Basic information
Type of work: | Dissertation thesis |
Topic: | Predikcia mestských povodní založená na údajoch pomocou hydrologického modelovania |
Title of topic in English: | Data-Driven Urban Flood Prediction Using Hydrologic Modeling |
State of topic: | approved (prof. Ing. Jana Frankovská, PhD. – Chairperson of Field of Study Board) |
Thesis supervisor: | S. Okhravi |
Faculty: | Faculty of Civil Engineering |
Supervising department: | Department of Land and Water Resources Management – SvF |
Max. no. of students: | – |
Academic year: | 2025/2026 |
Proposed by: | MSc. Saeid Okhravi, PhD. |
External educational institution: | Institute of Hydrology of the Slovak Academy of Sciences |
Annotation: | Zmena klímy zosilňuje zrážkové vzory, čím zvyšuje riziko mestských povodní, ktoré sú ešte viac umocnené urbanizáciou a zastaranými odvodňovacími systémami. V roku 2021 spôsobili povodne globálne ekonomické straty vo výške 82 miliárd dolárov, čo zdôrazňuje potrebu efektívnejších stratégií zmierňovania ich dôsledkov. Keďže tradičné štrukturálne opatrenia sa ukazujú ako nedostatočné, čoraz väčší význam získavajú neštrukturálne prístupy, ako sú predpovedanie povodní a systémy včasného varovania. Predpovedanie povodní sa zvyčajne opiera o fyzikálne založené numerické modely na vytváranie vysokorozlišovacích máp zaplavenia. Napriek ich presnosti sú tieto modely výpočtovo náročné, vyžadujú rozsiahle množstvo údajov a nie sú vhodné pre aplikácie v reálnom čase. Naopak, prístupy založené na údajoch, ako napríklad umelé neurónové siete (ANN), ponúkajú výpočtovú efektívnosť a vyžadujú iba vstupné a výstupné údaje na trénovanie. Pri natrénovaní na predsimulovaných hydrodynamických scenároch dokážu ANN predikovať mapy zaplavenia s rozlíšením porovnateľným s numerickými modelmi, čím predstavujú škálovateľnú alternatívu na predpovedanie povodní. Navrhovaný výskum si kladie za cieľ vyvinúť rámec fyzikálne informovaného strojového učenia (PIML) na riešenie uvedených výziev. Integráciou hydrologických a hydraulických modelov s algoritmami umelej inteligencie (AI) a strojového učenia (ML) bude tento rámec využívať syntetickú databázu generovanú fyzikálne založenými simuláciami a reálnymi terénnymi údajmi. Model PIML bude zahŕňať riadiace rovnice na zvýšenie presnosti predikcií pri výraznom znížení výpočtových nákladov. |
Annotation in English: | Climate change is intensifying rainfall patterns, increasing urban flood risks exacerbated by urbanization and aging drainage systems. In 2021, floods caused global economic losses of $82 billion, highlighting the need for improved mitigation strategies. As traditional structural measures prove insufficient, non-structural methods such as flood forecasting and early warning systems are gaining prominence. Flood forecasting typically relies on physically-based numerical models to produce high-resolution inundation maps. While accurate, these models are computationally expensive, data-intensive, and unsuitable for real-time applications. In contrast, data-driven approaches like Artificial Neural Networks (ANNs) offer computational efficiency and require only input/output data for training. When trained on pre-simulated hydrodynamic scenarios, ANNs can predict inundation maps with resolutions comparable to numerical models, offering a scalable alternative for flood prediction. The proposed research, aims to establish a physics-informed machine learning (PIML) framework to address these challenges. By integrating hydrologic and hydraulic models with AI and ML algorithms, the framework will utilize a synthetic database generated from physically-based simulations and real-world field data. The PIML model will incorporate governing equations to enhance prediction accuracy while significantly reducing computational costs. |
Further information: | The PhD research, thesis, and all academic communication will be conducted in English to ensure consistency and international accessibility (Doktorandský výskum, dizertačná práca a všetka akademická komunikácia budú prebiehať v angličtine, aby bola zabezpečená konzistentnosť a medzinárodná dostupnosť) |