Διερεύνηση κινδύνου πλημμύρας σε λεκάνες απορροής ποταμών με εφαρμογή αλγορίθμου μηχανικής μάθησης, υδραυλικού μοντέλου προσομοίωσης και Γεωγραφικών Συστημάτων Πληροφοριών

Abstract

In this thesis, an integrated methodology for flood risk investigation in river basins, with an emphasis on the rapid and reliable estimation of flood extent, was developed. The proposed approach combines Geographic Information Systems, hydrological and two-dimensional hydraulic modelling, and deep learning techniques. The main objective of the thesis is to develop a pre-trained machine learning model capable of predicting flood extents with high accuracy, using limited and easily accessible geospatial input data. The methodology first involves the preprocessing and analysis of geospatial data in a GIS environment, with the aim of producing the necessary thematic layers for hydrological, hydraulic, and computational analysis. In this context, the “HydroTools” toolbox was developed to support procedures such as watershed delineation, the estimation of hydrological parameters, and the assignment of coefficients, including Manning’s roughness coefficient and the Curve Number. Hydrological analysis was then carried out to generate design hydrographs, which were used as input data for the two-dimensional hydraulic simulations. The results of the hydraulic modelling, particularly the final flood extents, were used as reference data for training the deep learning model. The main innovation of the thesis lies in the development and evaluation of a two-dimensional convolutional neural network based on the U-Net architecture for the direct prediction of flood extents. The model uses multichannel raster data as input, including spatial variables related to terrain morphology, flow characteristics, and watershed properties. Its output is also raster-based and can be directly used in a GIS environment, enabling the production of flood extent maps in significantly less time than conventional numerical simulations. The methodology was applied to areas within the Thessaly River Basin District, with the Enipeas River basin serving as the main training area. Additional validation and testing areas were selected in different river reaches and streams. The evaluation of the pre-trained model showed highly satisfactory performance, with a strong correlation between the predicted flood extents and the corresponding reference flood extents. Specifically, the coefficients of determination were approximately R² = 0.997 for the validation areas and R² = 0.999 for the testing areas, while in most examined cases the deviations remained below 10%. In parallel, several complementary applications were developed within the framework of the thesis, including the Flood Event Reporting and Recording System of Greece and a network for monitoring climatic parameters through meteorological stations.

Στο πλαίσιο της διδακτορικής διατριβής αναπτύχθηκε μια ολοκληρωμένη μεθοδολογία διερεύνησης του πλημμυρικού κινδύνου σε λεκάνες απορροής ποταμών, με έμφαση στην ταχεία και αξιόπιστη εκτίμηση της πλημμυρικής έκτασης. Η προτεινόμενη προσέγγιση βασίζεται στον συνδυασμό Γεωγραφικών Συστημάτων Πληροφοριών, υδρολογικής και διδιάστατης υδραυλικής μοντελοποίησης, καθώς και τεχνικών βαθιάς μάθησης. Κεντρικός στόχος της διατριβής είναι η ανάπτυξη ενός προ-εκπαιδευμένου μοντέλου μηχανικής μάθησης, ικανού να προβλέπει πλημμυρικές εκτάσεις με υψηλή ακρίβεια, αξιοποιώντας περιορισμένα και εύκολα διαθέσιμα γεωχωρικά δεδομένα εισόδου. Η μεθοδολογία περιλαμβάνει αρχικά την προ-επεξεργασία και ανάλυση γεωχωρικών δεδομένων σε περιβάλλον GIS, με σκοπό την παραγωγή των απαραίτητων θεματικών επιπέδων για την υδρολογική, υδραυλική και υπολογιστική ανάλυση. Στο πλαίσιο αυτό αναπτύχθηκε η εργαλειοθήκη «HydroTools», η οποία υποστηρίζει διαδικασίες όπως η οριοθέτηση λεκανών απορροής, η εκτίμηση υδρολογικών παραμέτρων, η απόδοση συντελεστών (Manning, CN). Στη συνέχεια, πραγματοποιήθηκε υδρολογική ανάλυση με σκοπό την παραγωγή υδρογραφημάτων σχεδιασμού, τα οποία χρησιμοποιήθηκαν ως δεδομένα εισόδου στη διδιάστατη υδραυλική προσομοίωση. Τα αποτελέσματα της υδραυλικής μοντελοποίησης, και ειδικότερα οι τελικές πλημμυρικές εκτάσεις, αξιοποιήθηκαν ως δεδομένα αναφοράς για την εκπαίδευση του μοντέλου βαθιάς μάθησης. Η κύρια καινοτομία της διατριβής αφορά την ανάπτυξη και αξιολόγηση ενός διδιάστατου συνελικτικού νευρωνικού δικτύου τύπου U-Net για την άμεση πρόβλεψη πλημμυρικών εκτάσεων. Το μοντέλο δέχεται ως είσοδο πολυκαναλικά πλεγματικά δεδομένα, τα οποία περιλαμβάνουν κρίσιμες χωρικές μεταβλητές που συνδέονται με τη μορφολογία του εδάφους, τη ροή και τα χαρακτηριστικά της λεκάνης απορροής. Η έξοδος του μοντέλου είναι επίσης πλεγματική και μπορεί να αξιοποιηθεί άμεσα σε περιβάλλον GIS, επιτρέποντας την παραγωγή χαρτών πλημμυρικής έκτασης σε σημαντικά μικρότερο χρόνο σε σχέση με τις συμβατικές αριθμητικές προσομοιώσεις. Η εφαρμογή της μεθοδολογίας πραγματοποιήθηκε σε περιοχές του Υδατικού Διαμερίσματος Θεσσαλίας, με βασική περιοχή εκπαίδευσης τη λεκάνη απορροής του ποταμού Ενιπέα και πρόσθετες περιοχές επικύρωσης και δοκιμής σε διαφορετικά ποτάμια τμήματα και υδατορρεύματα. Η αξιολόγηση του προ-εκπαιδευμένου μοντέλου έδειξε ιδιαίτερα ικανοποιητική απόδοση, με πολύ υψηλή συσχέτιση μεταξύ των προβλεπόμενων και των αντίστοιχων πλημμυρικών εκτάσεων αναφοράς. Ειδικότερα, οι συντελεστές προσδιορισμού ανήλθαν περίπου σε R² = 0,997 για τις περιοχές επικύρωσης και R² = 0,999 για τις περιοχές δοκιμής, ενώ στις περισσότερες εξεταζόμενες περιπτώσεις οι αποκλίσεις παρέμειναν μικρότερες από 10%. Παράλληλα, στο πλαίσιο της διατριβής αναπτύχθηκαν και ορισμένες συμπληρωματικές εφαρμογές, όπως το Σύστημα Αναφοράς και Καταγραφής Πλημμυρικών Γεγονότων Ελλάδας και δίκτυο παρακολούθησης κλιματικών παραμέτρων μέσω μετεωρολογικών σταθμών.