Ανάπτυξη πληροφοριακού συστήματος μη κατευθυνόμενων αλγορίθμων και υβριδικών προτύπων στην εκτίμηση περιβαλλοντικών κινδύνων

Abstract

The beginning of the 21st century is accompanied by enormous environmental challenges that already affect and have a catalytic effect not only on biodiversity but also on everyday life of modern man. Aim of this PhD research: The aim of this Ph.D. thesis is to model and predict the potential impacts of climate change on various areas such as: Atmospheric Pollution, increase of extreme weather incidents, extensive forest fires, introduction and installation of Invasive Species in new environments, increase of Cardiovascular and Respiratory incidents in the urban area of Thessaloniki, Greece. This research employs Hybrid Soft Computing methodologies and Unsupervised Machine Learning algorithms. Climate change: One of the most serious impacts of climate change is the dramatic degradation of air quality in urban centers. The degradation of air quality is interwoven not only with the modern way of life, but also with climate change. In particular, temperature, humidity and hours of sunshine as meteorological parameters are determinants contributing to the composition of the smog in the winter and to the Photochemical cloud in the summer, as opposed to the rainfall and wind that contribute to the diffusion and dispersion of pollutants. People living in air polluted areas, are facing cardiovascular and respiratory problems, and moreover they are at serious risk of developing myocardial infarction and stroke. At the same time, long-term exposure to high concentrations of pollutants can cause various forms of cancer. Air Pollution of urban and industrial areas in Greece is a major environmental problem, as apart from Climate Change it is also associated with urban population growth and increase of industrial production trends. The recent economic crisis in the country has led to an increase of the PM10 and PM2.5 particulates concentration, due to the increased combustion of solid fuels. Natural Disasters-Extreme weather phenomena Forest fires are one of the most important natural phenomena and are indissolubly linked to the Greek ecosystems during the summer months. Each factor has its own effect, while risk of forest fires is under the cumulative effect of all the involved parameters that contribute to their initiation and more over to their expantion. The most important factors are the humidity of the matter (how dry is the herbaceous vegetation) the wind speed, the density of the matter and the topography (Kailidis and Karanikola, 2004). Forest fires destroy properties, threaten human lives, degrade the environment, disrupt the ecosystems’ balance, erode the soil which results in more floods, affect the microclimate and destroy the flora and fauna ecosystems. Hail as an extreme seasonal phenomenon causes serious damage to plant production. The possibility of reporting the occurrence of hail in a rural area has multiple benefits. Farmers will be able to get informed and notified in time to protect their crops, and Weather Modification Services will receive valid information to directly bomb the clouds with silver iodine. Also, immediate notification of the occurrence of hail in a rural area plays a key role in cases where weather radar is out of order. In particular, this PhD research focuses on the development of an innovative Hybrid Model and a corresponding Computational Intelligence Information System, based exclusively on Hybrid approaches of Computational Intelligence and Unsupervised Machine Learning Algorithms (UMLA). The produced system consists of several subsystems that model multifactor environmental problems. The proposed information subsystems use Statistical or Hybrid Artificial Intelligence methods to study the current state of the conditions and interrelationships of the parameters constituting an environmental problem. Review of the methodology. The statistical part comprises of Fuzzy Chi-Square Test (FCST) and Correlation Analysis (CA), whereas projection of the environmental problem to the future was achieved by using Fuzzy Cognitive Maps (FCM) and by simulating the Greek climate model till 2100. The climate model simulation was done by employing Coupled Atmospheric-Ocean General Circulation Models, which model general circulation through the whole planet (Mearns et al., 2001). These models accept different data as an input, such as carbon dioxide (CO2), solar radiation and evapotranspiration. These models run on computers, simulating climate change, and their output is mainly in the medium to long-term evolution of temperature and rainfall, as well as other variables in any part of the globe (Denman et al., 2007; Καψωμενάκης et al., 2011).In order to simulate smaller spatial scale phenomena at a high resolution in a prefecture or in a country, the Regional Climate Models are used in which climate information is input either by Global Atmospheric General circulation Models, or by Statistical subscaling methods, or by dynamic subscaling. The proposed subsystems have modeled various environmental hazards namely: (Air Pollution, Forest Fires, Extreme Weather Phenomena, Introduction and Invasion of Invasive Species in New Regions). These problems are relevant to the Greek space and are expected to have severe impacts based on climate change in the coming decades. Modeling of the above environmental risks by the individual subsystems was achieved by considering simulations of the most timely Climate Models and Climate Change scenarios that were produced under the framework of the program Coupled Model Intercomparison Project, Phase 5 (CMIP5) till 2100.(http://sdwebx.worldbank.org/climateportal/index.cfm?page=country_future_climate&ThisRegion=Europe&ThisCcode=GRC). Indices production Through the simulations, it is possible to find the medium- and long-term forecast of the values of all the analyzed parameters that constitute an environmental problem, by changing the values of the meteorological parameters (temperature and precipitation). Fuzzy Inference Systems (FIS) Mamdani & Takagi-Sugeno-Kang (TSK) were implemented in a MATLAB environment. Their advantage is that they provide the ability to incorporate a number of Fuzzy Rules using weightings of significance for the synthesis of individual indices in order to model an environmental problem. Sub-indices can produce a Unified Index through the Fuzzy T-Norms Conjunctions (FTNC) procedure of Fuzzy T-Norms.The Unified index may represent the overall risk of the problem under consideration. The intelligence of the individual subsystems is derived from the MLM2 algorithms and specifically from: a) Self Organizing Maps-SOM, b) the Expectation Maximization-EM method, c) the method of the Sequential Information Bottleneck-SIB, d) the Simple K-Means Algorithm-SKMA algorithm for estimating the risk of Environmental Problems. The purpose of Unsupervised machine learning algorithms (UMLA) is to group and rank clusters by evaluating parameter values that determine to a greater or lesser extent to an environmental problem. The cluster analysis extracts important information about how the values of the parameters in each cluster affect the problem. The proposed innovative subsystems use UMLA and hybrid patterns, contributing to the production of new knowledge to further improve and extend the proposed methodologies. Soft Computing (SF) approaches are particularly innovative and powerful, very important and have been used by many researchers internationally. Innovation - Gaps covered by this PhD researchThe gap in this literature lies in the lack of an integrated approach and investigation of environmental risks rather than fragmented. In the literature, there is not yet an integrated approach to developing robust and reliable Intelligent Hybrid Patterns, which will work by combining Methods of Fuzzy Logic (FL) and Artificial Neural Networks (ANN) (such as Fuzzy Cognitive Maps and Fuzzy Chi-Square Test) with the Unsupervised machine learning algorithms for the purpose of modeling and projecting in the future the evolution and impact of environmental risks. The innovation of this PhD research is based on the design, development and integration under a common umbrella, innovative Hybrid Intelligent Patterns, while developing a corresponding integrated information system that will provide assessment, analysis and projection in the future of the evolution and impact of major environmental risks-challenges, quality of life and biodiversity. Aims-benefits. This research utilizes Computational Intelligence (CI) methods, in particular Unsupervised Machine Learning algorithms and Soft Computing Approaches to optimize the reliability and performance of models that are required to assess the impact of climate change on public health and the environment. In addition, the system is a predictive real-time information tool in depth of a few days, with the ultimate goal of informing local authorities and strengthening civil protection on the basis of its assessments. This timely update can lead to valid decision-making protection of the inhabitants of an area and especially of vulnerable groups. In particular, it can be applied to problems that affect our post-industrial societies, such as Atmospheric Pollution, increasing the incidence of extreme weather events, forest fires, introducing and installing Invasive Species in new areas requiring immediate readiness and intervention of statemechanisms.Along with estimates of the evolution of environmental risks based on climate scenarios, it is possible to design a long-term plan to reduce the impact of climate change on public health, forest ecosystems and the environment. In this dissertation, the application of Computational Intelligence methods demonstrates that they can assess an environmental problem of a wider region or a county and project its evolution in the future after having studied the existing state of correlation of the parameters that make up the problem.

Η αρχή του 21ου αιώνα συνοδεύεται από τεράστιες περιβαλλοντικές προκλήσεις που ήδη επηρεάζουν και θα έχουν καταλυτική επίδραση στην βιοποικιλότητα αλλά και στην καθημερινότητα του σύγχρονου ανθρώπου. Στόχευση: Στόχος της παρούσας Διδακτορικής Διατριβής, είναι η μοντελοποίηση και η πρόβλεψη των δυνητικών επιπτώσεων της κλιματικής αλλαγής σε διάφορους τομείς όπως: η Ατμοσφαιρική Ρύπανση (ΑΡΥ), η αύξηση της συχνότητας εμφάνισης Ακραίων Καιρικών Φαινομένων (ΑΚΑΙΦ), οι εκτεταμένες Δασικές Πυρκαγιές (ΔΑΠΥ), η εισαγωγή και η εγκατάσταση Χωροκατακτητικών Ειδών (Ε2ΧΕ) (Invasive Species-IS) σε νέα περιβάλλοντα, η αύξηση εκδήλωσης περιστατικών Καρδιαγγειακών και Αναπνευστικών Νοσημάτων στον αστικό ιστό της Θεσσαλονίκης. Η εν λόγω έρευνα χρησιμοποίησε Υβριδικές Προσεγγίσεις Ήπιας Υπολογιστικής (ΥΠΡΗΥ) (Soft Computing-SC) και Αλγόριθμους Μη Κατευθυνόμενης Μηχανικής Μάθησης (ΜΚΜ2) (Unsupervised Machine Learning Algorithms-UMLA). Κλιματική Αλλαγή: Μια από τις σοβαρότερες δυνητικές επιπτώσεις της κλιματικής αλλαγής είναι η δραματική υποβάθμιση της ποιότητας του αέρα στα αστικά κέντρα. Η επιδείνωση της Ατμοσφαιρικής ρύπανσης (ΑΡΥ), είναι συνυφασμένη όχι μόνο με τον σύγχρονο τρόπο ζωής αλλά και με την κλιματική αλλαγή. Ειδικότερα, η θερμοκρασία, η υγρασία και οι ώρες ηλιοφάνειας ως μετεωρολογικοί παράμετροι αποτελούν καθοριστικούς παράγοντες που συντελούν στη σύνθεση του νέφους καπνομίχλης (ΝΕΚΑΠ) τον χειμώνα και του Φωτοχημικού Νέφους (ΦΩΝΕ) το καλοκαίρι, σε αντίθεση με τις βροχοπτώσεις και τον άνεμο που συμβάλλουν στη διάχυση και τη διασπορά των ρύπων. Οι άνθρωποι οι οποίοι ζουν σε περιοχές επιβαρυμένες από την ΑΡΥ, εκτός από τα καρδιαγγειακά και τα αναπνευστικά προβλήματα, αντιμετωπίζουν και σοβαρότατους κινδύνους εκδήλωσης εμφράγματος του μυοκαρδίου και εγκεφαλικού επεισοδίου. Παράλληλα η μακροχρόνια έκθεση σε υψηλές συγκεντρώσεις ρύπων μπορεί να προκαλέσει διάφορες μορφές καρκίνου. Η ΑΡΥ των αστικών και βιομηχανικών περιοχών στην Ελλάδα, αποτελεί σημαντικό περιβαλλοντικό πρόβλημα, καθώς εκτός από την Κλιματική Αλλαγή συνδέεται και με την αύξηση του πληθυσμού των αστικών κέντρων, την άναρχη πολεοδομική επέκταση, τις αυξητικές τάσεις της βιομηχανικής παραγωγής, αλλά και με την πρόσφατη οικονομική κρίση της χώρα μας η οποία έχει οδηγήσει στην αύξηση των αιωρούμενων μικροσωματιδίων PM10 και PM2,5 λόγω καύσης στερεών καυσίμων.Φυσικές Καταστροφές-Ακραία καιρικά φαινόμεναΟι Δασικές πυρκαγιές (ΔΑΠΥ) αποτελούν ένα από τα πλέον σημαντικά φυσικά φαινόμενα και είναι άρρηκτα συνδεδεμένο με τα ελληνικά οικοσυστήματα κατά τους καλοκαιρινούς μήνες. Ο κάθε παράγοντας έχει τη δική του βαρύτητα στην εκδήλωση των ΔΑΠΥ, ενώ η επικινδυνότητα του συγκεκριμένου προβλήματος βασίζεται στην αθροιστική επίδραση όλων των παραγόντων που συμμετέχουν στην έναρξη και στην επέκτασή τους. Γενικά οι πιο σπουδαίοι παράγοντες είναι η υγρασία της καιγόμενης ύλης, το πόσο ξερή ή όχι είναι η ποώδης βλάστηση, η ταχύτητα του ανέμου, η πυκνότητα της καιγόμενης ύλης και η τοπογραφική διαμόρφωση (Καϊλίδης και Καρανικόλα, 2004). Οι επιπτώσεις των ΔΑΠΥ είναι πολύπλευρες, καταστρέφουν περιουσίες, απειλούν ανθρώπινες ζωές, υποβαθμίζουν το περιβάλλον, διαταράσσουν την ισορροπία του οικοσυστήματος, διαβρώνουν το έδαφος, δημιουργούν πλημμύρες, επηρεάζουν το μικροκλίμα και καταστρέφουν τη χλωρίδα και τη πανίδα των οικοσυστημάτων.Το χαλάζι ως ακραίο εποχικό φαινόμενο προκαλεί σοβαρές ζημιές στη φυτική παραγωγή. Η πιθανότητα γνωστοποίησης της εμφάνισης χαλαζόπτωσης σε μια αγροτική περιοχή έχει πολλαπλά οφέλη. Οι αγρότες θα μπορούν να ενημερώνονται και να ειδοποιούνται έγκαιρα για να προστατέψουν τις καλλιέργειες τους και οι Υπηρεσίες Τροποποίησης Καιρού (ΥΤΡΟΚ) λαμβάνουν έγκυρες πληροφορίες για να βομβαρδίσουν άμεσα τα νέφη με ιωδιούχο άργυρο. Επίσης η άμεση γνωστοποίηση εμφάνισης χαλαζόπτωσης σε μια αγροτική περιοχή διαδραματίζει καθοριστικό ρόλο στις περιπτώσεις όπου το ραντάρ καιρού μένει εκτός λειτουργίας.Συγκεκριμένα η εν λόγω διδακτορική έρευνα επικεντρώνεται στην ανάπτυξη ενός καινοτόμου Υβριδικού Προτύπου και αντίστοιχου Πληροφοριακού Συστήματος Υπολογιστικής Νοημοσύνης(ΥΠΡΟ_ΠΛΗ_ΣΥΝ), το οποίο βασίζεται αποκλειστικά σε Υβριδικές Προσεγγίσεις Ήπιας Υπολογιστικής και σε Αλγόριθμους Μη Κατευθυνόμενης Μηχανικής Μάθησης. Το παραχθέν σύστημα αποτελείται από πολλά επιμέρους υποσυστήματα που μοντελοποιούν πολυπαραγοντικά περιβαλλοντικά προβλήματα. Τα προτεινόμενα πληροφοριακά υποσυστήματα, χρησιμοποιούν Στατιστικές ή Υβριδικές αναλύσεις (Τεχνητής Νοημοσύνης) για να μελετήσουν την υφιστάμενη κατάσταση των συνθηκών και των αλληλοσυσχετίσεων των παραμέτρων που συνθέτουν ένα περιβαλλοντικό πρόβλημα.Επισκόπηση της μεθοδολογίας. Για τις στατιστικές αναλύσεις χρησιμοποιήθηκε το Ασαφές Χ Τετράγωνο Τεστ-(ΑΧ2Τ) (Fuzzy Chi-Square Test-FCST) και η Ανάλυση Συσχέτισης (ΑΝΑΣΥ) (Correlation Analysis-CA), ενώ η εκτίμηση-προβολή της εξέλιξης του περιβαλλοντικού προβλήματος στο μέλλον, υπολογίστηκε από τη χρήση των Ασαφών Γνωστικών Χαρτών-(ΑΓΧ) (Fuzzy Cognitive Maps-FCM) και από την προσομοίωση του κλιματικού μοντέλου της Ελλάδας έως το 2100).Τα εργαλεία που χρησιμοποιούνται για την προσομοίωση του κλίματος είναι τα Συζευγμένα Ατμοσφαιρικά-Ωκεάνια Μοντέλα Γενικής Κυκλοφορίας που αναπαράγουν τη γενική κυκλοφορία σε ολόκληρο τον πλανήτη (Mearns et al., 2001). Τα μοντέλα αυτά δέχονται διάφορα δεδομένα ως είσοδο, όπως το διοξείδιο του άνθρακα (CO2), την ηλιακή ακτινοβολία, την εξατμισοδιαπνοή. Τα μοντέλα τρέχουν σε υπολογιστές, προσομοιώνοντας την εξέλιξη του κλίματος, και δίνουν ως αποτέλεσμα κυρίως την μεσομακροπρόθεσμη εξέλιξη της θερμοκρασίας και της βροχόπτωσης αλλά και άλλων μεταβλητών σε οποιαδήποτε περιοχή του πλανήτη (Denman et al., 2007; Καψωμενάκης et al., 2011).Για την προσομοίωση φαινομένων μικρότερης χωρικής κλίμακας σε υψηλή ανάλυση σε ένα νομό ή σε μία χώρα, χρησιμοποιούνται τα Περιφερειακά Κλιματικά Μοντέλα (ΠΕΚΛΙΜ) στα οποία οι πληροφορίες για το κλίμα εισάγονται με διάφορες τεχνικές α) από τα παγκόσμια Ατμοσφαιρικά Μοντέλα Γενικής Κυκλοφορίας β) τις στατιστικές μεθόδους υποκλιμάκωσης γ) τη δυναμική υποκλιμάκωση. Τα ΠΕΚΛΙΜ εφαρμόζονται σε περιορισμένο πεδίο και χαρακτηρίζονται από υψηλή ανάλυση. Βασίζονται στη δυναμική υποκλιμάκωση και αναπτύχθηκαν προκειμένου να εισαχθεί η περιφερειακή πληροφορία στα μεγάλης κλίμακας πεδία που παρέχονται από τα Μοντέλα Γενικής Κυκλοφορίας (ΜΟΓΕΚ) ή που προκύπτουν από επανα-ανάλυση (NCEP/ ERA-40) (Dickinson et al., 1989; Giorgi, 1990). Για να λειτουργήσουν είναι απαραίτητο να παρέχονται αρχικές συνθήκες σε ολόκληρο το πεδίο τους, χρονομεταβαλλόμενες οριακές συνθήκες στα πλευρικά τους όρια και επιφανειακές οριακές συνθήκες. Οι πλευρικές οριακές συνθήκες προέρχονται από προσομοιώσεις με ΜΟΓΕΚ ή από ανάλυση παρατηρήσεων. Τα ΠΕΚΛΙΜ δέχονται δεδομένα εισόδου συγκέντρωσης αερίων θερμοκηπίου και συγκέντρωσης αερολυμάτων, και αποτελούνται συνήθως από ένα ατμοσφαιρικό μοντέλο συζευγμένο με ένα μοντέλο του εδάφους ή ακόμα και με ένα ωκεάνιο μοντέλο (Καψωμενάκης et al., 2011).Στα προτεινόμενα υποσυστήματα έχουν μοντελοποιηθεί περιβαλλοντικοί κίνδυνοι (Ατμοσφαιρική Ρύπανση, Δασικές Πυρκαγιές, Ακραία Καιρικά Φαινόμενα, Εισαγωγή και Εγακτάσταση χωροκατακτητικών ειδών σε νέες περιοχές) που αφορούν στον Ελλαδικό χώρο, και αναμένεται να έχουν σοβαρές επιπτώσεις με βάση την μεταβολή του κλίματος τις επόμενες δεκαετίες. Για την εύρυθμη μοντελοποίηση των περιβαλλοντικών κινδύνων στα επιμέρους υποσυστήματα, έγινε χρήση των προσομοιώσεων των πιο σύγχρονων Κλιματικών Μοντέλων (ΚΛΙΜΟ) και Σεναρίων Κλιματικής Αλλαγής (ΣΕΚΛΑΛ) στα πλαίσια του προγράμματος Coupled Model Intercomparison Project, Phase 5 (CMIP5) έως το έτος 2100(http://sdwebx.worldbank.org/climateportal/index.cfm?page=country_future_climate ThisRegion=Europe&ThisCcode=GRC).Παραγωγή Δεικτών Μέσω των προσομοιώσεων, επιτυγχάνεται η εύρεση της μεσομακροπρόθεσμης πρόβλεψης των τιμών όλων των εξεταζόμενων παραμέτρων που συνθέτουν ένα περιβαλλοντικό πρόβλημα, από την μεταβολή των τιμών των μετεωρολογικών παραμέτρων (θερμοκρασίας και κατακρήμνισης).Οι προσεγγίσεις Ασαφούς Συμπερασμού (ΣΑΣΥΜ) (Fuzzy Inference Systems-FIS) Mamdani & Takagi-Sugeno–Kang (TSK) υλοποιήθηκαν σε περιβάλλον MATLAB. Το πλεονέκτημά τους είναι το γεγονός ότι παρέχουν τη δυνατότητα ενσωμάτωσης πλήθους Ασαφών Κανόνων με τη χρήση βαρών σημαντικότητας, για τη σύνθεση επιμέρους δεικτών (ΕΠΙΔΕΙ) με σκοπό τη μοντελοποίηση ενός περιβαλλοντικού προβλήματος.Οι Επιμέρους δείκτες με τη σειρά τους μπορούν να παράξουν έναν Ενοποιημένο Δείκτη (ΕΝΟΔΕΙ) μέσω της διαδικασίας των Ασαφών Συζεύξεων T-Norms (ΑΣΥΖT-Norms) (Fuzzy T-Norms Conjunctions-FTNC).Ο ΕΝΟΔΕΙ μπορεί να αντιπροσωπεύει τη συνολική επικινδυνότητα του εξεταζόμενου προβλήματος. Η ευφυία των επιμέρους υποσυστημάτων, προκύπτει από αλγόριθμους ΜΚΜ2 και συγκεκριμένα από: α) Χάρτες Αυτο-Οργάνωσης (ΧΑΟ) (Self Organizing Maps-SOM), β) την μέθοδο Μεγιστοποίησης της Προσδοκίας (Expectation Maximization-EM), γ) την μέθοδο Κορεσμού των Ακολουθιακών Πληροφοριών (Sequential Information Bottleneck-SIB), δ) τον απλό αλγόριθμο ανάλυσης συστάδων κ-Μέσων (Simple K-Means Algorithm-SKMA) για την εκτίμηση της επικινδυνότητας των Περιβαλλοντικών προβλημάτων.Σκοπός των αλγόριθμων Μη Κατευθυνόμενης Μηχανικής Μάθησης είναι να ομαδοποιήσουν και να κατατάξουν σε συστάδες, αξιολογώντας τις τιμές των παραμέτρων που καθορίζουν σε μικρότερο ή μεγαλύτερο βαθμό ένα περιβαλλοντικό πρόβλημα. Από την ανάλυση των συστάδων εξάγονται σημαντικές πληροφορίες σχετικά με το πώς επηρεάζουν οι τιμές των παραμέτρων που εντάσσονται σε κάθε ομάδα, το εξεταζόμενο πρόβλημα. Τα προτεινόμενα καινοτόμα υποσυστήματα χρησιμοποιούν αλγόριθμους ΜΚΜ2 και υβριδικά πρότυπα, συμβάλλοντας στην παραγωγή νέας γνώσης με σκοπό την περαιτέρω βελτίωση και επέκταση των προτεινόμενων μεθοδολογιών.Οι προσεγγίσεις Ήπιας Υπολογιστικής (ΗΥΠΟ) είναι ιδιαίτερα καινοτόμες και ισχυρές, πολύ σημαντικές και έχουν χρησιμοποιηθεί από πολλούς ερευνητές διεθνώς.Καινοτομία - Κενά που καλύπτει η εν λόγω Διδακτορική διατριβή. Το κενό που υπάρχει στην βιβλιογραφία, βρίσκεται στην έλλειψη ολοκληρωμένης προσέγγισης και διερεύνησης των περιβαλλοντικών προβλημάτων και όχι αποσπασματικής. Στη βιβλιογραφία δεν υπάρχει ακόμα μια ολοκληρωμένη προσέγγιση ανάπτυξης ισχυρών και αξιόπιστων Ευφυών Υβριδικών προτύπων, που θα λειτουργούν συνδυάζοντας Μεθοδολογίες Ασαφούς Λογικής (ΜΕΑΣΑΛ) και Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ) (Artificial Neural Networks-ANN) (όπως είναι οι Ασαφείς Γνωστικοί Χάρτες και το Ασαφές Χ Τετράγωνο Τεστ) με τους Αλγόριθμους ΜΚΜ2 με σκοπό τη μοντελοποίηση και την προβολή στο μέλλον της εξέλιξης και επίδρασης των περιβαλλοντικών κινδύνων.Η καινοτομία της παρούσας διδακτορικής έρευνας, βασίζεται στη σχεδίαση, ανάπτυξη και ενοποίηση κάτω από κοινή ομπρέλα, καινοτόμων Υβριδικών Ευφυών προτύπων, με παράλληλη ανάπτυξη ενός αντίστοιχου ολοκληρωμένου πληροφοριακού συστήματος, που θα προσφέρει αξιολόγηση, ανάλυση και προβολή στο μέλλον, της εξέλιξης και των επιπτώσεων των μεγάλων περιβαλλοντικών προβλημάτων-προκλήσεων, στην ποιότητα ζωής και στην διαμόρφωση της βιοποικιλότητας.Στόχοι-ωφέλειες. Η εν λόγω έρευνα, χρησιμοποιεί μεθόδους Υπολογιστικής Νοημοσύνης (ΥΠΟΝΟ) και ειδικότερα αλγόριθμους Μη Κατευθυνόμενης Μηχανικής Μάθησης και προσεγγίσεις Ήπιας Υπολογιστικής, με σκοπό να βελτιστοποιήσει την αξιοπιστία και την απόδοση των μοντέλων που καλούνται να εκτιμήσουν τις επιπτώσεις της κλιματικής αλλαγής στη δημόσια υγεία και στο περιβάλλον. Επιπλέον το σύστημα αποτελεί προγνωστικό πληροφοριακό εργαλείο πραγματικού χρόνου σε βάθος λίγων ημερών, με απώτερο σκοπό την ενημέρωση των τοπικών φορέων και την ενδυνάμωση της πολιτικής προστασίας με βάση τις εκτιμήσεις του. Αυτή ή έγκαιρη ενημέρωση μπορεί να οδηγήσει στην έγκυρη λήψη αποφάσεων προστασίας των κατοίκων μιας περιοχής και κυρίως των ευπαθών ομάδων. Συγκεκριμένα μπορεί να εφαρμοστεί σε προβλήματα που ταλανίζουν τις Μεταβιομηχανικές κοινωνίες μας, όπως η Ατμοσφαιρική Ρύπανση, η αύξηση της συχνότητα της εμφάνισης Ακραίων Καιρικών Φαινομένων, οι Δασικές Πυρκαγιές, η Εισαγωγή και Εγκατάσταση Χωροκατακτητικών Ειδών σε νέες περιοχές, για τα οποία απαιτείται άμεση ετοιμότητα και παρέμβαση των κρατικών μηχανισμών. Παράλληλα με τις εκτιμήσεις εξέλιξης των περιβαλλοντικών προβλημάτων με βάση τα κλιματικά σενάρια, προσφέρεται η δυνατότητα χάραξης μακροχρόνιου σχεδιασμού μείωσης των συνεπειών της κλιματικής αλλαγής στη δημόσια υγεία, στα δασικά οικοσυστήματα και στο περιβάλλον. Στην εν λόγω διατριβή η εφαρμογή των μεθόδων της Υπολογιστικής Νοημοσύνης αποδεικνύει ότι μπορούν να εκτιμήσουν ένα περιβαλλοντικό πρόβλημα μιας ευρύτερης περιοχής ή ενός Νομού και να προβάλουν την εξέλιξή του στο μέλλον, αφού πρώτα έχουν μελετήσει την υφιστάμενη κατάσταση των συσχετισμών των παραμέτρων που συνθέτουν το πρόβλημα.