• Machine learning per l'idrologia: applicazione del metodo random forests per la previsione degli eventi di piena fluviale con un approccio probabilistico
  • Machine learning for hydrology: application of the Random Forests method for the forecast of fluvial flood events with a probabilistic approach
  • Leoni, Paolo <1988>

Subject

  • ICAR/02 Costruzioni idrauliche e marittime e idrologia

Description

  • Le tecniche di Machine Learning sono molto utili in quanto consento di massimizzare l’utilizzo delle informazioni in tempo reale. Il metodo Random Forests può essere annoverato tra le tecniche di Machine Learning più recenti e performanti. Sfruttando le caratteristiche e le potenzialità di questo metodo, la presente tesi di dottorato affronta due casi di studio differenti; grazie ai quali è stato possibile elaborare due differenti modelli previsionali. Il primo caso di studio si è incentrato sui principali fiumi della regione Emilia-Romagna, caratterizzati da tempi di risposta molto brevi. La scelta di questi fiumi non è stata casuale: negli ultimi anni, infatti, in detti bacini si sono verificati diversi eventi di piena, in gran parte di tipo “flash flood”. Il secondo caso di studio riguarda le sezioni principali del fiume Po, dove il tempo di propagazione dell’onda di piena è maggiore rispetto ai corsi d’acqua del primo caso di studio analizzato. Partendo da una grande quantità di dati, il primo passo è stato selezionare e definire i dati in ingresso in funzione degli obiettivi da raggiungere, per entrambi i casi studio. Per l’elaborazione del modello relativo ai fiumi dell’Emilia-Romagna, sono stati presi in considerazione esclusivamente i dati osservati; a differenza del bacino del fiume Po in cui ai dati osservati sono stati affiancati anche i dati di previsione provenienti dalla catena modellistica Mike11 NAM/HD. Sfruttando una delle principali caratteristiche del metodo Random Forests, è stata stimata una probabilità di accadimento: questo aspetto è fondamentale sia nella fase tecnica che in fase decisionale per qualsiasi attività di intervento di protezione civile. L'elaborazione dei dati e i dati sviluppati sono stati effettuati in ambiente R. Al termine della fase di validazione, gli incoraggianti risultati ottenuti hanno permesso di inserire il modello sviluppato nel primo caso studio all’interno dell’architettura operativa di FEWS.
  • Machine Learning techniques allow to maximize the use of information in real time. The Random Forests method can be counted among the most recent and performing Machine Learning techniques. Taking advantage of the potential of this method, this PhD thesis faces two different case studies and two different forecast models have been elaborated. The first case study focused on the main rivers of the Emilia-Romagna Region, characterized by very short response times. The choice of these rivers arise from the several flood events in these basins, happened in recent years, mostly of the "flash flood" type. The second case study concerns the main sections of the Po River, where the propagation time of the flood is greater than the water courses, if compared to the first case study. Starting from a large amount of data and according to the objectives to achieve, for both case studies the first step was to select and define the input data. For the elaboration of the model to the rivers of Emilia-Romagna, the observed data have been considered. Instead, for the Po River basin, the observed data and the forecast data from the Mike11 NAM / HD model chain were exploited. Taking advantage of one of the main characteristics of the Random Forests method, a probability of occurrence has been estimated: this information is suitable both in the technical phase and in the decision-making phase for any civil protection and intervention activities. All the processing, the used data and the developed models were performed in the R environment. At the end of the validation phase, the encouraging results allowed to insert the developed model in the first case study in the operational architecture of FEWS (Flood Early Warning System).

Date

  • 2019-11-11

Type

  • Doctoral Thesis
  • PeerReviewed

Format

  • application/pdf

Identifier

urn:nbn:it:unibo-25558

Leoni, Paolo (2019) Machine learning per l'idrologia: applicazione del metodo random forests per la previsione degli eventi di piena fluviale con un approccio probabilistico, [Dissertation thesis], Alma Mater Studiorum Università di Bologna. Dottorato di ricerca in Ingegneria civile, chimica, ambientale e dei materiali , 31 Ciclo. DOI 10.48676/unibo/amsdottorato/9115.

Relations