Πρόβλεψη έκτακτων καιρικών φαινομένων με χρήση ταξινομητών για την έγκαιρη προειδοποίηση των πολιτών σε μεγάλες πόλεις της Ελλάδας

Σασσάνη, Σοφία; Sassani, Sofia; Δρής, Άγγελος; Dris, Angelos

dc.contributor.author	Σασσάνη, Σοφία	el
dc.contributor.author	Sassani, Sofia	en
dc.contributor.author	Δρής, Άγγελος	el
dc.contributor.author	Dris, Angelos	en
dc.date.accessioned	2021-03-01T12:30:13Z
dc.date.available	2021-03-01T12:30:13Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52937
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20635
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Τεχνο-οικονομικά συστήματα”
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/3.0/gr/	*
dc.subject	Μετεωρολογικά και υδρολογικά φαινόμενα	el
dc.subject	Συστήματα έγκαιρης προειδοποίησης,	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Αλγόριθμοι ταξινόμησης	el
dc.subject	Ανάλυση ευαισθησίας	el
dc.subject	Meteorological and hydrological phenomena	en
dc.subject	Early warning systems	en
dc.subject	Machine learning	en
dc.subject	Classification algorithms	en
dc.subject	Sensitivity analysis	en
dc.title	Πρόβλεψη έκτακτων καιρικών φαινομένων με χρήση ταξινομητών για την έγκαιρη προειδοποίηση των πολιτών σε μεγάλες πόλεις της Ελλάδας	el
dc.title	Use of classifiers for weather forecasting in major cities in Greece for the early warning of citizens	en
heal.type	masterThesis
heal.classification	Μέθοδοι Προβλέψεων	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2021-02-22
heal.abstract	Τα τελευταία χρόνια έχει παρατηρηθεί, ανά τακτά χρονικά διαστήματα και ως απόρροια της κλιματικής αλλαγής, η όλο και πιο συχνή εμφάνιση έντονων καιρικών φαινομένων, τόσο στον ευρωπαϊκό όσο και στον ελλαδικό χώρο, γεγονός που επισύρει δυσμενείς κοινωνικο - οικονομικές συνέπειες για τις περιοχές που υφίστανται τα φαινόμενα. Ειδικότερα, στην Ελλάδα τόσο στην πρωτεύουσα όσο και στην περιφέρεια, η αδυναμία της πολιτείας να παρουσιάσει τον κατάλληλο βαθμό ετοιμότητας μπροστά σε τέτοια συμβάντα, και τα συνοδά γεγονότα, όπως οι απώλειες ανθρώπινων ζωών και περιουσιών, οι καταστροφές οδικών δικτύων κ.λπ., αποτέλεσαν το κίνητρο για τη συγκεκριμένη μελέτη. Στόχος της παρούσας εργασίας υπήρξε η πρόβλεψη μελλοντικής εμφάνισης έντονων καιρικών φαινομένων σε μεγάλες πόλεις της Ελλάδας, με τη χρήση κατάλληλων αλγορίθμων μηχανικής μάθησης. Χρησιμοποιήθηκαν τρείς δυαδικοί ταξινομητές, Logistic Regression, Random Forests και k – NN, οι οποίοι εκπαιδεύτηκαν να αναγνωρίζουν την ύπαρξη καιρικού φαινομένου ή ηλιοφάνειας, ανάλογα με τα μετεωρολογικά δεδομένα που τους δόθηκαν. Τα μετεωρολογικά δεδομένα, που χρησιμοποιήθηκαν για την εκπαίδευση των ταξινομητών και τα οποία συνδυάστηκαν με καταγραφές έντονων καιρικών φαινομένων, όπως οι θυελλώδεις άνεμοι, οι χαλαζοπτώσεις, οι καταιγίδες κ.λπ., αφορούσαν σε τιμές ύψους υετού, θερμοκρασίας και ανέμου οι οποίες ελήφθησαν για διάφορες πόλεις της Ελλάδας, σε βάθος εικοσαετίας (2000 - 2019), από την Εθνική Μετεωρολογική Υπηρεσία. Βάσει των δεικτών απόδοσης για τις προβλέψεις των τριών αλγορίθμων, ο αλγόριθμος Logistic Regression ήταν εκείνος που απέδωσε τις καλύτερες προβλέψεις εμφάνισης φαινομένου για όλες τις πόλεις και κυρίως για τα δυτικά προάστια της Αττικής και την Κοζάνη. Ο Logistic Regression, επίσης, έδειξε να επηρεάζεται λιγότερο από ανακριβείς μετεωρολογικές προβλέψεις, στο πλαίσιο της ανάλυσης ευαισθησίας που εκπονήθηκε και κατά την οποία μεταβλήθηκαν οι τιμές των μετεωρολογικών παραμέτρων διαδοχικά και όλες μαζί. Τα αποτελέσματα που ελήφθησαν από τη συγκεκριμένη μελέτη δείχνουν ότι οι δύο από τους τρεις αλγόριθμους που εξετάσθηκαν είναι ικανοί, εάν τους παρασχεθούν μελλοντικές μετεωρολογικές προβλέψεις, να δώσουν σωστή πρόβλεψη για την ύπαρξη κάποιου επικείμενου επικίνδυνου φαινομένου καθιστώντας τους σημαντικό κομμάτι του πυρήνα ενός Συστήματος Έγκαιρης Προειδοποίησης, για την έγκαιρη προειδοποίηση των πολιτών με στόχο την προστασία τους από επικίνδυνα φαινόμενα. Η περαιτέρω διερεύνηση των περιορισμών που αφορούν στα σύνολα δεδομένων εκπαίδευσης των ταξινομητών θα μπορούσε να ισχυροποιήσει ακόμη περισσότερο την απόδοση και την αξιοπιστία τους.	el
heal.abstract	Nowadays, the frequent appearance of severe weather phenomena, has been observed, as a result of climate change. Their increasing occurrence has caused socio - economic consequences globally, including our country. The lack of adequate preparation of citizens and infrastructures both in the capital and the provinces of Greece, and the accompanied events, such as deaths of people, losses of personal properties, disasters of the road networks etc. was the motivation of this study. Hence, the aim of this thesis was the forecasting of future severe phenomena in major cities, in Greece, using appropriate machine learning algorithms. Three binary classifiers were used, Logistic Regression, Random Forests, and k – NN. They were trained to recognize the occurrence of either weather phenomenon or sunshine, depending on the given meteorological data. The aforementioned meteorological data (i.e. precipitation height, temperature, and wind data) were obtained for different greek cities, from the Hellenic National Meteorological Service, over a period of twenty years (2000 - 2019) and were combined with the recordings of severe weather phenomena, such as stormy winds, hailstorms, storms, etc. According to the evaluation of the performance of the binary classifiers applied, it was revealed that the Logistic Regression algorithm was the most reliable among the three for all cities and especially for the western suburbs of Attica and Kozani. A sensitivity analysis was also conducted by changing the values of some meteorological parameters, firstly consecutively and then simultaneously. According to this analysis, Logistic Regression was also the less affected algorithm by the inaccurate meteorological forecasts. The results obtained from this study demonstrate that two of the three algorithms examined, are able to give reliable predictions for unexpected phenomena; in the case of given future meteorological forecasts. This ability of the classifiers could be useful in the Early Warning Systems, for the timely and accurate warning and for the proper preparation of communities; against severe phenomena. Further investigation of the limitations of training datasets could further enhance the performance and reliability of the classifiers.	en
heal.advisorName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Δούκας, Χρυσόστομος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	80 σ.	el
heal.fullTextAvailability	false