A mesterséges intelligencia és gépi tanulás algoritmusainak alkalmazása a hidrológiai katasztrófák elleni védekezésben
Copyright (c) 2026 Kirovné Rácz Réka, Scholtz Emánuel
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Absztrakt
Az elmúlt évtizedekben jelentősen megnőtt a katasztrófák száma, mind a természeti, mind az ember által előidézett katasztrófáké, hazai és nemzetközi viszonylatban is, ezért az előrejelző rendszerek fontossága felértékelődött. Az informatika és a számítástechnika, ezen belül a mesterséges intelligencia, gépi tanulás ugrásszerű fejlődésen ment keresztül az elmúlt időszakban, így lehetővé téve, relatív kevés erőforrással is, nagyon pontos, magas általánosító képességgel rendelkező prediktív modellek megalkotását. A klímaváltozás miatt az időjárás egyre kiszámíthatatlanabbá válik, egyre gyakoribbak a szélsőséges időjárási jelenségek. Ez komoly nehézségek elé állítja az országokat, beleértve Magyarországot is. A hidrológiai katasztrófák hazánkban, a vízrajzi és a domborzati adottságokból adódóan, mindig jellemző katasztrófakockázatot jelentettek. Megemlíthetjük az elmúlt évtizedekből például a 2006-os dunai és tiszai árvizet, a 2013-as dunai árvizet, a 2024-es nagy dunai árhullámot, a 2025-ös áradást a Kaposon, a 2013-as zempléni, a 2020-as dél-zalai villámárvizet, a 2012-es, a 2022-es rendkívüli aszályokat, a 2021-es csapadékhiányt, a 2025-ös aszályos időjárást, a 2013-as hókatasztrófát. 2024-ben az előrejelző rendszereknek sikerült időben érzékelni a veszélyt, a rendkívüli összefogásnak és a szakemberek fáradhatatlan munkájának köszönhetően sikerült hatékonyan védekezni az árvíz ellen. Tehát fontos az időbeni cselekvés, új, még pontosabb előrejelző, riasztó rendszerek és védelmi mechanizmusok kialakítása, a lakosság felkészítése. Ebben a cikkben összefoglaljuk a hazai és a nemzetközi kutatásokban használt algoritmusokat és a hazánkban működő előrejelző rendszereket.
Kulcsszavak:
Hivatkozások
AL-RAWAS, Ghazi et al. (2024): A Critical Review of Emerging Technologies for Flash Flood Prediction: Examining Artificial Intelligence, Machine Learning, Internet of Things, Cloud Computing, and Robotics Techniques. Water, 16(14). Online: https://doi.org/10.3390/w16142069
ALKAABI, Khaula – SARFRAZ, Uzma – AL DARMAKI, Saif (2025): A Deep Learning Framework for Flash-Flood-Runoff Prediction: Integrating CNN-RNN with Neural Ordinary Differential Equations (ODEs). Water, 17(9), 1283. Online: https://doi.org/10.3390/w17091283
AYYADEVARA, V. Kishore (2018): Pro Machine Learning Algorithms: A Hands-On Approach to Implementing Algorithms in Python and R. New York: Apress. Online: https://doi.org/10.1007/978-1-4842-3564-5
BLANKA-VÉGI Viktória et al. (2024): Gépi tanulási módszerek az aszály és belvíz monitoring és előrejelzés fejlesztésében. Földrajzi Közlemények, 148(2), 175–181. Online: http://www.foldrajzitarsasag.hu/downloads/reviews/2024/FK_2024_02_175_181_Blanka_etal.pdf
BREIMAN, Leo (1996): Bagging Predictors. Machine Learning, 24, 123–140. Online: https://doi.org/10.1007/BF00058655
BUSZTA, Julia et al. (2023): Historical Analysis and Prediction of the Magnitude and Scale of Natural Disasters Globally. Resources, 12(9), 106. Online: https://doi.org/10.3390/resources12090106
Copernicus Emergency Management Service. Online: https://emergency.copernicus.eu/
DAYAL, Kavina – DEO, Ravinesh – APAN, Armando A. (2017): Drought Modelling Based on Artificial Intelligence and Neural Network Algorithms: A Case Study in Queensland, Australia. In: LEAL FILHO, Walter (szerk.): Climate Change Adaptation in Pacific Countries. Cham: Springer, 177–198. Online: https://doi.org/10.1007/978-3-319-50094-2_11
DEB, Kalyanmoy et al. (2002): A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182–197. Online: https://doi.org/10.1109/4235.996017
European Flood Awareness System. Online: https://european-flood.emergency.copernicus.eu/en
FIALA Károly et al. (2018): Operatív aszály- és vízhiánykezelő monitoring rendszer. Hidrológiai Közlöny, 98(3), 14–24 Online: https://real.mtak.hu/156046/1/Fiala_et_al2018HidrologiaiKozlony.pdf
FREUND, Yoav (1995): Boosting a Weak Learning Algorithm by Majority. New Jersey: AT&T Bell Laboratories. Online: https://doi.org/10.1006/inco.1995.1136
FREUND, Yoav – SCHAPIRE, Robert Elias (1996): Experiments with a New Boosting Algorithm. Machine Learning: Proceedings of the Thirteenth International Conference, 1996. Online: https://cseweb.ucsd.edu/~yfreund/papers/boostingexperiments.pdf
FRIEDMAN, Jerome Harold (2001): Greedy Function Approximation: A Gradient Boosting Machine. IMS 1999 Reitz Lecture. Online: https://doi.org/10.1214/aos/1013203451
HEGEDŰS Gergely (2020): Újabb mérföldkőhöz érkezett Magyarország árvízvédelme. Magyar Építők, 2020. szeptember 24. Online: https://magyarepitok.hu/vizgazdalkodas/2020/09/ujabb-merfoldkohoz-erkezett-magyarorszag-arvizvedelme
JANSEN, Stefan (2021): Machine Learning for Algorithmic Trading. Birmingham: Packt. Online: https://notes.yeshiwei.com/_downloads/2ce792aff8596ea9453a9714f39d957a/Machine_Learning_for_Algorithmic_Trading_Predictive.pdf
KIRCSI Andrea et al. (2018): Drought Monitoring in Hungary. Online: https://drmkc.jrc.ec.europa.eu/portals/0/Innovation/SupportSystem/12_Hungary/Documents/thursday/Andrea_Kircsi_final_Hungary20181108.pdf
KOTSIANTIS, Sotiris – KANELLOPOULOS, Dimitris (2012): Combining Bagging, Boosting and Random Subspace Ensembles for Regression Problems. International Journal of Innovative Computing, Information and Control, 8(6), 3953–3961. Online: http://www.ijicic.org/ijicic-11-02046.pdf
KOZÁK Péter et al. (2022): Az aszály monitoring hálózat és az aszálykezelés gyakorlata a 2022. évi aszály tükrében. Vízügyi Közlemények, 104(3), 113–130. Online: https://library.hungaricana.hu/en/view/VizugyiKozlemenyek_2022/?pg=458
LANG, Bernhard et al. (2008): Neural Clouds for Monitoring of Complex Systems. Optical Memory and Neural Networks, 17(3), 183–192. Online: https://doi.org/10.3103/S1060992X08030016
LIPTAY Zoltán Árpád (2024): Hidrológiai előrejelzés körszimmetrikus bázisfüggvény hálózatokkal. Hidrológiai Közlöny, 98(3), 1–33. Online: https://www.hidrologia.hu/vandorgyules/41/word/0606_liptay_zoltan_arpad.pdf
LU, Shuang – HUANG, Jianyun – WU, Jing (2023): Knowledge Domain and Development Trend of Urban Flood Vulnerability Research: A Bibliometric Analysis. Water, 15(10), 1865. Online: https://doi.org/10.3390/w15101865
Magyarország 2021. évi árvízkockázat-kezelési terve (2022). Online: https://vizeink.hu/wp-content/uploads/2022/10/akk/Arvizkockazat-kezelesi_terv.pdf
Magyarország Mesterséges Intelligencia Stratégiája (2025–2030) (2025). Online: https://cdn.kormany.hu/uploads/document/c/c0/c0d/c0dfdbd37cfa520ae37361a168d244c85e7295af.pdf
MELESE, Tadele et al. (2025): Machine Learning-based Drought Prediction Using Palmer Drought Severity Index and TerraClimate Data in Ethiopia. PLOS ONE, 2025. június 18. Online: https://doi.org/10.1371/journal.pone.0326174
MOKHTAR, Ali et al. (2021): Estimation of SPEI Meteorological Drought Using Machine Learning Algorithms. ACCESS, 9, 65503–65523. Online: https://doi.org/10.1109/ACCESS.2021.3074305
MOSAVI, Amir – OZTURK, Pinar – CHAU, Kwok-wing (2018): Flood Prediction Using Machine Learning Models: Literature Review. Water, 10(11), 1536. Online: https://doi.org/10.3390/w10111536
NEARING, Grey et al. (2024): Global Prediction of Extreme Floods in Ungauged Watersheds. Nature, 627, 559–563. Online: https://doi.org/10.1038/s41586-024-07145-1
NEVO, Sella et al. (2022): Flood Forecasting with Machine Learning Models in an Operational Framework. Hydrology and Earth System Sciences, 26(15), 4013–4032. Online: https://doi.org/10.5194/hess-26-4013-2022
OpenAlex lekérdezés – flood prediction. Online: https://explore.openalex.org/works?page=1&filter=title_and_abstract.search:flood+prediction,type:types/article,primary_topic.id:t11490
OpenAlex lekérdezés – 2000–2025, drought prediction. Online: https://explore.openalex.org/works?page=1&filter=publication_year:2000-2025,title_and_abstract.search:drought+prediction,primary_topic.id:t11490,type:types/article&view=api,report,list
OPITZ, David – MACLIN, Richard (1999): Popular Ensemble Methods: An Empirical Study. Journal of Artificial Intelligence Research, 11, 169–198. Online: https://doi.org/10.1613/jair.614
OYOUNALSOUD, Mhamd Saifaldeen et al. (2024): Drought Prediction Using Artificial Intelligence Models Based on Climate Data and Soil Moisture. Scientific Reports, 14, Article number: 19700. Online: https://doi.org/10.1038/s41598-024-70406-6
PYAYT Alexander et al. (2011): Machine Learning Methods for Environmental Monitoring and Flood Protection. World Academy of Science, Engineering and Technology, 54, 118–123. Online: https://www.researchgate.net/publication/254762064
SAYERS William et al. (2014): Artificial Intelligence Techniques for Flood Risk Management in Urban Environments. Procedia Engineering, 70, 1505–1512. Online: https://doi.org/10.1016/j.proeng.2014.02.165
SCHAPIRE, Robert Elias (1990): The Strength of Weak Learnability. Machine Learning, 5, 197–227. Online: https://doi.org/10.1023/A:1022648800760
SZABÓ János Adolf – LUCZA Zoltán – SZABÓ-MÁRKU Melinda (202l): Mesterséges Intelligencia (MI) alkalmazásának lehetőségei az árvízi előrejelzések pontosításában. HYDROInform. Online: https://hidrologia.hu/vandorgyules/41/word/0607_lucza_zoltan.pdf
TAN, Ling et al. (2021): Can We Detect Trends in Natural Disaster Management With Artificial Intelligence? A Review of Modeling Practices. Natural Hazards, 107, 2389–2417. Online: https://doi.org/10.1007/s11069-020-04429-3
Vizet a tájba. Online: https://www.ovf.hu/jobboldali-sav-tartalmai/vizetatajba/vizet-a-tajba
WAHBA, Mohamed et al. (2023): A Novel Estimation of the Composite Hazard of Landslides and Flash Floods Utilizing an Artificial Intelligence Approach. Water, 15(23), 4138. Online: https://doi.org/10.3390/w15234138
ZHOU, Shuyan (2025): Application of AI in Urban Flash Flood Risk Assessment: From Real-time Warning to Resilience Planning. Applied and Computational Engineering, 150(1), 9–14. Online: https://doi.org/10.54254/2755-2721/2025.22398