{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1320787"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1320787","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Χωρική εκτίμηση της ατμοσφαιρικής ρύπανσης σε αστική περιοχή με τη χρήση τεχνητών νευρωνικών δικτύων","abstract":"Η ατμοσφαιρική ρύπανση στο αστικό περιβάλλον είναι ένα από τα κύρια προβλήματα του σύγχρονου ανθρώπου, με δυσμενείς επιπτώσεις στην υγεία του. Η αποτελεσματικότητα των μέτρων αντιμετώπισης που λαμβάνονται σήμερα μπορεί να κριθεί γνωρίζοντας την πορεία και τη συγκέντρωση των διαφόρων ρύπων στην ατμόσφαιρα, χρονικά και χωρικά. Η χωρική εκτίμηση της ρύπανσης αποτελεί ένα σημαντικό πεδίο εφαρμογής των στατιστικών μεθόδων χωρικής παρεμβολής, καθώς επιτρέπει την εξαγωγή πληροφορίας για σημεία στα οποία δεν είναι διαθέσιμες μετρήσεις. Η παρούσα εργασία έχει ως κύριο στόχο την εκτίμηση της ατμοσφαιρικής ρύπανσης με τη χρήση των τεχνητών νευρωνικών δικτύων και της μεθόδου πολλαπλής γραμμικής παλινδρόμησης για την ευρύτερη περιοχή της Αττικής, αξιοποιώντας τα δεδομένα πέντε ατμοσφαιρικών ρύπων (μονοξείδιο του άνθρακα, διοξείδιο του αζώτου, μονοξείδιο του αζώτου, διοξείδιο του θείου και όζον) από το υπάρχον δίκτυο σταθμών της περιοχής. Τα αποτελέσματα που δίνουν οι δύο μέθοδοι συγκρίνονται μέσω στατιστικών μέτρων προγνωστικής ικανότητας και αναδεικνύουν την υπεροχή των τεχνητών νευρωνικών δικτύων, τα οποία ως μία μη-γραμμική μέθοδος δίνουν καλύτερες τιμές πρόγνωσης στο σύνολο των περιπτώσεων και ειδικότερα όταν ο αριθμός των σταθμών μειώνεται και αυξάνονται κατά συνέπεια οι μη-γραμμικές συσχετίσεις.","abstract_html":"Η ατμοσφαιρική ρύπανση στο αστικό περιβάλλον είναι ένα από τα κύρια προβλήματα του σύγχρονου ανθρώπου, με δυσμενείς επιπτώσεις στην υγεία του. Η αποτελεσματικότητα των μέτρων αντιμετώπισης που λαμβάνονται σήμερα μπορεί να κριθεί γνωρίζοντας την πορεία και τη συγκέντρωση των διαφόρων ρύπων στην ατμόσφαιρα, χρονικά και χωρικά. Η χωρική εκτίμηση της ρύπανσης αποτελεί ένα σημαντικό πεδίο εφαρμογής των στατιστικών μεθόδων χωρικής παρεμβολής, καθώς επιτρέπει την εξαγωγή πληροφορίας για σημεία στα οποία δεν είναι διαθέσιμες μετρήσεις. Η παρούσα εργασία έχει ως κύριο στόχο την εκτίμηση της ατμοσφαιρικής ρύπανσης με τη χρήση των τεχνητών νευρωνικών δικτύων και της μεθόδου πολλαπλής γραμμικής παλινδρόμησης για την ευρύτερη περιοχή της Αττικής, αξιοποιώντας τα δεδομένα πέντε ατμοσφαιρικών ρύπων (μονοξείδιο του άνθρακα, διοξείδιο του αζώτου, μονοξείδιο του αζώτου, διοξείδιο του θείου και όζον) από το υπάρχον δίκτυο σταθμών της περιοχής. Τα αποτελέσματα που δίνουν οι δύο μέθοδοι συγκρίνονται μέσω στατιστικών μέτρων προγνωστικής ικανότητας και αναδεικνύουν την υπεροχή των τεχνητών νευρωνικών δικτύων, τα οποία ως μία μη-γραμμική μέθοδος δίνουν καλύτερες τιμές πρόγνωσης στο σύνολο των περιπτώσεων και ειδικότερα όταν ο αριθμός των σταθμών μειώνεται και αυξάνονται κατά συνέπεια οι μη-γραμμικές συσχετίσεις.","abstract_has_math":false,"creators":["Αλιμήσης Αναστάσιος"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2016,"date_issued":"2016","date_published":"2016","updated_at":"2026-11-19T05:26:30Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1320787"],"render_values":[{"text":"uoadl:1320787","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320787","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320787","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1320787","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Αλιμήσης Αναστάσιος"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2016"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1320787","https://pergamos.lib.uoa.gr/uoa/dl/object/1320787"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η ατμοσφαιρική ρύπανση στο αστικό περιβάλλον είναι ένα από τα κύρια προβλήματα του σύγχρονου ανθρώπου, με δυσμενείς επιπτώσεις στην υγεία του. Η αποτελεσματικότητα των μέτρων αντιμετώπισης που λαμβάνονται σήμερα μπορεί να κριθεί γνωρίζοντας την πορεία και τη συγκέντρωση των διαφόρων ρύπων στην ατμόσφαιρα, χρονικά και χωρικά. Η χωρική εκτίμηση της ρύπανσης αποτελεί ένα σημαντικό πεδίο εφαρμογής των στατιστικών μεθόδων χωρικής παρεμβολής, καθώς επιτρέπει την εξαγωγή πληροφορίας για σημεία στα οποία δεν είναι διαθέσιμες μετρήσεις. Η παρούσα εργασία έχει ως κύριο στόχο την εκτίμηση της ατμοσφαιρικής ρύπανσης με τη χρήση των τεχνητών νευρωνικών δικτύων και της μεθόδου πολλαπλής γραμμικής παλινδρόμησης για την ευρύτερη περιοχή της Αττικής, αξιοποιώντας τα δεδομένα πέντε ατμοσφαιρικών ρύπων (μονοξείδιο του άνθρακα, διοξείδιο του αζώτου, μονοξείδιο του αζώτου, διοξείδιο του θείου και όζον) από το υπάρχον δίκτυο σταθμών της περιοχής. Τα αποτελέσματα που δίνουν οι δύο μέθοδοι συγκρίνονται μέσω στατιστικών μέτρων προγνωστικής ικανότητας και αναδεικνύουν την υπεροχή των τεχνητών νευρωνικών δικτύων, τα οποία ως μία μη-γραμμική μέθοδος δίνουν καλύτερες τιμές πρόγνωσης στο σύνολο των περιπτώσεων και ειδικότερα όταν ο αριθμός των σταθμών μειώνεται και αυξάνονται κατά συνέπεια οι μη-γραμμικές συσχετίσεις.","The deterioration of urban air quality is considered worldwide one of the primary environmental issues and most recent scientific evidence associates the exposure to ambient air pollution with serious health effects. This fact highlights the importance of generating accurate fields of air pollution for quantifying present and future health related risks. Interpolation methods for point estimations in the field of air pollution modeling enable the estimation of pollutant concentrations in unmonitored locations. The main objective of this study is to evaluate two interpolation methodologies, artificial neural networks and multiple linear regression, using data from a real urban air quality monitoring network located at the greater area of metropolitan Athens in Greece. The results for five air pollutants (ozone, nitrogen dioxide, nitrogen monoxide, sulfur dioxide and carbon monoxide) are compared through the use of error measures in the estimation period (root mean squared error, mean absolute error and mean absolute percentage error). Artificial neural networks are found to be statistical significantly superior in most cases, especially when a smaller number of stations is examined, and thus the non-linear correlations are augmented."]},{"key":"dc:title","label":"Title","values":["Χωρική εκτίμηση της ατμοσφαιρικής ρύπανσης σε αστική περιοχή με τη χρήση τεχνητών νευρωνικών δικτύων"]}]}],"canonical_facts":{"dc:creator":["Αλιμήσης Αναστάσιος"],"dc:date":["2016"],"dc:description":["Η ατμοσφαιρική ρύπανση στο αστικό περιβάλλον είναι ένα από τα κύρια προβλήματα του σύγχρονου ανθρώπου, με δυσμενείς επιπτώσεις στην υγεία του. Η αποτελεσματικότητα των μέτρων αντιμετώπισης που λαμβάνονται σήμερα μπορεί να κριθεί γνωρίζοντας την πορεία και τη συγκέντρωση των διαφόρων ρύπων στην ατμόσφαιρα, χρονικά και χωρικά. Η χωρική εκτίμηση της ρύπανσης αποτελεί ένα σημαντικό πεδίο εφαρμογής των στατιστικών μεθόδων χωρικής παρεμβολής, καθώς επιτρέπει την εξαγωγή πληροφορίας για σημεία στα οποία δεν είναι διαθέσιμες μετρήσεις. Η παρούσα εργασία έχει ως κύριο στόχο την εκτίμηση της ατμοσφαιρικής ρύπανσης με τη χρήση των τεχνητών νευρωνικών δικτύων και της μεθόδου πολλαπλής γραμμικής παλινδρόμησης για την ευρύτερη περιοχή της Αττικής, αξιοποιώντας τα δεδομένα πέντε ατμοσφαιρικών ρύπων (μονοξείδιο του άνθρακα, διοξείδιο του αζώτου, μονοξείδιο του αζώτου, διοξείδιο του θείου και όζον) από το υπάρχον δίκτυο σταθμών της περιοχής. Τα αποτελέσματα που δίνουν οι δύο μέθοδοι συγκρίνονται μέσω στατιστικών μέτρων προγνωστικής ικανότητας και αναδεικνύουν την υπεροχή των τεχνητών νευρωνικών δικτύων, τα οποία ως μία μη-γραμμική μέθοδος δίνουν καλύτερες τιμές πρόγνωσης στο σύνολο των περιπτώσεων και ειδικότερα όταν ο αριθμός των σταθμών μειώνεται και αυξάνονται κατά συνέπεια οι μη-γραμμικές συσχετίσεις.","The deterioration of urban air quality is considered worldwide one of the primary environmental issues and most recent scientific evidence associates the exposure to ambient air pollution with serious health effects. This fact highlights the importance of generating accurate fields of air pollution for quantifying present and future health related risks. Interpolation methods for point estimations in the field of air pollution modeling enable the estimation of pollutant concentrations in unmonitored locations. The main objective of this study is to evaluate two interpolation methodologies, artificial neural networks and multiple linear regression, using data from a real urban air quality monitoring network located at the greater area of metropolitan Athens in Greece. The results for five air pollutants (ozone, nitrogen dioxide, nitrogen monoxide, sulfur dioxide and carbon monoxide) are compared through the use of error measures in the estimation period (root mean squared error, mean absolute error and mean absolute percentage error). Artificial neural networks are found to be statistical significantly superior in most cases, especially when a smaller number of stations is examined, and thus the non-linear correlations are augmented."],"dc:identifier":["uoadl:1320787","https://pergamos.lib.uoa.gr/uoa/dl/object/1320787"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Χωρική εκτίμηση της ατμοσφαιρικής ρύπανσης σε αστική περιοχή με τη χρήση τεχνητών νευρωνικών δικτύων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:30Z"}