Από RemoteSensing Wiki

Αναθεώρηση της 09:04, 29 Ιανουαρίου 2026

Πρότυπος Τίτλος : A Multimodal Ensemble Deep Learning Model for Wildfire Prediction in Greece Using Satellite Imagery and Multi-Source Remote Sensing Data

Συγγραφείς : Ioannis Papakis, Vasileios Linardos, Maria Drakaki

Πηγή:[1]

Εικόνα 1: (a–f) Απεικόνιση περιστατικών πυρκαγιάς/μη πυρκαγιάς στην Ελλάδα κατά την περίοδο 2017–2021. Εμφανίζουν τις τραγικές πυρκαγιές που συνέβησαν στο νησί της Εύβοιας το 2021

Η Ελλάδα, λόγω της γεωγραφικής της θέσης και του μεσογειακού κλίματος, βρίσκεται στο επίκεντρο της κλιματικής κρίσης, αντιμετωπίζοντας κάθε καλοκαίρι καταστροφικές δασικές πυρκαγιές. Το κόστος αυτών των καταστροφών είναι τεράστιο, τόσο σε οικολογικό όσο και σε οικονομικό επίπεδο, με τις εκτιμώμενες ζημιές για το 2023 να αγγίζουν το δυσθεώρητο ποσό των 1,7 δισεκατομμυρίων ευρώ, το οποίο αντιστοιχεί περίπου στο 0,8% του Ακαθάριστου Εγχώριου Προϊόντος (ΑΕΠ) της χώρας. Παρόλο που η παγκόσμια επιστημονική κοινότητα έχει στραφεί στη Μηχανική Μάθηση (Machine Learning) για την αντιμετώπιση φυσικών καταστροφών, παρατηρείται σημαντική έλλειψη εξειδικευμένων μοντέλων Βαθιάς Μάθησης (Deep Learning) προσαρμοσμένων στα ελληνικά δεδομένα. Η παρούσα μελέτη έρχεται να καλύψει αυτό το κενό, προτείνοντας μια καινοτόμο προσέγγιση που δεν αρκείται στη χρήση απλών μετεωρολογικών δεικτών, αλλά ενσωματώνει πολυτροπικά δεδομένα (multimodal data) για την ακριβέστερη πρόβλεψη του κινδύνου.

Εικόνα 2: Δείγματα εικόνων NDVI από το σύνολο δεδομένων.

Εικόνα 3: Διαγράμματα σύνοψης SHAP για μεμονωμένα μοντέλα CNN και LSTM. Τα χαρακτηριστικά κατατάσσονται με βάση τη μέση απόλυτη τιμή SHAP σε φθίνουσα σειρά, με τους πιο επιδραστικούς προγνωστικούς παράγοντες να εμφανίζονται στην κορυφή.

Η ερευνητική ομάδα δημιούργησε ένα νέο, ολοκληρωμένο σύνολο δεδομένων που καλύπτει την πενταετία 2017-2021. Η καινοτομία της μεθοδολογίας έγκειται στον τρόπο με τον οποίο συνδυάζονται ετερογενείς πηγές πληροφορίας. Αρχικά, αντλήθηκαν ιστορικά δεδομένα πυρκαγιών από το σύστημα LANCE-FIRMS, αξιοποιώντας τις καταγραφές των δορυφόρων VIIRS (Suomi-NPP, NOAA-20 και NOAA-21), οι οποίοι παρέχουν χωρική ανάλυση 375 μέτρων. Για κάθε καταγεγραμμένο συμβάν, τα δεδομένα εμπλουτίστηκαν με τοπογραφικά στοιχεία (όπως υψόμετρο, κλίση εδάφους και προσανατολισμό πλαγιάς) από το ψηφιακό μοντέλο εδάφους NASADEM, καθώς και με κρίσιμες μετεωρολογικές παραμέτρους (θερμοκρασία, ταχύτητα ανέμου, υετός) από την πλατφόρμα Open-Meteo. Το πλέον καθοριστικό στοιχείο, ωστόσο, ήταν η ενσωμάτωση οπτικής πληροφορίας. Για κάθε σημείο ενδιαφέροντος, ανακτήθηκαν δορυφορικές εικόνες του Δείκτη Κανονικοποιημένης Διαφοράς Βλάστησης (NDVI) από την αποστολή Sentinel-2. Αυτές οι εικόνες, διαστάσεων 2×2 χιλιομέτρων, παρείχαν στο μοντέλο μια «οπτική αντίληψη» της κατάστασης της καύσιμης ύλης (π.χ. υγρασία βλάστησης, πυκνότητα) πριν από την εκδήλωση της πυρκαγιάς. Η μελέτη ανέπτυξε και συνέκρινε δύο κύριες κατηγορίες μοντέλων: (α) μοντέλα που βασίζονται αποκλειστικά σε αριθμητικά δεδομένα, χρησιμοποιώντας αρχιτεκτονικές LSTM (Long Short-Term Memory) και CNN (Convolutional Neural Networks) 1D, και (β) ένα πολυτροπικό μοντέλο που συνδυάζει ένα δίκτυο CNN για την επεξεργασία των εικόνων NDVI και ένα MLP για τα αριθμητικά δεδομένα, επιτυγχάνοντας σύντηξη της πληροφορίας σε βαθύτερο επίπεδο χαρακτηριστικών.

Η ανάλυση των αποτελεσμάτων ανέδειξε ξεκάθαρα την υπεροχή της πολυτροπικής προσέγγισης. Ενώ τα αμιγώς αριθμητικά μοντέλα παρουσίασαν ικανοποιητική απόδοση, με τα LSTM να ξεχωρίζουν λόγω της ικανότητάς τους να διαχειρίζονται την ανισορροπία των κλάσεων (fire vs. no-fire), η προσθήκη της οπτικής πληροφορίας εκτόξευσε την ακρίβεια πρόβλεψης. Συγκεκριμένα, το πολυτροπικό μοντέλο πέτυχε ακρίβεια 96,15% στο σύνολο επικύρωσης και F1-score 0,9609, ξεπερνώντας κατά 6,15% τις επιδόσεις των μεθόδων συνόλου (ensemble voting) που βασίζονταν μόνο σε αριθμητικά δεδομένα. Ιδιαίτερη έμφαση δόθηκε στη βελτιστοποίηση των υπερπαραμέτρων εκπαίδευσης. Η βέλτιστη διαμόρφωση επιτεύχθηκε με τη χρήση του αλγορίθμου Stochastic Gradient Descent (SGD) και μιας στρατηγικής κλιμακωτής μείωσης του ρυθμού μάθησης (step decay). Αυτή η προσέγγιση επέτρεψε στο μοντέλο να συγκλίνει αποτελεσματικά, αποφεύγοντας φαινόμενα υπερπροσαρμογής (overfitting), όπως φάνηκε από τη σταθερή μείωση της συνάρτησης απώλειας τόσο στο σύνολο εκπαίδευσης όσο και στο σύνολο επικύρωσης. Η ανάλυση ερμηνευσιμότητας (SHAP analysis) επιβεβαίωσε ότι η θερμοκρασία λαμπρότητας (brightness temperature) και το υψόμετρο αποτελούν τους ισχυρότερους προγνωστικούς παράγοντες, ενώ η παράμετρος «ημέρα/νύχτα» λειτούργησε ως κρίσιμο φίλτρο για τη μείωση των ψευδών συναγερμών που προκαλούνται από ηλιακές ανακλάσεις.

Η έρευνα αυτή θέτει νέα θεμέλια για την ανάπτυξη συστημάτων έγκαιρης προειδοποίησης πυρκαγιών στην περιοχή της Μεσογείου. Αποδείχθηκε πέραν πάσης αμφιβολίας ότι η «τυφλή» ανάλυση μετεωρολογικών δεικτών δεν επαρκεί. Η ενσωμάτωση δορυφορικής απεικόνισης της βλάστησης (NDVI) είναι απαραίτητη για την επίτευξη υψηλής ακρίβειας. Το προτεινόμενο πλαίσιο Βαθιάς Μάθησης προσφέρει μια ισχυρή, κλιμακώσιμη λύση που μπορεί να υποστηρίξει επιχειρησιακά κέντρα λήψης αποφάσεων. Ως επόμενο βήμα, προτείνεται η ανάπτυξη ενός διαδραστικού πίνακα ελέγχου (dashboard) σε πραγματικό χρόνο, ο οποίος θα τροφοδοτείται από αυτά τα μοντέλα για την άμεση ενημέρωση των αρχών πολιτικής προστασίας.