National and Kapodistrian University of Athens
Evaluating Agentic AI for Code Generation in Earth Observation and Thermal Remote Sensing Domains
Abstract
dc:descriptionΤα συστήματα Τεχνητής Νοημοσύνης με αυτόνομους πράκτορες διερευνώνται ολοένα και περισσότερο ως εργαλεία υποστήριξης σύνθετων αναλυτικών ροών σε επιστημονικούς και τεχνικούς τομείς. Στην Παρατήρηση της Γης (Earth Observation – EO) και τη θερμική τηλεπισκόπηση, η αξιόπιστη παραγωγή κώδικα για το Google Earth Engine (GEE) απαιτεί περισσότερα από απλές προγραμματιστικές ικανότητες: εξαρτάται από την ορθή επιλογή συνόλων δεδομένων, την κατανόηση της σημασιολογίας των φασματικών ζωνών, τη σωστή διαχείριση των δεδομένων διασφάλισης ποιότητας, την εφαρμογή των κατάλληλων συντελεστών κλιμάκωσης, τη χρονική συνάθροιση και τη γεωχωρική ερμηνεία. Στην παρούσα εργασία, η εφαρμογή ανοικτού κώδικα Gendox επεκτάθηκε ώστε να υποστηρίζει την παραγωγή και την αξιολόγηση κώδικα προσανατολισμένου σε εφαρμογές Παρατήρησης της Γης. Το σύστημα εμπλουτίστηκε με λειτουργίες ερμηνείας εργασιών (tasks), παραγωγής με επαυξημένη ανάκτηση πληροφοριών (Retrieval-Augmented Generation – RAG), παραγωγής κώδικα GEE, οπτικοποίησης βάσει χαρτών και υποβοηθούμενης από Τεχνητή Νοημοσύνη αξιολόγησης των παραγόμενων αποτελεσμάτων. Οι παραγόμενες ροές ανάλυσης δημιουργούν γεωχωρικά αποτελέσματα, τα οποία προβάλλονται σε διαδραστικό χάρτη, ενώ το υποσύστημα αξιολόγησης μέσω Τεχνητής Νοημοσύνης ερμηνεύει τα οπτικά αποτελέσματα και εκτιμά τη συνάφειά τους με το αρχικό αναλυτικό αίτημα. Ως μελέτη περίπτωσης χρησιμοποιείται η Μητροπολιτική Περιοχή της Αθήνας, όπου οι επαναλαμβανόμενοι θερινοί καύσωνες καθιστούν ιδιαίτερα σημαντική τη θερμική ανάλυση μέσω δορυφορικών δεδομένων. Η αξιολόγηση βασίζεται σε δώδεκα σενάρια χρήσης, τα οποία εξελίσσονται από βασικές ροές ανάλυσης Παρατήρησης της Γης σε σύνθετα σενάρια ανάλυσης, εφαρμογές θερμικής τηλεπισκόπησης και εφαρμοσμένες αναλύσεις αστικής θερμότητας. Η αστική μελέτη περίπτωσης παρήγαγε ερμηνεύσιμα αποτελέσματα για την Αθήνα, τα οποία περιλαμβάνουν ανάλυση της βλάστησης και της υγρασίας, ταξινομήσεις έκθεσης στη θερμότητα, επιδράσεις δροσισμού από πράσινες υποδομές και την ένταση της Επιφανειακής Αστικής Θερμικής Νησίδας (Surface Urban Heat Island – SUHI). Στα πιο προηγμένα σενάρια, οι παραγόμενες αναλύσεις παρείχαν ενδεικτικές εκτιμήσεις, μεταξύ των οποίων αύξηση της μέσης θερινής Θερμοκρασίας Επιφάνειας Εδάφους (Land Surface Temperature – LST) από 43,56 °C το 2025 σε 45,28 °C σε ένα σενάριο για το 2030, καθώς και ένταση SUHI περίπου 1,80 °C μεταξύ αστικών και αγροτικών περιοχών αναφοράς κατά το καλοκαίρι του 2025. Σε ποιοτικό επίπεδο, οι ροές ανάλυσης αξιολογούνται ως προς τη χρησιμότητα, την ερμηνευσιμότητα και τη μεθοδολογική τους ορθότητα. Σε ποσοτικό επίπεδο, συγκρίνονται πέντε εμπορικά μοντέλα και μοντέλα ανοικτών βαρών, με τη χρήση βαθμολογιών βάσει κριτηρίων για την ορθότητα του κώδικα, την επιτυχή εκτέλεση, την ανθεκτικότητα και την ποιότητα των επεξηγήσεων. Τα αποτελέσματα δείχνουν ότι τα μοντέλα αιχμής ανταποκρίθηκαν στο σύνολο δοκιμών αξιολόγησης με υψηλή αξιοπιστία. Το Gemini 3.5 Flash πέτυχε την υψηλότερη μέση βαθμολογία παραγωγής κώδικα, με 9,50/10, ενώ το Gemini 3.1 Pro ακολούθησε με μικρή διαφορά, επιτυγχάνοντας 9,42/10 και το υψηλότερο ποσοστό πλήρως επιτυχούς εκτέλεσης, το οποίο ανήλθε σε 92%. Ισχυρή επίδοση είχε επίσης το Claude Sonnet 4.6, με βαθμολογία 9,08/10. Συνολικά, η διατριβή καταλήγει στο συμπέρασμα ότι η Τεχνητή Νοημοσύνη με αυτόνομους πράκτορες, όταν συνδυάζεται με θεμελίωση μέσω ανάκτησης πληροφοριών και ελεγχόμενη βελτίωση, μπορεί να αποτελέσει έναν ιδιαίτερα αποτελεσματικό βοηθό για την παραγωγή κώδικα σε εφαρμογές Παρατήρησης της Γης.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- ΣΕΚΑΣ ΧΡΗΣΤΟΣ
- SEKAS CHRISTOS
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:5428599