Comparing machine learning approaches to predict flood risk areas under climate change in conwy catchment
Conwy havzasında iklim değişikliği altında sel riski alanlarını tahmin etmek için makine öğrenimi yaklaşımlarını karşılaştırma
- Tez No: 766299
- Danışmanlar: DR. SOPAN PATİL
- Tez Türü: Yüksek Lisans
- Konular: Ormancılık ve Orman Mühendisliği, Çevre Mühendisliği, Forestry and Forest Engineering, Environmental Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Bangor University-Prifysgol Bangor
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Ormancılık ve Çevre Bilimleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 60
Özet
Britanya Adalarında sel her zaman önemli bir rol oynamıştır, art arda gelen bir dizi hayati olaylar hatırı sayılır zarara yol açarken bazen de, 20. ve 21. yüzyılda da şahit olduğumuz üzere, ciddi sayıda ölümlere neden olmaktadır. Son yıllarda iklim değişikliği, yağış ve aşırı sıcaklık gibi beklenmedik hava olaylarının daha sık görülmesini tetiklemiştir. Bunun neticesinde Birleşik Krallıkta görülen iklim değişikliği ve sel felaketleri arasındaki ilişkiye dair artan bir farkındalık gelişmiştir. Kuzey Galler'de yer alan Conwy Havzası, geçmişten bugüne birkaç kez sel olaylarına maruz kalmıştır. Bahsedilen havza bu çalışmada seçilen araştırma sahasıdır; araştırmada sel gözlem sahaları ve geleceğe dair tahmin edilen iklim değişikliğine göre hesaplanan sel alanları ele alınmaktadır. Conwy Havzasında seli tetiklediği düşünülen faktörüler arasında eğim, toprak örtüsü, topografik rutubet endeksi (TWI), toprak, yamaç ve yağış yer alır. Ayrıca hazırlıklar ArcGIS çevreseli ile yapılmıştır. İki-Makineli Öğrenme (ML) yöntemleri, Random Forest- Rastgele Orman (RF) ve Destek Vektör Makinesi (SVM) dahil olmak üzere, 2070 senesinde artması beklenen sel sahalarını göstermek için geçmişe ve geleceğe dair verilerle uygulamaya alınmıştır. HadGEM2-ES, GISS-E2-R, IPSL- CM5A-LR, ve MIROC-85'e ait gelecek verileri için, Global İklim Modelleri (GCM) kullanılarak mevcut sel sahaları ve olası sel sahaları sınıflandırılmıştır. İklim değişikliğinin birbirinden farklı şiddetlerini deneyimlemek için birkaç Temsili Konsantrasyon Yolu (RCP) senaryosu dikkate alınmaktadır. RCP-2.6 iyimser bir iklim değişikliği senaryosu olarak, RCP- 6.0 ortalama bir senaryo olarak ve RCP-8.5 verileri ise en zor senaryo olarak uygulanmıştır. Hem RF modeli hem de SVM modeli sırasıyla 0.987 ve 0.980 gibi oldukça yüksek doğruluk puanlarına ulaşmıştır. Bu doğruluk puanları neredeyse her GCM verisi için birbirine çok yakındır. Bununla birlikte RF ve SVM modelleri için çalışma süresi belirgin farklılık göstermektedir. RF modeli 0.36 dakikalık sonuçlar verirken, SVM modeli 4.5 dakika boyunca çalışmaktadır. Her iki modelin de genel performansı düşünüldüğünde RF modeli SVM modelinden asgari seviyede daha başarılı performans sergilemiştir. Öte yandan, HadGEM2- ES verilerine göre sel sahaları gelecekte tüm RCP senaryolarında düşüşe geçecektir. Lakin GISS-E2-R, IPSL-CM5A-LR ve MIROC-85 GCMs verilerindeki tahminlere göre sel sahaları, bilhassa RCP-8.5 senaryosu söz konusu iken artışa geçecektir
Özet (Çeviri)
In the British Isles, flooding has always been a factor, and a series of essential incidents caused considerable damage and at times a significant loss of life by flooding in the 20th/21st century. Recently, climate change trigger unexpected weather phenomena occur more frequently, such as precipitation and high temperature. As a result of this, awareness has been grown against the relation between climate change, and the flood evens in the UK. The Conwy catchment, where located in North Wales, suffer from several times flood events from past to today. The catchment has been decided as a study area for this study to compare flood watch areas and possible future flood areas which calculated according to future climate data. Several the flood conditioning factors considered in the Conwy catchment are elevation, land cover, topographic wetness index (TWI), soil, slope, and precipitation, moreover they prepared via ArcGIS environment. Two Machine Learning (ML) methods, including Random Forest (RF) and Support Vector Machine (SVM), have been implemented with past and future data to exhibit increment of flood areas in 2070. For the future data of HadGEM2-ES, GISS- E2-R, IPSL-CM5A-LR, and MIROC-85 Global Climate Models (GCMs) have been used to classify flooded areas and possible flood areas. In order to experience the different severity of climate change, several Representative Concentration Pathways (RCP) scenarios have been considered. RCP-2.6 has been used as an optimistic climate change scenario, RCP-6.0 has been applied as a moderate scenario, and as the worst scenario, RCP-8.5 data have been implemented. Both the RF model and SVM model showed remarkably higher accuracy score with 0.987 and 0.980 respectively. These accuracy scores are almost similar for each data of GCMs. However, the running time for RF and SVM models is significantly different.While the RF model gave result along 0.36 minutes, SVM model runs along 4.5 minutes. When the general performance of both models considered, the RF model showed better performance than the SVM model minimally. On the other hand, according to data of HadGEM2-ES flood areas will decrease in the future under all RCP scenarios. However, the data of GISS-E2-R, IPSL-CM5A-LR, and MIROC-85 GCMs assume that flood areas will increase in the future, especially under the RCP-8.5 scenario.
Benzer Tezler
- Prediction of the heating season indoor thermal data based on short-term measurement
Kısa süreli iç ortam ölçüm verisine dayalı ısıtma sezonu tahmini
SAMI SHAMS ALDIN
Yüksek Lisans
İngilizce
2019
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DOÇ. DR. HATİCE SÖZER
- Employing deep learning approaches for financial time series analysis
Derin öğrenme yaklaşımlarının finansal zaman serileri analizinde kullanılması
FIRAT MELİH YILMAZ
Yüksek Lisans
İngilizce
2023
İstatistikDokuz Eylül Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. ENGİN YILDIZTEPE
- Order dispatching via deep reinforcement learning
Başlık çevirisi yok
ERAY MERT KAVUK
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN KÜHN
- Trafik kazası yaralanma şiddeti tahmini için makine öğrenmesi yöntemlerinin karşılaştırılması
Comparison of machine learning methods for traffic accident injury severity prediction
AYMAN ALMADANI
Yüksek Lisans
Türkçe
2024
TrafikBursa Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURTEN AKGÜN