{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1321504"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1321504","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"«Φυσικοί κίνδυνοι: Η χρήση data mining σε συστήματα έγκαιρης προειδοποίησης για την πρόβλεψη πλημμυρών. Ένα παράδειγμα από την Πολιτεία της Νέας Υόρκης»","abstract":"Πλημμύρες συμβαίνουν συνήθως κατά τη διάρκεια περιόδων με υπερβολική βροχόπτωση ή τήξη πάγου κατά τη χειμερινή περίοδο και μπορεί να επιφέρουν τεράστιες επιπτώσεις. Αυτές μπορεί είναι είτε οικονομικές – υλικές (όπως απώλεια περιουσίας, καταστροφές σε δημόσια περιουσία), είτε άυλες (όπως τραυματισμοί, απώλεια ζωής). Η πρόβλεψη τους λοιπόν είναι αναγκαία, αλλά αποτελεί και πρόκληση. Ωστόσο, υπάρχουν ενδείξεις. Οι πλημμύρες συνήθως συνοδεύονται από μια αύξηση στην απορροή του νερού του ποταμού. Το μοντέλο των Tsakiri et al., 2014, που χρησιμοποιείται στην παρούσα εργασία, είναι ικανό να προβλέψει την αύξηση αυτή σε μεγάλο ποσοστό. Υπάρχουν πολλά διαθέσιμα δεδομένα προς διαχείριση, από διάφορους φορείς, που μπορούν να χρησιμοποιηθούν από το μοντέλο αυτό. Ωστόσο, τα δεδομένα αυτά έχουν τεράστιο όγκο και γι’ αυτό οι περισσότεροι επιστήμονες περιορίζονται σε μελέτες περίπτωσης. Την λύση έρχεται να δώσει το data mining. Τα λογισμικά data mining μπορούν να διαχειριστούν αυτόν τον όγκο και μάλιστα να λειτουργούν σε πραγματικό χρόνο. Η εισαγωγή δεδομένων και η εξαγωγή συμπερασμάτων σε πραγματικό χρόνο, μας δίνει την δυνατότητα να εξετάσουμε το ενδεχόμενο της χρήσης τους σε συστήματα έγκαιρης προειδοποίησης για την πρόβλεψη πλημμύρων. Το Knime, που χρησιμοποιείται στην παρούσα εργασία, αποτελεί ένα καλό παράδειγμα τέτοιου λογισμικού. Παρουσιάζεται, λοιπόν, μια ροη εργασίας που χρησιμοποιεί ένα στατιστικό μοντέλο για την πρόβλεψη και την εξήγηση των χρονοσειρών της απορροής του νερού και μπορεί να χρησιμοποιηθεί σε πραγματικό χρόνο, χρησιμοποιώντας ένα παράδειγμα από την Νέα Υόρκη. Το μοντέλο, για την πρόβλεψη της απορροής του νερού, κάνει αποσύνθεση των χρονοσειρών των υδρολογικών και κλιματικών μεταβλητών σε εποχιακές, μακροπρόθεσμες και βραχυπρόθεσμες συνιστώσες. Επίσης, αναλύει την απορροή του νερού χρησιμοποιώντας ένα θερινό και ένα χειμερινό μοντέλο. Με αυτόν τον τρόπο βελτιώνεται η εξήγηση της απορροής του νερού έως και 81%. Το μοντέλο δείχνει ότι όσο αυξάνεται η απορροή του νερού, μακροπρόθεσμα ο υδροφόρος ορίζοντας αναπληρώνεται ενώ, εποχιακά εξαντλείται. Βραχυπρόθεσμα, το επίπεδο των υπόγειων υδάτων πέφτει κατά τη διάρκεια της χειμερινής περιόδου και αυξάνεται κατά τη θερινή περίοδο.","abstract_html":"Πλημμύρες συμβαίνουν συνήθως κατά τη διάρκεια περιόδων με υπερβολική βροχόπτωση ή τήξη πάγου κατά τη χειμερινή περίοδο και μπορεί να επιφέρουν τεράστιες επιπτώσεις. Αυτές μπορεί είναι είτε οικονομικές – υλικές (όπως απώλεια περιουσίας, καταστροφές σε δημόσια περιουσία), είτε άυλες (όπως τραυματισμοί, απώλεια ζωής). Η πρόβλεψη τους λοιπόν είναι αναγκαία, αλλά αποτελεί και πρόκληση. Ωστόσο, υπάρχουν ενδείξεις. Οι πλημμύρες συνήθως συνοδεύονται από μια αύξηση στην απορροή του νερού του ποταμού. Το μοντέλο των Tsakiri et al., 2014, που χρησιμοποιείται στην παρούσα εργασία, είναι ικανό να προβλέψει την αύξηση αυτή σε μεγάλο ποσοστό. Υπάρχουν πολλά διαθέσιμα δεδομένα προς διαχείριση, από διάφορους φορείς, που μπορούν να χρησιμοποιηθούν από το μοντέλο αυτό. Ωστόσο, τα δεδομένα αυτά έχουν τεράστιο όγκο και γι’ αυτό οι περισσότεροι επιστήμονες περιορίζονται σε μελέτες περίπτωσης. Την λύση έρχεται να δώσει το data mining. Τα λογισμικά data mining μπορούν να διαχειριστούν αυτόν τον όγκο και μάλιστα να λειτουργούν σε πραγματικό χρόνο. Η εισαγωγή δεδομένων και η εξαγωγή συμπερασμάτων σε πραγματικό χρόνο, μας δίνει την δυνατότητα να εξετάσουμε το ενδεχόμενο της χρήσης τους σε συστήματα έγκαιρης προειδοποίησης για την πρόβλεψη πλημμύρων. Το Knime, που χρησιμοποιείται στην παρούσα εργασία, αποτελεί ένα καλό παράδειγμα τέτοιου λογισμικού. Παρουσιάζεται, λοιπόν, μια ροη εργασίας που χρησιμοποιεί ένα στατιστικό μοντέλο για την πρόβλεψη και την εξήγηση των χρονοσειρών της απορροής του νερού και μπορεί να χρησιμοποιηθεί σε πραγματικό χρόνο, χρησιμοποιώντας ένα παράδειγμα από την Νέα Υόρκη. Το μοντέλο, για την πρόβλεψη της απορροής του νερού, κάνει αποσύνθεση των χρονοσειρών των υδρολογικών και κλιματικών μεταβλητών σε εποχιακές, μακροπρόθεσμες και βραχυπρόθεσμες συνιστώσες. Επίσης, αναλύει την απορροή του νερού χρησιμοποιώντας ένα θερινό και ένα χειμερινό μοντέλο. Με αυτόν τον τρόπο βελτιώνεται η εξήγηση της απορροής του νερού έως και 81%. Το μοντέλο δείχνει ότι όσο αυξάνεται η απορροή του νερού, μακροπρόθεσμα ο υδροφόρος ορίζοντας αναπληρώνεται ενώ, εποχιακά εξαντλείται. Βραχυπρόθεσμα, το επίπεδο των υπόγειων υδάτων πέφτει κατά τη διάρκεια της χειμερινής περιόδου και αυξάνεται κατά τη θερινή περίοδο.","abstract_has_math":false,"creators":["Καβαλιέρος Αντώνιος"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2016,"date_issued":"2016","date_published":"2016","updated_at":"2026-11-19T05:26:45Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1321504"],"render_values":[{"text":"uoadl:1321504","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1321504","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1321504","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1321504","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καβαλιέρος Αντώνιος"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2016"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1321504","https://pergamos.lib.uoa.gr/uoa/dl/object/1321504"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Πλημμύρες συμβαίνουν συνήθως κατά τη διάρκεια περιόδων με υπερβολική βροχόπτωση ή τήξη πάγου κατά τη χειμερινή περίοδο και μπορεί να επιφέρουν τεράστιες επιπτώσεις. Αυτές μπορεί είναι είτε οικονομικές – υλικές (όπως απώλεια περιουσίας, καταστροφές σε δημόσια περιουσία), είτε άυλες (όπως τραυματισμοί, απώλεια ζωής). Η πρόβλεψη τους λοιπόν είναι αναγκαία, αλλά αποτελεί και πρόκληση. Ωστόσο, υπάρχουν ενδείξεις. Οι πλημμύρες συνήθως συνοδεύονται από μια αύξηση στην απορροή του νερού του ποταμού. Το μοντέλο των Tsakiri et al., 2014, που χρησιμοποιείται στην παρούσα εργασία, είναι ικανό να προβλέψει την αύξηση αυτή σε μεγάλο ποσοστό. Υπάρχουν πολλά διαθέσιμα δεδομένα προς διαχείριση, από διάφορους φορείς, που μπορούν να χρησιμοποιηθούν από το μοντέλο αυτό. Ωστόσο, τα δεδομένα αυτά έχουν τεράστιο όγκο και γι’ αυτό οι περισσότεροι επιστήμονες περιορίζονται σε μελέτες περίπτωσης. Την λύση έρχεται να δώσει το data mining. Τα λογισμικά data mining μπορούν να διαχειριστούν αυτόν τον όγκο και μάλιστα να λειτουργούν σε πραγματικό χρόνο. Η εισαγωγή δεδομένων και η εξαγωγή συμπερασμάτων σε πραγματικό χρόνο, μας δίνει την δυνατότητα να εξετάσουμε το ενδεχόμενο της χρήσης τους σε συστήματα έγκαιρης προειδοποίησης για την πρόβλεψη πλημμύρων. Το Knime, που χρησιμοποιείται στην παρούσα εργασία, αποτελεί ένα καλό παράδειγμα τέτοιου λογισμικού. Παρουσιάζεται, λοιπόν, μια ροη εργασίας που χρησιμοποιεί ένα στατιστικό μοντέλο για την πρόβλεψη και την εξήγηση των χρονοσειρών της απορροής του νερού και μπορεί να χρησιμοποιηθεί σε πραγματικό χρόνο, χρησιμοποιώντας ένα παράδειγμα από την Νέα Υόρκη. Το μοντέλο, για την πρόβλεψη της απορροής του νερού, κάνει αποσύνθεση των χρονοσειρών των υδρολογικών και κλιματικών μεταβλητών σε εποχιακές, μακροπρόθεσμες και βραχυπρόθεσμες συνιστώσες. Επίσης, αναλύει την απορροή του νερού χρησιμοποιώντας ένα θερινό και ένα χειμερινό μοντέλο. Με αυτόν τον τρόπο βελτιώνεται η εξήγηση της απορροής του νερού έως και 81%. Το μοντέλο δείχνει ότι όσο αυξάνεται η απορροή του νερού, μακροπρόθεσμα ο υδροφόρος ορίζοντας αναπληρώνεται ενώ, εποχιακά εξαντλείται. Βραχυπρόθεσμα, το επίπεδο των υπόγειων υδάτων πέφτει κατά τη διάρκεια της χειμερινής περιόδου και αυξάνεται κατά τη θερινή περίοδο.","Floods usually occur during periods of excessive precipitation or thawing in the winter period (ice jam) and have a huge impact. The effects of natural disasters are both tangible –financial (such as loss of property and damage to public property) and intangible (such as injuries and loss of life). Their prediction is therefore needed and constitutes a challenge for conducting research. However, there are indications. Floods are usually accompanied by an increase in river discharge. The model devised by Tsakiri et al., 2014, which is used in the present work, is able to predict river’s water discharge to a great extent. There are many data available to be processed by various bodies, using this model. However, because the volume of data is daunting, most scientists use case studies. Data mining techniques are used that aid to solve this problem. Data mining software can handle this volume of data (big data) efficiently and can even operate in real time. The advantage of resulting conclusions in real time makes it possible to envisage their use in early warning systems for predicting floods. Knime, which is used in this project, is a good example of such software. In this study it is presented a workflow that uses a statistical model for the prediction and explanation of the timeseries of water discharge in real time, using an example from New York State. This model for predicting water discharge does decomposition of the timeseries of hydrologic and climatic variables in seasonal, long-term and short-term components. It also analyzes runoff using a summer and a winter model. This improves the explanation of water discharge up to 81%. We also observe that with increasing water discharge in the long term, the water table is replenished, while in the seasonal term it depletes. In the short term, the groundwater level falls during the winter season and increases during the summer season."]},{"key":"dc:title","label":"Title","values":["«Φυσικοί κίνδυνοι: Η χρήση data mining σε συστήματα έγκαιρης προειδοποίησης για την πρόβλεψη πλημμυρών. Ένα παράδειγμα από την Πολιτεία της Νέας Υόρκης»"]}]}],"canonical_facts":{"dc:creator":["Καβαλιέρος Αντώνιος"],"dc:date":["2016"],"dc:description":["Πλημμύρες συμβαίνουν συνήθως κατά τη διάρκεια περιόδων με υπερβολική βροχόπτωση ή τήξη πάγου κατά τη χειμερινή περίοδο και μπορεί να επιφέρουν τεράστιες επιπτώσεις. Αυτές μπορεί είναι είτε οικονομικές – υλικές (όπως απώλεια περιουσίας, καταστροφές σε δημόσια περιουσία), είτε άυλες (όπως τραυματισμοί, απώλεια ζωής). Η πρόβλεψη τους λοιπόν είναι αναγκαία, αλλά αποτελεί και πρόκληση. Ωστόσο, υπάρχουν ενδείξεις. Οι πλημμύρες συνήθως συνοδεύονται από μια αύξηση στην απορροή του νερού του ποταμού. Το μοντέλο των Tsakiri et al., 2014, που χρησιμοποιείται στην παρούσα εργασία, είναι ικανό να προβλέψει την αύξηση αυτή σε μεγάλο ποσοστό. Υπάρχουν πολλά διαθέσιμα δεδομένα προς διαχείριση, από διάφορους φορείς, που μπορούν να χρησιμοποιηθούν από το μοντέλο αυτό. Ωστόσο, τα δεδομένα αυτά έχουν τεράστιο όγκο και γι’ αυτό οι περισσότεροι επιστήμονες περιορίζονται σε μελέτες περίπτωσης. Την λύση έρχεται να δώσει το data mining. Τα λογισμικά data mining μπορούν να διαχειριστούν αυτόν τον όγκο και μάλιστα να λειτουργούν σε πραγματικό χρόνο. Η εισαγωγή δεδομένων και η εξαγωγή συμπερασμάτων σε πραγματικό χρόνο, μας δίνει την δυνατότητα να εξετάσουμε το ενδεχόμενο της χρήσης τους σε συστήματα έγκαιρης προειδοποίησης για την πρόβλεψη πλημμύρων. Το Knime, που χρησιμοποιείται στην παρούσα εργασία, αποτελεί ένα καλό παράδειγμα τέτοιου λογισμικού. Παρουσιάζεται, λοιπόν, μια ροη εργασίας που χρησιμοποιεί ένα στατιστικό μοντέλο για την πρόβλεψη και την εξήγηση των χρονοσειρών της απορροής του νερού και μπορεί να χρησιμοποιηθεί σε πραγματικό χρόνο, χρησιμοποιώντας ένα παράδειγμα από την Νέα Υόρκη. Το μοντέλο, για την πρόβλεψη της απορροής του νερού, κάνει αποσύνθεση των χρονοσειρών των υδρολογικών και κλιματικών μεταβλητών σε εποχιακές, μακροπρόθεσμες και βραχυπρόθεσμες συνιστώσες. Επίσης, αναλύει την απορροή του νερού χρησιμοποιώντας ένα θερινό και ένα χειμερινό μοντέλο. Με αυτόν τον τρόπο βελτιώνεται η εξήγηση της απορροής του νερού έως και 81%. Το μοντέλο δείχνει ότι όσο αυξάνεται η απορροή του νερού, μακροπρόθεσμα ο υδροφόρος ορίζοντας αναπληρώνεται ενώ, εποχιακά εξαντλείται. Βραχυπρόθεσμα, το επίπεδο των υπόγειων υδάτων πέφτει κατά τη διάρκεια της χειμερινής περιόδου και αυξάνεται κατά τη θερινή περίοδο.","Floods usually occur during periods of excessive precipitation or thawing in the winter period (ice jam) and have a huge impact. The effects of natural disasters are both tangible –financial (such as loss of property and damage to public property) and intangible (such as injuries and loss of life). Their prediction is therefore needed and constitutes a challenge for conducting research. However, there are indications. Floods are usually accompanied by an increase in river discharge. The model devised by Tsakiri et al., 2014, which is used in the present work, is able to predict river’s water discharge to a great extent. There are many data available to be processed by various bodies, using this model. However, because the volume of data is daunting, most scientists use case studies. Data mining techniques are used that aid to solve this problem. Data mining software can handle this volume of data (big data) efficiently and can even operate in real time. The advantage of resulting conclusions in real time makes it possible to envisage their use in early warning systems for predicting floods. Knime, which is used in this project, is a good example of such software. In this study it is presented a workflow that uses a statistical model for the prediction and explanation of the timeseries of water discharge in real time, using an example from New York State. This model for predicting water discharge does decomposition of the timeseries of hydrologic and climatic variables in seasonal, long-term and short-term components. It also analyzes runoff using a summer and a winter model. This improves the explanation of water discharge up to 81%. We also observe that with increasing water discharge in the long term, the water table is replenished, while in the seasonal term it depletes. In the short term, the groundwater level falls during the winter season and increases during the summer season."],"dc:identifier":["uoadl:1321504","https://pergamos.lib.uoa.gr/uoa/dl/object/1321504"],"dc:language":["Ελληνικά","Greek"],"dc:title":["«Φυσικοί κίνδυνοι: Η χρήση data mining σε συστήματα έγκαιρης προειδοποίησης για την πρόβλεψη πλημμυρών. Ένα παράδειγμα από την Πολιτεία της Νέας Υόρκης»"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:45Z"}