| dc.contributor.advisor | Μανιάτης, Ιωάννης | |
| dc.contributor.author | Δογάνη, Δέσποινα - Ιώ | |
| dc.date.accessioned | 2026-03-26T07:45:37Z | |
| dc.date.available | 2026-03-26T07:45:37Z | |
| dc.date.issued | 2025 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19065 | |
| dc.description.abstract | Στην παρούσα εργασία εξετάζονται χωρικά και χρονικά τα συμβάντα ενάρξεων δασικών πυρκαγιών στην Ελλάδα την περίοδο 2000-2024, τη χρήση εργαλείων των Γεωγραφικών Συστημάτων Πληροφοριών, με στόχο την κατανόηση των παραγόντων που σχετίζονται με την εκδήλωση του φαινομένου, την ανάδειξη τάσεων και μοτίβων στο χώρο και τον χρόνο, καθώς και την ανάπτυξη μοντέλου πρόβλεψης επικινδυνότητας. Η διερεύνηση των προτύπων αυτών συμβάλλει στην καλύτερη κατανόηση της δυναμικής των δασικών πυρκαγιών και στην υποστήριξη του προληπτικού σχεδιασμού.
Αρχικά, σε θεωρητικό πλαίσιο πραγματοποιήθηκε βιβλιογραφική ανασκόπηση των δασικών πυρκαγιών, με έμφαση στους παράγοντες που επηρεάζουν την έναρξη συμβάντος. Παράλληλα εξετάστηκε η συμβολή των Γεωγραφικών Συστημάτων Πληροφοριών ως εργαλείο ανάλυσης, διαχείρισης και υποστήριξης στη λήψη αποφάσεων σε περιβάλλοντα φυσικών κινδύνων, καθώς και η σημασία τους στην κατανόηση σύνθετων φαινομένων που συνδέονται με την κλιματική αλλαγή. Επιπλέον, μελετήθηκε ο ρόλος των μοντέλων μηχανικής μάθησης και η αξιοποίηση τους σε συνδυασμό με τα γεωχωρικά δεδομένα και για την πρόβλεψη πιθανών μελλοντικών συμβάντων.
Στο επόμενο στάδιο, το πρακτικό μέρος της εργασίας, πραγματοποιήθηκε η συλλογή και επεξεργασία των δεδομένων, τα οποία οργανώθηκαν και μετασχηματίστηκαν σε κατάλληλη μορφή για την ανάλυση. Η μεθοδολογική προσέγγιση εδώ, λόγω περιορισμού στα δεδομένα ως προς την ακριβή γεωγραφική τους θέση έως και το έτος 2019, διαφοροποιείται για τις δύο αυτές περιόδους, πριν το 2020 και μετά. Συγκεκριμένα, για την πρώτη περίοδο πραγματοποιήθηκε πιο γενικευμένη χωρική ανάλυση σε επίπεδο επιχειρησιακών πολυγώνων (πολύγωνα υπηρεσιών), με στόχο την αποτύπωση της κατανομής των ενάρξεων αλλά και της καμένης έκτασης όπως αυτή είναι διαθέσιμη μέσα από τα δεδομένα ενάρξεων. Αντίθετα για την περίοδο 2020-2024, όπου υπήρχαν διαθέσιμα ακριβή χωρικά δεδομένα, κατέστη δυνατός ο εμπλουτισμός των σημείων ενάρξεων με επιπλέον γεωχωρικές και κλιματικές μεταβλητές όπως το υψόμετρο, η κλίση εδάφους, οι χρήσεις γης, η πυκνότητα πληθυσμού, ο δείκτης ξηρασίας και η μέση θερμοκρασία.
Ακολούθησε η χρονική και χωρική ανάλυση των δεδομένων και η ανάπτυξη εφαρμογών για την καλύτερη παρουσίαση των δεδομένων και των αποτελεσμάτων. Τέλος εφαρμόστηκε μοντέλο μηχανικής μάθησης Random Forest, το οποίο εκπαιδεύτηκε με τα υπάρχοντα δεδομένα και αξιολογήθηκε με στόχο την πρόβλεψη της πιθανότητας κινδύνου έναρξης συμβάντος δασικής πυρκαγιάς.
Τα αποτελέσματα της ανάλυσης ανέδειξαν σαφή χωρικά και χρονικά πρότυπα, με τις ενάρξεις να σχετίζονται κυρίως με ανθρωπογενείς δραστηριότητες και να εντοπίζονται σε αγροτικές περιοχές. Παρατηρήθηκε έντονη εποχικότητα, με αυξημένη συχνότητα κατά τους θερινούς μήνες, καθώς και συγκέντρωση των συμβάντων κατά τις μεσημεριανές και απογευματινές ώρες. Παράλληλα, διαπιστώθηκε ότι μεγάλες καμένες εκτάσεις συνδέονται με μεμονωμένα αλλά ιδιαίτερα έντονα συμβάντα. Το μοντέλο πρόβλεψης παρουσίασε ικανοποιητική απόδοση και ανέδειξε περιοχές αυξημένου κινδύνου, επιβεβαιώνοντας τη συμβολή των γεωχωρικών τεχνολογιών και της μηχανικής μάθησης στη μελέτη και διαχείριση κρίσεων και ειδικότερα των δασικών πυρκαγιών. | el |
| dc.format.extent | 52 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Χώρο-χρονική ανάλυση σημείων έναρξης δασικών πυρκαγιών με τη χρήση των γεωγραφικών συστημάτων πληροφοριών. Για την χρονική περίοδο 2020-2024 | el |
| dc.title.alternative | Spatio-temporal analysis of wildfires ignitions using geographic information systems | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | This study examines spatial and temporal patterns of wildfire ignition events in Greece for the period 2000-2024, utilizing Geographic Information Systems tools. The aim is to understand the factors associated with wildfire occurrence, identify trends and patterns in both space and time, and develop a predictive model of ignition risk. The analysis of these patterns contributes to a better understanding of wildfire dynamics and supports preventive planning.
Initially, a literature review was conducted, focusing on wildfires and the key factors influencing ignition events. At the same time, the role of GIS as tool for analysis, management and decision support in natural hazard environments was examined, as well as its importance in understanding complex phenomena related to climate change. In addition, the role of machine learning models and their integration with geospatial data for predicting potential future events was investigated.
Next, corresponding to the practical component of the study, data were collected, processed and transformed into an appropriate format for analysis. Due to limitations in the spatial accuracy of the data prior to 2020, the methodological approach was distinguished between the two different time periods. Specifically, for the period up to 2019, a more generalized spatial analysis was conducted at the level of operational service areas, aiming to capture the distribution of ignition events and burned areas. In the other hand, for the period 2020-2024, where accurate spatial coordinates were available, ignition points were enriched with additional geospatial and climate variables, including elevation, slope, land use, population density, drought index and mean temperature.
Subsequently, spatial and temporal analyses were carried out, along with the development of applications and interactive maps for improved visualization of the data and the results. Finally, a Random Forest machine learning model was implemented, trained on the available data and evaluated to predict the probability of wildfire ignition incidents.
The results revealed spatial and temporal patterns, with ignition events primarily associated with human activities and predominantly occurring in agriculture and mixed areas. Strong seasonality was also observed. The predictive model demonstrated satisfactory performance and identified areas of increased risk, confirming the contribution of geospatial technologies and machine learning to the study and management of wildfire related risk. | el |
| dc.contributor.master | Κλιματική Κρίση και Τεχνολογίες Πληροφορικής και Επικοινωνιών / MSc in Climate Crisis and Information and Communication Technologies | el |
| dc.subject.keyword | Δασικές πυρκαγιές | el |
| dc.subject.keyword | Γεωγραφικά συστήματα πληροφοριών | el |
| dc.subject.keyword | Χωρική ανάλυση | el |
| dc.subject.keyword | Διαχείριση κινδύνου | el |
| dc.date.defense | 2025-10 | |
