{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3474020"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3474020","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Investigation and modelling of the electron flux radial profiles in the outer radiation belt with machine learning methods","abstract":"Στόχος της διπλωματίας εργασίας αυτής είναι η ακριβής περιγραφή και μοντελοποίηση των ακτινικών κατανομών της ροής ηλεκτρονίων στην εξώτερη ζώνη ακτινοβολίας, με εστίαση στη κατανομή των ενεργειακών ηλεκτρονίων συναρτήσει του L*, χρησιμοποιώντας πολλαπλές μεθόδους, συμπεριλαμβανομένων των τεχνητών νευρωνικών δικτύων. Για αυτή τη μελέτη χρησιμοποιούμε δεδομένα της αποστολής RBSP-A και Β του οργάνου MagEIS, με ενέργειες που κυμαίνονται μεταξύ 0,033 MeV και 2,619 MeV και τιμές L* από 3,05 έως 6,35 με διαφορά 0,1 από το 2012 έως το 2019. Εφαρμόζουμε μια συνάρτηση κατανομής νόμου δύναμης με εκθετικό όρο για τη περιγραφή της διακύμανσης των ροών ηλεκτρονίων καθώς αλλάζει το L*. Η συνάρτηση αυτή περιλαμβάνει 3 παραμέτρους a, b, c, όπου a είναι ο παράγοντας της ροής, b είναι ο δείκτης της συνάρτησης δύναμης και c είναι ο εκθετικός δείκτης. Η αποτελεσματικότητα της συνάρτησης επαληθεύεται μέσω προσαρμογής στα δεδομένα που οδηγεί σε ένα σύνολο ανακατασκευασμένων δεδομένων ροής, τα οποία συγκρίνουμε με τα αρχικά δεδομένα MagEIS, αποδεικνύοντας την ακριβή περιγραφή των ακτινικών κατανομών της ροής ηλεκτρονίων στην εξώτερη ζώνη ακτινοβολίας. Διεξάγουμε μια έρευνα με βάση τη σχέση μεταξύ των παραμέτρων της συνάρτησης με ένα σύνολο γεωμαγνητικών δεικτών και παραμέτρων ηλιακού ανέμου υπολογίζοντας τον συντελεστή συσχέτισης Pearson και τον συντελεστή αμοιβαίας πληροφορίας κάθε ζεύγους. Μέσω αυτού καταλήγουμε στις ενέργειες και μεταβλητές που συμπεριλαμβάνουμε στις επόμενες μεθόδους. Αρχικά εφαρμόζουμε μια μέθοδο πολυπαραμετρικού μοντέλου παλινδρόμησης στις ενέργειες και τις μεταβλητές που έδειξαν τα πιο υποσχόμενα αποτελέσματα στο πρώτο μέρος της έρευνάς μας. Έπειτα κατασκευάζουμε ένα μοντέλο τεχνητού νευρωνικού Δικτύου που εκπαιδεύτηκε και δοκιμάστηκε στα ίδια προαναφερθέντα επιλεγμένα δεδομένα. Τέλος, συγκρίνουμε τα αποτελέσματα του μοντέλου τεχνητού νευρωνικού Δικτύου με τα αρχικά δεδομένα MagEIS, διακριβώνοντας την ικανότητά του για ανακατασκευή δεδομένων ροής με ακρίβεια και συζητάμε τους περιορισμούς του.","abstract_html":"Στόχος της διπλωματίας εργασίας αυτής είναι η ακριβής περιγραφή και μοντελοποίηση των ακτινικών κατανομών της ροής ηλεκτρονίων στην εξώτερη ζώνη ακτινοβολίας, με εστίαση στη κατανομή των ενεργειακών ηλεκτρονίων συναρτήσει του L*, χρησιμοποιώντας πολλαπλές μεθόδους, συμπεριλαμβανομένων των τεχνητών νευρωνικών δικτύων. Για αυτή τη μελέτη χρησιμοποιούμε δεδομένα της αποστολής RBSP-A και Β του οργάνου MagEIS, με ενέργειες που κυμαίνονται μεταξύ 0,033 MeV και 2,619 MeV και τιμές L* από 3,05 έως 6,35 με διαφορά 0,1 από το 2012 έως το 2019. Εφαρμόζουμε μια συνάρτηση κατανομής νόμου δύναμης με εκθετικό όρο για τη περιγραφή της διακύμανσης των ροών ηλεκτρονίων καθώς αλλάζει το L*. Η συνάρτηση αυτή περιλαμβάνει 3 παραμέτρους a, b, c, όπου a είναι ο παράγοντας της ροής, b είναι ο δείκτης της συνάρτησης δύναμης και c είναι ο εκθετικός δείκτης. Η αποτελεσματικότητα της συνάρτησης επαληθεύεται μέσω προσαρμογής στα δεδομένα που οδηγεί σε ένα σύνολο ανακατασκευασμένων δεδομένων ροής, τα οποία συγκρίνουμε με τα αρχικά δεδομένα MagEIS, αποδεικνύοντας την ακριβή περιγραφή των ακτινικών κατανομών της ροής ηλεκτρονίων στην εξώτερη ζώνη ακτινοβολίας. Διεξάγουμε μια έρευνα με βάση τη σχέση μεταξύ των παραμέτρων της συνάρτησης με ένα σύνολο γεωμαγνητικών δεικτών και παραμέτρων ηλιακού ανέμου υπολογίζοντας τον συντελεστή συσχέτισης Pearson και τον συντελεστή αμοιβαίας πληροφορίας κάθε ζεύγους. Μέσω αυτού καταλήγουμε στις ενέργειες και μεταβλητές που συμπεριλαμβάνουμε στις επόμενες μεθόδους. Αρχικά εφαρμόζουμε μια μέθοδο πολυπαραμετρικού μοντέλου παλινδρόμησης στις ενέργειες και τις μεταβλητές που έδειξαν τα πιο υποσχόμενα αποτελέσματα στο πρώτο μέρος της έρευνάς μας. Έπειτα κατασκευάζουμε ένα μοντέλο τεχνητού νευρωνικού Δικτύου που εκπαιδεύτηκε και δοκιμάστηκε στα ίδια προαναφερθέντα επιλεγμένα δεδομένα. Τέλος, συγκρίνουμε τα αποτελέσματα του μοντέλου τεχνητού νευρωνικού Δικτύου με τα αρχικά δεδομένα MagEIS, διακριβώνοντας την ικανότητά του για ανακατασκευή δεδομένων ροής με ακρίβεια και συζητάμε τους περιορισμούς του.","abstract_has_math":false,"creators":["Τσίλιας Κίμων-Σωτήριος","Tsilias Kimon-Sotirios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:32:07Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3474020"],"render_values":[{"text":"uoadl:3474020","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3474020","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3474020","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%3A3474020","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Τσίλιας Κίμων-Σωτήριος","Tsilias Kimon-Sotirios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"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:3474020","https://pergamos.lib.uoa.gr/uoa/dl/object/3474020"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στόχος της διπλωματίας εργασίας αυτής είναι η ακριβής περιγραφή και μοντελοποίηση των ακτινικών κατανομών της ροής ηλεκτρονίων στην εξώτερη ζώνη ακτινοβολίας, με εστίαση στη κατανομή των ενεργειακών ηλεκτρονίων συναρτήσει του L*, χρησιμοποιώντας πολλαπλές μεθόδους, συμπεριλαμβανομένων των τεχνητών νευρωνικών δικτύων. Για αυτή τη μελέτη χρησιμοποιούμε δεδομένα της αποστολής RBSP-A και Β του οργάνου MagEIS, με ενέργειες που κυμαίνονται μεταξύ 0,033 MeV και 2,619 MeV και τιμές L* από 3,05 έως 6,35 με διαφορά 0,1 από το 2012 έως το 2019. Εφαρμόζουμε μια συνάρτηση κατανομής νόμου δύναμης με εκθετικό όρο για τη περιγραφή της διακύμανσης των ροών ηλεκτρονίων καθώς αλλάζει το L*. Η συνάρτηση αυτή περιλαμβάνει 3 παραμέτρους a, b, c, όπου a είναι ο παράγοντας της ροής, b είναι ο δείκτης της συνάρτησης δύναμης και c είναι ο εκθετικός δείκτης. Η αποτελεσματικότητα της συνάρτησης επαληθεύεται μέσω προσαρμογής στα δεδομένα που οδηγεί σε ένα σύνολο ανακατασκευασμένων δεδομένων ροής, τα οποία συγκρίνουμε με τα αρχικά δεδομένα MagEIS, αποδεικνύοντας την ακριβή περιγραφή των ακτινικών κατανομών της ροής ηλεκτρονίων στην εξώτερη ζώνη ακτινοβολίας. Διεξάγουμε μια έρευνα με βάση τη σχέση μεταξύ των παραμέτρων της συνάρτησης με ένα σύνολο γεωμαγνητικών δεικτών και παραμέτρων ηλιακού ανέμου υπολογίζοντας τον συντελεστή συσχέτισης Pearson και τον συντελεστή αμοιβαίας πληροφορίας κάθε ζεύγους. Μέσω αυτού καταλήγουμε στις ενέργειες και μεταβλητές που συμπεριλαμβάνουμε στις επόμενες μεθόδους. Αρχικά εφαρμόζουμε μια μέθοδο πολυπαραμετρικού μοντέλου παλινδρόμησης στις ενέργειες και τις μεταβλητές που έδειξαν τα πιο υποσχόμενα αποτελέσματα στο πρώτο μέρος της έρευνάς μας. Έπειτα κατασκευάζουμε ένα μοντέλο τεχνητού νευρωνικού Δικτύου που εκπαιδεύτηκε και δοκιμάστηκε στα ίδια προαναφερθέντα επιλεγμένα δεδομένα. Τέλος, συγκρίνουμε τα αποτελέσματα του μοντέλου τεχνητού νευρωνικού Δικτύου με τα αρχικά δεδομένα MagEIS, διακριβώνοντας την ικανότητά του για ανακατασκευή δεδομένων ροής με ακρίβεια και συζητάμε τους περιορισμούς του.","This thesis’ goal is the accurate description and modelling of the radial profiles of electron fluxes in the outer radiation belt, focusing on the distribution of energetic electrons as a function of L*, with multiple methods including Artificial Neural Networks. For this study we use the RSBP-A and RBSP-B MagEIS data, with energies that range between 0.033 MeV – 2.619 MeV and L* values from 3.05 up to 6.35 with a delta of 0.1, from 2012 up to 2019. We implement an exponential cut-off power-law fit function for the electron flux to describe the fluctuation of electron flux as L* changes. This function includes 3 parameters a, b, c, where a is the intensity factor, b is the power-law index, and c is the index of the exponential component. The function is tested through a fitting onto the data that results in a set of reconstructed fit flux data, which we directly compare with the original MagEIS data, thus proving the accurate description of the radial electron flux profiles in the outer radiation belt. We also investigate the relationship between these parameters and a collection of geomagnetic indices and solar wind parameters by calculating the Pearson corelation and Mutual Information of each pairing. Through this process we come into a conclusion regarding the energies and variables to be included in the following methods. We first instigate a multivariate regression on the included energies with the variables that showed the most promising results in our corelation investigation. We then construct an artificial neural network model that is trained and tested on the same aforementioned selected data. Finally, we compare the artificial neural network model’s results to the original MagEIS data, confirming its ability to reconstruct flux data accurately and discussing its limitations."]},{"key":"dc:title","label":"Title","values":["Investigation and modelling of the electron flux radial profiles in the outer radiation belt with machine learning methods"]}]}],"canonical_facts":{"dc:creator":["Τσίλιας Κίμων-Σωτήριος","Tsilias Kimon-Sotirios"],"dc:date":["2025"],"dc:description":["Στόχος της διπλωματίας εργασίας αυτής είναι η ακριβής περιγραφή και μοντελοποίηση των ακτινικών κατανομών της ροής ηλεκτρονίων στην εξώτερη ζώνη ακτινοβολίας, με εστίαση στη κατανομή των ενεργειακών ηλεκτρονίων συναρτήσει του L*, χρησιμοποιώντας πολλαπλές μεθόδους, συμπεριλαμβανομένων των τεχνητών νευρωνικών δικτύων. Για αυτή τη μελέτη χρησιμοποιούμε δεδομένα της αποστολής RBSP-A και Β του οργάνου MagEIS, με ενέργειες που κυμαίνονται μεταξύ 0,033 MeV και 2,619 MeV και τιμές L* από 3,05 έως 6,35 με διαφορά 0,1 από το 2012 έως το 2019. Εφαρμόζουμε μια συνάρτηση κατανομής νόμου δύναμης με εκθετικό όρο για τη περιγραφή της διακύμανσης των ροών ηλεκτρονίων καθώς αλλάζει το L*. Η συνάρτηση αυτή περιλαμβάνει 3 παραμέτρους a, b, c, όπου a είναι ο παράγοντας της ροής, b είναι ο δείκτης της συνάρτησης δύναμης και c είναι ο εκθετικός δείκτης. Η αποτελεσματικότητα της συνάρτησης επαληθεύεται μέσω προσαρμογής στα δεδομένα που οδηγεί σε ένα σύνολο ανακατασκευασμένων δεδομένων ροής, τα οποία συγκρίνουμε με τα αρχικά δεδομένα MagEIS, αποδεικνύοντας την ακριβή περιγραφή των ακτινικών κατανομών της ροής ηλεκτρονίων στην εξώτερη ζώνη ακτινοβολίας. Διεξάγουμε μια έρευνα με βάση τη σχέση μεταξύ των παραμέτρων της συνάρτησης με ένα σύνολο γεωμαγνητικών δεικτών και παραμέτρων ηλιακού ανέμου υπολογίζοντας τον συντελεστή συσχέτισης Pearson και τον συντελεστή αμοιβαίας πληροφορίας κάθε ζεύγους. Μέσω αυτού καταλήγουμε στις ενέργειες και μεταβλητές που συμπεριλαμβάνουμε στις επόμενες μεθόδους. Αρχικά εφαρμόζουμε μια μέθοδο πολυπαραμετρικού μοντέλου παλινδρόμησης στις ενέργειες και τις μεταβλητές που έδειξαν τα πιο υποσχόμενα αποτελέσματα στο πρώτο μέρος της έρευνάς μας. Έπειτα κατασκευάζουμε ένα μοντέλο τεχνητού νευρωνικού Δικτύου που εκπαιδεύτηκε και δοκιμάστηκε στα ίδια προαναφερθέντα επιλεγμένα δεδομένα. Τέλος, συγκρίνουμε τα αποτελέσματα του μοντέλου τεχνητού νευρωνικού Δικτύου με τα αρχικά δεδομένα MagEIS, διακριβώνοντας την ικανότητά του για ανακατασκευή δεδομένων ροής με ακρίβεια και συζητάμε τους περιορισμούς του.","This thesis’ goal is the accurate description and modelling of the radial profiles of electron fluxes in the outer radiation belt, focusing on the distribution of energetic electrons as a function of L*, with multiple methods including Artificial Neural Networks. For this study we use the RSBP-A and RBSP-B MagEIS data, with energies that range between 0.033 MeV – 2.619 MeV and L* values from 3.05 up to 6.35 with a delta of 0.1, from 2012 up to 2019. We implement an exponential cut-off power-law fit function for the electron flux to describe the fluctuation of electron flux as L* changes. This function includes 3 parameters a, b, c, where a is the intensity factor, b is the power-law index, and c is the index of the exponential component. The function is tested through a fitting onto the data that results in a set of reconstructed fit flux data, which we directly compare with the original MagEIS data, thus proving the accurate description of the radial electron flux profiles in the outer radiation belt. We also investigate the relationship between these parameters and a collection of geomagnetic indices and solar wind parameters by calculating the Pearson corelation and Mutual Information of each pairing. Through this process we come into a conclusion regarding the energies and variables to be included in the following methods. We first instigate a multivariate regression on the included energies with the variables that showed the most promising results in our corelation investigation. We then construct an artificial neural network model that is trained and tested on the same aforementioned selected data. Finally, we compare the artificial neural network model’s results to the original MagEIS data, confirming its ability to reconstruct flux data accurately and discussing its limitations."],"dc:identifier":["uoadl:3474020","https://pergamos.lib.uoa.gr/uoa/dl/object/3474020"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Investigation and modelling of the electron flux radial profiles in the outer radiation belt with machine learning methods"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:07Z"}