{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3360072"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3360072","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Large scale corn phenological stage prediction with random forests - The US corn belt","abstract":"Αυτή η διπλωματική εργασία στοχεύει να αντιμετωπίσει ένα πρόβλημα από τις γεωργικές επιστήμες, δηλαδή, την πρόβλεψη των ποσοστών των φαινολογικών σταδίων του καλαμποκιού χρησιμοποιώντας δεδομένα μεγάλης κλίμακας. Σύγχρονη έρευνα γύρω από το πρόβλημα περιλαμβάνει τα Κρυμμένα Μαρκοβιανά Μοντέλα και τα Γενικευμένα Γραμμικά Μοντέλα Τυχαίων Επιδράσεων. Σε αυτή τη διπλωματική εργασία, το πρόβλημα αντιμετωπίζεται από τη σκοπιά της μηχανικής μάθησης. Συγκεκριμένα, διερευνούμε πώς ο αλγόριθμος των Τυχαίων Δασών (ΤΔ) καθώς και ορισμένες από τις παραλλαγές του μπορούν να εφαρμοστούν στην περίπτωσή μας. Αρχικά περιγράφουμε το υπό μελέτη πρόβλημα και το εντάσσουμε στο πλαίσιο της μηχανικής μάθησης. Στη συνέχεια, μελετάμε την κατασκευή των δέντρων απόφασης, των δομικών στοιχείων των ΤΔ, τόσο για τη μονομεταβλητή όσο και για την πολυμεταβλητή περίπτωση. Επιπλέον, περιγράφουμε τον αλγόριθμο των Τυχαίων Δασών και παρουσιάζουμε διαφορές επιλογές για τη δειγματοληψία, τον διαχωρισμό και τη συνάθροιση, συμπεριλαμβανομένου του bootstrapping σε επίπεδο υποκειμένων, τα ́Ακρως Τυχαία Δέν- τρα και τα Ιστορικά Τυχαία Δάση. Τέλος, συγκρίνουμε τα αποτελέσματά τους μεταξύ τους ως προς την ικανότητα πρόβλεψης των ποσοστών φαινολογικού σταδίων των καλλιεργειών καλαμποκιού στις ΗΠΑ και, πιο συγκεκριμένα, στην πολιτεία της Νεμπράσκα.","abstract_html":"Αυτή η διπλωματική εργασία στοχεύει να αντιμετωπίσει ένα πρόβλημα από τις γεωργικές επιστήμες, δηλαδή, την πρόβλεψη των ποσοστών των φαινολογικών σταδίων του καλαμποκιού χρησιμοποιώντας δεδομένα μεγάλης κλίμακας. Σύγχρονη έρευνα γύρω από το πρόβλημα περιλαμβάνει τα Κρυμμένα Μαρκοβιανά Μοντέλα και τα Γενικευμένα Γραμμικά Μοντέλα Τυχαίων Επιδράσεων. Σε αυτή τη διπλωματική εργασία, το πρόβλημα αντιμετωπίζεται από τη σκοπιά της μηχανικής μάθησης. Συγκεκριμένα, διερευνούμε πώς ο αλγόριθμος των Τυχαίων Δασών (ΤΔ) καθώς και ορισμένες από τις παραλλαγές του μπορούν να εφαρμοστούν στην περίπτωσή μας. Αρχικά περιγράφουμε το υπό μελέτη πρόβλημα και το εντάσσουμε στο πλαίσιο της μηχανικής μάθησης. Στη συνέχεια, μελετάμε την κατασκευή των δέντρων απόφασης, των δομικών στοιχείων των ΤΔ, τόσο για τη μονομεταβλητή όσο και για την πολυμεταβλητή περίπτωση. Επιπλέον, περιγράφουμε τον αλγόριθμο των Τυχαίων Δασών και παρουσιάζουμε διαφορές επιλογές για τη δειγματοληψία, τον διαχωρισμό και τη συνάθροιση, συμπεριλαμβανομένου του bootstrapping σε επίπεδο υποκειμένων, τα ́Ακρως Τυχαία Δέν- τρα και τα Ιστορικά Τυχαία Δάση. Τέλος, συγκρίνουμε τα αποτελέσματά τους μεταξύ τους ως προς την ικανότητα πρόβλεψης των ποσοστών φαινολογικού σταδίων των καλλιεργειών καλαμποκιού στις ΗΠΑ και, πιο συγκεκριμένα, στην πολιτεία της Νεμπράσκα.","abstract_has_math":false,"creators":["Παναγιωτόπουλος Ευάγγελος","Panagiotopoulos Evangelos"],"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":"2026-11-19T06:23:31Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3360072"],"render_values":[{"text":"uoadl:3360072","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3360072","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3360072","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%3A3360072","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Παναγιωτόπουλος Ευάγγελος","Panagiotopoulos Evangelos"]}]},{"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":["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:3360072","https://pergamos.lib.uoa.gr/uoa/dl/object/3360072"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Αυτή η διπλωματική εργασία στοχεύει να αντιμετωπίσει ένα πρόβλημα από τις γεωργικές επιστήμες, δηλαδή, την πρόβλεψη των ποσοστών των φαινολογικών σταδίων του καλαμποκιού χρησιμοποιώντας δεδομένα μεγάλης κλίμακας. Σύγχρονη έρευνα γύρω από το πρόβλημα περιλαμβάνει τα Κρυμμένα Μαρκοβιανά Μοντέλα και τα Γενικευμένα Γραμμικά Μοντέλα Τυχαίων Επιδράσεων. Σε αυτή τη διπλωματική εργασία, το πρόβλημα αντιμετωπίζεται από τη σκοπιά της μηχανικής μάθησης. Συγκεκριμένα, διερευνούμε πώς ο αλγόριθμος των Τυχαίων Δασών (ΤΔ) καθώς και ορισμένες από τις παραλλαγές του μπορούν να εφαρμοστούν στην περίπτωσή μας. Αρχικά περιγράφουμε το υπό μελέτη πρόβλημα και το εντάσσουμε στο πλαίσιο της μηχανικής μάθησης. Στη συνέχεια, μελετάμε την κατασκευή των δέντρων απόφασης, των δομικών στοιχείων των ΤΔ, τόσο για τη μονομεταβλητή όσο και για την πολυμεταβλητή περίπτωση. Επιπλέον, περιγράφουμε τον αλγόριθμο των Τυχαίων Δασών και παρουσιάζουμε διαφορές επιλογές για τη δειγματοληψία, τον διαχωρισμό και τη συνάθροιση, συμπεριλαμβανομένου του bootstrapping σε επίπεδο υποκειμένων, τα ́Ακρως Τυχαία Δέν- τρα και τα Ιστορικά Τυχαία Δάση. Τέλος, συγκρίνουμε τα αποτελέσματά τους μεταξύ τους ως προς την ικανότητα πρόβλεψης των ποσοστών φαινολογικού σταδίων των καλλιεργειών καλαμποκιού στις ΗΠΑ και, πιο συγκεκριμένα, στην πολιτεία της Νεμπράσκα.","This thesis aims to address a problem from the agricultural sciences, namely, predicting corn’s phe- nological stage percentages using large-scale data. Current state-of-the-art research on the problem includes Hidden-Markov Models and Generalized Linear Mixed-Effects Models. In this thesis, the problem is viewed from a machine learning perspective. In particular, we investigate how the Ran- dom Forest (RF) algorithm as well as some of its variants can be implemented in our case. We first introduce the problem and contextualize it within the machine learning framework. We then study the induction of decision trees, the building block of RF, covering both the univariate and the multivariate case. Furthermore, we describe the Random Forest algorithm and present different sampling, splitting, and aggregation options, including subject-level bootstrapping, Extremely Ran- domized Trees, and Historical Random Forests. Finally, we compare their results with each other upon the specific task of predicting the phenological stage percentages of corn crops in the USA and, more specifically, in the state of Nebraska."]},{"key":"dc:title","label":"Title","values":["Large scale corn phenological stage prediction with random forests - The US corn belt"]}]}],"canonical_facts":{"dc:creator":["Παναγιωτόπουλος Ευάγγελος","Panagiotopoulos Evangelos"],"dc:date":["2023"],"dc:description":["Αυτή η διπλωματική εργασία στοχεύει να αντιμετωπίσει ένα πρόβλημα από τις γεωργικές επιστήμες, δηλαδή, την πρόβλεψη των ποσοστών των φαινολογικών σταδίων του καλαμποκιού χρησιμοποιώντας δεδομένα μεγάλης κλίμακας. Σύγχρονη έρευνα γύρω από το πρόβλημα περιλαμβάνει τα Κρυμμένα Μαρκοβιανά Μοντέλα και τα Γενικευμένα Γραμμικά Μοντέλα Τυχαίων Επιδράσεων. Σε αυτή τη διπλωματική εργασία, το πρόβλημα αντιμετωπίζεται από τη σκοπιά της μηχανικής μάθησης. Συγκεκριμένα, διερευνούμε πώς ο αλγόριθμος των Τυχαίων Δασών (ΤΔ) καθώς και ορισμένες από τις παραλλαγές του μπορούν να εφαρμοστούν στην περίπτωσή μας. Αρχικά περιγράφουμε το υπό μελέτη πρόβλημα και το εντάσσουμε στο πλαίσιο της μηχανικής μάθησης. Στη συνέχεια, μελετάμε την κατασκευή των δέντρων απόφασης, των δομικών στοιχείων των ΤΔ, τόσο για τη μονομεταβλητή όσο και για την πολυμεταβλητή περίπτωση. Επιπλέον, περιγράφουμε τον αλγόριθμο των Τυχαίων Δασών και παρουσιάζουμε διαφορές επιλογές για τη δειγματοληψία, τον διαχωρισμό και τη συνάθροιση, συμπεριλαμβανομένου του bootstrapping σε επίπεδο υποκειμένων, τα ́Ακρως Τυχαία Δέν- τρα και τα Ιστορικά Τυχαία Δάση. Τέλος, συγκρίνουμε τα αποτελέσματά τους μεταξύ τους ως προς την ικανότητα πρόβλεψης των ποσοστών φαινολογικού σταδίων των καλλιεργειών καλαμποκιού στις ΗΠΑ και, πιο συγκεκριμένα, στην πολιτεία της Νεμπράσκα.","This thesis aims to address a problem from the agricultural sciences, namely, predicting corn’s phe- nological stage percentages using large-scale data. Current state-of-the-art research on the problem includes Hidden-Markov Models and Generalized Linear Mixed-Effects Models. In this thesis, the problem is viewed from a machine learning perspective. In particular, we investigate how the Ran- dom Forest (RF) algorithm as well as some of its variants can be implemented in our case. We first introduce the problem and contextualize it within the machine learning framework. We then study the induction of decision trees, the building block of RF, covering both the univariate and the multivariate case. Furthermore, we describe the Random Forest algorithm and present different sampling, splitting, and aggregation options, including subject-level bootstrapping, Extremely Ran- domized Trees, and Historical Random Forests. Finally, we compare their results with each other upon the specific task of predicting the phenological stage percentages of corn crops in the USA and, more specifically, in the state of Nebraska."],"dc:identifier":["uoadl:3360072","https://pergamos.lib.uoa.gr/uoa/dl/object/3360072"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Large scale corn phenological stage prediction with random forests - The US corn belt"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:23:31Z"}