MSc in Information Systems and Digital Innovation

Χρήση δεδομένων από κοινωνικά δίκτυα για ανάλυση και πρόβλεψη ακραίων καιρικών φαινομένων: Συστηματική Ανασκόπηση

2025-07-22T12:41:22Z

Χρήση δεδομένων από κοινωνικά δίκτυα για ανάλυση και πρόβλεψη ακραίων καιρικών φαινομένων: Συστηματική Ανασκόπηση Αδαμάρας, Βασίλειος Η παρούσα διπλωματική εργασία αποτελεί μια συστηματική ανασκόπηση της διεθνούς βιβλιογραφίας σχετικά με τη χρήση δεδομένων από κοινωνικά δίκτυα και ειδικότερα από το Twitter/X για την ανάλυση και πρόβλεψη ακραίων καιρικών φαινομένων. Μεταξύ 2020-2025 εντοπίστηκαν 47 μελέτες, οι οποίες συλλέχθηκαν και αξιολογήθηκαν με το πρωτόκολλο PRISMA, βάσει σαφών κριτηρίων ένταξης και αποκλεισμού. Η μεθοδολογία ακολουθεί μικτή προσέγγιση, συνδυάζοντας ποσοτική σύγκριση μετρικών με ποιοτική θεματική σύνθεση των ερευνητικών κενών. Τα αποτελέσματα δείχνουν εκθετική αύξηση του ερευνητικού ενδιαφέροντος μετά το 2020, με κορύφωση το 2023. Οι πλημμύρες αποτελούν το συχνότερο αντικείμενο (32%), ακολουθούμενες από τροπικούς κυκλώνες, καύσωνες, πυρκαγιές και κατολισθήσεις. Η γεωγραφική κάλυψη παραμένει άνιση, καθώς τα περισσότερα tweets προέρχονται από αστικά κέντρα ανεπτυγμένων χωρών, αφήνοντας αγροτικές περιοχές και φαινόμενα, όπως η ξηρασία υπο-εκπροσωπούμενα. Μία μερίδα μελετών συνδυάζει τα κοινωνικά δεδομένα με δορυφορικές ή αισθητηριακές πηγές, ενισχύοντας την εγκυρότητα των ευρημάτων. Σε τεχνολογικό επίπεδο, τα κλασικά μοντέλα SVM και Random Forest χρησιμοποιούνται για γρήγορο φιλτράρισμα, όμως οι καλύτερες επιδόσεις επιτυγχάνονται με σύγχρονα μοντέλα βαθιάς μάθησης, BERT, transformers και υβριδικά δίκτυα κειμένου-εικόνας, αυξάνοντας την ακρίβεια ανάκτησης κρίσιμων πληροφοριών και αιτημάτων βοήθειας. Παράλληλα υιοθετούνται αρχιτεκτονικές Μεγάλα Δεδομένα (Big Data) pipelines μέσω χρήσης εργαλείων, όπως το Spark και το Hadoop για επεξεργασία σε πραγματικό χρόνο. Οι κύριοι άξονες εφαρμογής περιλαμβάνουν έγκαιρη ανίχνευση συμβάντων, αυτόματη εξαγωγή αιτημάτων διάσωσης, εκτίμηση ζημιών υποδομών και σε ποσοστό 30%, ανάλυση συναισθήματος για αποτύπωση ψυχοκοινωνικού αντίκτυπου. Παρά τα οφέλη, αναδεικνύονται σοβαρές προκλήσεις όπως υψηλός «θόρυβος» και σαρκασμός στα σύντομα μηνύματα, περιορισμένος γεωεντοπισμός (<2%), αλγοριθμικές μεροληψίες και ζητήματα ιδιωτικότητας των χρηστών. Η επισκόπηση επισημαίνει επίσης την έλλειψη κοινών προτύπων αξιολόγησης, καθώς μόνον το 42% των μελετών δημοσιοποιεί ανοικτά τα σύνολα δεδομένων και τον κώδικα. Τέλος, υπογραμμίζεται η ανάγκη συνεχούς επικύρωσης των προβλέψεων σε συνεργασία με τις τοπικές αρχές πολιτικής προστασίας, ώστε οι αλγοριθμικές εξαγωγές και τα αποτελέσματα να μετατρέπονται άμεσα σε επιχειρησιακές αποφάσεις. Συνολικά, τα κοινωνικά δίκτυα μπορούν να λειτουργήσουν ως συμπληρωματικός «αισθητήρας των πολιτών» για έγκαιρη προειδοποίηση και εκτίμηση επιπτώσεων. Η εργασία εισηγείται (α) ανάπτυξη πολυτροπικών, ερμηνεύσιμων μοντέλων AI, (β) ενοποίηση των κοινωνικών δικτυών με δορυφορικά και IoT δεδομένα, (γ) ανοικτά σύνολα δεδομένων και (δ) διεπιστημονική συνεργασία επιστημόνων, μετεωρολόγων και νομικών, ενισχυμένη από καμπάνιες ενημέρωσης των πολιτών

Μελέτη μεθόδων τεχνητής νοημοσύνης για τη πρόβλεψη χρονοσειρών θαλάσσιας επιφανειακής θερμοκρασίας και εφαρμογή στο Βόρειο Αιγαίο

2025-07-22T12:34:28Z

Μελέτη μεθόδων τεχνητής νοημοσύνης για τη πρόβλεψη χρονοσειρών θαλάσσιας επιφανειακής θερμοκρασίας και εφαρμογή στο Βόρειο Αιγαίο Μαυρουδή, Ασπασία Το μεγαλύτερο μέρος του πλανήτη μας, καλύπτεται από θάλασσα. Η θερμοκρασία της επιφάνειας της θάλασσας (SST), κατέχει καίριο ρόλο στην ισορροπία του περιβάλλοντος. Η όσο το δυνατόν πιο ακριβής πρόβλεψη SST, είναι εξαιρετικά σημαντική για την έγκαιρη ανταπόκριση στις αρνητικές επιπτώσεις της κλιματικής αλλαγής και όχι μόνο. Η παρούσα μελέτη, εστιάζει στους σύγχρονους τεχνολογικούς τρόπους της τεχνητής νοημοσύνης, που βασίζονται σε δεδομένα, για την παραγωγή προγνωστικών μοντέλων της SST. Για την χαρτογράφηση των προηγούμενων ερευνών στο θέμα αυτό, υιοθετήθηκαν οι κατευθυντήριες γραμμές του προτύπου PRISMA και διενεργήθηκε η βιβλιογραφική ανασκόπηση 27 δημοσιεύσεων. Από αυτές, προέκυψε ότι η ερευνητική κοινότητα στρέφει το ενδιαφέρον της, σε μοντέλα που βασίζονται στα νευρωνικά δίκτυα LSTM και CNN ως επί το πλείστων για την πρόβλεψη SST. Η προγνωστική ικανότητα των μοντέλων αξιολογείται με δείκτες σφάλματος (όπως RMSE, ΜΑΕ, MAPE κ.α.) και τα αποτελέσματα της σχετικής βιβλιογραφίας παρουσιάζονται συγκεντρωτικά. Για τη διεξαγωγή της πειραματικής διαδικασίας, το πρόβλημα ορίστηκε ως πρόβλημα πρόβλεψης μελλοντικών τιμών χρονοσειράς SST και αναπτύχθηκε ένα δίκτυο LSTM με την γλώσσα προγραμματισμού Python. Στο πλαίσιο αυτό, ημερήσια δορυφορικά δεδομένα σχεδόν 41 ετών (25/08/1981 έως 16/05/2022) για σημείο του Βορείου Αιγαίου, αντλήθηκαν από το προϊόν επανεπεξεργασίας και βέλτιστης παρεμβολής MED-REP-L4 του Copernicus Marine Service και χρησιμοποιήθηκαν για την εκπαίδευση και δοκιμή του πειραματικού μοντέλου. Το πειραματικό μοντέλο δοκιμάστηκε συνολικά σε σχεδόν έξι χρόνια στην πρόβλεψη μιας ημέρας, κάνοντας χρήση των προηγούμενων δώδεκα. Τα αποτελέσματα έδειξαν, ότι το προτεινόμενο μοντέλο έχει ικανοποιητική ακρίβεια σε σχέση με τις προηγούμενες σχετικές έρευνες, με συνολικό σφάλμα RMSE 0,453°C και MAE 0,315°C. Η απόδοση του συγκρίθηκε επιπλέον, με δύο μοντέλα που βασίζονται σε στατιστικές τεχνικές και δύο μηχανικής μάθησης, για το ίδιο σύνολο δεδομένων. Από τα συγκριτικά αποτελέσματα, προκύπτει ότι ακόμη και σε μια ρηχή αρχιτεκτονική ενός κρυφού επιπέδου, που δημιουργήθηκε στα πλαίσια της παρούσας εργασίας, το προτεινόμενο μοντέλο LSTM αποδίδει καλύτερες τιμές σε όλους τους δείκτες σφάλματος σε σχέση με τα υπόλοιπα μοντέλα, χωρίς όμως να διαφέρουν σημαντικά, αλλά καταδεικνύοντας την εξαιρετικά υπολογίσιμη απόδοση, θέτοντας έτσι ισχυρά θεμέλια για την ικανότητά του και την περαιτέρω βελτίωσή του. ENGLISH ABSTRACT Most of our planet is covered by sea. Sea surface temperature (SST) plays a crucial role in the balance of the environment. SST prediction as accurate as possible is extremely important for timely response to the negative effects of climate change and beyond. This study focuses on modern data-driven artificial intelligence technologies for producing SST predictive models. To map previous research for this topic, the PRISMA guidelines were adopted and a literature review of 27 publications was conducted. From these, it emerged that the research community is turning its interest to models based mostly on LSTM and CNN neural networks for SST forecasting. The predictive ability of the models is evaluated with error indicators (such as RMSE, MAE, MAPE, etc.) and the results of the relevant literature are presented aggregated. To conduct the experimental procedure, the problem was defined as a prediction problem of future SST time series values, and an LSTM network was developed with the Python programming language. In this context, almost 41 years of daily satellite data (25/08/1981 to 16/05/2022) for a point in the North Aegean, were extracted from the reprocessing and optimal interpolation MED-REP-L4 product of the Copernicus Marine Service and used for training and testing the experimental model. The experimental model was tested over a total of nearly six years in one-day ahead forecasting, making use of the previous twelve. The results showed that the proposed model has satisfactory accuracy compared to the previous related research, with a total RMSE error of 0.453°C and an MAE of 0.315°C. Its performance, was further compared with two models based on statistical techniques and two machine learning models, for the same dataset. From the comparative results, it emerges that even in a shallow architecture of a hidden layer, created in the context of this work, the proposed LSTM model yields better values in all error indices than the rest of the models, without being significantly different, but demonstrating highly predictable performance, thus laying a strong foundation for its ability and further improvement

Μελέτη και υλοποίηση αλγορίθμων τεχνητής νοημοσύνης για την επεξεργασία φυσικής γλώσσας

2025-07-22T12:29:19Z

Μελέτη και υλοποίηση αλγορίθμων τεχνητής νοημοσύνης για την επεξεργασία φυσικής γλώσσας Στουφή, Διονύσιου Η επεξεργασία της φυσικής γλώσσας είναι ένας ραγδαία αναπτυσσόμενος κλάδος της τεχνητής νοημοσύνης που ασχολείται με την αλληλεπίδραση των υπολογιστών και ανθρώπων και την ικανότητα του υπολογιστή να αναγνωρίσει την ανθρώπινη (φυσική) γλώσσα, είτε αυτή είναι σε γραπτή μορφή είτε σε προφορική. Η ικανότητα αυτή είναι μεγάλης σημασίας για επιχειρήσεις γιατί ένα μεγάλο μέρος όλων των αδόμητων δεδομένων που δημιουργεί το διαδίκτυο είναι στην φυσική γλώσσα. Η έρευνα στην επεξεργασία φυσικής γλώσσας συνδυάζει περισσότερες από μία επιστήμες, όπως η επιστήμη των υπολογιστών, η γλωσσολογία, η ψυχολογία κλπ. Στόχος της εργασίας είναι να μελετήσει και να παρουσιάσει κάποιους από τους πιο γνωστούς αλγόριθμους της επεξεργασίας φυσικής γλώσσας, αφού πρώτα γίνει η, από το μηδέν υλοποίηση τους στην προγραμματιστική γλώσσα Python. Να τονισθεί ότι δεν χρησιμοποιήθηκε καμία βιβλιοθήκη που υπάρχει στο διαδίκτυο μιας και ο απώτερος σκοπός της παρούσας διατριβής είναι, όπως προαναφέρθηκε η μελέτη σε βάθος διαφόρων αλγόριθμων αλλά και παράλληλα η περαιτέρω εκμάθηση της γλώσσας Python. ENGLISH ABSTRACT Natural language processing is a rapidly growing branch of artificial intelligence that deals with the interaction of computers and humans and the computer's ability to recognize human (natural) language, weather in written or oral form. This ability is of great importance to businesses because a large part of all the unstructured data generated by the internet is in natural language. Natural language processing research combines more than one science, such as computer science, linguistics, psychology etc. This paper’s aim is to study and present some of the most well-known natural language processing algorithms, after first implementing them from scratch in the Python programming language. It should be emphasized that no NLP library was used since the ultimate purpose of this thesis is, as mentioned above, the in-depth study of various algorithms but also the further learning of the Python language.

Εφαρμογές της Τεχνητής Νοημοσύνης στη Σεισμολογία με τη χρήση Python.

2025-07-22T12:14:16Z

Εφαρμογές της Τεχνητής Νοημοσύνης στη Σεισμολογία με τη χρήση Python. Καρβέλα, Αρετή Η Πληροφορική και ο τομέας των Πληροφοριακών Συστημάτων αποτελεί έναν κλάδο της επιστήμης όπου βρίσκει εφαρμογές σε πολλές από τις επιστήμες καθώς παρέχει αρκετά εργαλεία τα οποία μπορούν να λειτουργήσουν ως λύση σε αρκετά προβλήματα τα οποία αντιμετωπίζουν είτε να βοηθήσουν στην πιο εύκολη εξαγωγή αποτελεσμάτων. Ο τομέας της τεχνητής νοημοσύνης (AI) έχει δει τεράστια ανάπτυξη τα τελευταία χρόνια, με ένα ευρύ φάσμα εφαρμογών σε διάφορους κλάδους. Ένας τομέας όπου η τεχνητή νοημοσύνη μπορεί να είναι σημαντικός είναι η ανάλυση των σεισμικών δεδομένων για την πρόβλεψη σεισμών. Τα σεισμικά δεδομένα, που συλλέγονται μέσω της χρήσης σεισμικών κυμάτων, παρέχουν με μεγάλη λεπτομέρεια πληροφορίες για το υπεδάφος και χρησιμοποιείται στην εξερεύνηση και παραγωγή φυσικών πόρων. Ωστόσο, η ερμηνεία των σεισμικών δεδομένων μπορεί να είναι μία μεγάλη πρόκληση και διαδικασία που απαιτεί αρκετό χρόνο. Η ενσωμάτωση τεχνικών τεχνητής νοημοσύνης, όπως η μηχανική μάθηση και βαθιάς μάθησης, έχει τη δυνατότητα να βελτιώσει την αποτελεσματικότητα και την ακρίβεια της ανάλυσης σεισμικών δεδομένων τα οποία θα μπορέσουν αν οδηγήσουν στην έγκαιρη πρόγνωση σεισμών. Η παρούσα διατριβή, εστιάζει στο κατά πόσο είναι δυνατό να αξιοποιηθούν δεδομένα από σεισμογράφους και εάν αυτά είναι ικανά να δώσουν κάποια πρόβλεψη για κάποιο πιθανό σεισμό είτε μακράς διάρκειας είτε μικρής διάρκειας, καθώς και πιο μοντέλο Machine Learning είναι αυτό που θα αποδώσει καλύτερα με βάση τα δεδομένα τα οποία θα επεξεργαστεί.Στόχος είναι να δείξουμε τις δυνατότητες αυτών των τεχνικών ώστε να βελτιώσουν την ερμηνεία των σεισμικών δεδομένων και να παρέχουν νέες γνώσεις για την πρόγνωση των σεισμικών φαινομένων. ENGLISH ABSTRACT Informatics and the field of Information Systems is a branch of science where it finds applications in many of the sciences as it provides several tools that can act as a solution to several problems that they face or help to extract results more easily. The field of artificial intelligence (AI) has seen tremendous growth in recent years, with a wide range of applications across various industries. One area where artificial intelligence can be important is the analysis of seismic data to predict earthquakes. Seismic data, collected through the use of seismic waves, provides highly detailed information about the subsurface and is used in the exploration and production of natural resources. However, interpreting seismic data can be a challenging and time-consuming process. The incorporation of artificial intelligence techniques, such as machine learning and deep learning, has the potential to improve the efficiency and accuracy of seismic data analysis which may lead to early earthquake prediction. This thesis focuses on whether it is possible to utilize data from seismographs and whether they are capable of giving a prediction for a possible earthquake, whether of long duration or of short duration, as well as which Machine Learning model is the one that will perform best based on data to be processed. The aim is to demonstrate the potential of these techniques to improve the interpretation of seismic data and provide new insights into the prediction of seismic phenomena.