Σκοπός
Το FiRadar είναι μια εφαρμογή πυροπροστασίας που παρακολουθεί συνεχώς επιλεγμένες περιοχές στην Ελλάδα σε σχεδόν πραγματικό χρόνο, παρέχοντας ενημερωμένες πληροφορίες σχετικά με το επίπεδο επικινδυνότητάς τους.
Το FiRadar παρέχει στους υπεύθυνους λήψης αποφάσεων πολύτιμες γνώσεις ώστε να λαμβάνουν μέτρα για την πρόληψη των πυρκαγιών και την κατανομή των πόρων. Αξιοποιώντας προηγμένες αναλύσεις, μηχανική μάθηση, αλγόριθμους τεχνητής νοημοσύνης και εργαλεία οπτικοποίησης, η εφαρμογή βοηθά στην ανάπτυξη αποτελεσματικών στρατηγικών διαχείρισης πυρκαγιάς και στη βελτίωση της απόκρισης έκτακτης ανάγκης.
Συχνές Ερωτήσεις
Πως λειτουργεί ?
- Ανάκτηση δεδομένων καιρού για κάθε επιλεγμένη περιοχή.
- Εισαγωγή των δεδομένων στο αναπτυγμένο μοντέλο Τεχνητού Νευρωνικού Δικτύου.
- Το μοντέλο υπολογίζει το επίπεδο κινδύνου πυρκαγιάς για κάθε περιοχή.
- Ενημέρωση του χάρτη με βάσει των αποτελεσμάτων και κατηγοριοποίηση των πόλεων σε τέσσερις κατηγορίες κινδύνου.
- Η διαδικασία είναι αυτοματοποιημένη και επανεκτελείται κάθε τέσσερις ώρες.
Πως υλοποιήθηκε ?
- Συλλέχθηκαν δεδομένα για περιστατικά πυρκαγιάς στην Ελλάδα καθώς και θερμοκρασία, ταχύτητα ανέμου και σημείο δρόσου.
- Αναπτύχθηκε ένα μοντέλο τεχνητού νευρωνικού δικτύου χρησιμοποιώντας τα δεδομένα που συλλέχθηκαν.
- Αντλείται η τρέχουσα θερμοκρασία, η ταχύτητα του ανέμου και το σημείο δρόσου για κάθε περιοχή για εισαγωγή στο μοντέλο και ταξινομούνται οι περιοχές με βάση το επίπεδο κινδύνου τους.
- Εμφάνιση των πληροφοριών σε έναν δυναμικό χάρτη.
Ποια εργαλεία χρησιμοποιήθηκαν ?
Ο κώδικας υλοποίησης γράφτηκε στην Python 3.8 χρησιμοποιώντας τις ακόλουθες βιβλιοθήκες:
- Numpy και Pandas: Για επεξεργασία δεδομένων.
- Sklearn, Tensorflow, Keras: Για την εφαρμογή διαφόρων αλγορίθμων μηχανικής μάθησης.
- Folium: Για την απεικόνιση των αποτελεσμάτων σε έναν δυναμικό χάρτη.
- BeautifulSoup και Requests: Για τη διαδικασία απόξεσης ιστού.
Στοιχεία
Συλλέχθηκαν ιστορικά στοιχεία για τις πυρκαγιές που εκδηλώθηκαν στην Ελλάδα, μαζί με καιρικά δεδομένα. Χρησιμοποιήθηκαν διάφορες τεχνικές εξόρυξης δεδομένων για τη μετατροπή των δεδομένων σε πολύτιμες πληροφορίες. Αναπτύχθηκαν και αξιολογήθηκαν προσεκτικά πολλαπλά μοντέλα Μηχανικής Μάθησης, οδηγώντας στην επιλογή του μοντέλου Τεχνητού Νευρωνικού Δικτύου, το οποίο έδειξε τα πιο ελπιδοφόρα αποτελέσματα. Για τη διατήρηση ενημερωμένων πληροφοριών, τα τρέχοντα δεδομένα καιρού για κάθε πόλη ανακτώνται μέσω της διαδικασίας Web Scraping και τροφοδοτούνται στο μοντέλο. Τα αποτελέσματα του μοντέλου ταξινομούνται σε τέσσερις κατηγορίες κινδύνου και ο δυναμικός χάρτης ενημερώνεται κάθε τέσσερις ώρες.