E-Locus - Ιδρυματικό Καταθετήριο Πανεπιστημίου Κρήτης - Μεταπτυχιακές εργασίες ειδίκευσης

Αρχική Συλλογές Σχολή/Τμήμα Σχολή Θετικών και Τεχνολογικών Επιστημών Τμήμα Χημείας Μεταπτυχιακές εργασίες ειδίκευσης

Μεταπτυχιακές εργασίες ειδίκευσης

Εντολή Αναζήτησης : Συγγραφέας="Βασιλικογιαννάκης" Και Συγγραφέας="Γεώργιος"

Τρέχουσα Εγγραφή: 3 από 642

[Προσθήκη στο καλάθι]

Κωδικός Πόρου

000463159

Τίτλος

Implementation of machine learning algorithms for fire risk prediction in Greece

Άλλος τίτλος

Εφαρμογή αλγορίθμων μηχανικής μάθησης για την πρόβλεψη του κινδύνου πυρκαγιάς στην Ελλάδα

Συγγραφέας

Καλογεράκη, Ελένη Ε.

Σύμβουλος διατριβής

Κανακίδου, Μαρία

Μέλος κριτικής επιτροπής

Βρεκούσης, Μιχαήλ
Banks, Andrew

Περίληψη

Η πρόβλεψη εμφάνισης πυρκαγιάς αποτελεί πρόκληση για τους επιστήμονες, καθώς οι αλληλεπιδράσεις μεταξύ των παραμέτρων και των συνθηκών που σχετίζονται με την εμφάνιση της είναι ιδιαίτερα περίπλοκες. Σε αυτή την εργασία, χρησιμοποιήσαμε αλγορίθμους Μηχανικής Μάθησης (ML) για την πρόβλεψη του κινδύνου πυρκαγιάς. Συγκεκριμένα, χρησιμοποιήθηκαν μετεωρολογικά, τοπογραφικά και δορυφορικά ημερήσια δεδομένα σε ανάλυση πλέγματος 1km x 1km ως παράμετροι για την εκπαίδευση των μοντέλων μας. Το σύνολο δεδομένων που χρησιμοποιήθηκε κάλυψε την περίοδο από το 2011 έως το 2021. Η περιοχή μελέτης περιλαμβάνει μέρος της Βαλκανικής χερσονήσου, ολόκληρη την Ελλάδα και μέρος της δυτικής Τουρκίας. Προκειμένου να μειωθούν οι παράμετροι που χρησιμοποιήθηκαν για την εκπαίδευση του μοντέλου, εφαρμόστηκαν τεχνικές όπως Mutual Information (MI) και ο συντελεστής συσχέτισης Spearman. Χρησιμοποιήσαμε μοντέλα Random Forest (RF) και XGBoost σε ένα πρόβλημα δυαδικής ταξινόμησης (εμφάνιση ή μη πυρκαγιάς). Εκπαιδεύσαμε τα μοντέλα με δεδομένα από το 2011-2019 και αξιολογήσαμε την απόδοσή τους για τα επόμενα δύο έτη 2020 και 2021. Το μοντέλο XGBoost ξεχώρισε για τη στιβαρότητά του, επιτυγχάνοντας ευαισθησία (sensitivity) 95% και εξειδίκευση (specificity) 50%. Η ανάλυση μείωσης του αριθμού των χρησιμοποιούμενων παραμέτρων έδειξε ότι η εξαίρεση των παραμέτρων που χαρακτηρίζουν το είδος της επιφάνειας (Corine Land Cover) είχε αμελητέα επίδραση στην απόδοση του μοντέλου, ενώ μια περαιτέρω μείωση, συμπεριλαμβανομένου του δείκτη βλάστησης κανονικοποιημένης διαφοράς (NDVI) και των μεταβλητών DEM (Digital Elevation Model), επηρέασε ελαφρώς την απόδοση. Τα αποτελέσματά της παρούσας εργασίας παρέχουν πολύτιμες πληροφορίες σχετικά με την εφαρμογή αλγορίθμων ML για την πρόβλεψη πυρκαγιών. Για επέκταση της παρούσας εργασίας, προτείνεται η ενσωμάτωση αριθμητικών δεδομένων πρόγνωσης καιρού (NWP) και η αξιοποίηση μεθόδων μηχανικής μάθησης χωρίς επίβλεψη για την εμβάθυνση στις παραμέτρους που περιγράφουν τα συμβάντα πυρκαγιάς.

Φυσική περιγραφή

68 σ. : πίν., σχήμ., εικ. (μερ. εγχρ.) ; 30 εκ.

Γλώσσα

Αγγλικά

Θέμα

Supervised learning

Wildfire prediction

Επιβλεπόμενη μάθηση

Ημερομηνία έκδοσης

2024-03-21

Συλλογή

Σχολή/Τμήμα--Σχολή Θετικών και Τεχνολογικών Επιστημών--Τμήμα Χημείας--Μεταπτυχιακές εργασίες ειδίκευσης