Η χαλαζόπτωση αποτελεί έναν από τους σοβαρότερους κινδύνους της γεωργικής παραγωγής. Οι άμεσες συνέπειες της παρατηρούνται στη διάλυση της επιδερμίδας και τον τραυματισμό ή και την πτώση των ανθέων, καρπών, φύλλων και βλαστών, ενώ επιπρόσθετα τα πληγέντα φυτά παρουσιάζουν μεγαλύτερη ευαισθησία σε μυκητολογικές ασθένειες και σε εντομολογικές προσβολές. Σκοπός Η έγκαιρη αξιολόγηση σε ημερήσια βάση, όσον αφορά στο αν θα προκύψει φυσική καταστροφή λόγω χαλαζόπτωσης, μπορεί συμβάλλει καθοριστικά στην προστασία του γεωργικού κεφαλαίου της χώρας, αφού θα ενδυναμώσει σημαντικά τους μηχανισμούς πολιτικής προστασίας και θα δημιουργήσει τις κατάλληλες συνθήκες για βιώσιμη ανάπτυξη και οικονομική ευημερία. Υλικό Για τον έγκαιρο και έγκυρο χαρακτηρισμό (πρόβλεψη) μιας ημέρας ως ημέρα χαλαζόπτωσης, δημιουργήθηκε ένα νευρωνικό δίκτυο εμπρόσθιας τροφοδοσίας, το οποίο είναι ικανό να προβλέψει την χαλαζόπτωση. Για την εκπαίδευση και αξιολόγηση του συστήματος, χρησιμοποιήθηκαν τα ιστορικά δεδομένα χαλαζόπτωσης καθώς και τα μετεωρολογικά δεδομένα των τελευταίων 18 ετών της Κεντρικής Μακεδονίας. Μέθοδος Η σχεδίαση και ανάπτυξη του προτεινόμενου συστήματος πραγματοποιήθηκε με τη χρήση τεχνητών νευρωνικών δικτύων τα οποία έχουν την δυνατότητα να μοντελοποιήσουν πολύπλοκα μη γραμμικά προβλήματα ταξινόμησης (classification) εκμεταλλευόμενα την εγγενή ικανότητα μάθησης των τεχνητών νευρώνων. Η προσέγγιση επιλέχθηκε μετά από εξαντλητικές δοκιμές και συγκρίσεις διαφορετικών αλγοριθμικών μεθόδων μηχανικής μάθησης. Αποτελέσματα Τα αποτελέσματα της έρευνας είναι ιδιαίτερα ενθαρρυντικά καθώς η πρόβλεψη της χαλαζόπτωσης επιτυγχάνεται με ποσοστό ακρίβειας (Accuracy) 91,5%. Το γεγονός της ύπαρξης πολλών δεδομένων που ��φορούν σε μεγάλο πλήθος εμπλεκομένων παραμέτρων, συνέβαλε σημαντικά στην επιτυχία της συγκεκριμένης μεθόδου. Συμπεράσματα Η εργασία προτείνει ένα σύστημα Μηχανικής Μάθησης με δυνατότητα ταξινόμησης των περιπτώσεων ως ημέρες χαλαζόπτωσης ή όχι. Το κυριότερο είναι ότι αυτό γίνεται εύκολα, γρήγορα και με μεγάλη ακρίβεια. Η αξιοπιστία και η βέλτιστη απόδοση του προτεινόμενου συστήματος με νέα δεδομένα που δεν είχαν καμία σχέση με τα δεδομένα εκπαίδευσης, προέκυψε μετά από την πραγματοποίηση εκτεταμένων συγκρίσεων μεταξύ διαφορετικών αλγοριθμικών προσεγγίσεων και αρχιτεκτονικών.
Report
Share
Report
Share
1 of 28
Download to read offline
More Related Content
Πρόβλεψη Χαλαζοπτώσεων Μέσω Μηχανικής Μάθησης
1. Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
Anezakis Vardis-Dimitris
Konstantinos Demertzis – Lazaros Iliadis
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
2. 2
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
Περιεχόμενα:
– Εισαγωγή
– Ανασκόπηση Βιβλιογραφίας
– Περιοχή Μελέτης
– Προτεινόμενο σύστημα
– Καινοτομία και σκοπός του προτεινόμενου συστήματος
– Υλικά και Μέθοδοι
– Αποτελέσματα-Συμπεράσματα
– Μελλοντικές Κατευθύνσεις
– Βιβλιογραφία
– Ερωτήσεις
– Συζήτηση
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
3. 3
Εισαγωγή
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Δεδομένα χαλαζόπτωσης - μετεωρολογικά δεδομένα των
τελευταίων 18 ετών τμημάτων κυρίως των νομών της Κεντρικής
Μακεδονίας.
– Ομαδοποίηση (classification) των μετεωρολογικών συνθηκών
που συσχετίζονται με την καταγραφή ή την απουσία
χαλαζόπτωσης.
– Σύστημα Μηχανικής Μάθησης - Αλγόριθμοι Μηχανικής Μάθησης.
Μοντελοποίηση πολύπλοκων μη γραμμικών προβλημάτων.
– Λογισμικό Matlab.
– Προγνωστικό εργαλείο πολιτικής προστασίας .
– Ελαχιστοποίηση των περιβαλλοντικών και κοινωνικοοικονομικών
επιπτώσεων - Εγκυρη προειδοποίηση εμφάνισης χαλαζιού
4. 4
Ορισμοί
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Χαλάζι
– Ατμοσφαιρικό κατακρήμνισμα σκληρού πάγου, διαμέτρου
μεγαλύτερο από 5 χιλιοστά.
– Οι χαλαζόκοκκοι δημιουργούνται μέσα σε καταιγίδες, όταν
μικροί παγοκρύσταλλοι συναντήσουν υγρό νερό, εξαιρετικά
χαμηλών θερμοκρασιών (-40 C).
– Mικρής σχετικά διάρκειας και αυστηρά τοπικού χαρακτήρα
5. 5
Ορισμοί βασικών εννοιών
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ)
– Τα τεχνητά Νευρωνικά Δίκτυα είναι εμπνευσμένα από την
δομή και τη λειτουργία του εγκεφάλου. Βασικό δομικό
στοιχείο του εγκεφάλου είναι οι νευρώνες.
– Η υπολογιστική ισχύς των ΤΝΔ επιτυγχάνεται μέσω της
παράλληλα κατανεμημένης δομής τους και μέσω της
ικανότητάς τους να μαθαίνουν και συνεπώς να γενικεύουν.
– Η μάθηση γίνεται με τη χρήση κάποιων παραδειγμάτων
εκπαίδευσης και ενός αλγορίθμου εκπαίδευσης και αφορά
στη σταδιακή βελτίωση της προγνωστικής ικανότητας του
δικτύου (απόδοσης) η οποία επιτυγχάνεται μέσω της
εκπαίδευσης, της επαναληπτικής δηλαδή διαδικασίας
σταδιακής προσαρμογής των συναπτικών βαρών.
6. 6
Ορισμοί βασικών εννοιών
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ)
– Στα δίκτυα εμπρόσθιας τροφοδότησης, οι νευρώνες είναι
οργανωμένοι σε μορφή επιπέδων με την ροή του σήματος να
ξεκινά από το επίπεδο εισόδου (input layer), προς το επίπεδο
εξόδου (output layer), µέσω των κρυφών επιπέδων (hidden
layers).
– Οι νευρώνες εισόδου απλά μεταφέρουν το σήμα στο επόμενο
επίπεδο χωρίς να κάνουν καμία επεξεργασία, ενώ οι κρυφοί
νευρώνες και οι νευρώνες εξόδου είναι υπολογιστικοί
νευρώνες που ακολουθούν το μοντέλο του νευρώνα
υλοποιώντας ένα σύνολο πράξεων για την επίλυση του
προβλήματος που μοντελοποιούν.
7. 7
Ορισμοί βασικών εννοιών
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ)
8. 8
Ανασκόπηση Βιβλιογραφίας
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Αλγόριθμοι και μέθοδοι μηχανικής μάθησης στην πρόβλεψη
μοντελοποίηση και κατηγοριοποίηση ακραίων καιρικών
φαινομένων:
[Manzato A., 2013]
– Προγνωστική πολυσύνθετη ανάλυση για το χαλάζι,
χρησιμοποιώντας γραμμικές και μη γραμμικές προσεγγίσεις
για την εύρεση των καλύτερων αποτελεσμάτων από το
συνδυασμό νευρωνικών δικτύων.
[Gagne et all., 2013 ]
– Να αυξήσει την ακρίβεια της πρόγνωσης της ισχυρής
χαλαζόπτωσης. Συνδυαστική κλίμακα καταιγίδας αριθμητικών
μοντέλων πρόγνωσης καιρού σε ένα χωροχρονικό μοντέλο.
9. 9
Ανασκόπηση Βιβλιογραφίας
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Αλγόριθμοι και μέθοδοι μηχανικής μάθησης στην πρόβλεψη
μοντελοποίηση και κατηγοριοποίηση ακραίων καιρικών
φαινομένων:
[She et all., 2010]
– Μοντελοποίηση χαλαζιού χρησιμοποιώντας ασαφό-
νευρωνικά δίκτυα και μηχανές υποστήριξης διανυσμάτων.
[Fan et all., 2015]
– Να κατηγοριοποίησουν τη βροχόπτωση και τη χαλαζόπτωση
χρησιμοποιώντας μηχανές υποστήριξης διανυσμάτων.
[Choudhury et all., 2004]
– Νευρωνικά δίκτυα για την κατηγοριοποίηση των περιστατικών
εμφάνισης ή απουσίας καταιγίδων πάνω από την ανατολική
ακτή της Ινδίας.
10. 10
Ανασκόπηση Βιβλιογραφίας
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Αλγόριθμοι και μέθοδοι μηχανικής μάθησης στην πρόβλεψη
μοντελοποίηση και κατηγοριοποίηση ακραίων καιρικών
φαινομένων:
[Ultschetall., 2004]
– Χρησιμοποίησαν αυτο-οργανούμενους χάρτες για την
κατηγοριοποίηση των χαρακτηριστικών μιας χαλαζόπτωσης
με απώτερο σκοπό την πρόβλεψη της.
[McGovernetall., 2014]
– Ανέπτυξαν χωροχρονικές τεχνικές μηχανικής μάθησης για την
πρόβλεψη ακραίων φαινομένων με τη χρήση προγνωστικών
μοντέλων.
11. 11
Περιοχή Μελέτης
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Νομοί Ημαθίας και Πέλλας, αλλά και τμήματα των νομών
Πιερίας, Θεσσαλονίκης και Κιλκίς. Συνολική έκταση 2.670
km².
12. 12
Προτεινόμενο σύστημα
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Καινοτομία Προτεινόμενου συστήματος
– Μελέτη των μετεωρολογικών δεδομένων για τις ημέρες
καταγραφής χαλαζόπτωσης από γειτονικούς
μετεωρολογικούς σταθμούς της περιοχής.
– Ομαδοποίηση των ατμοσφαιρικών συνθηκών που
συσχετίζονται με την καταγραφή ή την απουσία
χαλαζόπτωσης.
– Πρόβλεψη με μεγάλη επιτυχία της πιθανότητας της
χαλαζόπτωσης εισάγοντας και ομαδοποιώντας νέα
μετεωρολογικά δεδομένα.
– Χρήση Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ) τα οποία έχουν
τη δυνατότητα να μοντελοποιούν πολύπλοκα μη γραμμικά
προβλήματα.
13. 13
Προτεινόμενο σύστημα
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Καινοτομία Προτεινόμενου συστήματος
– Η βέλτιστη προσέγγιση επιλέχθηκε μετά από εξαντλητικές
δοκιμές και συγκρίσεις διαφορετικών αλγοριθμικών μεθόδων,
ενώ το πρόβλημα ήταν πολυπαραμετρικό και υψηλής
πολυπλοκότητας.
14. 14
Προτεινόμενο σύστημα
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Καινοτομία Προτεινόμενου συστήματος
– Εγκυρη προειδοποίηση εμφάνισης χαλαζιού.
– Καταστολή χαλαζιού με σπορά των καταιγιδοφόρων νεφών.
– Ελαχιστοποίηση των καταστροφών στην αγροτική παραγωγή
και των αγροτικών αποζημιώσεων.
– Μπορεί να χρησιμοποιηθεί τόσο από τους μηχανισμούς
πολιτικής προστασίας, όσο και από τους απλούς αγρότες και
πολίτες μιας περιοχής.
– Θα ενημερώνονται οι υπηρεσίες τροποποίησης καιρού ειδικά
όταν το ραντάρ καιρού μένει εκτός λειτουργίας .
15. 15
Υλικά και Μέθοδοι
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Χρησιμοποιήθηκε αντιπροσωπευτικό σύνολο δεδομένων
ώστε η εκπαίδευση αλγόριθμων μηχανικής μάθησης, να
οδηγήσει σε γενίκευση (μάθηση και όχι απομνημόνευση).
– Ως ανεξάρτητες μεταβλητές χρησιμοποιήθηκαν τα
μετεωρολογικά δεδομένα θερμοκρασία, υγρασία,
ατμοσφαιρική πίεση, ένταση ανέμου και ώρες ηλιοφάνειας
(διανύσματα εισόδου), ενώ ως εξαρτημένη μεταβλητή η
χαλαζόπτωση ή μη χαλαζόπτωση (διανύσματα εξόδου).
Δυαδική ταξινόμηση (Binary Classification 1 Ναι, 0 Όχι).
– Οι καταμετρήσεις αφορούν στην περίοδο από 1 Απριλίου έως
τις 30 Σεπτεμβρίου για τα τελευταία 18 έτη στις οποίες
καταμετρήθηκαν 231 περιπτώσεις χαλαζόπτωσης.
16. 16
Υλικά και Μέθοδοι
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Από το σύνολο των δεδομένων (2884 εγγραφές), το 70%
(2018 εγγραφές) επιλέχθηκε για την εκπαίδευση (training) και
αντίστοιχα το υπόλοιπο 30% (866 εγγραφές) μοιράστηκε
ισόποσα για την επικύρωση (validation) και για τον έλεγχο
(testing) των προτεινόμενων αλγορίθμων μηχανικής
μάθησης.
18. 18
Αποτελέσματα-Συζήτηση
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Νευρωνικό δίκτυο εμπρόσθιας τροφοδοσίας με 10 νευρώνες
στο κρυφό επίπεδο απέδωσε μεγαλύτερη ακρίβεια
ταξινόμησης (classification) με ποσοστό 91,5%, καθώς και τα
καλύτερα αποτελέσματα σε όλα τα μετρικά μετά από 12
επαναλήψεις.
19. 19
Αποτελέσματα-Συζήτηση
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Καλά αποτελέσματα εξήχθησαν από τις μηχανές υποστήριξης
διανύσματος (SVM) ενώ αντιθέτως την μικρότερη ακρίβεια
πρόβλεψης και παράλληλα το υψηλότερο μέσο τετραγωνικό
σφάλμα, απέδωσε ο αλγόριθμος k-Nearest Neighbours.
Ταξινομητής Ακρίβεια
Ρίζα Μέσου
Τετραγωνικού
Σφάλματος
Εμβαδόν ROC
ΤΝΔΕΤ 91,5 % 0,2660 0,975
RBF 74,4 % 0,4208 0,811
SVM 89,8 % 0,3191 0,898
kNN 73,2 % 0,4261 0,804
RF 84,6 % 0,3919 0,852
20. 20
Αποτελέσματα-Συζήτηση
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Νευρωνικό δίκτυο εμπρόσθιας τροφοδοσίας με 10 νευρώνες
στο κρυφό επίπεδο απέδωσε μεγαλύτερη ακρίβεια
ταξινόμησης (classification) με ποσοστό 91,5%, καθώς και τα
καλύτερα αποτελέσματα σε όλα τα μετρικά μετά από 12
επαναλήψεις.
μη χαλαζόπτωση χαλαζόπτωση
2426 227 μη χαλαζόπτωση
217 2324 χαλαζόπτωση
21. 21
Αποτελέσματα-Συζήτηση
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Η ευρεία εφαρμογή της προτεινόμενης μεθόδου θα καταδείξει
αν μπορεί να εκτιμά αξιόπιστα την καταγραφή χαλαζόπτωσης
σε πραγματικές συνθήκες.
– Η ευρεία συλλογή μετεωρολογικών δεδομένων, αποτελεί
απαραίτητη προϋπόθεση για την ανάλυση και την
ομαδοποίηση των καιρικών παραμέτρων που καθορίζουν τις
συνθήκες χαλαζόπτωσης.
– Τα οφέλη μιας τέτοιας μελέτης είναι να δωθεί το κίνητρο να
μελετηθούν και άλλα εξίσου επικίνδυνα φαινόμενα καθώς και
να χρησιμοποιηθούν τα πιο σύγχρονα υπολογιστικά εργαλεία
ώστε να μπορούν να ελαχιστοποιηθούν οι περιβαλλοντικές
και κοινωνικοοικονομικές επιπτώσεις.
22. 22
Επισκόπηση
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Ενισχύει τις μεθόδους ανάλυσης των συνθηκών που
δημιουργούν τέτοιου είδους φαινόμενα.
– Ενδυναμώνει τεχνολογικά παράλληλα τους μηχανισμούς
πολιτικής προστασίας και τα συστήματα έγκαιρης
προειδοποιήσεως του κρατικού μηχανισμού χωρίς πρόσθετη
οικονομική επιβάρυνση.
– Παράλληλα από την μείωση των ζημιών θα υπάρχει
πρόσθετο οικονομικό όφελος.
23. 23
Μελλοντικές Κατευθύνσεις
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
– Να συνδυάζονται υβριδικά διαφορετικές μέθοδοι μηχανικής
μάθησης (semi-supervised and unsupervised learning), για
την περαιτέρω βελτιστοποίηση της ακρίβειας πρόβλεψης της
χαλαζόπτωσης.
– Η χρησιμοποίηση μεθόδων επιλογής των καταλληλότερων
χαρακτηριστικών θα μπορούσε να ενισχύσει ουσιαστικά την
διαδικασία ταξινόμησης.
– Η χρήση κάποιας ευρετικής μεθόδου βελτιστοποίησης.
24. 24
Βιβλιογραφία
– Choudhury S., Mitra S, Chakraborty H (2004) A connectionist approach to thunderstorm
forecasting, NAFIPS, Vol1:330-334.
– Fan W., Wang P., Yuan Y, Sun H.Y (2015) Heavy rain/hail classification model based
on SVM classification credibility, Beijing Univ of Tech Vol 41 Issue 3:361-365.
– Gagne D.J., McGovern A., Brotzge J, Xue M (2013) Severe Hail Prediction within a
Spatiotemporal Relational Data Mining Framework, ICDMW, TX:994-1001.
– Manzato A (2013) Hail in Northeast Italy: A neural network ensemble forecast using
sounding-derived indices Weather and Forecasting, Vol 28 Issue1:3-28.
– McGovern A., Gagne II D.J., Williams J.K., Brown R.A, Basara J.B (2014) Enhancing
understanding and improving prediction of severe weather through spatiotemporal
relational learning Machine Learning, Vol 95 Issue 1: 27-50.
– She Y., Yu L, Wei Y (2010) Application research on intelligent pattern recognition
methods in hail identification of weather radar, ICCASM, Taiyuan Vol1:554-558.
– Ultsch A., Guimaraes G, Schmid W (1996) Classification and prediction of hail using
self-organizing neural networks, Neural Networks, 1996 Vol 3:1622-1627.
Democritus University of Thrace
Dep. of Forestry & Management of the Environment & Natural Resources
Forest Informatics Laboratory
ΠΡΟΒΛΕΨΗ ΧΑΛΑΖΟΠΤΩΣΕΩΝ ΜΕΣΩ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
26. My Publications
1. Anezakis, V.-D., Demertzis, K., Iliadis, L., 2018. Classifying with fuzzy chi-square test:
The case of invasive species. AIP Conference Proceedings 1978, 290003.
https://doi.org/10/gdtm5q
2. Anezakis, V.-D., Demertzis, K., Iliadis, L., Spartalis, S., 2017a. Hybrid intelligent
modeling of wild fires risk. Evolving Systems 1–17. https://doi.org/10/gdp863
3. Anezakis, V.-D., Demertzis, K., Iliadis, L., Spartalis, S., 2016a. A Hybrid Soft Computing
Approach Producing Robust Forest Fire Risk Indices, in: Artificial Intelligence
Applications and Innovations, IFIP Advances in Information and Communication
Technology. Presented at the IFIP International Conference on Artificial Intelligence
Applications and Innovations, Springer, Cham, pp. 191–203.
https://doi.org/10.1007/978-3-319-44944-9_17
4. Anezakis, V.-D., Dermetzis, K., Iliadis, L., Spartalis, S., 2016b. Fuzzy Cognitive Maps for
Long-Term Prognosis of the Evolution of Atmospheric Pollution, Based on Climate
Change Scenarios: The Case of Athens, in: Computational Collective Intelligence,
Lecture Notes in Computer Science. Presented at the International Conference on
Computational Collective Intelligence, Springer, Cham, pp. 175–186.
https://doi.org/10.1007/978-3-319-45243-2_16
5. Anezakis, V.-D., Iliadis, L., Demertzis, K., Mallinis, G., 2017b. Hybrid Soft Computing
Analytics of Cardiorespiratory Morbidity and Mortality Risk Due to Air Pollution, in:
Information Systems for Crisis Response and Management in Mediterranean
Countries, Lecture Notes in Business Information Processing. Presented at the
International Conference on Information Systems for Crisis Response and
Management in Mediterranean Countries, Springer, Cham, pp. 87–105.
https://doi.org/10.1007/978-3-319-67633-3_8
6. Anezakis, V.D., Mallinis, G., Iliadis, L., Demertzis, K., 2018. Soft computing forecasting
of cardiovascular and respiratory incidents based on climate change scenarios, in:
2018 IEEE Conference on Evolving and Adaptive Intelligent Systems (EAIS). Presented
at the 2018 IEEE Conference on Evolving and Adaptive Intelligent Systems (EAIS), pp.
1–8. https://doi.org/10.1109/EAIS.2018.8397174
7. Bougoudis, I., Demertzis, K., Iliadis, L., 2016a. Fast and low cost prediction of extreme
air pollution values with hybrid unsupervised learning. Integrated Computer-Aided
Engineering 23, 115–127. https://doi.org/10/f8dt4t
8. Bougoudis, I., Demertzis, K., Iliadis, L., 2016b. HISYCOL a hybrid computational
intelligence system for combined machine learning: the case of air pollution modeling
in Athens. Neural Comput & Applic 27, 1191–1206. https://doi.org/10/f8r7vf
9. Bougoudis, I., Demertzis, K., Iliadis, L., Anezakis, V.-D., Papaleonidas, A., 2018.
FuSSFFra, a fuzzy semi-supervised forecasting framework: the case of the air pollution
in Athens. Neural Computing and Applications 29. https://doi.org/10/gc9bbf
10. Bougoudis, I., Demertzis, K., Iliadis, L., Anezakis, V.-D., Papaleonidas, A., 2016c. Semi-
supervised Hybrid Modeling of Atmospheric Pollution in Urban Centers, in:
Engineering Applications of Neural Networks, Communications in Computer and
Information Science. Presented at the International Conference on Engineering
Applications of Neural Networks, Springer, Cham, pp. 51–63.
https://doi.org/10.1007/978-3-319-44188-7_4
11. Demertzis, K., Iliadis, L., 2018a. A Computational Intelligence System Identifying
Cyber-Attacks on Smart Energy Grids, in: Modern Discrete Mathematics and Analysis,
27. Springer Optimization and Its Applications. Springer, Cham, pp. 97–116.
https://doi.org/10.1007/978-3-319-74325-7_5
12. Demertzis, K., Iliadis, L., 2018b. The Impact of Climate Change on Biodiversity: The
Ecological Consequences of Invasive Species in Greece, in: Handbook of Climate
Change Communication: Vol. 1, Climate Change Management. Springer, Cham, pp.
15–38. https://doi.org/10.1007/978-3-319-69838-0_2
13. Demertzis, K., Iliadis, L., 2017. Detecting invasive species with a bio-inspired semi-
supervised neurocomputing approach: the case of Lagocephalus sceleratus. Neural
Computing and Applications 28. https://doi.org/10/gbkgb7
14. Demertzis, K., Iliadis, L., 2016a. Bio-inspired Hybrid Intelligent Method for Detecting
Android Malware, in: Knowledge, Information and Creativity Support Systems,
Advances in Intelligent Systems and Computing. Springer, Cham, pp. 289–304.
https://doi.org/10.1007/978-3-319-27478-2_20
15. Demertzis, K., Iliadis, L., 2016b. Adaptive Elitist Differential Evolution Extreme
Learning Machines on Big Data: Intelligent Recognition of Invasive Species, in:
Advances in Big Data, Advances in Intelligent Systems and Computing. Presented at
the INNS Conference on Big Data, Springer, Cham, pp. 333–345.
https://doi.org/10.1007/978-3-319-47898-2_34
16. Demertzis, K., Iliadis, L., 2015a. A Bio-Inspired Hybrid Artificial Intelligence Framework
for Cyber Security, in: Computation, Cryptography, and Network Security. Springer,
Cham, pp. 161–193. https://doi.org/10.1007/978-3-319-18275-9_7
17. Demertzis, K., Iliadis, L., 2015b. SAME: An Intelligent Anti-malware Extension for
Android ART Virtual Machine, in: Computational Collective Intelligence, Lecture Notes
in Computer Science. Springer, Cham, pp. 235–245. https://doi.org/10.1007/978-3-
319-24306-1_23
18. Demertzis, K., Iliadis, L., 2015c. Evolving Smart URL Filter in a Zone-Based Policy
Firewall for Detecting Algorithmically Generated Malicious Domains, in: Statistical
Learning and Data Sciences, Lecture Notes in Computer Science. Presented at the
International Symposium on Statistical Learning and Data Sciences, Springer, Cham,
pp. 223–233. https://doi.org/10.1007/978-3-319-17091-6_17
19. Demertzis, K., Iliadis, L., 2015d. Intelligent Bio-Inspired Detection of Food Borne
Pathogen by DNA Barcodes: The Case of Invasive Fish Species Lagocephalus
Sceleratus, in: Engineering Applications of Neural Networks, Communications in
Computer and Information Science. Presented at the International Conference on
Engineering Applications of Neural Networks, Springer, Cham, pp. 89–99.
https://doi.org/10.1007/978-3-319-23983-5_9
20. Demertzis, K., Iliadis, L., 2014. Evolving Computational Intelligence System for
Malware Detection, in: Advanced Information Systems Engineering Workshops,
Lecture Notes in Business Information Processing. Presented at the International
Conference on Advanced Information Systems Engineering, Springer, Cham, pp. 322–
334. https://doi.org/10.1007/978-3-319-07869-4_30
21. Demertzis, K., Iliadis, L., 2013. A Hybrid Network Anomaly and Intrusion Detection
Approach Based on Evolving Spiking Neural Network Classification, in: E-Democracy,
Security, Privacy and Trust in a Digital World, Communications in Computer and
Information Science. Presented at the International Conference on e-Democracy,
Springer, Cham, pp. 11–23. https://doi.org/10.1007/978-3-319-11710-2_2
28. 22. Demertzis, Konstantinos, Iliadis, L., Anezakis, V.-D., 2017a. Commentary: Aedes
albopictus and Aedes japonicus—two invasive mosquito species with different
temperature niches in Europe. Front. Environ. Sci. 5. https://doi.org/10/gdp865
23. Demertzis, Kostantinos, Iliadis, L., Avramidis, S., El-Kassaby, Y.A., 2017. Machine
learning use in predicting interior spruce wood density utilizing progeny test
information. Neural Comput & Applic 28, 505–519. https://doi.org/10/gdp86z
24. Demertzis, Konstantinos, Iliadis, L., Spartalis, S., 2017b. A Spiking One-Class Anomaly
Detection Framework for Cyber-Security on Industrial Control Systems, in:
Engineering Applications of Neural Networks, Communications in Computer and
Information Science. Presented at the International Conference on Engineering
Applications of Neural Networks, Springer, Cham, pp. 122–134.
https://doi.org/10.1007/978-3-319-65172-9_11
25. Demertzis, K., Iliadis, L.S., Anezakis, V.-D., 2018a. An innovative soft computing system
for smart energy grids cybersecurity. Advances in Building Energy Research 12, 3–24.
https://doi.org/10/gdp862
26. Demertzis, K., Iliadis, L.S., Anezakis, V.-D., 2018b. Extreme deep learning in
biosecurity: the case of machine hearing for marine species identification. Journal of
Information and Telecommunication 0, 1–19. https://doi.org/10/gdwszn
27. Dimou, V., Anezakis, V.-D., Demertzis, K., Iliadis, L., 2018. Comparative analysis of
exhaust emissions caused by chainsaws with soft computing and statistical
approaches. Int. J. Environ. Sci. Technol. 15, 1597–1608. https://doi.org/10/gdp864
28. Anezakis, VD., Demertzis, K., Iliadis, L. et al. Evolving Systems (2017).
https://doi.org/10.1007/s12530-017-9196-6, Hybrid intelligent modeling of wild fires
risk, Springer.
29. Demertzis K., Anezakis VD., Iliadis L., Spartalis S. (2018) Temporal Modeling of Invasive
Species’ Migration in Greece from Neighboring Countries Using Fuzzy Cognitive Maps.
In: Iliadis L., Maglogiannis I., Plagianakos V. (eds) Artificial Intelligence Applications
and Innovations. AIAI 2018. IFIP Advances in Information and Communication
Technology, vol 519. Springer, Cham.
30. Konstantinos Rantos, George Drosatos, Konstantinos Demertzis, Christos Ilioudis and
Alexandros Papanikolaou. Blockchain-based Consents Management for Personal Data
Processing in the IoT Ecosystem. In proceedings of the 15th International Conference
on Security and Cryptography (SECRYPT 2018), part of ICETE, pages 572-577,
SCITEPRESS, Porto, Portugal, 26-28 July 2018.
View publication statsView publication stats