{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5413691"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5413691","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"ΑΠΟΤΕΛΕΣΜΑΤΙΚΟΤΗΤΑ ΣΥΣΤΗΜΑΤΩΝ ΕΓΚΑΙΡΗΣ ΠΡΟΕΙΔΟΠΟΙΗΣΗΣ ΜΕ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΣΤΗΝ ΑΝΙΧΝΕΥΣΗ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ","abstract":"Οι δασικές πυρκαγιές αποτελούν μία από τις σοβαρότερες περιβαλλοντικές, κοινωνικές και οικονομικές απειλές για την Ευρώπη, ιδίως στις μεσογειακές περιοχές, όπου η κλιματική αλλαγή, η παρατεταμένη ξηρασία και η ανθρώπινη δραστηριότητα εντείνουν τη συχνότητα και την ένταση του φαινομένου. Η παρούσα μεταπτυχιακή διπλωματική εργασία εξετάζει την αποτελεσματικότητα των συστημάτων έγκαιρης προειδοποίησης που βασίζονται στην τεχνητή νοημοσύνη για την ανίχνευση δασικών πυρκαγιών, σε σύγκριση με τις κλασικές μεθόδους, με έμφαση στον ευρωπαϊκό χώρο. Η μελέτη βασίζεται σε συστηματική βιβλιογραφική ανασκόπηση και συγκριτική ανάλυση τεχνολογιών και μελετών περίπτωσης. Το σώμα των μελετών που εξετάστηκαν διαμορφώθηκε με βάση προκαθορισμένα κριτήρια ένταξης και αποκλεισμού, σύμφωνα με τη μεθοδολογική προσέγγιση PRISMA, και περιλάμβανε συνολικά 46 μελέτες. Η ανάλυση επικεντρώθηκε σε τέσσερις βασικές κατηγορίες τεχνολογιών, στις δορυφορικές προσεγγίσεις με αξιοποίηση δεδομένων Copernicus και Sentinel-2, στις εναέριες εφαρμογές με UAVs, στα επίγεια δίκτυα αισθητήρων IoT και WSN, καθώς και στις υβριδικές αρχιτεκτονικές σύντηξης δεδομένων. Παράλληλα, εξετάστηκαν σύγχρονα μοντέλα βαθιάς μάθησης, όπως τα CNNs, το YOLOv8, τα LSTM και οι Vision Transformers. Τα ευρήματα δείχνουν ότι τα συστήματα τεχνητής νοημοσύνης υπερτερούν γενικά ως προς την ταχύτητα επεξεργασίας, την ικανότητα ανάλυσης σύνθετων και ετερογενών δεδομένων και τη δυνατότητα έγκαιρης ανίχνευσης πρώιμων ενδείξεων πυρκαγιάς. Ωστόσο, η αποτελεσματικότητά τους δεν είναι απόλυτη, καθώς εξαρτάται από την ποιότητα και την αντιπροσωπευτικότητα των δεδομένων, την αρχιτεκτονική του συστήματος, τη σταθερότητα των δικτύων επικοινωνίας, τη διαλειτουργικότητα και τον βαθμό επιχειρησιακής αξιοποίησης. Ιδιαίτερη έμφαση δίνεται στα υβριδικά και πολυεπίπεδα συστήματα, στα οποία η σύντηξη δεδομένων από διαφορετικές πηγές ενισχύει την αξιοπιστία των ειδοποιήσεων και μειώνει την αβεβαιότητα. Συμπερασματικά, η τεχνητή νοημοσύνη δεν αποτελεί από μόνη της μια ολοκληρωμένη λύση, αλλά έναν κρίσιμο παράγοντα ενίσχυσης των συστημάτων έγκαιρης προειδοποίησης και των μηχανισμών πολιτικής προστασίας. Η ουσιαστική αξιοποίησή της προϋποθέτει κατάλληλες υποδομές, ποιοτικά δεδομένα, τυποποιημένα πρωτόκολλα αξιολόγησης, θεσμική προσαρμογή και αποτελεσματική ενσωμάτωση στη διαδικασία λήψης αποφάσεων. Η εργασία αναδεικνύει, έτσι, την ανάγκη μετάβασης από μεμονωμένες τεχνολογικές εφαρμογές σε ολοκληρωμένα, ανθεκτικά και επιχειρησιακά ώριμα συστήματα διαχείρισης δασικών πυρκαγιών.","abstract_html":"Οι δασικές πυρκαγιές αποτελούν μία από τις σοβαρότερες περιβαλλοντικές, κοινωνικές και οικονομικές απειλές για την Ευρώπη, ιδίως στις μεσογειακές περιοχές, όπου η κλιματική αλλαγή, η παρατεταμένη ξηρασία και η ανθρώπινη δραστηριότητα εντείνουν τη συχνότητα και την ένταση του φαινομένου. Η παρούσα μεταπτυχιακή διπλωματική εργασία εξετάζει την αποτελεσματικότητα των συστημάτων έγκαιρης προειδοποίησης που βασίζονται στην τεχνητή νοημοσύνη για την ανίχνευση δασικών πυρκαγιών, σε σύγκριση με τις κλασικές μεθόδους, με έμφαση στον ευρωπαϊκό χώρο. Η μελέτη βασίζεται σε συστηματική βιβλιογραφική ανασκόπηση και συγκριτική ανάλυση τεχνολογιών και μελετών περίπτωσης. Το σώμα των μελετών που εξετάστηκαν διαμορφώθηκε με βάση προκαθορισμένα κριτήρια ένταξης και αποκλεισμού, σύμφωνα με τη μεθοδολογική προσέγγιση PRISMA, και περιλάμβανε συνολικά 46 μελέτες. Η ανάλυση επικεντρώθηκε σε τέσσερις βασικές κατηγορίες τεχνολογιών, στις δορυφορικές προσεγγίσεις με αξιοποίηση δεδομένων Copernicus και Sentinel-2, στις εναέριες εφαρμογές με UAVs, στα επίγεια δίκτυα αισθητήρων IoT και WSN, καθώς και στις υβριδικές αρχιτεκτονικές σύντηξης δεδομένων. Παράλληλα, εξετάστηκαν σύγχρονα μοντέλα βαθιάς μάθησης, όπως τα CNNs, το YOLOv8, τα LSTM και οι Vision Transformers. Τα ευρήματα δείχνουν ότι τα συστήματα τεχνητής νοημοσύνης υπερτερούν γενικά ως προς την ταχύτητα επεξεργασίας, την ικανότητα ανάλυσης σύνθετων και ετερογενών δεδομένων και τη δυνατότητα έγκαιρης ανίχνευσης πρώιμων ενδείξεων πυρκαγιάς. Ωστόσο, η αποτελεσματικότητά τους δεν είναι απόλυτη, καθώς εξαρτάται από την ποιότητα και την αντιπροσωπευτικότητα των δεδομένων, την αρχιτεκτονική του συστήματος, τη σταθερότητα των δικτύων επικοινωνίας, τη διαλειτουργικότητα και τον βαθμό επιχειρησιακής αξιοποίησης. Ιδιαίτερη έμφαση δίνεται στα υβριδικά και πολυεπίπεδα συστήματα, στα οποία η σύντηξη δεδομένων από διαφορετικές πηγές ενισχύει την αξιοπιστία των ειδοποιήσεων και μειώνει την αβεβαιότητα. Συμπερασματικά, η τεχνητή νοημοσύνη δεν αποτελεί από μόνη της μια ολοκληρωμένη λύση, αλλά έναν κρίσιμο παράγοντα ενίσχυσης των συστημάτων έγκαιρης προειδοποίησης και των μηχανισμών πολιτικής προστασίας. Η ουσιαστική αξιοποίησή της προϋποθέτει κατάλληλες υποδομές, ποιοτικά δεδομένα, τυποποιημένα πρωτόκολλα αξιολόγησης, θεσμική προσαρμογή και αποτελεσματική ενσωμάτωση στη διαδικασία λήψης αποφάσεων. Η εργασία αναδεικνύει, έτσι, την ανάγκη μετάβασης από μεμονωμένες τεχνολογικές εφαρμογές σε ολοκληρωμένα, ανθεκτικά και επιχειρησιακά ώριμα συστήματα διαχείρισης δασικών πυρκαγιών.","abstract_has_math":false,"creators":["Μούτσου Σταυρούλα","MOUTSOU STAVROULA"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:19:57Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5413691"],"render_values":[{"text":"uoadl:5413691","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5413691","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5413691","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%3A5413691","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μούτσου Σταυρούλα","MOUTSOU STAVROULA"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5413691","https://pergamos.lib.uoa.gr/uoa/dl/object/5413691"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι δασικές πυρκαγιές αποτελούν μία από τις σοβαρότερες περιβαλλοντικές, κοινωνικές και οικονομικές απειλές για την Ευρώπη, ιδίως στις μεσογειακές περιοχές, όπου η κλιματική αλλαγή, η παρατεταμένη ξηρασία και η ανθρώπινη δραστηριότητα εντείνουν τη συχνότητα και την ένταση του φαινομένου. Η παρούσα μεταπτυχιακή διπλωματική εργασία εξετάζει την αποτελεσματικότητα των συστημάτων έγκαιρης προειδοποίησης που βασίζονται στην τεχνητή νοημοσύνη για την ανίχνευση δασικών πυρκαγιών, σε σύγκριση με τις κλασικές μεθόδους, με έμφαση στον ευρωπαϊκό χώρο. Η μελέτη βασίζεται σε συστηματική βιβλιογραφική ανασκόπηση και συγκριτική ανάλυση τεχνολογιών και μελετών περίπτωσης. Το σώμα των μελετών που εξετάστηκαν διαμορφώθηκε με βάση προκαθορισμένα κριτήρια ένταξης και αποκλεισμού, σύμφωνα με τη μεθοδολογική προσέγγιση PRISMA, και περιλάμβανε συνολικά 46 μελέτες. Η ανάλυση επικεντρώθηκε σε τέσσερις βασικές κατηγορίες τεχνολογιών, στις δορυφορικές προσεγγίσεις με αξιοποίηση δεδομένων Copernicus και Sentinel-2, στις εναέριες εφαρμογές με UAVs, στα επίγεια δίκτυα αισθητήρων IoT και WSN, καθώς και στις υβριδικές αρχιτεκτονικές σύντηξης δεδομένων. Παράλληλα, εξετάστηκαν σύγχρονα μοντέλα βαθιάς μάθησης, όπως τα CNNs, το YOLOv8, τα LSTM και οι Vision Transformers. Τα ευρήματα δείχνουν ότι τα συστήματα τεχνητής νοημοσύνης υπερτερούν γενικά ως προς την ταχύτητα επεξεργασίας, την ικανότητα ανάλυσης σύνθετων και ετερογενών δεδομένων και τη δυνατότητα έγκαιρης ανίχνευσης πρώιμων ενδείξεων πυρκαγιάς. Ωστόσο, η αποτελεσματικότητά τους δεν είναι απόλυτη, καθώς εξαρτάται από την ποιότητα και την αντιπροσωπευτικότητα των δεδομένων, την αρχιτεκτονική του συστήματος, τη σταθερότητα των δικτύων επικοινωνίας, τη διαλειτουργικότητα και τον βαθμό επιχειρησιακής αξιοποίησης. Ιδιαίτερη έμφαση δίνεται στα υβριδικά και πολυεπίπεδα συστήματα, στα οποία η σύντηξη δεδομένων από διαφορετικές πηγές ενισχύει την αξιοπιστία των ειδοποιήσεων και μειώνει την αβεβαιότητα. Συμπερασματικά, η τεχνητή νοημοσύνη δεν αποτελεί από μόνη της μια ολοκληρωμένη λύση, αλλά έναν κρίσιμο παράγοντα ενίσχυσης των συστημάτων έγκαιρης προειδοποίησης και των μηχανισμών πολιτικής προστασίας. Η ουσιαστική αξιοποίησή της προϋποθέτει κατάλληλες υποδομές, ποιοτικά δεδομένα, τυποποιημένα πρωτόκολλα αξιολόγησης, θεσμική προσαρμογή και αποτελεσματική ενσωμάτωση στη διαδικασία λήψης αποφάσεων. Η εργασία αναδεικνύει, έτσι, την ανάγκη μετάβασης από μεμονωμένες τεχνολογικές εφαρμογές σε ολοκληρωμένα, ανθεκτικά και επιχειρησιακά ώριμα συστήματα διαχείρισης δασικών πυρκαγιών.","Wildfires constitute one of the most serious environmental, social, and economic threats in Europe, particularly in Mediterranean regions, where climate change, prolonged drought, and human activity intensify the frequency and severity of the phenomenon. This master’s thesis examines the effectiveness of artificial intelligence (AI)-based early warning systems for wildfire detection in comparison with conventional methods, with particular emphasis on the European context. The study is based on a systematic literature review and a comparative analysis of technologies and case studies. The body of studies examined was selected according to predefined inclusion and exclusion criteria, following the PRISMA methodological approach, and included a total of 46 studies. The analysis focused on four main categories of technologies, satellite-based approaches utilizing Copernicus and Sentinel-2 data, aerial applications involving UAVs, ground-based IoT and WSN sensor networks, and hybrid data fusion architectures. At the same time, contemporary deep learning models such as CNNs, YOLOv8, LSTMs, and Vision Transformers were examined. The findings indicate that AI systems generally outperform conventional methods in terms of processing speed, the ability to analyse complex and heterogeneous data, and the capacity for early detection of wildfire indicators. However, their effectiveness is not absolute, as it depends on the quality and representativeness of the data, the system architecture, the reliability of communication networks, interoperability, and the degree of operational integration. Particular emphasis is placed on hybrid and multi-layered systems, in which the fusion of data from different sources enhances the reliability of alerts and reduces uncertainty. In conclusion, artificial intelligence does not constitute a complete solution on its own, but rather a critical enabler for strengthening early warning systems and civil protection mechanisms. Its effective use requires appropriate infrastructure, high-quality data, standardized evaluation protocols, institutional adaptation, and successful integration into decision-making processes. This thesis therefore highlights the need to move from isolated technological applications toward integrated, resilient, and operationally mature wildfire management systems."]},{"key":"dc:title","label":"Title","values":["ΑΠΟΤΕΛΕΣΜΑΤΙΚΟΤΗΤΑ ΣΥΣΤΗΜΑΤΩΝ ΕΓΚΑΙΡΗΣ ΠΡΟΕΙΔΟΠΟΙΗΣΗΣ ΜΕ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΣΤΗΝ ΑΝΙΧΝΕΥΣΗ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ"]}]}],"canonical_facts":{"dc:creator":["Μούτσου Σταυρούλα","MOUTSOU STAVROULA"],"dc:date":["2026"],"dc:description":["Οι δασικές πυρκαγιές αποτελούν μία από τις σοβαρότερες περιβαλλοντικές, κοινωνικές και οικονομικές απειλές για την Ευρώπη, ιδίως στις μεσογειακές περιοχές, όπου η κλιματική αλλαγή, η παρατεταμένη ξηρασία και η ανθρώπινη δραστηριότητα εντείνουν τη συχνότητα και την ένταση του φαινομένου. Η παρούσα μεταπτυχιακή διπλωματική εργασία εξετάζει την αποτελεσματικότητα των συστημάτων έγκαιρης προειδοποίησης που βασίζονται στην τεχνητή νοημοσύνη για την ανίχνευση δασικών πυρκαγιών, σε σύγκριση με τις κλασικές μεθόδους, με έμφαση στον ευρωπαϊκό χώρο. Η μελέτη βασίζεται σε συστηματική βιβλιογραφική ανασκόπηση και συγκριτική ανάλυση τεχνολογιών και μελετών περίπτωσης. Το σώμα των μελετών που εξετάστηκαν διαμορφώθηκε με βάση προκαθορισμένα κριτήρια ένταξης και αποκλεισμού, σύμφωνα με τη μεθοδολογική προσέγγιση PRISMA, και περιλάμβανε συνολικά 46 μελέτες. Η ανάλυση επικεντρώθηκε σε τέσσερις βασικές κατηγορίες τεχνολογιών, στις δορυφορικές προσεγγίσεις με αξιοποίηση δεδομένων Copernicus και Sentinel-2, στις εναέριες εφαρμογές με UAVs, στα επίγεια δίκτυα αισθητήρων IoT και WSN, καθώς και στις υβριδικές αρχιτεκτονικές σύντηξης δεδομένων. Παράλληλα, εξετάστηκαν σύγχρονα μοντέλα βαθιάς μάθησης, όπως τα CNNs, το YOLOv8, τα LSTM και οι Vision Transformers. Τα ευρήματα δείχνουν ότι τα συστήματα τεχνητής νοημοσύνης υπερτερούν γενικά ως προς την ταχύτητα επεξεργασίας, την ικανότητα ανάλυσης σύνθετων και ετερογενών δεδομένων και τη δυνατότητα έγκαιρης ανίχνευσης πρώιμων ενδείξεων πυρκαγιάς. Ωστόσο, η αποτελεσματικότητά τους δεν είναι απόλυτη, καθώς εξαρτάται από την ποιότητα και την αντιπροσωπευτικότητα των δεδομένων, την αρχιτεκτονική του συστήματος, τη σταθερότητα των δικτύων επικοινωνίας, τη διαλειτουργικότητα και τον βαθμό επιχειρησιακής αξιοποίησης. Ιδιαίτερη έμφαση δίνεται στα υβριδικά και πολυεπίπεδα συστήματα, στα οποία η σύντηξη δεδομένων από διαφορετικές πηγές ενισχύει την αξιοπιστία των ειδοποιήσεων και μειώνει την αβεβαιότητα. Συμπερασματικά, η τεχνητή νοημοσύνη δεν αποτελεί από μόνη της μια ολοκληρωμένη λύση, αλλά έναν κρίσιμο παράγοντα ενίσχυσης των συστημάτων έγκαιρης προειδοποίησης και των μηχανισμών πολιτικής προστασίας. Η ουσιαστική αξιοποίησή της προϋποθέτει κατάλληλες υποδομές, ποιοτικά δεδομένα, τυποποιημένα πρωτόκολλα αξιολόγησης, θεσμική προσαρμογή και αποτελεσματική ενσωμάτωση στη διαδικασία λήψης αποφάσεων. Η εργασία αναδεικνύει, έτσι, την ανάγκη μετάβασης από μεμονωμένες τεχνολογικές εφαρμογές σε ολοκληρωμένα, ανθεκτικά και επιχειρησιακά ώριμα συστήματα διαχείρισης δασικών πυρκαγιών.","Wildfires constitute one of the most serious environmental, social, and economic threats in Europe, particularly in Mediterranean regions, where climate change, prolonged drought, and human activity intensify the frequency and severity of the phenomenon. This master’s thesis examines the effectiveness of artificial intelligence (AI)-based early warning systems for wildfire detection in comparison with conventional methods, with particular emphasis on the European context. The study is based on a systematic literature review and a comparative analysis of technologies and case studies. The body of studies examined was selected according to predefined inclusion and exclusion criteria, following the PRISMA methodological approach, and included a total of 46 studies. The analysis focused on four main categories of technologies, satellite-based approaches utilizing Copernicus and Sentinel-2 data, aerial applications involving UAVs, ground-based IoT and WSN sensor networks, and hybrid data fusion architectures. At the same time, contemporary deep learning models such as CNNs, YOLOv8, LSTMs, and Vision Transformers were examined. The findings indicate that AI systems generally outperform conventional methods in terms of processing speed, the ability to analyse complex and heterogeneous data, and the capacity for early detection of wildfire indicators. However, their effectiveness is not absolute, as it depends on the quality and representativeness of the data, the system architecture, the reliability of communication networks, interoperability, and the degree of operational integration. Particular emphasis is placed on hybrid and multi-layered systems, in which the fusion of data from different sources enhances the reliability of alerts and reduces uncertainty. In conclusion, artificial intelligence does not constitute a complete solution on its own, but rather a critical enabler for strengthening early warning systems and civil protection mechanisms. Its effective use requires appropriate infrastructure, high-quality data, standardized evaluation protocols, institutional adaptation, and successful integration into decision-making processes. This thesis therefore highlights the need to move from isolated technological applications toward integrated, resilient, and operationally mature wildfire management systems."],"dc:identifier":["uoadl:5413691","https://pergamos.lib.uoa.gr/uoa/dl/object/5413691"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["ΑΠΟΤΕΛΕΣΜΑΤΙΚΟΤΗΤΑ ΣΥΣΤΗΜΑΤΩΝ ΕΓΚΑΙΡΗΣ ΠΡΟΕΙΔΟΠΟΙΗΣΗΣ ΜΕ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΣΤΗΝ ΑΝΙΧΝΕΥΣΗ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:19:57Z"}