{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3388470"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3388470","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 Downscaling of local air temperature using techniques of machine learning","abstract":"Ο σημαντικός αντίκτυπος της αστικοποίησης στο τοπικό και περιφερειακό κλίμα, καθιστά απαραίτητη τη χρήση τεχνικών στατιστικού υποβιβασμού κλίμακας για την απόκτηση ακριβών πληροφοριών για τον καιρό σε καλύτερη κλίμακα. Η παρούσα διπλωματική εργασία στοχεύει να δημιουργήσει μια πρόβλεψη θερμοκρασίας υψηλής ανάλυσης (στα 400m χωρική ανάλυση) με στατιστικό υποβιβασμό κλίμακας των δεδομένων από το μοντέλο πρόγνωσης καιρού (διαθέσιμο σε χωρική ανάλυση 6km) χρησιμοποιώντας τεχνικές μηχανικής μάθησης για την περιοχή της Αττικής. Για να το πετύχουμε αυτό, συνδυάσαμε ατμοσφαιρικές μεταβλητές όπως υγρασία, ταχύτητα ανέμου, κατεύθυνση ανέμου και θερμοκρασία με τα αστικά χαρακτηριστικά της περιοχής της Αττικής. Χρησιμοποιήσαμε χωρική παρεμβολή προκειμένου να αλλάξουμε τη χωρική ανάλυση των μεταβλητών μας. Επιπλέον, χρησιμοποιήσαμε μοντέλα ANN και SVR για να υπολογίσουμε τις χωρικά επιλυμένες θερμοκρασίες του αέρα σε καλύτερη ανάλυση μέσω βαθμονόμησης με δεδομένα πρόγνωσης καιρού. Προς αυτήν την κατεύθυνση, επιλέχθηκε μια φάση εκπαίδευσης κατά την οποία χρησιμοποιούνται τα αποτελέσματα ενός αριθμητικού μοντέλου πρόγνωσης καιρού σε ωριαίο χρονικό βήμα, σε συνδυασμό με επιτόπιες παρατηρήσεις εδάφους από μετεωρολογικούς σταθμούς για την περίοδο ενός έτους (12ο/21-11ο/22). Σύμφωνα με τα αποτελέσματα, τα δύο μοντέλα ML δύνανται να προσφέρουν καλύτερα αποτελέσματα σε σύγκριση με το υποκλιμακωμένο μετεωρολογικό μοντέλο Bolam. Ακολουθήσαμε επίσης μια χρονική και χωρική ανάλυση των αποτελεσμάτων του μοντέλου ANN και SVR που θα συζητηθεί σε βάθος παρακάτω μαζί με τις μεθόδους που χρησιμοποιήσαμε για την επίτευξη των αποτελεσμάτων.","abstract_html":"Ο σημαντικός αντίκτυπος της αστικοποίησης στο τοπικό και περιφερειακό κλίμα, καθιστά απαραίτητη τη χρήση τεχνικών στατιστικού υποβιβασμού κλίμακας για την απόκτηση ακριβών πληροφοριών για τον καιρό σε καλύτερη κλίμακα. Η παρούσα διπλωματική εργασία στοχεύει να δημιουργήσει μια πρόβλεψη θερμοκρασίας υψηλής ανάλυσης (στα 400m χωρική ανάλυση) με στατιστικό υποβιβασμό κλίμακας των δεδομένων από το μοντέλο πρόγνωσης καιρού (διαθέσιμο σε χωρική ανάλυση 6km) χρησιμοποιώντας τεχνικές μηχανικής μάθησης για την περιοχή της Αττικής. Για να το πετύχουμε αυτό, συνδυάσαμε ατμοσφαιρικές μεταβλητές όπως υγρασία, ταχύτητα ανέμου, κατεύθυνση ανέμου και θερμοκρασία με τα αστικά χαρακτηριστικά της περιοχής της Αττικής. Χρησιμοποιήσαμε χωρική παρεμβολή προκειμένου να αλλάξουμε τη χωρική ανάλυση των μεταβλητών μας. Επιπλέον, χρησιμοποιήσαμε μοντέλα ANN και SVR για να υπολογίσουμε τις χωρικά επιλυμένες θερμοκρασίες του αέρα σε καλύτερη ανάλυση μέσω βαθμονόμησης με δεδομένα πρόγνωσης καιρού. Προς αυτήν την κατεύθυνση, επιλέχθηκε μια φάση εκπαίδευσης κατά την οποία χρησιμοποιούνται τα αποτελέσματα ενός αριθμητικού μοντέλου πρόγνωσης καιρού σε ωριαίο χρονικό βήμα, σε συνδυασμό με επιτόπιες παρατηρήσεις εδάφους από μετεωρολογικούς σταθμούς για την περίοδο ενός έτους (12ο/21-11ο/22). Σύμφωνα με τα αποτελέσματα, τα δύο μοντέλα ML δύνανται να προσφέρουν καλύτερα αποτελέσματα σε σύγκριση με το υποκλιμακωμένο μετεωρολογικό μοντέλο Bolam. Ακολουθήσαμε επίσης μια χρονική και χωρική ανάλυση των αποτελεσμάτων του μοντέλου ANN και SVR που θα συζητηθεί σε βάθος παρακάτω μαζί με τις μεθόδους που χρησιμοποιήσαμε για την επίτευξη των αποτελεσμάτων.","abstract_has_math":false,"creators":["Χριστοφίδης Ιωάννης","Christofidis Ioannis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:27:51Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3388470"],"render_values":[{"text":"uoadl:3388470","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3388470","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3388470","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%3A3388470","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χριστοφίδης Ιωάννης","Christofidis Ioannis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer 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:3388470","https://pergamos.lib.uoa.gr/uoa/dl/object/3388470"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ο σημαντικός αντίκτυπος της αστικοποίησης στο τοπικό και περιφερειακό κλίμα, καθιστά απαραίτητη τη χρήση τεχνικών στατιστικού υποβιβασμού κλίμακας για την απόκτηση ακριβών πληροφοριών για τον καιρό σε καλύτερη κλίμακα. Η παρούσα διπλωματική εργασία στοχεύει να δημιουργήσει μια πρόβλεψη θερμοκρασίας υψηλής ανάλυσης (στα 400m χωρική ανάλυση) με στατιστικό υποβιβασμό κλίμακας των δεδομένων από το μοντέλο πρόγνωσης καιρού (διαθέσιμο σε χωρική ανάλυση 6km) χρησιμοποιώντας τεχνικές μηχανικής μάθησης για την περιοχή της Αττικής. Για να το πετύχουμε αυτό, συνδυάσαμε ατμοσφαιρικές μεταβλητές όπως υγρασία, ταχύτητα ανέμου, κατεύθυνση ανέμου και θερμοκρασία με τα αστικά χαρακτηριστικά της περιοχής της Αττικής. Χρησιμοποιήσαμε χωρική παρεμβολή προκειμένου να αλλάξουμε τη χωρική ανάλυση των μεταβλητών μας. Επιπλέον, χρησιμοποιήσαμε μοντέλα ANN και SVR για να υπολογίσουμε τις χωρικά επιλυμένες θερμοκρασίες του αέρα σε καλύτερη ανάλυση μέσω βαθμονόμησης με δεδομένα πρόγνωσης καιρού. Προς αυτήν την κατεύθυνση, επιλέχθηκε μια φάση εκπαίδευσης κατά την οποία χρησιμοποιούνται τα αποτελέσματα ενός αριθμητικού μοντέλου πρόγνωσης καιρού σε ωριαίο χρονικό βήμα, σε συνδυασμό με επιτόπιες παρατηρήσεις εδάφους από μετεωρολογικούς σταθμούς για την περίοδο ενός έτους (12ο/21-11ο/22). Σύμφωνα με τα αποτελέσματα, τα δύο μοντέλα ML δύνανται να προσφέρουν καλύτερα αποτελέσματα σε σύγκριση με το υποκλιμακωμένο μετεωρολογικό μοντέλο Bolam. Ακολουθήσαμε επίσης μια χρονική και χωρική ανάλυση των αποτελεσμάτων του μοντέλου ANN και SVR που θα συζητηθεί σε βάθος παρακάτω μαζί με τις μεθόδους που χρησιμοποιήσαμε για την επίτευξη των αποτελεσμάτων.","The significant impact of urbanization on local and regional climates makes it necessary to employ statistical downscaling techniques to obtain accurate weather information at a finer scale. This thesis aims to create a high-resolution temperature forecast (at 400 m spatial resolution) with statistical downscaling of data from a weather forecast model (available at 6km spatial resolution) utilizing machine learning techniques for the area of Attica. To achieve that, we combined environmental variables such as humidity, wind speed, wind direction, and temperature with the urban characteristics of the area of Attica. We used spatial interpolation in order to change the spatial resolution of our variables. Moreover, we utilized ANN and SVR models to estimate spatially resolved air temperatures at finer resolution through calibration with weather forecasting data. A training phase with hourly resolution numerical model outputs and in-situ observational data is chosen for the period of December 2021 up to November 2022. Results show that both ML models can procure better results compared to Bolam-downscaling. We also followed a temporal and spatial analysis of the outputs of ANN and SVR model which will be discussed below in more depth along with the methods used to achieve the results."]},{"key":"dc:title","label":"Title","values":["Statistical Downscaling of local air temperature using techniques of machine learning"]}]}],"canonical_facts":{"dc:creator":["Χριστοφίδης Ιωάννης","Christofidis Ioannis"],"dc:date":["2024"],"dc:description":["Ο σημαντικός αντίκτυπος της αστικοποίησης στο τοπικό και περιφερειακό κλίμα, καθιστά απαραίτητη τη χρήση τεχνικών στατιστικού υποβιβασμού κλίμακας για την απόκτηση ακριβών πληροφοριών για τον καιρό σε καλύτερη κλίμακα. Η παρούσα διπλωματική εργασία στοχεύει να δημιουργήσει μια πρόβλεψη θερμοκρασίας υψηλής ανάλυσης (στα 400m χωρική ανάλυση) με στατιστικό υποβιβασμό κλίμακας των δεδομένων από το μοντέλο πρόγνωσης καιρού (διαθέσιμο σε χωρική ανάλυση 6km) χρησιμοποιώντας τεχνικές μηχανικής μάθησης για την περιοχή της Αττικής. Για να το πετύχουμε αυτό, συνδυάσαμε ατμοσφαιρικές μεταβλητές όπως υγρασία, ταχύτητα ανέμου, κατεύθυνση ανέμου και θερμοκρασία με τα αστικά χαρακτηριστικά της περιοχής της Αττικής. Χρησιμοποιήσαμε χωρική παρεμβολή προκειμένου να αλλάξουμε τη χωρική ανάλυση των μεταβλητών μας. Επιπλέον, χρησιμοποιήσαμε μοντέλα ANN και SVR για να υπολογίσουμε τις χωρικά επιλυμένες θερμοκρασίες του αέρα σε καλύτερη ανάλυση μέσω βαθμονόμησης με δεδομένα πρόγνωσης καιρού. Προς αυτήν την κατεύθυνση, επιλέχθηκε μια φάση εκπαίδευσης κατά την οποία χρησιμοποιούνται τα αποτελέσματα ενός αριθμητικού μοντέλου πρόγνωσης καιρού σε ωριαίο χρονικό βήμα, σε συνδυασμό με επιτόπιες παρατηρήσεις εδάφους από μετεωρολογικούς σταθμούς για την περίοδο ενός έτους (12ο/21-11ο/22). Σύμφωνα με τα αποτελέσματα, τα δύο μοντέλα ML δύνανται να προσφέρουν καλύτερα αποτελέσματα σε σύγκριση με το υποκλιμακωμένο μετεωρολογικό μοντέλο Bolam. Ακολουθήσαμε επίσης μια χρονική και χωρική ανάλυση των αποτελεσμάτων του μοντέλου ANN και SVR που θα συζητηθεί σε βάθος παρακάτω μαζί με τις μεθόδους που χρησιμοποιήσαμε για την επίτευξη των αποτελεσμάτων.","The significant impact of urbanization on local and regional climates makes it necessary to employ statistical downscaling techniques to obtain accurate weather information at a finer scale. This thesis aims to create a high-resolution temperature forecast (at 400 m spatial resolution) with statistical downscaling of data from a weather forecast model (available at 6km spatial resolution) utilizing machine learning techniques for the area of Attica. To achieve that, we combined environmental variables such as humidity, wind speed, wind direction, and temperature with the urban characteristics of the area of Attica. We used spatial interpolation in order to change the spatial resolution of our variables. Moreover, we utilized ANN and SVR models to estimate spatially resolved air temperatures at finer resolution through calibration with weather forecasting data. A training phase with hourly resolution numerical model outputs and in-situ observational data is chosen for the period of December 2021 up to November 2022. Results show that both ML models can procure better results compared to Bolam-downscaling. We also followed a temporal and spatial analysis of the outputs of ANN and SVR model which will be discussed below in more depth along with the methods used to achieve the results."],"dc:identifier":["uoadl:3388470","https://pergamos.lib.uoa.gr/uoa/dl/object/3388470"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Statistical Downscaling of local air temperature using techniques of machine learning"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:27:51Z"}