχής έρευνας, (β) την ικανότητα να δημιουργούν μοντέλα που προσεγγίζουν πολύπλοκα φυσικά φαινόμενα, (γ) την ποσότητα και την ποιότητα των πληροφοριών για την περιοχή μελέτης, (δ) τη δυνατότητα να επεξεργάζονται πληροφορίες προερχόμενες από διαφορετικές πηγές και μορφές και (στ) τη δυνατότητα συνεργασίας ή λειτουργίας τους σε περιβάλλον Γεωγραφικών Συστημάτων Πληροφοριών (GIS). Στις εφαρμογές είναι γενικός κανόνας ότι υπάρχει αβεβαιότητα στα δεδομένα και στο μοντέλο. Η αντιμετώπιση της αποσκοπεί στη βελτίωση της αξιοπιστίας της πρόβλεψης με το μικρότερο δυνατό κόστος. Τα τεχνητά νευρωνικά δίκτυα είναι υπολογιστικά συστήματα που η λειτουργία τους στηρίζεται ή καλύτερα εμπνέεται από βασικές λειτουργίες των φυσικών νευρωνικών δικτύων. Τα νευρωνικά δίκτυα (ΝΔ) εκτιμούν συναρτήσεις ƒ:X®Y από δείγμα δεδομένων, μορφής εισόδου-εξόδου, χωρίς να ορίζεται μαθηματικά ο τρόπος με τον οποίο τα εξαγόμενα εξαρτώνται από τα εισαγόμενα δεδομένα. Στην ίδια κατηγορία μεθοδολογιών επεξεργασίας δεδομένων (Ήπιες Υπολογιστικές Μεθοδολογίες-Soft Computing) ανήκει και η Θολή λογική (ΘΛ), η οποία περιλαμβάνει τη διαχείριση αβεβαιότητας στα δεδομένα και τα θολά συστήματα (ΣΘΛ). Το μαθηματικό υπόβαθρο της θολής λογικής στηρίζεται στη θεωρία των θολών συνόλων, η οποία είναι γενίκευση της κλασικής θεωρίας των συνόλων (Kosko, 1992). Θεμελιωδώς, τα σύνολα είναι κατηγορίες. Ένας χαρακτηρισμός ή μία κατηγορία μπορεί να ορισθεί ως ένα σύνολο. Ο ορισμός κατάλληλων κατηγόριων και η χρησιμοποίηση πράξεων για τη διαχείριση τους είναι το κύριο θέμα στη δημιουργία μοντέλων και υπολογισμών (modeling and computation). Βασικό πλεονέκτημα της χρήσης θολών συνόλων είναι η διαχείριση της αβεβαιότητας και η μετάδοση της στη συνέχεια στο αποτέλεσμα. Τα θολά συστήματα παριστάνουν συστήματα με δομή κανόνων Εάν/Τότε (If/Then Rules). Λειτουργούν συμπληρωματικά ή εναλλακτικά σε αναλυτικές προσεγγίσεις για τη μοντελοποίηση συστημάτων. Στην ουσία οι δύο προσεγγίσεις είναι ισοδύναμες. Ωστόσο σε μία ονομαστική προσέγγιση, το υπολογιστικό κόστος, το οποίο μπορεί να διαφέρει σημαντικά, αποτελεί πλεονέκτημα. Τα ΝΔ και η ΘΛ είναι αυτόνομες μεθοδολογίες, οι οποίες λειτουργούν συμπληρωματικά. Στην περίπτωση που υπάρχουν δεδομένα εισόδου-εξόδου, το μοντέλο δύναται να υλοποιηθεί με χρήση νευρωνικών δικτύων. Όταν υπάρχει γνώση για τη μορφή της σχέσης ανάμεσα στις μεταβλητές και στο αποτέλεσμα, τότε τα ΘΣ βοηθούν στην μετατροπή της γνώσης, για τη λειτουργία του συστήματος και για το ρόλο των μεταβλητών σε αριθμητικό μοντέλο.