Ανίχνευση κινδύνου πυρκαγιάς με χρήση εργαλείων επεξεργασίας δεδομένων μεγάλου όγκου
Loading...
Date
2026-06-15
Authors
Στρογγυλόπουλος, Αθανάσιος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία επικεντρώνεται στο κρίσιμο ζήτημα της-έγκαιρης ανίχνευσης κινδύνου πυρκαγιάς, αξιοποιώντας σύγχρονες τεχνολογίες-επεξεργασίας δεδομένων μεγάλου όγκου (Big Data) και αλγορίθμους Μηχανικής-Μάθησης (Machine Learning). Αντικείμενο της μελέτης αποτελεί η ανάπτυξη, η-παραμετροποίηση και η συγκριτική αξιολόγηση τεσσάρων αναγνωρισμένων μοντέλων-ταξινόμησης: της Λογιστικής Παλινδρόμησης (Logistic Regression), των Τυχαίων-Δασών (Random Forest), του XGBoost και των Μηχανών Διανυσμάτων Υποστήριξης-(SVM).
Η ερευνητική διαδικασία ξεκίνησε με την εκτενή προεπεξεργασία και ανάλυση-των μεταβλητών της βάσης δεδομένων. Πραγματοποιήθηκε αξιολόγηση της-σημαντικότητας των χαρακτηριστικών (Feature Selection/Importance), προκειμένου-να προσδιοριστούν οι παράγοντες εκείνοι που επηρεάζουν καθοριστικά την εκδήλωση-πυρκαγιάς. Η διαδικασία αυτή επέτρεψε τον περιορισμό του θορύβου στα δεδομένα-και τη βελτίωση της υπολογιστικής απόδοσης των μοντέλων.
Στη συνέχεια, εφαρμόστηκε παραμετροποίηση (Hyperparameter Tuning) και-στους τέσσερις αλγορίθμους, με σκοπό τη βελτιστοποίηση των αποτελεσμάτων τους-και την αποφυγή φαινομένων υπερεκπαίδευσης (overfitting). Η σύγκριση των-μοντέλων έγινε με βάση διεθνή κριτήρια αξιολόγησης, όπως η Ακρίβεια (Accuracy),-το AUC και το F1-Score. Τα συμπεράσματα της μελέτης αναδεικνύουν το-καταλληλότερο μοντέλο για το συγκεκριμένο πρόβλημα, προσφέροντας ένα ισχυρό-εργαλείο πρόβλεψης που μπορεί να συνδράμει στη λήψη αποφάσεων για την πρόληψη-και την αντιμετώπιση των δασικών πυρκαγιών.
Description
Keywords
Ανίχνευση πυρκαγιάς, Μηχανική μάθηση, Παραμετροποίηση μοντέλων, Αξιολόγηση μεταβλητών