Χρήση τεχνητής νοημοσύνης για μοντελοποίηση καταστροφών λόγω βροχοπτώσεων

Βαφειάδης, Βασίλειος

Using Artificial Intelligence to model rainfall induced damages

Διπλωματική εργασία

Author

Βαφειάδης, Βασίλειος

Date

2022-10

Advisor

Nikolaou, Grigoris

Thesis_Vafeiadis_Vasileios.pdf (2.577Mb)

Keywords

Τεχνητή νοημοσύνη ; Καιρικά φαινόμενα ; Βροχόπτωση ; Μηχανική μάθηση ; Αθήνα ; Εποπτευόμενη μάθηση ; Machine learning ; Supervised learning ; Artificial intelligence

Abstract

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.

Abstract

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.