Φώτης Αναγνωστόπουλος

Ο Φώτης Αναγνωστόπουλος γεννήθηκε το 1993 στην Αθήνα, με καταγωγή απο την Αρκαδία. Έλαβε πτυχίο Φυσικής απο το Πανεπιστήμιο Ιωαννίνων, Μεταπτυχιακό δίπλωμα στο πρόγραμμα “Αστροφυσική, Αστρονομία, Μηχανική” του Εθνικού Καποδιστριακού Πανεπιστημίου Αθηνών, όπου και ολοκλήρωσε το διδακτορικό του. Το τελευταίο αφορά την μελέτη της επιταχυνόμενης επέκτασης του Σύμπαντος. Τα ερευνητικά του ενδιαφέροντα περιλαμβάνουν τις τροποποιημένες θεωρίες βαρύτητας, την Μηχανική Μάθηση και την Ρευστοδυναμική. Συνολικά, έχει δημοσιεύσει 15 ερευνητικές εργασίες σε έγκριτα επιστημονικά περιοδικά όπως το Physical Review D, το Journal of Cosmology & Astroparticle Physics κ.α, οι οποίες έχουν λάβει 426 ετεροαναφορές. Το αντικείμενο της μεταδιδακτορικής του εργασίας στο Πανεπιστήμιο Πελοποννήσου αφορά την μελέτη μικροσωματιδίων σε αστικό περιβάλλον, με έμφαση στις πόλεις-λιμάνια. Αυτό το διάστημα ασχολείται με την υλοποίηση μιας γενικής μεθόδου πρόγνωσης της συγκέντρωσης μικροσωματιδίων, με τελικό σκοπό την υλοποίηση της μεθόδου ως υπηρεσίας ελεύθερα διαθέσιμης στο γενικό κοινό.

Μοντέλα πρόβλεψης αέριας ρύπανσης με μεθόδους μηχανικής μάθησης

Η αέρια ρύπανση αποτελεί σοβαρό κίνδυνο για την ανθρώπινη υγεία στο αστικό περιβάλλον, συνεπώς η δυνατότητα πρόβλεψης της συγκέντρωσης ρύπων είναι αναγκαία, παράλληλα με δράσεις περιορισμού της ρύπανσης. Σε αυτή τη κατεύθυνση, χρησιμοποιούνται διεθνώς μοντέλα μεταφοράς, τα οποία όμως έχουν περιορισμούς ακρίβειας οταν εφαρμόζονται στο αστικό περιβάλλον. Παρουσιάζουμε μια νέα προσέγγιση στο πρόβλημα με χρήση Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ) και συγκεκριμένα Μακρά Βραχείας Μνήμης Νευρωνικά (Long Short-Term Memory Neural Network), ΜΒΜΝΔ, τα οποία είναι γνωστά για την υψηλή τους ακρίβεια σε προβλήματα πρόγνωσης χρονοσειρών. Τα συγκεκριμένα ΜΒΜΝΔ που χρησιμοποιούνται παρουσιάζουν επιπλέον το καινοτόμο στοιχείο της δυνατότητας της ερμηνείας των αποτελεσμάτων τους. Αναφορικά με τα χρησιμοποιούμενα χαρακτηριστικά της πρόβλεψης, αξιοποιόυνται μετεωρολογικά δεδομένα, παρελθοντικές τιμές συγκεντρώσεων και επιπλέον, πολεοδομικά χαρακτηριστικά όπως το Μέσο Συντελεστή Δόμησης και την πληθυσμιακή πυκνότητα. Η χρήση των τελευταίων επιτρέπει την καλύτερη αποτύπωση της χωρικής μεταβλητότητας του φαινομένου, ενω παρέχει την δυνατότητα προσθαφαίρεσης αισθητήρων ή και ενσωμάτωση κινούμενων αισθητήρων επι δρόνων (drones) ή λεωφορείων κάτι που δεν ηταν εύκολο με βαση τις μεχρι τωρα προσεγγίσεις. Η μέθοδος εφαρμόζεται σε μιά σειρά ελληνικών πόλεων (Πάτρα, Αγρίνιο, Αθήνα κα) και διαπιστώνεται οτι παρέχει ακρίβεια πρόβλεψης συγκρίσιμη με την διακριτική ικανότητα του αισθητήρα, διατηρώντας την δυνατότητα ερμηνείας της συνεισφοράς επιμέρους χαρακτηριστικών στην πρόβλεψη. Συνεπώς, η προτεινόμενη μέθοδος μπορεί να αποτελέσει τον πυρήνα ενός ολοκληρωμένου συστήματος έγκαιρης προειδοποίησης χαμηλού κόστους το οποίο να συμβάλλει στην μείωση του κινδύνου για την υγεία που προκαλεί η αέρια ρύπανση.