ΧΩΡΟ - ΧΡΟΝΙΚΗ ΠΡΟΒΛΕΨΗ ΦΥΣΙΚΩΝ ΚΙΝΔΥΝΩΝ : Τάσεις...

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ

Ημερίδα Περιβάλλον : από την εκπαίδευση στη δράση

Καθηγητής Σταύρος Κ Μπαντής

Τομέας Γεωτεχνικής Μηχανικής

Περισσότερο από το ήμισυ του πληθυσμού της Γης (3.4 δισ κατά τη World Bank) είναι εκτεθειμένο τουλάχιστο σε ένα εν δυνάμει καταστροφικό φαινόμενο (φυσικό κύνδυνο).

ΕΝΕΡΓΟ ΗΦΑΙΣΤΕΙΟMount St Helen

Ως «φυσικοί κίνδυνοι» ορίζονται τα φαινόμενα που προκύπτουν από φυσικές διεργασίες ή/και ανθρωπογενή αίτια και που αποτελούν απειλή για την ασφάλεια και υγεία ομάδας ατόμων ή / και για τις δραστηριότητες και οικονομία μικρών ή μεγάλων κοινωνικών ενοτήτων.

Διεργασίες Ρυθμός εξέλιξης

Φυσικό φαινόμενο

ΓΕΩΦΥΣΙΚΕΣ Ραγδαίος

ΣΕΙΣΜΟΙΥΠΟΘΑΛΑΣΣΙΑ ΚΥΜΑΤΑ (TSUNAMIS)ΗΦΑΙΣΤΕΙΑΚΕΣ ΕΚΡΗΞΕΙΣ

ΚΛΙΜΑΤΙΚΕΣ(ΜΕΤΕΩΡΟΛΟΓΙΚΕΣ)

Ραγδαίος

Βραδύς

ΠΛΗΜΜΥΡΕΣΚΑΤΟΛΙΣΘΗΣΕΙΣΧΙΟΝΟΛΙΣΘΗΣΕΙΣΙΣΧΥΡΟΙ ΑΝΕΜΟΙΠΥΡΚΑΙΕΣΚΑΡΣΤΙΚΕΣ ΚΑΤΑΠΤΩΣΕΙΣ

ΠΑΡΑΚΤΙΑ ΔΙΑΒΡΩΣΗΔΙΑΒΡΩΣΗ ΕΔΑΦΩΝΕΡΗΜΟΠΟΙΗΣΗΑΝΥΨΩΣΗ ΣΤΑΘΜΗΣ ΘΑΛΑΣΣΑΣΚΑΘΙΖΗΣΕΙΣ

Τα περισσότερα φυσικά φαινόμενα προκύπτουν από σύνθετες διεργασίες στη λιθόσφαιρα, υδρόσφαιρα και ατμόσφαιρα.

Χαρακτηρίζονται από τη χωρική κατανομή, την ένταση και τη χρονική κατανομή τους (συχνότητα εκδήλωσης).

Οι ανθρωπογενείς κίνδυνοι προκύπτουν από επιδράσεις των δραστηριοτήτων του ανθρώπου στο περιβάλλον, δια των οποίων επιταχύνονται ή μεταβάλλονταικάποιες κρίσιμες διεργασίες των φυσικών συστημάτων.

H παγκόσμια πληθυσμιακή έκρηξη, η συγκέντρωση των ανθρώπων και δραστηριοτήτων σε αστικά κέντρα και οι αλληλεξαρτήσεις μεταξύ των κρατών έχουν οξύνει σημαντικά τις συνέπειες από τους διάφορους φυσικούς κινδύνους.

Τούτο έχει ως συνέπεια τη δημιουργία επιτακτικής ανάγκης αναπτυξιακού επανασχεδιασμού σε μεγάλη κλίμακα.

Γενικά οι φυσικοί κίνδυνοι δημιουργούν μια ιδιαίτερη τεχνική, οικονομική και νομική διάσταση στον αναπτυξιακό σχεδιασμό που επιτελείται σε διάφορες κλίμακες.

Οι ιδιαιτερότητες εκκινούν από την αντικειμενική αδυναμία ουσιαστικής αντιμετώπισης των φυσικών κινδύνων με άμεσες παρεμβάσεις.

ΔΙΑΧΕΙΡΙΣΗ ΦΥΣΙΚΩΝ ΚΙΝΔΥΝΩΝ

Ελαχιστοποίηση των κοινωνικών και οικονομικών συνεπειών.

Ανάληψη δράσεων με στόχο την πρόβλεψη της χωρικής και χρονικής πιθανότητας εκδήλωσης φυσικών καταστροφικών φαινομένων, την αξιολόγηση των κοινωνικών και οικονομικών επιπτώσεων και τη μείωση των κινδύνων με προσαρμογή του αναπτυξιακού σχεδιασμού, επιμόρφωση, έγκαιρη προειδοποίηση και δημιουργία κατάλληλων υποδομών.

ΠΡΟΒΛΕΨΗ ΠΛΗΡΟΦΟΡΗΣΗΣΧΕΔΙΑΣΜΟΣ

ΠΡΟΕΙΔΟΠΟΙΗΣΗΑΠΟΚΑΤΑΣΤΑΣΗ

ΠΟΣΟΤΙΚΗ ΑΠΟΤΙΜΗΣΗ ΤΟΥ ΕΝΔΕΧΟΜΕΝΟΥ ΕΚΔΗΛΩΣΗΣ ΕΝΟΣ ΦΥΣΙΚΟΥ ΚΙΝΔΥΝΟΥ ΚΑΙ ΤΩΝ ΣΥΝΕΠΕΙΩΝ ΕΞ ΑΥΤΟΥ

Ο όρος “Ρίσκο” (Risk, R) εκφράζει το μέτρο των αναμενόμενων “απωλειών”(κοινωνικών και οικονομικών) σε συγκεκριμένη περιοχή και χρονική περίοδο έναντι εν δυνάμει καταστροφικού(-ών) φαινομένου(-ων).

R = Hι x Vι x Eιόπου :

R = ρίσκο έναντι φυσικού κινδύνουHi = χωρο-χρονική πιθανότητα εκδήλωσης φυσικού κινδύνου έντασης iEi = δείκτης έκθεσης σε κίνδυνο λόγω φυσικού κινδύνου έντασης iVi = δείκτης ευαλώτητας σε βλάβες λόγω φυσικού κινδύνου έντασης i

Επιδεκτικότητα (susceptibility) HS:

Ο όρος περιγράφει τις περιοχές στις οποίες συνυπάρχουν οι προαπαιτούμενοι φυσικοί παράγοντες για την ενεργοποίηση ενός φυσικού κινδύνου και άρα είναι επιδεκτικές φυσικής (-ών) καταστροφής (-ών).

Επομένως, ο όρος ενέχει δυνητική αξία και η διαβάθμιση της επιδεκτικότηταςδιατυπώνεται με ποιοτικούς χαρακτηρισμούς, όπως υψηλή, μέση ή χαμηλή επιδεκτικότητα.Κίνδυνος (Hazard), Hit

Ως κίνδυνος (hazard) νοείται ως πιθανότητα (Ρ) εκδήλωσης ενός εν δυνάμει καταστροφικού φαινομένου έντασης i ή μεγαλύτερης που αναμένεται ότι θα συμβεί κατά τη διάρκεια μιας περιόδου (t).

Hit = (Hsi, ti)

Εκθεση σε Κίνδυνο (Exposure), EHi

Αναφέρεται στην κατανομή των διάφορων απειλούμενων «στοιχείων» υπό απειλή φυσικής καταστροφής και εκτίμηση της οικονομικής, κοινωνικής και περιβαλλοντικής ’’αξίας’’.

Η ‘’έκθεση’’ σε κίνδυνο είναι συνάρτηση της θέσης των «στοιχείων»

Tρωτότητα σε Βλάβες (Vulnerability) VHi

Η ανάλυση τρωτότητας αφορά στο μέγεθος βλαβών ενός συγκεκριμένου απειλούμενου ‘’στοιχείου’’ σαν συνάρτηση του τύπου και της έντασης ενός συγκεκριμένου κινδύνου.

Η τρωτότητα σε βλάβες ενός στοιχείου είναι ανεξάρτητη της θέσεως.

ΑΝΑΛΥΣΗΚΙΝΔΥΝΟΥ

(HAZARD ANALYSIS)


(HAZARD ANALYSIS)

ΔυναμικόςΧαρακτηρισμός

περιοχής

ΦυσικοίΠαράγοντες

περιοχής

ΔυναμικέςΜεταβολέςΚλίματος

ΓεωφυσικέςΔυναμικέςΜεταβολές

Ευστάθειαπρανών

Πλημμύρες

Παράκτιαδυναμική

Πρανή

Ακτές

Χιονο-λισθήσεις

Ισχυρέςκατολισθήσεις

Χιονοθύελλες

Διάβρωσηεδαφών

Ερημο-ποίηση

Μεταβολέςστάθμης

θάλασσας

Καθιζήσεις

Σεισμός

Tsunamis

Έκρηξηηφαιστείου

ΤηλεπισκόπισηΓεωγρ.Συστ. Πληρ. Χάρτης Συμβάντων

ΑΝΑΛΥΣΗ ΕΚΘΕΣΗΣΣΕ ΚΙΝΔΥΝΟ

(EXPOSURE ANALYSIS)


(EXPOSURE ANALYSIS)

ΑΝΑΛΥΣΗ ΕΥΑΛΩΤΗΤΑΣΣΕ ΒΛΑΒΕΣ

(VURNERABILITY ANALYSIS)



Βιομηχανία

Έργα ΚοινήςΩφέλειας

Εργατικόδυναμικό

Πληθυσμός

Πολιτιστικήκληρονομιά

Κοινωνική

Οικονομική

ΧάρτηςΕπιδεκτικότητας

(susceptibility)

Ιστορικά στοιχεία

Τηλεπισκόπιση

ΕνεργοποιητικοίπαράγοντεςΑλλαγές κλίματος

ΧΑΡΤΗΣ ΕΠΙΚΙΝΔΥΝΟΤΗΤΑΣ ΧΑΡΤΗΣ ΕΚΘΕΣΗΣΣΕ ΚΙΝΔΥΝΟ

Περιβαλλοντικέςεπιπτώσεις

ΚΟΙΝΩΝΙΚΟ-ΟΙΚΟΝΟΜΙΚΟΙ

ΔΕΙΚΤΕΣ ΕΥΑΛΩΤΗΤΑΣΣΧΕΣΗ ΕΝΤΑΣΗΣ

ΦΑΙΝΟΜΕΝΟΥ-ΕΥΑΛΩΤΗΤΑΣ

ΕΚΤΙΜΗΣΗ ΡΙΣΚΟΥR = Σ(H1 * E1 * V1)

ΚΟΙΝΩΝΙΚΟ ΡΙΣΚΟ•Απώλεια ζωής•Τραυματισμοί•Άστεγοι•Άνεργοι

ΟΙΚΟΝΟΜΙΚΟ ΡΙΣΚΟ:•Υποδομή-κτίρια•Γεωργία-Κτηνοτροφία•Περιβάλλον

R = εν δυνάμει απώλειαH1 = πιθανότητα συμβάντος iΕ1 = δείκτης έκθεσης σε κίνδυνο λόγω συμβάντος iV1 = δείκτης ευαλώτητας σε βλάβεσ λόγω συμβάντος i

Σχήμα 1 Γενική δομή μοντέλου ανάλυσης ρίσκου πολλαπλών κινδύνων


(HAZARD ANALYSIS)


(HAZARD ANALYSIS)


περιοχής


περιοχής




Πλημμύρες


Πρανή

Ακτές







θάλασσας


Σεισμός

Tsunamis




(EXPOSURE ANALYSIS)


(EXPOSURE ANALYSIS)








Πληθυσμός


Κοινωνική



(susceptibility)














ΡΙΣΚΟ ΕΝΑΝΤΙ ΠΟΛΛΑΠΛΩΝ ΦΥΣΙΚΩΝ ΚΙΝΔΥΝΩΝ


(HAZARD ANALYSIS)


(HAZARD ANALYSIS)


περιοχής


περιοχής




Πλημμύρες


Πρανή

Ακτές







θάλασσας


Σεισμός

Tsunamis




(EXPOSURE ANALYSIS)


(EXPOSURE ANALYSIS)








Πληθυσμός


Κοινωνική



(susceptibility)















(HAZARD ANALYSIS)


(HAZARD ANALYSIS)


περιοχής


περιοχής




Πλημμύρες


Πρανή

Ακτές







θάλασσας


Σεισμός

Tsunamis




(EXPOSURE ANALYSIS)


(EXPOSURE ANALYSIS)








Πληθυσμός


Κοινωνική



(susceptibility)














ΔΟΜΗΣΗ ΜΟΝΤΕΛΟΥ ΓΙΑ ΤΗΝ ΠΡΟΓΝΩΣΗ ΦΥΣΙΚΩΝ ΚΙΝΔΥΝΩΝ

Η πρόγνωση φυσικών κινδύνων αποτελεί τη συνισταμένη της αξιολόγησης όλων των φυσικών παραγόντων που οριοθετούν τις πιθανές θέσεις εκδήλωσης, την έκταση και την ένταση του φαινομένου.

Επομένως, η πρόβλεψη εμπεριέχει τις συνιστώσες του χώρου και του χρόνου.

Η χωρική πρόβλεψη βασίζεται στα φυσικά δεδομένα που συνθέτουν τουςπροαπαιτούμενους ή συνεργούντες παράγοντες για την εκδήλωση του φαινομένου.

Η χρονική πρόβλεψη ανάγεται στην πιθανοτική επανάληψη φυσικών παραγόντων κρίσιμης έντασης, οι οποίοι είναι δυνατό να προκαλέσουν ενεργοποίηση των φαινομένων.

Τα «Νευρωνικά Δίκτυα» είναι ένας κλάδος “Τεχνητής Νοημοσύνης” και αποτελούν μια υπολογιστική διαδικασία (απλουστευμένης) προσομοίωσης του τρόπου λειτουργίας του ανθρώπινου εγκεφάλου με τεχνητά μέσα.

EΦΑΡΜΟΓΗ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝΓΙΑ ΤΗ ΔΟΜΗΣΗ ΚΑΙ ΕΦΑΡΜΟΓΗ

ΠΡΟΓΝΩΣΤΙΚΩΝ ΜΟΝΤΕΛΩΝ ΦΥΣΙΚΩΝ ΚΙΝΔΥΝΩΝ

ΤΟ ΤΕΧΝΙΚΟ ΝΕΥΡΩΝΙΚΟ ΔΙΚΤΥΟ

Τα νευρωνικά δίκτυα εκτιμούν συναρτήσεις μορφής εισόδου-εξόδου

ƒ : X Y

από δείγμα δεδομένων, χωρίς να ορίζεται μαθηματικά ο τρόπος με τον οποίο τα εξαγόμενα εξαρτώνται από τα εισαγόμενα δεδομένα.

Κάθε νευρώνας είναι μια μονάδα επεξεργασίας πληροφοριών, δηλαδήδέχεται πληροφορίες, τις επεξεργάζεται και αντιδρά σε αυτές. Η αντίδραση είναι και αυτή μια πληροφορία, η οποία ονομάζεται «έξοδος».

Έξοδος y

Νευρώναςείσοδος

είσοδος

είσοδος

Ο νευρώνας υλοποιείται με τη χρήση συναρτήσεων. Η κατάλληλη οργάνωση και σύνδεση των νευρώνων τους παρέχει ικανότητες μάθησης, γενίκευσης, πρωτότυπης συμπεριφοράς, κλπ.

Οι πληροφορίες, γενικά, έρχονται από άλλους νευρώνες και καταλήγουνσε άλλους δια μέσου των συνδέσεων μεταξύ τους (συνάψεων).

Είσοδος x1

Είσοδος x2

Είσοδος x3

Έξοδος y

Νευρώνας

Οι συνδέσεις δε διακινούν απλώς την πληροφορία μεταξύ των νευρώνων,αλλά ταυτόχρονα την πριμοδοτούν ή την υποβαθμίζουν ανάλογα με τηνισχύ τους.

w1

x1 Νευρώνας

Συνάψεις

x2

x3

w2

w3

Έξοδος

Οι συνδέσεις σε ένα αλγόριθμο ΝΝ υλοποιούνται δια μέσου προσαρμοσμένων εκτιμητών που ονομάζονται «βάρη, w». Το βάρος (w) μιας σύνδεσης αντιστοιχεί σε μια αριθμητική τιμή. Τα βάρη αντιπροσωπεύουν το μέγεθος της ισχύοςμε τη οποία μια σύνδεση πριμοδοτεί ή υποβαθμίζει μια μεταφερόμενη πληροφορία. Η ισχύς των συνδέσεων καθορίζει τη συμπεριφορά του ΝΝ.

Οι νευρώνες διατάσσονται σε στρώματα. Σε κάθε στρώμα οι νευρώνες εκτελούν την ίδια εργασία

Στρώμα ΕξόδουΣτρώμα εισόδου

Είσοδος

Έξοδος

Κρυφά στρώματα

Είσοδος

Είσοδος

Έξοδος

ΔΕΧΕΤΑΙ ΤΑ ΔΕΔΟΜΕΝΑ

Η ΔΡΑΣΤΗΡΙΟΤΗΤΑ ΚΑΘΕ ΚΡΥΦΟΥ ΣΤΡΩΜΑΤΟΣΚΑΘΟΡΙΖΕΤΑΙ ΑΠΟ ΤΗ ΔΡΑΣΤΗΡΙΟΤΗΤΑ ΤΩΝ ΣΤΡΩΜΑΤΩΝ ΕΙΣΑΓΩΓΗΣ ΚΑΙ ΤΑ ΒΑΡΗ ΣΤΙΣ ΣΥΝΔΕΣΕΙΣ ΜΕΤΑΞΥ ΤΩΝ ΣΤΡΩΜΑΤΩΝ ΕΙΣΑΓΩΓΗΣ ΚΑΙ ΤΩΝ ΚΡΥΦΩΝ ΣΤΡΩΜΑΤΩΝ

Η ΔΡΑΣΤΗΡΙΟΤΗΤΑΤΩΝ ΣΤΡΩΜΑΤΩΝΕΞΑΓΩΓΗΣ ΚΑΘΟΡΙΖΕΤΑΙ ΑΠΟ ΤΗ ΔΡΑΣΤΗΡΙΟΤΗΤΑ ΤΩΝ ΚΡΥΦΩΝ ΣΤΡΩΜΑΤΩΝΚΑΙ ΤΑ ΒΑΡΗ ΣΤΙΣ ΣΥΝΔΕΣΕΙΣ ΜΕΤΑΞΥ ΤΩΝ ΚΡΥΦΩΝ ΣΤΡΩΜΑΤΩΝ ΕΙΣΑΓΩΓΗΣ ΚΑΙ ΤΩΝ ΣΤΡΩΜΑΤΩΝ ΕΞΟΔΟΥ

w13

F3w23

w33

x1

x2

x3

1

y12

3

x1

x2

x3

3

Έστω π.χ ότι η κατολισθητική επιδεκτικότητα y1, είναι συνάρτηση τριώνπαραμέτρων που περιγράφουν ιδιότητες ενός πρανούς π.χ της κλίσης x1, του ύψους x2 και των γεωτεχνικών συνθηκών x3

x1

x2

x3

1

y12

3

ΚΛΙΣΗ ΠΡΑΝΟΥΣ

ΥΨΟΣ ΠΡΑΝΟΥΣ

ΓΕΩΤΕΧΝΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΕΔΑΦΟΥΣ

Το δίκτυο επιλέγεται να έχει τρεις νευρώνες στο στρώμα εισόδου (δηλαδήένα νευρώνα για κάθε παράμετρο του προβλήματος) και ένα νευρώνα στοστρώμα εξόδου. Επιλέγεται το δίκτυο να έχει μόνο ένα κρυφό στρώμα τριών νευρώνων.

Κάθε νευρώνας στο στρώμα εισόδου, δέχεται ένα ερέθισμα εισόδου π.χ ο νευρώνας της κλίσης έχει είσοδο την τιμή Χ1. Η εξερχόμενη τιμή Χ1 μεταβιβάζεται δια μέσου των συνάψεων στους νευρώνες του κρυφού στρώματος, π.χ. η Χ1 μεταφέρεται σε τρεις συνάψεις.

x1

x2

x3

1

y12

3

Σε κάθε σύναψη η Χ1 πολλαπλασιάζεται με τον συντελεστή βαρύτητας της σύναψης π.χ η Χ1 με το W13 της σύναψης που καταλήγει στον τρίτο νευρώνα του κρυφού στρώματος.

Κάθε νευρώνας στο κρυφό στρώμα π.χ. ο νευρώνας 3, δημιουργεί την είσοδο του I3, συνθέτοντας τα ερεθίσματα εισόδου:

Χ1W13, X2W23 και X3W33 Μαθηματικά η σύνθεση γίνεται με χρήση μιας συνάρτησης που ονομάζεται συνάρτηση εισόδου και η οποία στην περίπτωση αυτή είναι το διανυσματικό γινόμενο:

w13

w23

w33

x1

x2

x3 Ι3Νευρώνας 3

3

13

hhh xwWXI

Κάθε νευρώνας του κρυφού στρώματος που έχει δεχθεί το αριθμητικό αποτέλεσμα Ι3 της συνάρτησης εισόδου, στη συνέχεια μετασχηματίζει την είσοδο σε έξοδο με χρήση μιας συνάρτησης ενεργοποίησης.

Η συνηθέστερα εφαρμοζόμενη συνάρτηση ενεργοποίησης είναι η σιγμοειδής.

w13

w23

w33

x1

x2

x3 Ι3Νευρώνας 3

ΣΤΑΘΜΙΣΜΕΝΟ ΑΘΡΟΙΣΜΑ ΕΙΣΑΓΟΜΕΝΩΝ ΣΤΟΙΧΕΙΩΝΣwhxh

I3 =ΣWh*Xh 3I33e11)I(FF

ΕξοδοςΝευρώνα F

Συνάρτηση εισόδου νευρώνα = Χ*W = -0.1+X1*0.6-X2*0.8+X3*0.1

Συνάρτηση εξόδου νευρώνα: F(x*w) = 1/(1+exp[-a*(-0.1+X1*0.6-X2*0.8+X3*0.1)]

OUTPUT

OUTPUT

OUTPUT

OUTPUT

OUTPUT

w

w

w

w

w

W*OUTPUT =INPUTW*OUTPUT =INPUTW*OUTPUT =INPUTW*OUTPUT =INPUTW*OUTPUT =INPUT

OUTPUT= F( Σ W *OUTPUT

ΥΠΟΛΟΓΙΣΤΙΚΗ ΔΙΑΔΙΚΑΣΙΑ ΔΗΜΙΟΥΡΓΙΑΣ ΕΞΟΔΟΥ ΑΠΟ ΚΑΘΕ ΝΕΥΡΩΝΑ

ΕΞΟΔΟΣ ΝΕΥΡΩΝΑ = F [ Σ ( w * ΕΞΟΔΟ ΑΠΟ ΝΕΥΡΩΝΑ ΠΡΟΗΓΟΥΜΕΝΟΥ ΣΤΡΩΜΑΤΟΣ)

Sigmoid activation

F(x) = 1/(1 + exp(-a*x))

- 1

- 0

1

2

3

5

m-1

4

m

1

2

3

5

n-1

4

n

F [Σ(xi*wi1)+ Wb1*Xb] = z1



F [Σ(xi*wi4)+Wb4*Xb] = z4

F [Σ(xi*wi5)+Wb5*Xb] = z5

F [Σ(xi*win)+Wbn*Xb] = zn

F [Σ(xi*wi(n-1))+Wb(n-1)*Xb] = zn-1

i=m

i=1

i=m

i=1

i=m

i=1

i=m

i=1

i=m

i=1

i=m

i=1

i=m

i=1

Wbn

Wb(n-1)

Wb2

Wb5

Wb4

Wb3

Wb1W11

W21

W31

W41

W51

W(m-1)1

Wm1

Wmn

Wm(n-1)

Wm5

Wm4

Wm

3

Wm

2

F [Σ(zi*Wiv)+Wbv*Xb]i=1

i=n

W5v

W4v

W3v

W2v

W1v

W(n-1)v

Wnv

Wb1

First Layer

Hidden Neuron Layer

Output Layer

ΕΚΠΑΙΔΕΥΣΗ ΝΕΥΡΩΝΙΚΟΥ ΔΙΚΤΥΟΥ

Έχει ως στόχο την προσαρμογή του δικτύου στις απαιτήσεις της εφαρμογής.

Εφαρμόζεται σε υπάρχον δίκτυο, στο οποίο έχουν δημιουργηθεί συνδέσεις μεταξύ των νευρώνων με τυχαία ισχύ.

Η διαδικασία ρύθμισης από το δίκτυο των τιμών των βαρών ώστε να δώσειελεγχόμενη (σωστή) απόκριση, Y, σε συγκεκριμένο ερέθισμα, X, ονομάζεται εκπαίδευση.

Η απλούστερη διαδικασία εκπαίδευσης είναι με δοκιμαστική εφαρμογή τιμών (trial and error) και διαρκή προσαρμογή μέχρις ότου η έξοδος συγκλίνει στις αναμενόμενες απαντήσεις.

ΑΠΑΙΤΟΥΜΕΝΗ ΥΠΟΔΟΜΗ ΔΕΔΟΜΕΝΩΝ ΓΙΑ ΤΗ ΧΩΡΟ-ΧΡΟΝΙΚΗ ΠΡΟΒΛΕΨΗ ΦΥΣΙΚΩΝ ΚΙΝΔΥΝΩΝ

Ανάπτυξη ψηφιακών βάσεων δεδομένων (χωρικών ή χωροχρονικών) σε περιβάλλον Γεωγραφικών Συστημάτων Πληροφοριών (GIS) από διάφορες πηγές (τηλεπισκοπικά προϊόντα, ψηφιακά μοντέλα εδάφους, γεωλογικούς χάρτες, καταγραφές συμβάντων, κλπ.

Σημαντικά εργαλεία συλλογής στοιχείων από αεροφωτογραφίες και δορυφορικές εικόνες παρέχει η τεχνολογία τηλεπισκόπησης.

Geology

Slope angle

Land Use

Hydrology

Topography

Weathering

ΘΕΜΑΤΙΚΟΙ ΧΑΡΤΕΣ

FIGURE 12 3D-Digital Elevation model of area 1 based on 1:50.000 topographic map. View point S-E.

FIGURE 13 Digital Elevation model of area 1 based on 1:50.000 topographic map. Symbols are known landslides.

Θολή Λογική (Fuzzy Logic)

Η αξιοπιστία ενός μοντέλου πρόβλεψης εξαρτάται από τον αριθμό (και την ποιότητα) των εισαγόμενων δεδομένων.

Ο πολυπαραμετρικός χαρακτήρας των φυσικών φαινομένων και η στοχαστική διακύμανση των επι μέρους παραμέτρων, θέτουν πάντοτε το ερώτημα της επάρκειας διαθέσιμων στοιχείων και εισάγουν την ανάλογη αβεβαιότητα πρόβλεψης.

Με στόχο τη διαχείριση της αβεβαιότητας σε δεδομένα έχει αναπτυχθεί η λεγόμενη “ήπια υπολογιστική μεθοδολογία” (soft computing) της “Θολής Λογικής” (ΘΛ).

Η αξία της ΘΛ έγκειται στο ότι επιτρέπει να εκφράζετα μια αξιολόγηση ως π.χ. 65% “ναι” και 35% “όχι”, ανάλογα με την αβεβαιότητα των δεδομένων που καθορίζουν την αξιολόγηση αυτή.

Στάδιο Ι ΔιαθέσιμαΔεδομένα

Στάδιο ΙΙ Χάρτες ιδιοτήτων

Στάδιο ΙΙ Θολή λογική. Διαχείριση της αβεβαιότητας-

χωρική ανάλυση

Στάδιο ΙIIαΜοντέλο ΝΝ

επιδεκτικότητας

Στάδιο IIIβ Έξοδος Ν.Δ

Ψηφ.μοντ.εδάφ.

Κλίση

Προσανατολισμός

Επιφανειακή Ροή

Λειτουργίες GIS και τηλεπ

ισκόπισης

Κοιλότητα

Γεωλογικά

Δορυφορικά

Εναέρια

Λιθολογία

Απόστ. Ρήγματα

Τοπογραφικά

Διεύθ. κλ ρηγμ.

Κλίση ρηγμ.

Υψόμετρο

Χωρικές ενότητες

Κατολισθήτικα

Διεύθυνση ροής

Χ.Ε.Α.Σ Υψομ. διαφορά.

Χρήσεις Γης

Οδικό δίκτυο

Βλάστηση

Γεωτεκτονικά

Βροχομετρικά

Αποστ. Υδρογρ.

Κλίση πρανούς

Γεωτεχνικές Συνθήκες

Στρωματογρ.

Υψομετρική διαφορά

Απόσταση Υδρογραφικό

Κωδικοποίηση με χρήση θολών συνόλωνΘολό Σύστημα

Κατολισθητική επικινδυνότητα

Λιθολογία

Κατολισθητική επικινδυνότητα

Στάδιο IIΙγ Θολή λογική. Διαχείριση

της αβεβαιότητας

(a) (β) (γ)

Παράδειγμα εφαρμογής μοντέλου Νευρωνικού Δικτύου για την πρόβλεψη της κατολισθητικής επικινδυνότητας περιοχής

ΠΑΡΑΤΗΡΗΣΕΙΣ – ΓΕΝΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ

Τα Νευρωνικά Δίκτυα και η Θολή Λογική είναι αυτόνομες μεθοδολογίες οι οποίες είναι δυνατό να λειτουργήσουν συμπληρωματικά.

Κύριο πλεονέκτημα των ΝΝ είναι η δυνατότητα πρόβλεψης χωρίς γνώση ακριβούς μοντέλου συμπεριφοράς.

Το πλεονέκτημα αυτό αυξάνεται από την συνεργασία με τη ΘΛ που διαχειρίζεται την αβεβαιότητα στην πρόβλεψη την οποία εισάγουν τα συνήθως περιορισμένα δεδομένα.

Εξίσου σημαντική η δυνατότητα αναβάθμισης του μοντέλου πρόβλεψης με αύξηση των δεδομένων και ο διαρκής έλεγχος των προβλέψεων στα πλαίσια βελτιστοποίησης του μοντέλου.

ΧΩΡΟ - ΧΡΟΝΙΚΗ ΠΡΟΒΛΕΨΗ ΦΥΣΙΚΩΝ ΚΙΝΔΥΝΩΝ : Τάσεις...

Documents

Transcript of ΧΩΡΟ - ΧΡΟΝΙΚΗ ΠΡΟΒΛΕΨΗ ΦΥΣΙΚΩΝ ΚΙΝΔΥΝΩΝ : Τάσεις...