Οι δασικές πυρκαγιές αποτελούν ένα κρίσιμο πρόβλημα, με σοβαρές επιπτώσεις στο περιβάλλον, την οικονομία και την κοινωνία. Ο σκοπός της παρούσας εργασίας είναι η αξιολόγηση της μηχανικής μάθησης ως τρόπος αντιμετώπισης του προβλήματος των πυρκαγιών και της αξιολόγησης των επικρατέστερων αλγορίθμων μηχανικής μάθησης ως προς την ικανότητά τους να προβλέψουν την εμφάνιση πυρκαγιών.

Η εργασία χρησιμοποιεί δομημένα γεωχωρικά δεδομένα από το Εθνικό Αστεροσκοπείο Αθηνών για την αξιολόγηση δύο αλγορίθμων ταξινόμησης: τον αλγόριθμο Random Forest και τον αλγόριθμο eXtreme Gradient Boosting (XGBoost). Η αξιολόγηση βασίζεται σε στατιστικά κριτήρια απόδοσης, όπως: η ακρίβεια (Accuracy), η ανάκληση (Recall), η μετρική F1 (F1 Metric), η καμπύλη ROC (ROC Curve) και οι Πίνακες Σύγχυσης (Confusion Matrices).

Τέλος, η εργασία επιχειρεί να προσφέρει διαφάνεια και κατανόηση των παραγόντων που επηρεάζουν τις προβλέψεις πυρκαγιών, μέσω της τεχνικής Εξηγήσιμης Τεχνητής Νοημοσύνης, Feature Importance.

Forest fires are a critical problem with severe impacts on the environment, the economy, and the society. The purpose of this study is to evaluate machine learning as a means to address the problem of fires and to assess the most prevalent machine learning algorithms in their ability to predict the occurrence of fires.

The study utilizes structured geospatial data from the National Observatory of Athens to evaluate two classification algorithms: the Random Forest algorithm and the eXtreme Gradient Boosting (XGBoost) algorithm. The evaluation is based on statistical performance criteria such as Accuracy, Recall, F1 Metric, ROC Curve, and Confusion Matrices.

Finally, the study aims to offer transparency and understanding of the factors influencing fire predictions through the Explainable Artificial Intelligence (Feature Importance) technique.