{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3338972"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3338972","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Πρόβλεψη εξάπλωσης πυρκαγιάς με γνώμονα την Τεχνητή Νοημοσύνη","abstract":"Σκοπός της παρούσας εργασίας είναι να δημιουργηθεί ένα μοντέλο μηχανικής μάθησης για την πρόβλεψη της εξάπλωσης μιας πυρκαγιάς. Η λογική σειρά που ακολουθήθηκε ήταν αρχικά η κατανόηση του συνόλου δεδομένων που διατέθηκαν για την εκπλήρωση της εργασίας. Επίσης, αναλυτικά εξηγούνται οι μετασχηματισμοί που έγιναν στο σύνολο των δεδομένων έτσι ώστε να ενισχύσουν την απόδοση του αλγορίθμου πρόβλεψης εξάπλωσης του φαινομένου. Στην συνέχεια, ακολούθησε η επιλογή του μοντέλου, μέσω μιας σειράς πειραμάτων και συγκρίσεων κατέληξε στην επιλογή ενός XG-Boost μοντέλου. Τα πιο κλασικά μοντέλα, όπως το logistic ή ένα Random forest υπέκυψαν σε θέματα μεροληψίας. Η κατανόηση των δεδομένων που έδειξαν, με οριακά μηδενικά θετικά αποτελέσματα, οδήγησε στον αποκλεισμό τους. Οι ακρίβειες τους ήταν φαινομενικά μεγάλες αλλά ήταν όλα αδύναμα κρίνοντας τα από το μέτρο ακρίβειας F1, ειδικά για ένα πρόβλημα με τόσες μεταβλητές. Χρειάστηκε να αντιμετωπιστεί η μεροληψία των δεδομένων, με την χρήση ενός Smote αλγόριθμου ο οποίος εξισορρόπησε τα δεδομένα σε μια επιθυμητή αναλογία. Με δεδομένα αυτά πλέον και έναν σχετικά επιτυχημένο αλγόριθμο ακολούθησε η αναζήτηση πλέγματος η οποία προσέδωσε τα τελικά αποτελέσματα. Ο επιλεγμένος αλγόριθμος με αυτή την προεπεξεργασία των δεδομένων είναι ένα XG-boost μοντέλο με learning rate 0.3 , 50 estimators οι οποίοι έχουν από 3-12 κλαδιά. To F1 score του μετρήθηκε στα 0.67 όπως και η ακρίβεια του στα 92%. Έχοντας συγκρίνει και με την βιβλιογραφία που παρατίθεται στη συνέχεια αποδεικνύεται ότι ο αλγόριθμος στον οποίο εν τέλει οδήγησε η έρευνα αυτή, αποτελεί ένα αξιόλογο εργαλείο.","abstract_html":"Σκοπός της παρούσας εργασίας είναι να δημιουργηθεί ένα μοντέλο μηχανικής μάθησης για την πρόβλεψη της εξάπλωσης μιας πυρκαγιάς. Η λογική σειρά που ακολουθήθηκε ήταν αρχικά η κατανόηση του συνόλου δεδομένων που διατέθηκαν για την εκπλήρωση της εργασίας. Επίσης, αναλυτικά εξηγούνται οι μετασχηματισμοί που έγιναν στο σύνολο των δεδομένων έτσι ώστε να ενισχύσουν την απόδοση του αλγορίθμου πρόβλεψης εξάπλωσης του φαινομένου. Στην συνέχεια, ακολούθησε η επιλογή του μοντέλου, μέσω μιας σειράς πειραμάτων και συγκρίσεων κατέληξε στην επιλογή ενός XG-Boost μοντέλου. Τα πιο κλασικά μοντέλα, όπως το logistic ή ένα Random forest υπέκυψαν σε θέματα μεροληψίας. Η κατανόηση των δεδομένων που έδειξαν, με οριακά μηδενικά θετικά αποτελέσματα, οδήγησε στον αποκλεισμό τους. Οι ακρίβειες τους ήταν φαινομενικά μεγάλες αλλά ήταν όλα αδύναμα κρίνοντας τα από το μέτρο ακρίβειας F1, ειδικά για ένα πρόβλημα με τόσες μεταβλητές. Χρειάστηκε να αντιμετωπιστεί η μεροληψία των δεδομένων, με την χρήση ενός Smote αλγόριθμου ο οποίος εξισορρόπησε τα δεδομένα σε μια επιθυμητή αναλογία. Με δεδομένα αυτά πλέον και έναν σχετικά επιτυχημένο αλγόριθμο ακολούθησε η αναζήτηση πλέγματος η οποία προσέδωσε τα τελικά αποτελέσματα. Ο επιλεγμένος αλγόριθμος με αυτή την προεπεξεργασία των δεδομένων είναι ένα XG-boost μοντέλο με learning rate 0.3 , 50 estimators οι οποίοι έχουν από 3-12 κλαδιά. To F1 score του μετρήθηκε στα 0.67 όπως και η ακρίβεια του στα 92%. Έχοντας συγκρίνει και με την βιβλιογραφία που παρατίθεται στη συνέχεια αποδεικνύεται ότι ο αλγόριθμος στον οποίο εν τέλει οδήγησε η έρευνα αυτή, αποτελεί ένα αξιόλογο εργαλείο.","abstract_has_math":false,"creators":["Γιαννόπουλος Γεώργιος","Giannopoulos Gewrgios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:23:02Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3338972"],"render_values":[{"text":"uoadl:3338972","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3338972","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3338972","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%3A3338972","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γιαννόπουλος Γεώργιος","Giannopoulos Gewrgios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"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:3338972","https://pergamos.lib.uoa.gr/uoa/dl/object/3338972"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σκοπός της παρούσας εργασίας είναι να δημιουργηθεί ένα μοντέλο μηχανικής μάθησης για την πρόβλεψη της εξάπλωσης μιας πυρκαγιάς. Η λογική σειρά που ακολουθήθηκε ήταν αρχικά η κατανόηση του συνόλου δεδομένων που διατέθηκαν για την εκπλήρωση της εργασίας. Επίσης, αναλυτικά εξηγούνται οι μετασχηματισμοί που έγιναν στο σύνολο των δεδομένων έτσι ώστε να ενισχύσουν την απόδοση του αλγορίθμου πρόβλεψης εξάπλωσης του φαινομένου. Στην συνέχεια, ακολούθησε η επιλογή του μοντέλου, μέσω μιας σειράς πειραμάτων και συγκρίσεων κατέληξε στην επιλογή ενός XG-Boost μοντέλου. Τα πιο κλασικά μοντέλα, όπως το logistic ή ένα Random forest υπέκυψαν σε θέματα μεροληψίας. Η κατανόηση των δεδομένων που έδειξαν, με οριακά μηδενικά θετικά αποτελέσματα, οδήγησε στον αποκλεισμό τους. Οι ακρίβειες τους ήταν φαινομενικά μεγάλες αλλά ήταν όλα αδύναμα κρίνοντας τα από το μέτρο ακρίβειας F1, ειδικά για ένα πρόβλημα με τόσες μεταβλητές. Χρειάστηκε να αντιμετωπιστεί η μεροληψία των δεδομένων, με την χρήση ενός Smote αλγόριθμου ο οποίος εξισορρόπησε τα δεδομένα σε μια επιθυμητή αναλογία. Με δεδομένα αυτά πλέον και έναν σχετικά επιτυχημένο αλγόριθμο ακολούθησε η αναζήτηση πλέγματος η οποία προσέδωσε τα τελικά αποτελέσματα. Ο επιλεγμένος αλγόριθμος με αυτή την προεπεξεργασία των δεδομένων είναι ένα XG-boost μοντέλο με learning rate 0.3 , 50 estimators οι οποίοι έχουν από 3-12 κλαδιά. To F1 score του μετρήθηκε στα 0.67 όπως και η ακρίβεια του στα 92%. Έχοντας συγκρίνει και με την βιβλιογραφία που παρατίθεται στη συνέχεια αποδεικνύεται ότι ο αλγόριθμος στον οποίο εν τέλει οδήγησε η έρευνα αυτή, αποτελεί ένα αξιόλογο εργαλείο.","The purpose of this work is to create a machine learning model to predict the spread of a fire. The logical sequence followed was first to understand the set of data available to fulfill the task. The format of the data was a factor that made the process difficult because they had to write functions to import the data, which was stored in a special way in the form of TFRecords. It also explains in detail the transformations made to the data set so that they can to be read correctly by the algorithm. Then followed the selection of the model, a time-consuming process which through constant comparisons resulted in the selection of an XG-Boost model. The most classic models, such as the logistic or a Random forest, succumbed to issues of bias. Understanding the data, they showed, with marginally zero positive results, led to their exclusion. Their accuracies were seemingly great but were all weak judging by their F1 scores, especially for a problem with so many variables. Data bias had to be addressed, using a Smote boy's value which balanced the data to a desired ratio. With these data now and a relatively successful algorithm, the grid search followed which yielded the final results. The selected algorithm with this data pre-processing is an XG-boost model with a learning rate of 0.3, 50 estimators which have from 3-12 branches. His F1 score was measured at 0.67 as was his accuracy at 92%. Having compared with the literature that we have listed below, everyone can see that the algorithm to which this research ultimately led, is a valuable tool."]},{"key":"dc:title","label":"Title","values":["Πρόβλεψη εξάπλωσης πυρκαγιάς με γνώμονα την Τεχνητή Νοημοσύνη"]}]}],"canonical_facts":{"dc:creator":["Γιαννόπουλος Γεώργιος","Giannopoulos Gewrgios"],"dc:date":["2023"],"dc:description":["Σκοπός της παρούσας εργασίας είναι να δημιουργηθεί ένα μοντέλο μηχανικής μάθησης για την πρόβλεψη της εξάπλωσης μιας πυρκαγιάς. Η λογική σειρά που ακολουθήθηκε ήταν αρχικά η κατανόηση του συνόλου δεδομένων που διατέθηκαν για την εκπλήρωση της εργασίας. Επίσης, αναλυτικά εξηγούνται οι μετασχηματισμοί που έγιναν στο σύνολο των δεδομένων έτσι ώστε να ενισχύσουν την απόδοση του αλγορίθμου πρόβλεψης εξάπλωσης του φαινομένου. Στην συνέχεια, ακολούθησε η επιλογή του μοντέλου, μέσω μιας σειράς πειραμάτων και συγκρίσεων κατέληξε στην επιλογή ενός XG-Boost μοντέλου. Τα πιο κλασικά μοντέλα, όπως το logistic ή ένα Random forest υπέκυψαν σε θέματα μεροληψίας. Η κατανόηση των δεδομένων που έδειξαν, με οριακά μηδενικά θετικά αποτελέσματα, οδήγησε στον αποκλεισμό τους. Οι ακρίβειες τους ήταν φαινομενικά μεγάλες αλλά ήταν όλα αδύναμα κρίνοντας τα από το μέτρο ακρίβειας F1, ειδικά για ένα πρόβλημα με τόσες μεταβλητές. Χρειάστηκε να αντιμετωπιστεί η μεροληψία των δεδομένων, με την χρήση ενός Smote αλγόριθμου ο οποίος εξισορρόπησε τα δεδομένα σε μια επιθυμητή αναλογία. Με δεδομένα αυτά πλέον και έναν σχετικά επιτυχημένο αλγόριθμο ακολούθησε η αναζήτηση πλέγματος η οποία προσέδωσε τα τελικά αποτελέσματα. Ο επιλεγμένος αλγόριθμος με αυτή την προεπεξεργασία των δεδομένων είναι ένα XG-boost μοντέλο με learning rate 0.3 , 50 estimators οι οποίοι έχουν από 3-12 κλαδιά. To F1 score του μετρήθηκε στα 0.67 όπως και η ακρίβεια του στα 92%. Έχοντας συγκρίνει και με την βιβλιογραφία που παρατίθεται στη συνέχεια αποδεικνύεται ότι ο αλγόριθμος στον οποίο εν τέλει οδήγησε η έρευνα αυτή, αποτελεί ένα αξιόλογο εργαλείο.","The purpose of this work is to create a machine learning model to predict the spread of a fire. The logical sequence followed was first to understand the set of data available to fulfill the task. The format of the data was a factor that made the process difficult because they had to write functions to import the data, which was stored in a special way in the form of TFRecords. It also explains in detail the transformations made to the data set so that they can to be read correctly by the algorithm. Then followed the selection of the model, a time-consuming process which through constant comparisons resulted in the selection of an XG-Boost model. The most classic models, such as the logistic or a Random forest, succumbed to issues of bias. Understanding the data, they showed, with marginally zero positive results, led to their exclusion. Their accuracies were seemingly great but were all weak judging by their F1 scores, especially for a problem with so many variables. Data bias had to be addressed, using a Smote boy's value which balanced the data to a desired ratio. With these data now and a relatively successful algorithm, the grid search followed which yielded the final results. The selected algorithm with this data pre-processing is an XG-boost model with a learning rate of 0.3, 50 estimators which have from 3-12 branches. His F1 score was measured at 0.67 as was his accuracy at 92%. Having compared with the literature that we have listed below, everyone can see that the algorithm to which this research ultimately led, is a valuable tool."],"dc:identifier":["uoadl:3338972","https://pergamos.lib.uoa.gr/uoa/dl/object/3338972"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Πρόβλεψη εξάπλωσης πυρκαγιάς με γνώμονα την Τεχνητή Νοημοσύνη"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:23:02Z"}