Χρήση τεχνητής νοημοσύνης για μοντελοποίηση καταστροφών λόγω βροχοπτώσεων
Using Artificial Intelligence to model rainfall induced damages
Λέξεις-κλειδιά
Τεχνητή νοημοσύνη ; Καιρικά φαινόμενα ; Βροχόπτωση ; Μηχανική μάθηση ; Αθήνα ; Εποπτευόμενη μάθηση ; Machine learning ; Supervised learning ; Artificial intelligenceΠερίληψη
Οι καταστροφές από τα καιρικά φαινόμενα είναι κάτι που κοστίζει υπέρογκα αθροιστικά χρηματικά ποσά, δημιουργεί μεγάλες διαταραχές σε κοινότητες και πολύ συχνά στοιχίζει ακόμα και ανθρώπινες ζωές. Είναι επιτακτική ανάγκη να υπάρχει έγκαιρη ενημέρωση ώστε να μπορούμε να προφυλαχθούμε όσο το δυνατόν περισσότερο. Στην παρούσα εργασία μοντελοποιήσαμε τις καταστροφές που προήλθαν από βροχοπτώσεις με την χρήση μοντέλων μηχανικής μάθησης. Τα δεδομένα μας είναι
ζευγάρια αθροιστικής εικοσιτετράωρης βροχόπτωσης και ύπαρξης ή μη καταστροφής και προέρχονται από το Εθνικό Αστεροσκοπείο Αθηνών. Το γεωχωρικό πλαίσιο αναφοράς είναι η μητροπολιτική περιοχή των Αθηνών, στην οποία λειτουργούν 66
αυτόματοι μετεωρολογική σταθμοί. Χρησιμοποιήσαμε τρία διαφορετικά μοντέλα επιβλεπόμενης μάθησης ώστε να δούμε
τα αποτελέσματά τους, αρχικά σε ολόκληρη την περιοχή και έπειτα στους δήμους που την απαρτίζουν. Εκπαιδεύσαμε τα μοντέλα ώστε να είμαστε σε θέση να προβλέψουμε με σχετική ακρίβεια τις περιπτώσεις εκείνες που τα καιρικά φαινόμενα θα είναι αρκετά
σφοδρά για να δημιουργήσουν καταστροφές. Όπως κάθε τύπος τεχνητής νοημοσύνης, τα μοντέλα μας λειτουργούν μόνο στις περιπτώσεις που υπάρχουν επαρκή δεδομένα.
Περίληψη
Disasters from weather events cost enormous sums of money, cause great disruption to communities and very often even cost human lives. It is imperative that there are timely warnings and notifications so that we can protect ourselves as much as possible. In this thesis we modelled the disasters caused by rainfall using machine learning models. Our data consists of pairs of cumulative twenty-four-hour rainfall and presence or absence of disaster and come from the National Observatory of Athens. The geospatial reference frame is the metropolitan area of Athens, in which 66 automatic weather stations operate. We used three different models of supervised learning to see their results, first in the whole region and then in the municipalities that make it up. We trained the models to be able to predict with relative accuracy those cases when weather events will be severe
enough for disasters to occur. Like any type of artificial intelligence, our models only work when there is enough data.
Αριθμός σελίδων
61Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών Βιομηχανικής Σχεδίασης και ΠαραγωγήςΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές