Παναγιωτάκης, ΚωνσταντίνοςPanagiotakis, KonstantinosΠαπανικολάου, ΑπόστολοςPapanikolaou, Apostolos2025-11-052025-11-052025-11-05https://apothesis.hmu.gr/handle/123456789/11480Οι πλημμύρες αποτελούν σοβαρό περιβαλλοντικό πρόβλημα σε όλο τον πλανήτη, συχνά προκαλούμενο από φυσικούς παράγοντες, όπως οι δυνατές βροχές ή καταιγίδες,οι τυφώνες, αλλά και οι μουσώνες (ανάλογα και με την γεωγραφική περιοχή). Οι συνέπειες τους είναι καταστροφικές, τόσο για το περιβάλλον όσο και για τον άνθρωποή τα ζώα. Πλημμύρες μπορεί επίσης να προκληθούν και από ποτάμια, όταν η ροή τους υπερβαίνει την χωρητικότητα του καναλιού του ποταμού ή ακόμα και από λίμνες. Οι πλημμύρες μπορεί να προκαλέσουν μεγάλη ζημιά ακόμα και σε ολόκληρες πόλεις ή χωριά, εκτός από το φυσικό περιβάλλον. Παράλληλα τα πλημμυρικά φαινόμενα,θέτουν σε κίνδυνο ανθρώπινες ζωές, προκαλούν υλικές ζημιές σε ανθρώπινες περιουσίες και υποδομές, ενώ επιβαρύνεται σοβαρά και η δημόσια υγεία, λόγω τον λιμναζόντων υδάτων που αργούν να απορροφηθούν από το έδαφος. Η ακριβής ανίχνευση πλημμυρών από οπτικά δεδομένα αποτελεί ένα κρίσιμο βήμα προς τη βελτίωση της αντιμετώπισης καταστροφών και της αξιολόγησης κινδύνου, ωστόσο τα Σύνολα Δεδομένων (datasets) για την τμηματοποίηση πλημμυρών παραμένουν σπάνια λόγω αφενός της δυσκολίας συλλογής τους και αφετέρου του annotation μεγάλου αριθμού εικόνων που σχετίζονται με πλημμύρες. Οι υπάρχοντες πόροι συχνά περιορίζονται σε γεωγραφικό πεδίο εφαρμογής, χρονική κάλυψη ή περιορισμένο annotation, γεγονός που εμποδίζει την ανάπτυξη ισχυρών μεθόδων υπολογιστικής όρασης, επεξεργασίας και ανάλυσης εικόνων, μηχανικής μάθησης και ιδιαίτερα της βαθιάς μάθησης που απαιτεί μεγάλο όγκο δεδομένων.Η παρούσα εργασία έγινε για να καλυφθεί αυτό το κενό, δημιουργώντας ένα νέο Σύνολο Δεδομένων (dataset) για την αποτύπωση πλημμυρών που ονομάζεται AIFloodSense, το οποίο παρέχει παγκόσμια κάλυψη αποτελούμενο από 470 εικόνες που απεικονίζουν πλημμυρικά φαινόμενα διαφόρων τύπων και εντάσεων σε διάφορα περιβάλλοντα και υπό διάφορες γωνίες λήψης. Επιπλέον καταχωρήθηκαν μεταδεδομένα (metadata) που αφορούσαν την κάθε αεροφωτογραφία, ενώ το annotation που έγινε, υποστηρίζει πολλαπλές εργασίες υπολογιστικής όρασης, μηχανικής και βαθιάς μάθησης όπως π.χ. ταξινόμηση φωτογραφιών ανά περιβάλλον, γωνία κάμερας και ήπειρο και σημασιολογική τμηματοποίηση τριών βασικών οπτικών κατηγοριών - πλημμύρα, ουρανός και κτίρια. Για να γίνει το annotationχρησιμοποιήθηκαν 2 εργαλεία ελεύθερου λογισμικού, το Label Studio και το Gimp, οπότε και για κάθε μία από τις 470 φωτογραφίες, δημιουργήθηκαν μία (1) εώς τρεις (3) μάσκες. Αυτό λοιπόν το Σύνολο Δεδομένων (dataset) καθιερώνει ένα νέο σημείο αναφοράς για την προώθηση της έρευνας στην Υπολογιστική Όραση, στην Επεξεργασία - Ανάλυση Εικόνας και τη Μηχανική Μάθηση που σχετίζεται με τις πλημμύρες και συμβάλλει στην ευρύτερη προσπάθεια δημιουργίας εργαλείων Τεχνητής Νοημοσύνης Βαθιάς Μάθησης για την ανθεκτικότητα στο κλίμα.Floods are a serious environmental problem worldwide, often caused by natural factors such as heavy rain or storms, hurricanes, and monsoons (depending on the geographical area). Their consequences are devastating — for the environment, humans, and animalsalike. Floods may also be caused by rivers when their flow exceeds the capacity of the river channel, or even by lakes. In addition to damaging the natural environment, floods can cause extensive destruction to entire towns or villages. At the same time, flood events endanger human lives, cause material damage to property and infrastructure, and severely affect public health due to stagnant waters that take a long time to be absorbed by the soil. Accurate flood detection from optical data is a critical step toward improving disaster response and risk assessment. However, flood segmentation datasets remain scarce, partly because of the difficulty of collecting such data and partly because of the time consuming process of annotating a large number of flood-related images. Existing resources are often limited in geographic scope, temporal coverage, or annotation detail, which hinders the development of robust computer vision, image processing and analysis, machine learning, and especially deep learning methods, which require large volumes of data. This work aims to fill that gap by creating a new dataset for flood representation, named AIFloodSense, which provides global coverage and consists of 470 images depicting flood events of various types and intensities, captured in diverse environments and from different angles. In addition, metadata were recorded for each aerial image, while the annotations support multiple computer vision, machine learning, and deep learning tasks - such as image classification by environment, camera angle, and continent, as well as semantic segmentation of three main visual categories: flood, sky, and buildings. To perform the annotation, two open-source tools were used, Label Studio and Gimp and for each of the 470 photos, between one (1) and three (3) masks were created. This dataset thus establishes a new benchmark for advancing research in Computer Vision, Image Processing and Analysis, and Machine Learning related to flood phenomena, contributing to the broader effort to develop Artificial Intelligence and Deep Learning tools for climate resilience.elAttribution-NonCommercial-NoDerivs 3.0 United Statesαεροφωτογραφίεςσύνολο δεδομένωνπλημμύραταξινόμηση εικόνωντμηματοποίηση εικόνωνφυσικές καταστροφέςannotationυπολογιστική όρασηεπεξεργασία εικόναςανάλυση εικόναςμηχανική μάθησηβαθιά μάθησημάσκεςaerial imagesdatasetfloodimage classificationimage segmentationnatural disasterscomputer visionimage processingimage analysismachine learningdeep learninglabel masksΜεταπτυχιακή Διατριβή