Χωροχρονική ανάλυση, προσομοίωση και πρόγνωση ξηρασίας στην υδρολογική λεκάνη Πηνειού ποταμού Θεσσαλίας

Abstract

In this study an integrated methodological and systematic approach is developed for spatiotemporal forecasting and monitoring of drought in Pinios river basin, Thessaly, Greece. The methodology is based on the integration of artificial intelligence techniques with geostatistical interpolation methods. The distributed raster-based integrated drought monitoring and forecasting system is demonstrated for operational drought management using the meteorological drought index the Standardized Precipitation Index (SPI). The basic elements of the system are determined, and important issues and processes are analytically discussed, such as the representation of the spatial and temporal simulation error, extraction of optimal design solution in machine learning methods for reliable and accurate spatiotemporal drought forecasting. Each one of the aforementioned elements is considered as cores, where integrated algorithms are applied that combine various computational intelligence techniques such as artificial neural networks, genetic algorithms and geostatistical methods. The hybrid spatiotemporal forecasting scheme is developed with the integration of 1) a generalised neural network time series model to capture the temporal characteristics of each spatially separated location, 2) a spatial artificial neural network to discover the hidden spatial and temporal correlation among all locations using the temporal forecasts, and 3) the combination of spatial interpolation techniques with the individual temporal and spatial forecasts for distributed integrated spatiotemporal forecasting of drought. Application of the early warning drought system show that reliable and accurate predictions of drought characteristics (severity, duration and area) are estimated for medium term prediction intervals at larger timescales of SPI and for short term prediction intervals at smaller SPI timescales in Pinios river basin, Thessaly, Greece.

Στην παρούσα διατριβή γίνεται μία μεθοδολογική συστημική προσέγγιση της χωροχρονικής πρόγνωσης και προσομοίωσης της ξηρασίας που βασίζεται στη χρήση τεχνικών της υπολογιστικής νοημοσύνης και στην εκμετάλλευση των γεωστατιστικών μεθόδων. Δημιουργείται ένα κατανεμημένο σύστημα έγκαιρης προειδοποίησης και παρακολούθησης της ξηρασίας, που βασίζεται στον μετεωρολογικό δείκτη ξηρασίας Standardized Precipitation Index (SPI) υπολογισμένο σε πολλαπλές χρονικές κλίμακες από μηνιαία βροχομετρικά δεδομένα, στην υδρολογική λεκάνη του Πηνειού ποταμού της Θεσσαλίας. To σύστημα αυτό συνδυάζει ένα υβριδικό χωροχρονικό μοντέλο πρόγνωσης για βραχυπρόθεσμες και μεσοπρόθεσμες επιχειρησιακές δράσεις αντιμετώπισης των επιπτώσεων της ξηρασίας με χωρικές μεθόδους παρεμβολής για την εκτίμηση ψηφιακών τιμών του SPI. Προσδιορίζονται τα βασικά στοιχεία που οφείλει να ενσωματώνει η προτεινόμενη μεθοδολογία (ευκολία υπολογισμού, αναγνώριση του χωρικού και χρονικού σφάλματος προσομοίωσης, αναζήτηση της βέλτιστης σχεδιαστικής λύσης και μάθηση για αξιόπιστες επιχειρησιακές προγνώσεις), τα οποία σχηματίζουν τους πυρήνες γύρω από τους οποίους εφαρμόζονται αλγόριθμοι που βασίζονται στην χρήση τεχνικών υπολογιστικής νοημοσύνης, τεχνητών νευρωνικών δικτύων, γενετικών αλγορίθμων, γεωστατιστικής και συνδυαστικών μεθόδων. Η εφαρμογή του υβριδικού χωροχρονικού συστήματος πρόγνωσης του SPI που συνδυάζει τις χρονικές προγνώσεις ενός γενικευμένου χρονικού μοντέλου πρόγνωσης (Recursive Artificial Neural Networks, RANN) με ένα χωρικό μοντέλο πρόγνωσης που στηρίζεται σε αναδρομικά νευρωνικά δίκτυα τύπου Elman (Recurrent Neural Networks, RNN) δείχνει ότι όσο αυξάνει η κλίμακα υπολογισμού του SPI τόσο αυξάνει και η ικανότητα του συστήματος στην πρόγνωση επεισοδίων ξηρασίας. Αυτό οφείλεται στο ότι το σήμα (χρονοσειρά) του SPI γίνεται πιο ομαλό και δεν παρουσιάζει απότομες αλλαγές κατάστασης (π.χ. μετάβαση από ξηρές σε υγρές καταστάσεις σε πολύ μικρό χρονικό διάστημα). Έτσι, η επιχειρησιακή εφαρμογή του συστήματος έγκαιρης προειδοποίησης της ξηρασίας στην υδρολογική λεκάνη του Πηνειού ποταμού δίνει αξιόπιστες και αμερόληπτες μεσοπρόθεσμες προγνώσεις των χαρακτηριστικών της ξηρασίας (δριμύτητα, διάρκεια και έκταση) για μεγαλύτερες κλίμακες υπολογισμού του SPI (SPI-9, SPI-12, SPI-24), ενώ για μικρότερες κλίμακες του SPI (SPI-3, SPI-6) αξιόπιστες προγνώσεις υπάρχουν μόνο για βραχυπρόθεσμα διαστήματα πρόγνωσης.