Back to search

National and Kapodistrian University of Athens

Σύστημα Έγκαιρης Ανίχνευσης Πυρκαγιάς με Χρήση Αλγορίθμων Μηχανικής Μάθησης

Abstract

dc:description

Τα τελευταία έτη ο τομέας της τεχνητής νοημοσύνης παρουσιάζει εκθετική πρόοδο, αποτελώντας ένα από τα βασικότερα αντικείμενα ερευνών. Ειδικότερα οι εφαρμογές που αξιοποιούν τη μηχανική μάθηση, ως τμήμα της τεχνητής νοημοσύνης, αποτελούν πλέον κομμάτι της καθημερινότητας επιδιώκοντας να προσφέρουν λύσεις σε διάφορα ζητήματα. Ένα πολύ σημαντικό ζήτημα, που απασχολεί την παγκόσμια κοινότητα και στο οποίο δύναται οι εφαρμογές μηχανικής μάθησης να προσφέρουν λύση, είναι αυτό της ανίχνευσης πυρκαγιών. Οι συνέπειες των πυρκαγιών είναι καταστροφικές, επηρεάζοντας τόσο το περιβάλλον με την μόλυνση αυτού και την καταστροφή χλωρίδας και πανίδας, όσο και την ανθρώπινη κοινωνία λόγω της απώλειας ανθρώπινων ζωών και λόγω των επιπτώσεων στο οικονομικό επίπεδο αυτής. Στην παρούσα διπλωματική εργασία παρουσιάζεται η εφαρμογή ορισμένων αλγορίθμων μηχανικής μάθησης στο πλαίσιο έγκαιρης ανίχνευσης πυρκαγιών. Πιο συγκεκριμένα, θα εφαρμοστούν οι αλγόριθμοι Κ-Κοντινότερων Γειτόνων (K-Nearest Neighbors) και Νευρωνικών Δικτύων πολλών επιπέδων (Multi-Layer Perceptron), όπως επίσης και οι αλγόριθμοι Προσαρμοστικής Ενίσχυσης (Adaptive Boosting) και Τυχαίων Δασών (Random Forests) της μεθόδου Συλλογιστικής Μάθησης (Ensemble Learning). Οι αλγόριθμοι αυτοί θα εκπαιδευτούν με τη βοήθεια ενός συνόλου δεδομένων, το οποίο περιλαμβάνει δεδομένα μετρήσεων αισθητήρων περιβαλλοντικών παραγόντων όπως η θερμοκρασία, η υγρασία, η πίεση κ.ά. Για κάθε μία μέτρηση υπάρχει και η αντίστοιχη καταγραφή σχετικά με την ύπαρξη φωτιάς ή όχι, η οποία αποτελεί και την εξαρτημένη μεταβλητή την οποία προβλέπουν οι αλγόριθμοι. Οι αλγόριθμοι λαμβάνουν ως είσοδο έναν αριθμό μετρήσεων από το παρελθόν με στόχο την ανίχνευση πυρκαγιάς, για έναν συγκεκριμένο αριθμό μελλοντικών ωρών. Στη συνέχεια, πραγματοποιείται αξιολόγηση και σύγκριση των αποτελεσμάτων τους, μέσω συγκεκριμένων μετρικών, ώστε να επιλεχθεί ο βέλτιστος αλγόριθμος. Οι μετρικές περιλαμβάνουν την ορθότητα (accuracy), την ακρίβεια (precision), την ανάκληση (recall) και τον αρμονικό μέσο (f1 score), ενώ όπως προκύπτει από τη συγκριτική αξιολόγηση, τα υψηλότερα και πιο σταθερά ποσοστά για τις εν λόγω μετρικές παρουσιάζει ο αλγόριθμος Adaptive Boosting, καθιστώντας τον πιο αποτελεσματικό και αξιόπιστο για την έγκαιρη ανίχνευση πυρκαγιών.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Παπαθεοδώρου Περικλής
  • Papatheodorou Periklis

Subjects

dc:subject × 2

Rights

Language dc:language
Ελληνικά, Greek

Identifiers

dc:identifier.*
Identifier
uoadl:3392343

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Παπαθεοδώρου Περικλής; Papatheodorou Periklis. Σύστημα Έγκαιρης Ανίχνευσης Πυρκαγιάς με Χρήση Αλγορίθμων Μηχανικής Μάθησης. 2024. https://pergamos.lib.uoa.gr/uoa/dl/object/3392343