Εφαρμογή αλγορίθμων μηχανικής μάθησης στην πρόβλεψη του φαινομένου της αστικής θερμικής νησίδας με χρήση δορυφορικών δεδομένων

Παρώνη, Αικατερίνα - Αργυρή; Paroni, Aikaterina - Argyri

dc.contributor.author	Παρώνη, Αικατερίνα - Αργυρή	el
dc.contributor.author	Paroni, Aikaterina - Argyri	en
dc.date.accessioned	2026-02-09T08:37:53Z
dc.date.available	2026-02-09T08:37:53Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/63353
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.31048
dc.rights	Default License
dc.subject	Αστική θερμική νησίδα	el
dc.subject	Επιφανειακή θερμοκρασία	el
dc.subject	Δορυφορικά δεδομένα	el
dc.subject	Στρατηγικές μετριασμού	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Urban heat island	en
dc.subject	Land surface temperature	en
dc.subject	Satellite data	en
dc.subject	Mitigation strategies	en
dc.subject	Machine learning	en
dc.title	Εφαρμογή αλγορίθμων μηχανικής μάθησης στην πρόβλεψη του φαινομένου της αστικής θερμικής νησίδας με χρήση δορυφορικών δεδομένων	el
dc.title	Application of machine learning algorithms in predicting the urban heat island phenomenon using satellite data	en
heal.type	bachelorThesis
heal.classification	Γεωπληροφορική - Λογισμικό	el
heal.classification	Geoinformatics - Software	en
heal.classification	Μηχανική Μάθηση	el
heal.classification	Machine Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-07-07
heal.abstract	Το φαινόμενο της Αστικής Θερμικής Νησίδας ή Αστικής Θερμονησίδας (Urban Heat Island – UHI) αποτελεί ένα από τα σημαντικότερα περιβαλλοντικά προβλήματα που συνδέονται με την αστικοποίηση, οδηγώντας σε αυξημένες θερμοκρασίες στις πόλεις σε σχέση με τις περιβάλλουσες αγροτικές περιοχές. Οι επιπτώσεις του φαινομένου είναι πολυδιάστατες, καθώς σχετίζονται με την επιδείνωση των κλιματικών συνθηκών, την αύξηση της ενεργειακής κατανάλωσης, τη μείωση της ποιότητας του αέρα και τις αρνητικές επιδράσεις στη δημόσια υγεία. Στο πλαίσιο της παρούσας διπλωματικής εργασίας, επιχειρείται η ανάλυση και η πρόβλεψη της έντασης του φαινομένου της UHI με τη χρήση δορυφορικών δεδομένων και Μηχανικής Μάθησης, καθώς και η μελέτη των στρατηγικών μετριασμού, οι οποίες προκύπτουν από τις ήδη υπάρχουσες πολιτικές. Η διπλωματική εργασία εστιάζει στην αξιοποίηση δεδομένων από τον δορυφόρο Sentinel-3 για την καταγραφή της επιφανειακής θερμοκρασίας της γης (Land Surface Temperature – LST), καθώς και σε δεδομένα μετεωρολογικών, περιβαλλοντικών και ανθρωπογενών παραμέτρων. Με στόχο την βελτιστοποίηση της πρόβλεψης της UHI, εφαρμόζονται αλγόριθμοι Μηχανικής Μάθησης, μεταξύ των οποίων είναι οι Logistic Regression, Decision Tree, Random Forest, Support Vector Classifier, XGBoost και MLP Classifier. Οι αλγόριθμοι αυτοί συγκρίνονται ως προς την ακρίβειά τους, ενώ παράλληλα πραγματοποιείται ανάλυση της σημασίας των χαρακτηριστικών (Feature Importance) για την ερμηνεία των αποτελεσμάτων. Τα ευρήματα της μελέτης καταδεικνύουν ότι η χρήση δορυφορικών δεδομένων υψηλής χωρικής και χρονικής ανάλυσης, σε συνδυασμό με τα μοντέλα Μηχανικής Μάθησης, μπορεί να προσφέρει αξιόπιστες προβλέψεις για την ένταση του φαινομένου UHI, επιτρέποντας την έγκαιρη ανίχνευση των τάσεων του. Έτσι, αναδεικνύονται οι σημαντικότεροι παράγοντες που επηρεάζουν την UHI καθώς και οι αλγόριθμοι που παρουσιάζουν την μεγαλύτερη ακρίβεια στις προβλέψεις, επιβεβαιώνοντας την χρησιμότητα τους στην αποτύπωση του φαινομένου. Με βάση τα αποτελέσματα της μελέτης, αναλύονται οι πολιτικές που σχετίζονται με το συγκεκριμένο ζήτημα, δίνοντας έμφαση στις στρατηγικές μετριασμού της UHI τόσο σε διεθνές και σε ευρωπαϊκό όσο σε διεθνές και τοπικό επίπεδο. Εν κατακλείδι, η εργασία συμβάλλει στην κατανόηση του φαινομένου της Αστικής Θερμικής Νησίδας μέσω της συνδυαστικής χρήσης δορυφορικών δεδομένων και τεχνικών Μηχανικής Μάθησης, παρέχοντας χρήσιμα εργαλεία για την πρόβλεψη και την διαχείριση της. Τα αποτελέσματα μπορούν να αξιοποιηθούν τόσο από ερευνητές όσο και από φορείς χάραξης πολιτικής για την ανάπτυξη βιώσιμων στρατηγικών προσαρμογής στις αστικές κλιματικές προκλήσεις.	el
heal.abstract	The Urban Heat Island (UHI) phenomenon is one of the most significant environmental challenges associated with urbanization, leading to elevated temperatures in cities compared to surrounding rural areas. The implications of this phenomenon are multidimensional, affecting climate conditions, increasing energy consumption, reducing air quality, and negatively impacting public health. This diploma thesis aims to analyze and predict the intensity of UHI using satellite data and Machine Learning (ML) techniques while also exploring mitigation strategies derived from existing policies. This study focuses on utilizing data from the Sentinel-3 satellite to record Land Surface Temperature (LST) alongside meteorological, environmental and anthropogenic parameters. In order to optimize UHI prediction, advanced Machine Learning algorithms are implemented, including Logistic Regression, Decision Tree, Random Forest, Support Vector Classifier, XGBoost and MLP Classifier. These algorithms are compared based on their accuracy and a feature importance analysis in conducted to interpret the results. The findings of this research highlight that high-resolution satellite data, combined with ML models, can provide reliable predictions of UHI intensity, enabling early trend detection. The study identifies key factors influencing UHI and determines the most accurate predictive algorithms, confirming their usefulness in assessing the phenomenon. Based on the study’s results, relevant policies are analyzed, emphasizing UHI mitigation strategies at international, European, national and local levels . In conclusion, this thesis enhances the understanding of the Urban Heat Island effect through the combined use of satellite data and Machine Learning techniques, offering valuable tools for prediction and management. The results can be utilized by researchers and policymakers to develop sustainable adaptation strategies for urban climate challenges.	en
heal.advisorName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Μπακογιάννης, Ευθύμιος	el
heal.committeeMemberName	Βεσκούκης, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	143 σ.	el
heal.fullTextAvailability	false