Η παρούσα µεταπτυχιακή διατριβή ασχολείται µε την αξιοποίηση των
Τεχνητών Νευρωνικών δικτύων για τη µελέτη και επεξεργασία κλιµατικών
παραµέτρων. Η εργασία εστιάζει στην ανάλυση των θερµοκρασιών αέρος και
εδάφους της Χρονιάς 2010-2011 του µετεωρολογικού σταθµού του
Γεωπονικού Πανεπιστηµίου Αθηνών µε µετρήσεις ανά δέκα λεπτά της ώρας
.Σκοπός της παρούσας διπλωµατικής εργασίας είναι η παρουσίαση
µεθοδολογιών ορισµένων τεχνητών νευρωνικών δικτύων και η σύγκριση τους
µε άλλες παρόµοιες µεθόδους συσχέτισης µε απώτερο σκοπό την επιλογή της
βέλτιστης µεθόδου για την επεξεργασία κλιµατικών παραµέτρων.
Αρχικά πραγµατοποιήθηκε µια επισκόπηση της βιβλιογραφίας, η οποία
αναφέρεται στο θέµα της συγκεκριµένης µελέτης, στις κλιµατικές παραµέτρους
που αναλύονται ,στα υλικά και τις µεθόδους που χρησιµοποιήθηκαν ενώ
παράλληλα γίνεται και µια εκτεταµένη περιγραφή των τεχνητών νευρωνικών
δικτύων. Στη συνέχεια γίνεται µια περιγραφή του χώρου µελέτης απ’ όπου
λάβαµε τα δεδοµένα που χρησιµοποιήθηκαν , µε µια παράλληλη ανάλυση των
κλιµατικών συνθηκών που επικρατούν σ ‘αυτόν άλλα και τον τρόπο λήψης
τους. Κατόπιν αναλύεται η µεθοδολογία που ακολουθήσαµε ,στα πλαίσια
αυτής της πειραµατικής διαδικασίας.
Τέλος, παρουσιάζονται τα αποτελέσµατα της επεξεργασίας των δεδοµένων
που πραγµατοποιήσαµε µε µια ταυτόχρονη σύγκριση των τεχνητών
νευρωνικών δικτύων µε τις άλλες µεθόδους ανάλυσης που χρησιµοποιήσαµε.
Αξίζει να αναφέρουµε ότι ο αρχικός βαθµός συσχέτισης ( R
Εκτίμηση Περιβαλλοντικών Παραμέτρων με χρήση Τεχνητών Νευρωνικών
Δικτύων
2
) εµφάνιζε τιµές
από 0,78 έως 0,89 και µέσα απ’ αυτή την πειραµατική διαδικασία καταφέραµε
να αυξήσουµε το βαθµό συσχέτισης µεταξύ των µεταβλητών µας σε τιµές
πάνω από 0,9.
This Thesis investigates the evaluation of Artificial Neural Networks for the
study and the processing of climatic data. It focuses on analyzing air and soil
temperatures taken from the weather station established in the Agricultural
University of Athens. These measurements were received every ten minutes
during a whole year ( 2010-2011). Its purpose was to present the
methodology of Artificial Neural Networks and to compare them with other
similar methods of data mining with an utter goal of selecting the best climatic
data processing method.
Primarily, we summarized the various references used in this current thesis
which refer to the climatic data that are analyzed, the methodology of the
analysis , followed by an extensive description of the neural networks that
were created and used to evaluate the data.
This is followed by a description of the area of study, where we received the
climatic data further analyzing the climatic parameters in it and the way they
were obtained. Furthermore we describe the methodology followed in this
experimental procedure.
Finally, the results of the process are presented with a simultaneous
comparison of similar regression methods used during this whole procedure.
It is also worth mentioning that the coefficient of determination, (R
) between
our variables at the starting stages of this procedure was between 0,78 and
0,89 and throughout this effort we managed to increase it at values above 0,9.
