Η παρούσα διπλωματική εργασία διερευνά την αξιοποίηση της τηλεπισκόπη- σης και των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) για την ανίχνευση και διαχείριση πλημμυρικών φαινομένων, με εφαρμογή στην περιφέρεια Θεσσαλίας κατά την κακοκαιρία «Ιανός» (2020). Χρησιμοποιούνται δορυφορικά δεδομένα RADAR (Sentinel-1, GRD), τα οποία είναι ανεξάρτητα των συνθηκών φωτισμού και νεφοκά- λυψης, και εφαρμόζονται δύο συμπληρωματικές ροές εργασίας: (α) σε τοπικά εγκα- τεστημένο περιβάλλον SNAP για προεπεξεργασία (orbit files, thermal/border noise removal, radiometric calibration, speckle filtering, terrain correction) και εξαγωγή δεικτών/κατωφλίων αλλαγής οπισθοσκέδασης, και (β) σε Google Earth Engine (GEE) για ταχεία αναζήτηση/στοίβαξη σκηνών, υπολογισμό δεικτών change detection και παραγωγή χαρτών πλημμύρας μεγάλης κλίμακας. Η μεθοδολογία επαληθεύεται με χαρτογράφηση πλημμυρισμένων εκτάσεων και ποσοτική/ποιοτική σύγκριση των προϊόντων που παρήχθησαν από τις δύο πλατφόρμες. Τα αποτελέσματα δείχνουν ότι το SNAP αποδίδει μεγαλύτερη λεπτομέρεια και καλύτερο γεωμετρικό έλεγχο σε επί- πεδο «παραθύρου» (τοπική κλίμακα), επιτρέποντας αυστηρότερη ρύθμιση φίλτρων speckle και παραμέτρων ορθοαναγωγής, ενώ το GEE υπερέχει σε ταχύτητα, επανα- ληψιμότητα και ενοποίηση με συναφή datasets (DEM, landcover) για περιφερειακή ανάλυση. Η σύγκλιση των δύο προσεγγίσεων ενισχύει την αξιοπιστία της χαρτογρά- φησης, ιδίως όταν η κατηγοριοποίηση στηρίζεται σε κατώφλια που ορίζονται από στατιστικά πριν/μετά το συμβάν. Συζητούνται περιορισμοί (π.χ. ψευδοθετικές απο- κρίσεις σε τραχείς αγρούς, επίδραση γεωμετρίας λήψης, ανάγκη επικαιροποίησης βοηθητικών μασκών) και προτείνονται βελτιώσεις, όπως αυτοματοποίηση pipelines, ενιαίο σχήμα μεταδεδομένων και ένταξη αισθητήρων πολλαπλής συχνότητας. Συμπε- ρασματικά, η συνδυασμένη χρήση τηλεπισκόπησης RADAR και GIS παρέχει αποτε- λεσματικό πλαίσιο έγκαιρης προειδοποίησης και υποστήριξης αποφάσεων για πλημ- μυρικό κίνδυνο, με άμεσες προεκτάσεις σε σχεδιασμό πολιτικής προστασίας και αν- θεκτικότητας υποδομών.

This thesis explores the use of remote sensing and Geographic Information Systems (GIS) for flood detection and management, focusing on Thessaly, Greece, during storm “Ianos” (2020). We employ RADAR satellite imagery (Sentinel-1 GRD) and implement two complementary workflows: (a) a local SNAP pipeline for preprocessing (orbit correction, thermal/border noise removal, radiometric calibration, speckle filtering, terrain correction) and threshold-based change detection in backscatter, and (b) a Google Earth Engine (GEE) workflow for rapid data discovery/stacking, change-detection metrics, and large-scale flood mapping. The methodology is validated by mapping flooded areas and conducting a quantitative and qualitative comparison between the outputs of the two platforms. Results indicate that SNAP provides higher local detail and tighter geometric control—enabling stricter speckle filtering and orthorectification—while GEE excels in speed, reproducibility, and seamless integration with ancillary datasets (e.g., DEM, land cover) for regional analyses. The convergence of both approaches strengthens mapping reliability, particularly when classification thresholds are derived from pre-/post-event statistics. Identified limitations include false positives over rough agricultural fields, acquisition-geometry effects, and the need for up-to-date masks, while recommended improvements involve pipeline automation, unified metadata schemas, and inclusion of multi-frequency sensors. Overall, integrating SAR remote sensing with GIS provides an effective framework for early warning and decision support in flood-risk management, with direct implications for civil protection planning and infrastructure resilience.