{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2888028"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2888028","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Statistical techniques for improving prediction in crop progress stages with meteorological and satellite data","abstract":"Οι εκθέσεις προόδου της καλλιέργειας (CPR) του USDA παρουσιάζουν την εβδομαδιαία πρόοδο που σημειώθηκε στα διάφορα φαινολογικά στάδια των επιλεγμένων καλλιεργειών και ιδιαίτερα του καλαμποκιού. Σε αυτή την διπλωματική, ο στόχος μας ήταν να προβλέψουμε τα CPR ενός ολόκληρου έτους λαμβάνοντας υπόψη διαθέσιμα δεδομένα από συναφή χαρακτηριστικά με τρόπο που να μπορούμε να νικήσουμε τις προβλέψεις βάσει εμπειρικών μέσων από ιστορικά δεδομένα. Για το λόγο αυτό, χρησιμοποιήσαμε δύο χαρακτηριστικά, τον δείκτη κανονικοποιημένης βλάστησης (NDVI) και τις συγκεντρωτικές ημέρες καλλιέργειας (AGDDs). Προκειμένου να επιτευχθεί ο στόχος μας, εφαρμόσαμε αρκετές προσεγγίσεις μοντελοποίησης, συμπεριλαμβανομένων μοντέλων ανεξάρτητων μήξεων και κρυμμένα μοντέλα HMMs και συγκρίναμε διαφορετικούς τύπους εκτιμητών και προγνωστικών λαμβάνοντας υπόψη και τα δύο χαρακτηριστικά ή τη χωριστή επεξεργασία τους ή πραγματοποιώντας μετασχηματισμούς δεδομένων, όπως διαφορές. Τα αποτελέσματα έδειξαν ότι τα προαναφερθέντα μοντέλα δεν μπορούν να προβλέψουν καλύτερα από τα ιστορικά δεδομένα. Τέλος, κατορθώσαμε να λάβουμε καλύτερες προβλέψεις χρησιμοποιώντας απλή γραμμική παλινδρόμηση. Αυτή η μελέτη μπορεί να επεκταθεί σε διάφορες κατευθύνσεις για μελλοντικές εργασίες.","abstract_html":"Οι εκθέσεις προόδου της καλλιέργειας (CPR) του USDA παρουσιάζουν την εβδομαδιαία πρόοδο που σημειώθηκε στα διάφορα φαινολογικά στάδια των επιλεγμένων καλλιεργειών και ιδιαίτερα του καλαμποκιού. Σε αυτή την διπλωματική, ο στόχος μας ήταν να προβλέψουμε τα CPR ενός ολόκληρου έτους λαμβάνοντας υπόψη διαθέσιμα δεδομένα από συναφή χαρακτηριστικά με τρόπο που να μπορούμε να νικήσουμε τις προβλέψεις βάσει εμπειρικών μέσων από ιστορικά δεδομένα. Για το λόγο αυτό, χρησιμοποιήσαμε δύο χαρακτηριστικά, τον δείκτη κανονικοποιημένης βλάστησης (NDVI) και τις συγκεντρωτικές ημέρες καλλιέργειας (AGDDs). Προκειμένου να επιτευχθεί ο στόχος μας, εφαρμόσαμε αρκετές προσεγγίσεις μοντελοποίησης, συμπεριλαμβανομένων μοντέλων ανεξάρτητων μήξεων και κρυμμένα μοντέλα HMMs και συγκρίναμε διαφορετικούς τύπους εκτιμητών και προγνωστικών λαμβάνοντας υπόψη και τα δύο χαρακτηριστικά ή τη χωριστή επεξεργασία τους ή πραγματοποιώντας μετασχηματισμούς δεδομένων, όπως διαφορές. Τα αποτελέσματα έδειξαν ότι τα προαναφερθέντα μοντέλα δεν μπορούν να προβλέψουν καλύτερα από τα ιστορικά δεδομένα. Τέλος, κατορθώσαμε να λάβουμε καλύτερες προβλέψεις χρησιμοποιώντας απλή γραμμική παλινδρόμηση. Αυτή η μελέτη μπορεί να επεκταθεί σε διάφορες κατευθύνσεις για μελλοντικές εργασίες.","abstract_has_math":false,"creators":["Γιανναδάκη Χριστίνα","Giannadaki Christina"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019","date_published":"2019","updated_at":"2026-11-19T05:36:50Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2888028"],"render_values":[{"text":"uoadl:2888028","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2888028","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2888028","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%3A2888028","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γιανναδάκη Χριστίνα","Giannadaki Christina"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2888028","https://pergamos.lib.uoa.gr/uoa/dl/object/2888028"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι εκθέσεις προόδου της καλλιέργειας (CPR) του USDA παρουσιάζουν την εβδομαδιαία πρόοδο που σημειώθηκε στα διάφορα φαινολογικά στάδια των επιλεγμένων καλλιεργειών και ιδιαίτερα του καλαμποκιού. Σε αυτή την διπλωματική, ο στόχος μας ήταν να προβλέψουμε τα CPR ενός ολόκληρου έτους λαμβάνοντας υπόψη διαθέσιμα δεδομένα από συναφή χαρακτηριστικά με τρόπο που να μπορούμε να νικήσουμε τις προβλέψεις βάσει εμπειρικών μέσων από ιστορικά δεδομένα. Για το λόγο αυτό, χρησιμοποιήσαμε δύο χαρακτηριστικά, τον δείκτη κανονικοποιημένης βλάστησης (NDVI) και τις συγκεντρωτικές ημέρες καλλιέργειας (AGDDs). Προκειμένου να επιτευχθεί ο στόχος μας, εφαρμόσαμε αρκετές προσεγγίσεις μοντελοποίησης, συμπεριλαμβανομένων μοντέλων ανεξάρτητων μήξεων και κρυμμένα μοντέλα HMMs και συγκρίναμε διαφορετικούς τύπους εκτιμητών και προγνωστικών λαμβάνοντας υπόψη και τα δύο χαρακτηριστικά ή τη χωριστή επεξεργασία τους ή πραγματοποιώντας μετασχηματισμούς δεδομένων, όπως διαφορές. Τα αποτελέσματα έδειξαν ότι τα προαναφερθέντα μοντέλα δεν μπορούν να προβλέψουν καλύτερα από τα ιστορικά δεδομένα. Τέλος, κατορθώσαμε να λάβουμε καλύτερες προβλέψεις χρησιμοποιώντας απλή γραμμική παλινδρόμηση. Αυτή η μελέτη μπορεί να επεκταθεί σε διάφορες κατευθύνσεις για μελλοντικές εργασίες.","Crop Progress Reports (CPRs) of the USDA are listing the weekly progress made in the different phenological stages of selected crops and in particular of corn. In this thesis, our goal was to predict the CPRs of a full year by taking into account available data from related features in a way that we can beat the predictions based on empirical means from historical data. For this reason, we used two features, the mean Normalized Difference Vegetation Index (NDVI) and the Accumulated Growing Degree Days (AGDDs). In order to achieve our target we implemented several modeling approaches, including Independent Mixture Models and Hidden Markov Models HMMs and we compared different type of estimators and predictors by taking into account both features or treating them separately, or making data transformations, such as differences. The results showed that the aforementioned models cannot predict better than the historical data. Finally, we managed to obtain better predictions by using Simple Linear Regression. This study can be extended in several directions for future work."]},{"key":"dc:title","label":"Title","values":["Statistical techniques for improving prediction in crop progress stages with meteorological and satellite data"]}]}],"canonical_facts":{"dc:creator":["Γιανναδάκη Χριστίνα","Giannadaki Christina"],"dc:date":["2019"],"dc:description":["Οι εκθέσεις προόδου της καλλιέργειας (CPR) του USDA παρουσιάζουν την εβδομαδιαία πρόοδο που σημειώθηκε στα διάφορα φαινολογικά στάδια των επιλεγμένων καλλιεργειών και ιδιαίτερα του καλαμποκιού. Σε αυτή την διπλωματική, ο στόχος μας ήταν να προβλέψουμε τα CPR ενός ολόκληρου έτους λαμβάνοντας υπόψη διαθέσιμα δεδομένα από συναφή χαρακτηριστικά με τρόπο που να μπορούμε να νικήσουμε τις προβλέψεις βάσει εμπειρικών μέσων από ιστορικά δεδομένα. Για το λόγο αυτό, χρησιμοποιήσαμε δύο χαρακτηριστικά, τον δείκτη κανονικοποιημένης βλάστησης (NDVI) και τις συγκεντρωτικές ημέρες καλλιέργειας (AGDDs). Προκειμένου να επιτευχθεί ο στόχος μας, εφαρμόσαμε αρκετές προσεγγίσεις μοντελοποίησης, συμπεριλαμβανομένων μοντέλων ανεξάρτητων μήξεων και κρυμμένα μοντέλα HMMs και συγκρίναμε διαφορετικούς τύπους εκτιμητών και προγνωστικών λαμβάνοντας υπόψη και τα δύο χαρακτηριστικά ή τη χωριστή επεξεργασία τους ή πραγματοποιώντας μετασχηματισμούς δεδομένων, όπως διαφορές. Τα αποτελέσματα έδειξαν ότι τα προαναφερθέντα μοντέλα δεν μπορούν να προβλέψουν καλύτερα από τα ιστορικά δεδομένα. Τέλος, κατορθώσαμε να λάβουμε καλύτερες προβλέψεις χρησιμοποιώντας απλή γραμμική παλινδρόμηση. Αυτή η μελέτη μπορεί να επεκταθεί σε διάφορες κατευθύνσεις για μελλοντικές εργασίες.","Crop Progress Reports (CPRs) of the USDA are listing the weekly progress made in the different phenological stages of selected crops and in particular of corn. In this thesis, our goal was to predict the CPRs of a full year by taking into account available data from related features in a way that we can beat the predictions based on empirical means from historical data. For this reason, we used two features, the mean Normalized Difference Vegetation Index (NDVI) and the Accumulated Growing Degree Days (AGDDs). In order to achieve our target we implemented several modeling approaches, including Independent Mixture Models and Hidden Markov Models HMMs and we compared different type of estimators and predictors by taking into account both features or treating them separately, or making data transformations, such as differences. The results showed that the aforementioned models cannot predict better than the historical data. Finally, we managed to obtain better predictions by using Simple Linear Regression. This study can be extended in several directions for future work."],"dc:identifier":["uoadl:2888028","https://pergamos.lib.uoa.gr/uoa/dl/object/2888028"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Statistical techniques for improving prediction in crop progress stages with meteorological and satellite data"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:36:50Z"}