{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3330804"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3330804","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη χωρο-χρονικού μοντέλου χρήσης γης των συγκεντρώσεων αιωρούμενων σωματιδίων PM2.5 για την Αθήνα, για χρήση σε επιδημιολογικές μελέτες","abstract":"Υπάρχουν επαρκείς ενδείξεις ανεπιθύμητων ενεργειών στην υγεία στην βραχυχρόνια έκθεση των PM2.5. Όμως, σε μερικές περιοχές μελετών, το δίκτυο παρακολούθησης των PM2.5 είναι χωρικά ελλιπές με αποτέλεσμα να περιορίζεται η πιθανότητα της μοντελοποίησης των PM2.5 σε μεγάλο εύρος επιδημιολογικών μελετών. Στόχος ήταν να βελτιωθεί η βάση των δεδομένων με τιμές PM2.5 με σκοπό την ανάπτυξη ενός χωρο-χρονικού μοντέλου χρήσης γης (LUR) το οποίο θα εκτιμά τα PM2.5 στη περιοχή της Αθήνας, στην Ελλάδα. Η βάση δεδομένων των PM2.5 βελτιώθηκε χρησιμοποιώντας τιμές των PM10, τιμές του διοξειδίου του αζώτου (ΝΟ2), μετεωρολογικές και χωρικές μεταβλητές για να πραγματοποιηθεί η ημερήσια πρόγνωση των συγκεντρώσεων PM2.5 σε περιοχές όπου διαθέτουν σταθερούς σταθμούς παρακολούθησης των PM10, αλλά όχι των PM2.5. Αυτή η ανάλυση πραγματοποιήθηκε με την μέθοδο παλινδρόμησης και με την μέθοδο της μηχανικής μάθησης Random-Forest (RF), όπως και με συνδυασμό των δύο. Στη συνέχεια, αναπτύχθηκε ένα χωρο-χρονικό μοντέλο χρήσης γης για την πρόγνωση των PM2.5, το οποίο συμπεριλάμβανε γραμμικές συναρτήσεις και συναρτήσεις εξομάλυνσης των χωρικών και χρονικών μεταβλητών καθώς επίσης και μια δίτιμη thin plate συνάρτηση εξομάλυνσης. Το τελικό σύνολο των επεξηγηματικών μεταβλητών επιλέχθηκε βάση του διορθωμένου συντελεστή προσδιορισμού R2. Η προγνωστική ικανότητα του τελικού μοντέλου επικυρώθηκε χρησιμοποιώντας 10-fold cross validation (CV). Ο συνδυασμός των προβλέψεων με παλινδρόμηση και RF απέδωσε καλύτερα, με CV-R2 ίσο με 98.2% και Μέσο Τετραγωνικό Σφάλμα (MSE) ίσο με 2.1, για την περίοδο μελέτης 2007-2019. Το CV-R2 του χωρο-χρονικού μοντέλου χρήσης γης ήταν 81.8%. H μέθοδος βελτίωσης της βάσης δεδομένων για την μοντελοποίηση των PM2.5 είχε επαρκή ακρίβεια και αποτελεί ένα χρήσιμο εργαλείο για χρήση σε μελέτες επιδράσεων στην υγεία, αφού η έκθεση σε PM2.5, είναι σημαντικός παράγοντας κινδύνου για νοσηρότητα και θνησιμότητα.","abstract_html":"Υπάρχουν επαρκείς ενδείξεις ανεπιθύμητων ενεργειών στην υγεία στην βραχυχρόνια έκθεση των PM2.5. Όμως, σε μερικές περιοχές μελετών, το δίκτυο παρακολούθησης των PM2.5 είναι χωρικά ελλιπές με αποτέλεσμα να περιορίζεται η πιθανότητα της μοντελοποίησης των PM2.5 σε μεγάλο εύρος επιδημιολογικών μελετών. Στόχος ήταν να βελτιωθεί η βάση των δεδομένων με τιμές PM2.5 με σκοπό την ανάπτυξη ενός χωρο-χρονικού μοντέλου χρήσης γης (LUR) το οποίο θα εκτιμά τα PM2.5 στη περιοχή της Αθήνας, στην Ελλάδα. Η βάση δεδομένων των PM2.5 βελτιώθηκε χρησιμοποιώντας τιμές των PM10, τιμές του διοξειδίου του αζώτου (ΝΟ2), μετεωρολογικές και χωρικές μεταβλητές για να πραγματοποιηθεί η ημερήσια πρόγνωση των συγκεντρώσεων PM2.5 σε περιοχές όπου διαθέτουν σταθερούς σταθμούς παρακολούθησης των PM10, αλλά όχι των PM2.5. Αυτή η ανάλυση πραγματοποιήθηκε με την μέθοδο παλινδρόμησης και με την μέθοδο της μηχανικής μάθησης Random-Forest (RF), όπως και με συνδυασμό των δύο. Στη συνέχεια, αναπτύχθηκε ένα χωρο-χρονικό μοντέλο χρήσης γης για την πρόγνωση των PM2.5, το οποίο συμπεριλάμβανε γραμμικές συναρτήσεις και συναρτήσεις εξομάλυνσης των χωρικών και χρονικών μεταβλητών καθώς επίσης και μια δίτιμη thin plate συνάρτηση εξομάλυνσης. Το τελικό σύνολο των επεξηγηματικών μεταβλητών επιλέχθηκε βάση του διορθωμένου συντελεστή προσδιορισμού R2. Η προγνωστική ικανότητα του τελικού μοντέλου επικυρώθηκε χρησιμοποιώντας 10-fold cross validation (CV). Ο συνδυασμός των προβλέψεων με παλινδρόμηση και RF απέδωσε καλύτερα, με CV-R2 ίσο με 98.2% και Μέσο Τετραγωνικό Σφάλμα (MSE) ίσο με 2.1, για την περίοδο μελέτης 2007-2019. Το CV-R2 του χωρο-χρονικού μοντέλου χρήσης γης ήταν 81.8%. H μέθοδος βελτίωσης της βάσης δεδομένων για την μοντελοποίηση των PM2.5 είχε επαρκή ακρίβεια και αποτελεί ένα χρήσιμο εργαλείο για χρήση σε μελέτες επιδράσεων στην υγεία, αφού η έκθεση σε PM2.5, είναι σημαντικός παράγοντας κινδύνου για νοσηρότητα και θνησιμότητα.","abstract_has_math":false,"creators":["Γρηγοριάδου Βασιλική","Grigoriadou Vasiliki"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:22:18Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3330804"],"render_values":[{"text":"uoadl:3330804","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3330804","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3330804","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%3A3330804","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γρηγοριάδου Βασιλική","Grigoriadou Vasiliki"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"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":["Επιστήμες Υγείας","Health Sciences"]}]},{"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:3330804","https://pergamos.lib.uoa.gr/uoa/dl/object/3330804"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Υπάρχουν επαρκείς ενδείξεις ανεπιθύμητων ενεργειών στην υγεία στην βραχυχρόνια έκθεση των PM2.5. Όμως, σε μερικές περιοχές μελετών, το δίκτυο παρακολούθησης των PM2.5 είναι χωρικά ελλιπές με αποτέλεσμα να περιορίζεται η πιθανότητα της μοντελοποίησης των PM2.5 σε μεγάλο εύρος επιδημιολογικών μελετών. Στόχος ήταν να βελτιωθεί η βάση των δεδομένων με τιμές PM2.5 με σκοπό την ανάπτυξη ενός χωρο-χρονικού μοντέλου χρήσης γης (LUR) το οποίο θα εκτιμά τα PM2.5 στη περιοχή της Αθήνας, στην Ελλάδα. Η βάση δεδομένων των PM2.5 βελτιώθηκε χρησιμοποιώντας τιμές των PM10, τιμές του διοξειδίου του αζώτου (ΝΟ2), μετεωρολογικές και χωρικές μεταβλητές για να πραγματοποιηθεί η ημερήσια πρόγνωση των συγκεντρώσεων PM2.5 σε περιοχές όπου διαθέτουν σταθερούς σταθμούς παρακολούθησης των PM10, αλλά όχι των PM2.5. Αυτή η ανάλυση πραγματοποιήθηκε με την μέθοδο παλινδρόμησης και με την μέθοδο της μηχανικής μάθησης Random-Forest (RF), όπως και με συνδυασμό των δύο. Στη συνέχεια, αναπτύχθηκε ένα χωρο-χρονικό μοντέλο χρήσης γης για την πρόγνωση των PM2.5, το οποίο συμπεριλάμβανε γραμμικές συναρτήσεις και συναρτήσεις εξομάλυνσης των χωρικών και χρονικών μεταβλητών καθώς επίσης και μια δίτιμη thin plate συνάρτηση εξομάλυνσης. Το τελικό σύνολο των επεξηγηματικών μεταβλητών επιλέχθηκε βάση του διορθωμένου συντελεστή προσδιορισμού R2. Η προγνωστική ικανότητα του τελικού μοντέλου επικυρώθηκε χρησιμοποιώντας 10-fold cross validation (CV). Ο συνδυασμός των προβλέψεων με παλινδρόμηση και RF απέδωσε καλύτερα, με CV-R2 ίσο με 98.2% και Μέσο Τετραγωνικό Σφάλμα (MSE) ίσο με 2.1, για την περίοδο μελέτης 2007-2019. Το CV-R2 του χωρο-χρονικού μοντέλου χρήσης γης ήταν 81.8%. H μέθοδος βελτίωσης της βάσης δεδομένων για την μοντελοποίηση των PM2.5 είχε επαρκή ακρίβεια και αποτελεί ένα χρήσιμο εργαλείο για χρήση σε μελέτες επιδράσεων στην υγεία, αφού η έκθεση σε PM2.5, είναι σημαντικός παράγοντας κινδύνου για νοσηρότητα και θνησιμότητα.","There is sufficient evidence of the adverse effects of exposure to short-term particulate matter (PM) on health. However, in some study areas the PM2.5 monitoring network is spatially sparse. This may limit the possibility to model PM2.5 for subsequent use in large scale epidemiological studies. Our aim was to enhance our PM2.5 database in order to develop a spatio-temporal land use regression (LUR) model that estimates PM2.5 within the greater Athens area, Greece. The PM2.5 database in Athens was enhanced by using PM10¬ and nitrogen dioxide (NO2), meteorological and spatial variables to predict daily PM2.5 concentrations at the location of fixed monitors measuring PM10 but not PM2.5. This analysis was performed using regression modelling and a machine learning method (Random Forest-RF), as well as a combination of the two. Following, we developed a spatio-temporal LUR model for predicting PM2.5, by including linear and smooth functions of spatial and temporal covariates and a bivariate smooth thin plate function. The final set of explanatory variables was selected based on the adjusted-R2. We tested the predictive ability of the final model using 10-fold cross validation (CV). We found that the combination of predictions by the regression model and the RF performed best, with CV-R2 of 98.2% and a Mean Square Error of 2.1, for the study period 2007-2019. The CV-R2 for the developed spatio-temporal PM2.5 LUR model was 81.8%. The applied database enhancement method provided improved input for modeling PM2.5 with adequate accuracy. This is a useful tool for subsequent use in health effect studies, since exposure to PM2.5 especially, is a strong risk factor of morbidity and mortality."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη χωρο-χρονικού μοντέλου χρήσης γης των συγκεντρώσεων αιωρούμενων σωματιδίων PM2.5 για την Αθήνα, για χρήση σε επιδημιολογικές μελέτες"]}]}],"canonical_facts":{"dc:creator":["Γρηγοριάδου Βασιλική","Grigoriadou Vasiliki"],"dc:date":["2023"],"dc:description":["Υπάρχουν επαρκείς ενδείξεις ανεπιθύμητων ενεργειών στην υγεία στην βραχυχρόνια έκθεση των PM2.5. Όμως, σε μερικές περιοχές μελετών, το δίκτυο παρακολούθησης των PM2.5 είναι χωρικά ελλιπές με αποτέλεσμα να περιορίζεται η πιθανότητα της μοντελοποίησης των PM2.5 σε μεγάλο εύρος επιδημιολογικών μελετών. Στόχος ήταν να βελτιωθεί η βάση των δεδομένων με τιμές PM2.5 με σκοπό την ανάπτυξη ενός χωρο-χρονικού μοντέλου χρήσης γης (LUR) το οποίο θα εκτιμά τα PM2.5 στη περιοχή της Αθήνας, στην Ελλάδα. Η βάση δεδομένων των PM2.5 βελτιώθηκε χρησιμοποιώντας τιμές των PM10, τιμές του διοξειδίου του αζώτου (ΝΟ2), μετεωρολογικές και χωρικές μεταβλητές για να πραγματοποιηθεί η ημερήσια πρόγνωση των συγκεντρώσεων PM2.5 σε περιοχές όπου διαθέτουν σταθερούς σταθμούς παρακολούθησης των PM10, αλλά όχι των PM2.5. Αυτή η ανάλυση πραγματοποιήθηκε με την μέθοδο παλινδρόμησης και με την μέθοδο της μηχανικής μάθησης Random-Forest (RF), όπως και με συνδυασμό των δύο. Στη συνέχεια, αναπτύχθηκε ένα χωρο-χρονικό μοντέλο χρήσης γης για την πρόγνωση των PM2.5, το οποίο συμπεριλάμβανε γραμμικές συναρτήσεις και συναρτήσεις εξομάλυνσης των χωρικών και χρονικών μεταβλητών καθώς επίσης και μια δίτιμη thin plate συνάρτηση εξομάλυνσης. Το τελικό σύνολο των επεξηγηματικών μεταβλητών επιλέχθηκε βάση του διορθωμένου συντελεστή προσδιορισμού R2. Η προγνωστική ικανότητα του τελικού μοντέλου επικυρώθηκε χρησιμοποιώντας 10-fold cross validation (CV). Ο συνδυασμός των προβλέψεων με παλινδρόμηση και RF απέδωσε καλύτερα, με CV-R2 ίσο με 98.2% και Μέσο Τετραγωνικό Σφάλμα (MSE) ίσο με 2.1, για την περίοδο μελέτης 2007-2019. Το CV-R2 του χωρο-χρονικού μοντέλου χρήσης γης ήταν 81.8%. H μέθοδος βελτίωσης της βάσης δεδομένων για την μοντελοποίηση των PM2.5 είχε επαρκή ακρίβεια και αποτελεί ένα χρήσιμο εργαλείο για χρήση σε μελέτες επιδράσεων στην υγεία, αφού η έκθεση σε PM2.5, είναι σημαντικός παράγοντας κινδύνου για νοσηρότητα και θνησιμότητα.","There is sufficient evidence of the adverse effects of exposure to short-term particulate matter (PM) on health. However, in some study areas the PM2.5 monitoring network is spatially sparse. This may limit the possibility to model PM2.5 for subsequent use in large scale epidemiological studies. Our aim was to enhance our PM2.5 database in order to develop a spatio-temporal land use regression (LUR) model that estimates PM2.5 within the greater Athens area, Greece. The PM2.5 database in Athens was enhanced by using PM10¬ and nitrogen dioxide (NO2), meteorological and spatial variables to predict daily PM2.5 concentrations at the location of fixed monitors measuring PM10 but not PM2.5. This analysis was performed using regression modelling and a machine learning method (Random Forest-RF), as well as a combination of the two. Following, we developed a spatio-temporal LUR model for predicting PM2.5, by including linear and smooth functions of spatial and temporal covariates and a bivariate smooth thin plate function. The final set of explanatory variables was selected based on the adjusted-R2. We tested the predictive ability of the final model using 10-fold cross validation (CV). We found that the combination of predictions by the regression model and the RF performed best, with CV-R2 of 98.2% and a Mean Square Error of 2.1, for the study period 2007-2019. The CV-R2 for the developed spatio-temporal PM2.5 LUR model was 81.8%. The applied database enhancement method provided improved input for modeling PM2.5 with adequate accuracy. This is a useful tool for subsequent use in health effect studies, since exposure to PM2.5 especially, is a strong risk factor of morbidity and mortality."],"dc:identifier":["uoadl:3330804","https://pergamos.lib.uoa.gr/uoa/dl/object/3330804"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Ανάπτυξη χωρο-χρονικού μοντέλου χρήσης γης των συγκεντρώσεων αιωρούμενων σωματιδίων PM2.5 για την Αθήνα, για χρήση σε επιδημιολογικές μελέτες"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:18Z"}