Flood Endangered Area Classification Using the K-Nearest Neighbour Algorithm تصنيف المناطق المهددة بالفيضانات باستخدام خوارزمية الجار K - Nearest Classification des zones en danger d'inondation à l'aide de l'algorithme du voisin le plus proche K Clasificación del área en peligro de inundación utilizando el algoritmo K-Nearest Neighbour

Preparing for the uncertainty of life is one aspect of the human existence that cannot be over emphasized. With the growth of technology especially the sophisticated nature of data mining and machine learning algorithms, these uncertainties can be predicted, planned and prepared for using existing variables and computer methodologies. The achievements and accomplishments of big data analytics over the past decade in diverse areas called for its implementation in meteorological and space data. Notably, enhancement of the proper management of life's uncertainties when they eventually occur. This research work focuses on the classification of areas within the Nigerian Geographical territory that are prone to flood using the K-nearest neighbour Algorithm as a classifier. Data from Nigeria Meteorological Agency (NiMET) on seasonal rainfall prediction and temperature of different stations and cities for over three (3) years (2014-2017) was used as a dataset which was trained and classified with the k-Nearest Neighbour algorithm of machine learning. Results showed that some areas are prone to flood considering the historic data of both rainfall and temperature. الاستعداد لعدم اليقين في الحياة هو أحد جوانب الوجود البشري التي لا يمكن المبالغة في التأكيد عليها. مع نمو التكنولوجيا وخاصة الطبيعة المتطورة لاستخراج البيانات وخوارزميات التعلم الآلي، يمكن التنبؤ بهذه الشكوك والتخطيط لها وإعدادها لاستخدام المتغيرات ومنهجيات الكمبيوتر الحالية. دعت إنجازات تحليلات البيانات الضخمة على مدى العقد الماضي في مجالات متنوعة إلى تنفيذها في بيانات الأرصاد الجوية والفضاء. ومن الجدير بالذكر، تعزيز الإدارة السليمة لأوجه عدم اليقين في الحياة عند حدوثها في نهاية المطاف. يركز هذا العمل البحثي على تصنيف المناطق داخل الأراضي الجغرافية النيجيرية المعرضة للفيضانات باستخدام خوارزمية الجار الأقرب إلى K كمصنف. تم استخدام البيانات الواردة من وكالة الأرصاد الجوية النيجيرية (NiMET) حول التنبؤ بهطول الأمطار الموسمية ودرجة حرارة المحطات والمدن المختلفة لأكثر من ثلاث (3) سنوات (2014-2017) كمجموعة بيانات تم تدريبها وتصنيفها باستخدام خوارزمية k - Nearest Neighbour للتعلم الآلي. أظهرت النتائج أن بعض المناطق معرضة للفيضانات بالنظر إلى البيانات التاريخية لكل من هطول الأمطار ودرجة الحرارة. Se préparer à l'incertitude de la vie est un aspect de l'existence humaine sur lequel on ne saurait trop insister. Avec la croissance de la technologie, en particulier la nature sophistiquée des algorithmes d'exploration de données et d'apprentissage automatique, ces incertitudes peuvent être prédites, planifiées et préparées pour utiliser les variables et les méthodologies informatiques existantes. Les réalisations et les accomplissements de l'analyse des mégadonnées au cours de la dernière décennie dans divers domaines ont nécessité sa mise en œuvre dans les données météorologiques et spatiales. Notamment, l'amélioration de la bonne gestion des incertitudes de la vie lorsqu'elles se produisent éventuellement. Ce travail de recherche se concentre sur la classification des zones du territoire géographique nigérian sujettes aux inondations en utilisant l'algorithme du plus proche voisin K comme classificateur. Les données de l'Agence météorologique du Nigeria (NiMET) sur la prévision des précipitations saisonnières et la température de différentes stations et villes pendant plus de trois (3) ans (2014-2017) ont été utilisées comme un ensemble de données qui a été formé et classé avec l'algorithme k-Nearest Neighbour d'apprentissage automatique. Les résultats ont montré que certaines zones sont sujettes aux inondations compte tenu des données historiques sur les précipitations et la température. Prepararse para la incertidumbre de la vida es un aspecto de la existencia humana que no se puede enfatizar demasiado. Con el crecimiento de la tecnología, especialmente la naturaleza sofisticada de la minería de datos y los algoritmos de aprendizaje automático, estas incertidumbres se pueden predecir, planificar y preparar para usar variables existentes y metodologías informáticas. Los logros y logros del análisis de big data en la última década en diversas áreas requirieron su implementación en datos meteorológicos y espaciales. En particular, la mejora de la gestión adecuada de las incertidumbres de la vida cuando finalmente ocurren. Este trabajo de investigación se centra en la clasificación de áreas dentro del territorio geográfico nigeriano que son propensas a inundarse utilizando el algoritmo del vecino K más cercano como clasificador. Los datos de la Agencia Meteorológica de Nigeria (NiMET) sobre la predicción de precipitaciones estacionales y la temperatura de diferentes estaciones y ciudades durante más de tres (3) años (2014-2017) se utilizaron como un conjunto de datos que se entrenó y clasificó con el algoritmo k-Nearest Neighbour de aprendizaje automático. Los resultados mostraron que algunas áreas son propensas a inundaciones teniendo en cuenta los datos históricos tanto de precipitaciones como de temperatura.