PREDIKCIA FLUVIÁLNEJ POVODŇOVEJ HROZBY POMOCOU STROJOVÉHO UČENIA TRÉNOVANÉHO NA HYDRAULICKY ODVODENÝCH DÁTACH
PREDICTION OF FLUVIAL FLOOD HAZARD USING MACHINE LEARNING TRAINED ON HYDRAULICALLY DERIVED DATA
Keywords:
fluvial floods, machine learning, hydraulic model, spatial data, predictorsAbstract
Fluviálne povodne vznikajú vtedy, keď povodňová vlna prekročí kapacitu koryta, čo vedie k zaplaveniu priľahlých území. Tento príspevok sa zameriava na predikciu rozsahu fluviálnej povodne a hĺbok vody pomocou strojového učenia, a to konkrétne modelu eXtreme Gradient Boosting (XGBoost).
Skúmané územie predstavoval 8,8 km dlhý úsek rieky Kysuca. Modely XGBoost boli trénované na hydraulicky vytvorených mapách hĺbky vody pre päť povodňových scenárov (Q10, Q20, Q50, Q100 a Q1000) s využitím hydraulického modelu MIKE+. Trénovanie modelov XGBoost zahŕňalo rozdelenie modelovaného úseku na desať segmentov, pričom v rámci každého povodňového scenára bolo použitých päť variantov rozdelenia segmentov na trénovaciu a testovaciu zložku.
Na trénovanie modelov strojového učenia bolo zároveň využitých sedem prediktorov s priestorovým rozlíšením 1 m. Multikolinearita medzi prediktormi bola hodnotená pomocou Pearsonovho korelačného koeficientu a Variance Inflation Factor (VIF). Na hodnotenie klasifikačných a regresných XGBoost modelov bolo použitých viacero metrík. Výsledky potvrdili, že model XGBoost dokáže poskytovať výpočtovo efektívne a relatívne presné mapy rozsahu povodne a hĺbok vody pri povodni vo všetkých variantoch rozdelenia trénovaniach/testovacích dát a povodňových scenárov.
Hodnota F1-skóre pri klasifikácii rozsahu zaplavenia sa pohybovala od 0,87 do 0,97 naprieč všetkými skúmanými scenármi a variantmi rozdelenia segmentov. Pri predikcii hĺbok vody dosiahli XGBoost modely v jednotlivých scenároch a variantoch rozdelenia trénovaniach/testovacích dát nasledovné hodnoty metrík: odmocnina strednej kvadratickej chyby (RMSE) 5 – 8 %, priemerná absolútna chyba (MAE) 3 – 5 % a koeficient determinácie (R²) 81 – 95 %. Vo všetkých prípadoch segmentácie, okrem jedného, model XGBoost mierne nadhodnotil (<4 %) hydraulicky modelované hĺbky vody. Maximálny čas trénovania bol 31 sekúnd pre klasifikačný model a 48 sekúnd pre regresný model, čo umožňuje potenciálne nasadenie XGBoost modelu pre operačné mapovanie fluviálnej povodňovej hrozby.
Published
Conference Proceedings Volume
Section
License
Copyright (c) 2026 GeoKARTO: ZBORNÍK ABSTRAKTOV Z MEDZINÁRODNEJ KONFERENCIE

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.