{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5376333"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5376333","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη συστήματος έγκαιρης ανίχνευσης/προειδοποίησης (Early Warning Systems) ακραίων φαινομένων μέσω δορυφορικών δεδομένων/ δεικτών και μεθόδων μηχανικής μάθησης","abstract":"Η παρούσα διπλωματική εργασία εστιάζει στην υποστήριξη συστημάτων έγκαιρης ανίχνευσης για ακραία καιρικά και κλιματικά φαινόμενα, με έμφαση στην ανίχνευση καταιγιδοφόρων πυρήνων μέσω δορυφορικών δεδομένων και μεθόδων μηχανικής μάθησης. Η μελέτη βασίζεται σε περιπτώσεις έντονων βροχοπτώσεων που οδήγησαν σε πλημμυρικά φαινόμενα στην Ευρώπη και τη Βόρεια Αφρική κατά το έτος 2025. Σκοπός της μελέτης είναι ο εντοπισμός προγνωστικών δεικτών που συνδέονται με την εκδήλωση έντονης καταιγιδοφόρου δραστηριότητας, καθώς και η χρήση νευρωνικών δικτύων για την εκτίμηση της εξέλιξης αυτών των δεικτών στον χρόνο. Τα δεδομένα που αξιοποιούνται προέρχονται από τον νέο δορυφόρο της EUMETSAT, Meteosat-12. Συγκεκριμένα χρησιμοποιούνται δορυφορικοί δείκτες που σχετίζονται με τη δομή και την κατακόρυφη ανάπτυξη των νεφών. Παράλληλα αξιοποιούνται δεδομένα ηλεκτρικής δραστηριότητας από τον αισθητήρα Lightning Imager (LI), τα οποία παρέχουν συμπληρωματική πληροφορία για την ένταση των καταιγίδων. Στη συνέχεια αναπτύσσεται και εκπαιδεύεται μοντέλο μηχανικής μάθησης με στόχο την εκτίμηση συνθηκών έντονων ανοδικών κινήσεων. Η ανίχνευση τέτοιων συνθηκών μπορεί να αποτελέσει σημαντική ένδειξη για την εκδήλωση έντονων καταιγίδων και ισχυρών βροχοπτώσεων. Στο τελικό στάδιο εφαρμόζεται η μεθοδολογία στο case study της Αθήνας στις 21.01.2026. Τα αποτελέσματα δείχνουν ότι ο συνδυασμός δορυφορικών δεδομένων υψηλής χρονικής και χωρικής ανάλυσης με τεχνικές μηχανικής μάθησης μπορεί να συμβάλει στη βελτίωση της αξιοπιστίας και του χρόνου απόκρισης των συστημάτων έγκαιρης προειδοποίησης για ακραία καιρικά φαινόμενα.","abstract_html":"Η παρούσα διπλωματική εργασία εστιάζει στην υποστήριξη συστημάτων έγκαιρης ανίχνευσης για ακραία καιρικά και κλιματικά φαινόμενα, με έμφαση στην ανίχνευση καταιγιδοφόρων πυρήνων μέσω δορυφορικών δεδομένων και μεθόδων μηχανικής μάθησης. Η μελέτη βασίζεται σε περιπτώσεις έντονων βροχοπτώσεων που οδήγησαν σε πλημμυρικά φαινόμενα στην Ευρώπη και τη Βόρεια Αφρική κατά το έτος 2025. Σκοπός της μελέτης είναι ο εντοπισμός προγνωστικών δεικτών που συνδέονται με την εκδήλωση έντονης καταιγιδοφόρου δραστηριότητας, καθώς και η χρήση νευρωνικών δικτύων για την εκτίμηση της εξέλιξης αυτών των δεικτών στον χρόνο. Τα δεδομένα που αξιοποιούνται προέρχονται από τον νέο δορυφόρο της EUMETSAT, Meteosat-12. Συγκεκριμένα χρησιμοποιούνται δορυφορικοί δείκτες που σχετίζονται με τη δομή και την κατακόρυφη ανάπτυξη των νεφών. Παράλληλα αξιοποιούνται δεδομένα ηλεκτρικής δραστηριότητας από τον αισθητήρα Lightning Imager (LI), τα οποία παρέχουν συμπληρωματική πληροφορία για την ένταση των καταιγίδων. Στη συνέχεια αναπτύσσεται και εκπαιδεύεται μοντέλο μηχανικής μάθησης με στόχο την εκτίμηση συνθηκών έντονων ανοδικών κινήσεων. Η ανίχνευση τέτοιων συνθηκών μπορεί να αποτελέσει σημαντική ένδειξη για την εκδήλωση έντονων καταιγίδων και ισχυρών βροχοπτώσεων. Στο τελικό στάδιο εφαρμόζεται η μεθοδολογία στο case study της Αθήνας στις 21.01.2026. Τα αποτελέσματα δείχνουν ότι ο συνδυασμός δορυφορικών δεδομένων υψηλής χρονικής και χωρικής ανάλυσης με τεχνικές μηχανικής μάθησης μπορεί να συμβάλει στη βελτίωση της αξιοπιστίας και του χρόνου απόκρισης των συστημάτων έγκαιρης προειδοποίησης για ακραία καιρικά φαινόμενα.","abstract_has_math":false,"creators":["ΧΑΡΙΣΗ ΕΙΡΗΝΗ","CHARISI EIRINI"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-07-24T01:02:24Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5376333"],"render_values":[{"text":"uoadl:5376333","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5376333","outbound_label":"Repository record","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΧΑΡΙΣΗ ΕΙΡΗΝΗ","CHARISI EIRINI"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5376333","https://pergamos.lib.uoa.gr/uoa/dl/object/5376333"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία εστιάζει στην υποστήριξη συστημάτων έγκαιρης ανίχνευσης για ακραία καιρικά και κλιματικά φαινόμενα, με έμφαση στην ανίχνευση καταιγιδοφόρων πυρήνων μέσω δορυφορικών δεδομένων και μεθόδων μηχανικής μάθησης. Η μελέτη βασίζεται σε περιπτώσεις έντονων βροχοπτώσεων που οδήγησαν σε πλημμυρικά φαινόμενα στην Ευρώπη και τη Βόρεια Αφρική κατά το έτος 2025. Σκοπός της μελέτης είναι ο εντοπισμός προγνωστικών δεικτών που συνδέονται με την εκδήλωση έντονης καταιγιδοφόρου δραστηριότητας, καθώς και η χρήση νευρωνικών δικτύων για την εκτίμηση της εξέλιξης αυτών των δεικτών στον χρόνο. Τα δεδομένα που αξιοποιούνται προέρχονται από τον νέο δορυφόρο της EUMETSAT, Meteosat-12. Συγκεκριμένα χρησιμοποιούνται δορυφορικοί δείκτες που σχετίζονται με τη δομή και την κατακόρυφη ανάπτυξη των νεφών. Παράλληλα αξιοποιούνται δεδομένα ηλεκτρικής δραστηριότητας από τον αισθητήρα Lightning Imager (LI), τα οποία παρέχουν συμπληρωματική πληροφορία για την ένταση των καταιγίδων. Στη συνέχεια αναπτύσσεται και εκπαιδεύεται μοντέλο μηχανικής μάθησης με στόχο την εκτίμηση συνθηκών έντονων ανοδικών κινήσεων. Η ανίχνευση τέτοιων συνθηκών μπορεί να αποτελέσει σημαντική ένδειξη για την εκδήλωση έντονων καταιγίδων και ισχυρών βροχοπτώσεων. Στο τελικό στάδιο εφαρμόζεται η μεθοδολογία στο case study της Αθήνας στις 21.01.2026. Τα αποτελέσματα δείχνουν ότι ο συνδυασμός δορυφορικών δεδομένων υψηλής χρονικής και χωρικής ανάλυσης με τεχνικές μηχανικής μάθησης μπορεί να συμβάλει στη βελτίωση της αξιοπιστίας και του χρόνου απόκρισης των συστημάτων έγκαιρης προειδοποίησης για ακραία καιρικά φαινόμενα.","This thesis focuses on supporting early detection systems for extreme weather and climate phenomena, with an emphasis on the detection of convective storm cells through satellite data and machine learning methods. The study is based on cases of intense rainfall that led to flood events in Europe and North Africa during the year 2025. The aim of the study is to identify predictive indicators associated with the occurrence of intense convective activity, as well as to use neural networks to estimate the temporal evolution of these indicators. The data used in this study are obtained from the new EUMETSAT satellite, Meteosat-12. In particular, satellite-derived indicators related to the structure and vertical development of clouds are utilized. In addition, lightning activity data from the Lightning Imager (LI) sensor are used, providing complementary information on the intensity of thunderstorms. Subsequently, a machine learning model is developed and trained with the aim of estimating conditions associated with strong updrafts. The detection of such conditions can serve as an important indicator for the occurrence of intense thunderstorms and heavy rainfall. In the final stage, the proposed methodology is applied to the case study of Athens on 21 January 2026. The results show that the combination of satellite data with high temporal and spatial resolution and machine learning techniques can contribute to improving the reliability and response time of early warning systems for extreme weather phenomena."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη συστήματος έγκαιρης ανίχνευσης/προειδοποίησης (Early Warning Systems) ακραίων φαινομένων μέσω δορυφορικών δεδομένων/ δεικτών και μεθόδων μηχανικής μάθησης"]}]}],"canonical_facts":{"dc:creator":["ΧΑΡΙΣΗ ΕΙΡΗΝΗ","CHARISI EIRINI"],"dc:date":["2026"],"dc:description":["Η παρούσα διπλωματική εργασία εστιάζει στην υποστήριξη συστημάτων έγκαιρης ανίχνευσης για ακραία καιρικά και κλιματικά φαινόμενα, με έμφαση στην ανίχνευση καταιγιδοφόρων πυρήνων μέσω δορυφορικών δεδομένων και μεθόδων μηχανικής μάθησης. Η μελέτη βασίζεται σε περιπτώσεις έντονων βροχοπτώσεων που οδήγησαν σε πλημμυρικά φαινόμενα στην Ευρώπη και τη Βόρεια Αφρική κατά το έτος 2025. Σκοπός της μελέτης είναι ο εντοπισμός προγνωστικών δεικτών που συνδέονται με την εκδήλωση έντονης καταιγιδοφόρου δραστηριότητας, καθώς και η χρήση νευρωνικών δικτύων για την εκτίμηση της εξέλιξης αυτών των δεικτών στον χρόνο. Τα δεδομένα που αξιοποιούνται προέρχονται από τον νέο δορυφόρο της EUMETSAT, Meteosat-12. Συγκεκριμένα χρησιμοποιούνται δορυφορικοί δείκτες που σχετίζονται με τη δομή και την κατακόρυφη ανάπτυξη των νεφών. Παράλληλα αξιοποιούνται δεδομένα ηλεκτρικής δραστηριότητας από τον αισθητήρα Lightning Imager (LI), τα οποία παρέχουν συμπληρωματική πληροφορία για την ένταση των καταιγίδων. Στη συνέχεια αναπτύσσεται και εκπαιδεύεται μοντέλο μηχανικής μάθησης με στόχο την εκτίμηση συνθηκών έντονων ανοδικών κινήσεων. Η ανίχνευση τέτοιων συνθηκών μπορεί να αποτελέσει σημαντική ένδειξη για την εκδήλωση έντονων καταιγίδων και ισχυρών βροχοπτώσεων. Στο τελικό στάδιο εφαρμόζεται η μεθοδολογία στο case study της Αθήνας στις 21.01.2026. Τα αποτελέσματα δείχνουν ότι ο συνδυασμός δορυφορικών δεδομένων υψηλής χρονικής και χωρικής ανάλυσης με τεχνικές μηχανικής μάθησης μπορεί να συμβάλει στη βελτίωση της αξιοπιστίας και του χρόνου απόκρισης των συστημάτων έγκαιρης προειδοποίησης για ακραία καιρικά φαινόμενα.","This thesis focuses on supporting early detection systems for extreme weather and climate phenomena, with an emphasis on the detection of convective storm cells through satellite data and machine learning methods. The study is based on cases of intense rainfall that led to flood events in Europe and North Africa during the year 2025. The aim of the study is to identify predictive indicators associated with the occurrence of intense convective activity, as well as to use neural networks to estimate the temporal evolution of these indicators. The data used in this study are obtained from the new EUMETSAT satellite, Meteosat-12. In particular, satellite-derived indicators related to the structure and vertical development of clouds are utilized. In addition, lightning activity data from the Lightning Imager (LI) sensor are used, providing complementary information on the intensity of thunderstorms. Subsequently, a machine learning model is developed and trained with the aim of estimating conditions associated with strong updrafts. The detection of such conditions can serve as an important indicator for the occurrence of intense thunderstorms and heavy rainfall. In the final stage, the proposed methodology is applied to the case study of Athens on 21 January 2026. The results show that the combination of satellite data with high temporal and spatial resolution and machine learning techniques can contribute to improving the reliability and response time of early warning systems for extreme weather phenomena."],"dc:identifier":["uoadl:5376333","https://pergamos.lib.uoa.gr/uoa/dl/object/5376333"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Ανάπτυξη συστήματος έγκαιρης ανίχνευσης/προειδοποίησης (Early Warning Systems) ακραίων φαινομένων μέσω δορυφορικών δεδομένων/ δεικτών και μεθόδων μηχανικής μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-07-24T01:02:24Z"}