{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3376985"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3376985","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Forecasting Strong Aftershocks in Greek Earthquake Clusters Using the NESTORE Machine Learning Algorithm","abstract":"Ένας αλγόριθμος ή σύνολο αλγορίθμων που μαθαίνει από δεδομένα και παράγει εκτιμήσεις σχετικά με αυτά είναι γνωστός ως μηχανική μάθηση. Η επιστήμη χρησιμοποιεί όλο και περισσότερο τεχνικές μηχανικής μάθησης, με εφαρμογές στη σεισμολογία και τη γεωφυσική που κυμαίνονται από την αναγνώριση προτύπων έως την εξαγωγή χαρακτηριστικών που μπορούν να εμβαθύνουν την κατανόηση του φυσικού κόσμου. Στην παρούσα διπλωματική, χρησιμοποιούμε την ελληνική σεισμικότητα και τον αλγόριθμο μηχανικής μάθησης NESTORE για την πρόγνωση ενός ισχυρού μετασεισμού μετά από έναν κύριο, καθώς η γνώση αυτή είναι ιδιαίτερα πολύτιμη αφού μετασεισμοί μπορούν να επιδεινώσουν τη ζημιά που έχει ήδη προκληθεί στις υποδομές των πόλεων. Η προσέγγιση με τη χρήση του αλγορίθμου NESTORE δείχνει την ανάπτυξη της γνώσης με την πάροδο του χρόνου, εξάγοντας χαρακτηριστικά μηχανικής μάθησης από τον κύριο σεισμό και αξιολογώντας τα σε αυξανόμενα χρονικά διαστήματα ενώ η σεισμικότητα κατά τη διάρκεια μιας συστάδας περιγράφεται από τα χαρακτηριστικά αυτά. Ανάλογα με το μέγεθος του ισχυρότερου μετασεισμού, ο NESTORE ταξινομεί τις συστάδες σε δύο τύπους, τύπου Α ή τύπου Β. Ακόμα, χρησιμοποιώντας τον νόμο του Uhrhammer (1986), χρησιμοποιήθηκε μια προσέγγιση με βάση τη μέθοδο του παραθύρου για τον ορισμό μιας συστάδας χωρικά και χρονικά. Προκειμένου να αξιολογήσουμε έναν σημαντικό αριθμό συστάδων, χρησιμοποιήσαμε τη βάση δεδομένων του ΑΠΘ από το 1995 έως το 2022 σε ένα σημαντικό τμήμα της Ελλάδας. Η επιτυχής συνολική εφαρμογή του NESTORE στην Ελλάδα κατέδειξε την ικανότητα του αλγορίθμου να προσαρμόζεται αυτόματα στο ερευνητικό πεδίο. Η προσέγγιση είναι ιδιαίτερα ελκυστική για χρήση στον τομέα της έγκαιρης προειδοποίησης, καθώς επιτρέπει την εκτίμηση της πιθανότητας να συμβεί ένας ισχυρός μετασεισμός μετά από έναν κύριο ενώ παρατηρήθηκε πως η μεγαλύτερη απόδοση επιτεύχθηκε για ένα χρονικό διάστημα 6 ωρών μετά τον κύριο σεισμό.","abstract_html":"Ένας αλγόριθμος ή σύνολο αλγορίθμων που μαθαίνει από δεδομένα και παράγει εκτιμήσεις σχετικά με αυτά είναι γνωστός ως μηχανική μάθηση. Η επιστήμη χρησιμοποιεί όλο και περισσότερο τεχνικές μηχανικής μάθησης, με εφαρμογές στη σεισμολογία και τη γεωφυσική που κυμαίνονται από την αναγνώριση προτύπων έως την εξαγωγή χαρακτηριστικών που μπορούν να εμβαθύνουν την κατανόηση του φυσικού κόσμου. Στην παρούσα διπλωματική, χρησιμοποιούμε την ελληνική σεισμικότητα και τον αλγόριθμο μηχανικής μάθησης NESTORE για την πρόγνωση ενός ισχυρού μετασεισμού μετά από έναν κύριο, καθώς η γνώση αυτή είναι ιδιαίτερα πολύτιμη αφού μετασεισμοί μπορούν να επιδεινώσουν τη ζημιά που έχει ήδη προκληθεί στις υποδομές των πόλεων. Η προσέγγιση με τη χρήση του αλγορίθμου NESTORE δείχνει την ανάπτυξη της γνώσης με την πάροδο του χρόνου, εξάγοντας χαρακτηριστικά μηχανικής μάθησης από τον κύριο σεισμό και αξιολογώντας τα σε αυξανόμενα χρονικά διαστήματα ενώ η σεισμικότητα κατά τη διάρκεια μιας συστάδας περιγράφεται από τα χαρακτηριστικά αυτά. Ανάλογα με το μέγεθος του ισχυρότερου μετασεισμού, ο NESTORE ταξινομεί τις συστάδες σε δύο τύπους, τύπου Α ή τύπου Β. Ακόμα, χρησιμοποιώντας τον νόμο του Uhrhammer (1986), χρησιμοποιήθηκε μια προσέγγιση με βάση τη μέθοδο του παραθύρου για τον ορισμό μιας συστάδας χωρικά και χρονικά. Προκειμένου να αξιολογήσουμε έναν σημαντικό αριθμό συστάδων, χρησιμοποιήσαμε τη βάση δεδομένων του ΑΠΘ από το 1995 έως το 2022 σε ένα σημαντικό τμήμα της Ελλάδας. Η επιτυχής συνολική εφαρμογή του NESTORE στην Ελλάδα κατέδειξε την ικανότητα του αλγορίθμου να προσαρμόζεται αυτόματα στο ερευνητικό πεδίο. Η προσέγγιση είναι ιδιαίτερα ελκυστική για χρήση στον τομέα της έγκαιρης προειδοποίησης, καθώς επιτρέπει την εκτίμηση της πιθανότητας να συμβεί ένας ισχυρός μετασεισμός μετά από έναν κύριο ενώ παρατηρήθηκε πως η μεγαλύτερη απόδοση επιτεύχθηκε για ένα χρονικό διάστημα 6 ωρών μετά τον κύριο σεισμό.","abstract_has_math":false,"creators":["Ανυφαντή Ελένη-Αποστολία","Anyfanti Eleni-Apostolia"],"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":"2026-11-19T06:27:33Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3376985"],"render_values":[{"text":"uoadl:3376985","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3376985","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3376985","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%3A3376985","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ανυφαντή Ελένη-Αποστολία","Anyfanti Eleni-Apostolia"]}]},{"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":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3376985","https://pergamos.lib.uoa.gr/uoa/dl/object/3376985"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ένας αλγόριθμος ή σύνολο αλγορίθμων που μαθαίνει από δεδομένα και παράγει εκτιμήσεις σχετικά με αυτά είναι γνωστός ως μηχανική μάθηση. Η επιστήμη χρησιμοποιεί όλο και περισσότερο τεχνικές μηχανικής μάθησης, με εφαρμογές στη σεισμολογία και τη γεωφυσική που κυμαίνονται από την αναγνώριση προτύπων έως την εξαγωγή χαρακτηριστικών που μπορούν να εμβαθύνουν την κατανόηση του φυσικού κόσμου. Στην παρούσα διπλωματική, χρησιμοποιούμε την ελληνική σεισμικότητα και τον αλγόριθμο μηχανικής μάθησης NESTORE για την πρόγνωση ενός ισχυρού μετασεισμού μετά από έναν κύριο, καθώς η γνώση αυτή είναι ιδιαίτερα πολύτιμη αφού μετασεισμοί μπορούν να επιδεινώσουν τη ζημιά που έχει ήδη προκληθεί στις υποδομές των πόλεων. Η προσέγγιση με τη χρήση του αλγορίθμου NESTORE δείχνει την ανάπτυξη της γνώσης με την πάροδο του χρόνου, εξάγοντας χαρακτηριστικά μηχανικής μάθησης από τον κύριο σεισμό και αξιολογώντας τα σε αυξανόμενα χρονικά διαστήματα ενώ η σεισμικότητα κατά τη διάρκεια μιας συστάδας περιγράφεται από τα χαρακτηριστικά αυτά. Ανάλογα με το μέγεθος του ισχυρότερου μετασεισμού, ο NESTORE ταξινομεί τις συστάδες σε δύο τύπους, τύπου Α ή τύπου Β. Ακόμα, χρησιμοποιώντας τον νόμο του Uhrhammer (1986), χρησιμοποιήθηκε μια προσέγγιση με βάση τη μέθοδο του παραθύρου για τον ορισμό μιας συστάδας χωρικά και χρονικά. Προκειμένου να αξιολογήσουμε έναν σημαντικό αριθμό συστάδων, χρησιμοποιήσαμε τη βάση δεδομένων του ΑΠΘ από το 1995 έως το 2022 σε ένα σημαντικό τμήμα της Ελλάδας. Η επιτυχής συνολική εφαρμογή του NESTORE στην Ελλάδα κατέδειξε την ικανότητα του αλγορίθμου να προσαρμόζεται αυτόματα στο ερευνητικό πεδίο. Η προσέγγιση είναι ιδιαίτερα ελκυστική για χρήση στον τομέα της έγκαιρης προειδοποίησης, καθώς επιτρέπει την εκτίμηση της πιθανότητας να συμβεί ένας ισχυρός μετασεισμός μετά από έναν κύριο ενώ παρατηρήθηκε πως η μεγαλύτερη απόδοση επιτεύχθηκε για ένα χρονικό διάστημα 6 ωρών μετά τον κύριο σεισμό.","Any predictive algorithm, or set of algorithms, that learns from data and produces predictions, is known as machine learning (ML). Science is using ML techniques more and more, with applications in seismology and geophysics ranging from pattern recognition to feature extraction that may deepen our understanding of the physical world. In this work, we use the Greek seismicity and the NESTORE machine learning algorithm to predict when a severe earthquake would strike following a mainshock since aftershocks can exacerbate the harm already done to city infrastructure. The approach shows the growth of knowledge over time by extracting machine learning characteristics from the mainshock and evaluating them at increasing time intervals. The characteristics of seismicity during a cluster are described by the features. Depending on the size of the strongest aftershock, NESTORE classifies clusters into two types, type A or type B. Using Uhrhammer's (1986) law, a window-based approach was used to define a cluster. In order to evaluate a significant number of clusters, we used the AUTH earthquake database from 1995 to 2022 over a considerable part of Greece. NESTORE's successful overall implementation in Greece demonstrated the algorithm's capacity to automatically adapt to the research field. The approach is particularly appealing for use in the field of early warning since it allows assessing the chance of a subsequent hazardous earthquake happening after a strong initial event. The greatest performance was obtained for a time interval of 6 hours following the major earthquake."]},{"key":"dc:title","label":"Title","values":["Forecasting Strong Aftershocks in Greek Earthquake Clusters Using the NESTORE Machine Learning Algorithm"]}]}],"canonical_facts":{"dc:creator":["Ανυφαντή Ελένη-Αποστολία","Anyfanti Eleni-Apostolia"],"dc:date":["2023"],"dc:description":["Ένας αλγόριθμος ή σύνολο αλγορίθμων που μαθαίνει από δεδομένα και παράγει εκτιμήσεις σχετικά με αυτά είναι γνωστός ως μηχανική μάθηση. Η επιστήμη χρησιμοποιεί όλο και περισσότερο τεχνικές μηχανικής μάθησης, με εφαρμογές στη σεισμολογία και τη γεωφυσική που κυμαίνονται από την αναγνώριση προτύπων έως την εξαγωγή χαρακτηριστικών που μπορούν να εμβαθύνουν την κατανόηση του φυσικού κόσμου. Στην παρούσα διπλωματική, χρησιμοποιούμε την ελληνική σεισμικότητα και τον αλγόριθμο μηχανικής μάθησης NESTORE για την πρόγνωση ενός ισχυρού μετασεισμού μετά από έναν κύριο, καθώς η γνώση αυτή είναι ιδιαίτερα πολύτιμη αφού μετασεισμοί μπορούν να επιδεινώσουν τη ζημιά που έχει ήδη προκληθεί στις υποδομές των πόλεων. Η προσέγγιση με τη χρήση του αλγορίθμου NESTORE δείχνει την ανάπτυξη της γνώσης με την πάροδο του χρόνου, εξάγοντας χαρακτηριστικά μηχανικής μάθησης από τον κύριο σεισμό και αξιολογώντας τα σε αυξανόμενα χρονικά διαστήματα ενώ η σεισμικότητα κατά τη διάρκεια μιας συστάδας περιγράφεται από τα χαρακτηριστικά αυτά. Ανάλογα με το μέγεθος του ισχυρότερου μετασεισμού, ο NESTORE ταξινομεί τις συστάδες σε δύο τύπους, τύπου Α ή τύπου Β. Ακόμα, χρησιμοποιώντας τον νόμο του Uhrhammer (1986), χρησιμοποιήθηκε μια προσέγγιση με βάση τη μέθοδο του παραθύρου για τον ορισμό μιας συστάδας χωρικά και χρονικά. Προκειμένου να αξιολογήσουμε έναν σημαντικό αριθμό συστάδων, χρησιμοποιήσαμε τη βάση δεδομένων του ΑΠΘ από το 1995 έως το 2022 σε ένα σημαντικό τμήμα της Ελλάδας. Η επιτυχής συνολική εφαρμογή του NESTORE στην Ελλάδα κατέδειξε την ικανότητα του αλγορίθμου να προσαρμόζεται αυτόματα στο ερευνητικό πεδίο. Η προσέγγιση είναι ιδιαίτερα ελκυστική για χρήση στον τομέα της έγκαιρης προειδοποίησης, καθώς επιτρέπει την εκτίμηση της πιθανότητας να συμβεί ένας ισχυρός μετασεισμός μετά από έναν κύριο ενώ παρατηρήθηκε πως η μεγαλύτερη απόδοση επιτεύχθηκε για ένα χρονικό διάστημα 6 ωρών μετά τον κύριο σεισμό.","Any predictive algorithm, or set of algorithms, that learns from data and produces predictions, is known as machine learning (ML). Science is using ML techniques more and more, with applications in seismology and geophysics ranging from pattern recognition to feature extraction that may deepen our understanding of the physical world. In this work, we use the Greek seismicity and the NESTORE machine learning algorithm to predict when a severe earthquake would strike following a mainshock since aftershocks can exacerbate the harm already done to city infrastructure. The approach shows the growth of knowledge over time by extracting machine learning characteristics from the mainshock and evaluating them at increasing time intervals. The characteristics of seismicity during a cluster are described by the features. Depending on the size of the strongest aftershock, NESTORE classifies clusters into two types, type A or type B. Using Uhrhammer's (1986) law, a window-based approach was used to define a cluster. In order to evaluate a significant number of clusters, we used the AUTH earthquake database from 1995 to 2022 over a considerable part of Greece. NESTORE's successful overall implementation in Greece demonstrated the algorithm's capacity to automatically adapt to the research field. The approach is particularly appealing for use in the field of early warning since it allows assessing the chance of a subsequent hazardous earthquake happening after a strong initial event. The greatest performance was obtained for a time interval of 6 hours following the major earthquake."],"dc:identifier":["uoadl:3376985","https://pergamos.lib.uoa.gr/uoa/dl/object/3376985"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Forecasting Strong Aftershocks in Greek Earthquake Clusters Using the NESTORE Machine Learning Algorithm"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:27:33Z"}